～ 異常判定AI、オートエンコーダーと潜在表現、反事実説明、インフラ・製造分野におけるAI技術、説明性のある時系列データ分析、反事実波形生成技術 ～
・異常検知AIの基礎から、判定根拠を波形パターンとして示すshapelets学習法、さらに異常と判定された波形の反事実波形生成技術までを修得し、高精度な異常検知に活かすための講座
・説明可能AI（XAI）と反事実説明のデータへの応用技術を修得し、説明性のある時系列AIの現場での活用に活かそう！
・ＷＥＢ会議システムの使い方がご不明の方は弊社でご説明いたしますのでお気軽にご相談ください。
（第１部） 本セミナーの前半では、講演者が株式会社東芝との共同研究で創出した成果の基盤となる、「データの分類・判定」「異常検知」「オートエンコーダー」「反事実説明」など、機械学習に基づく異常検知と説明可能AIに関わる基本的な概念を解説します。これらは後半で紹介する反事実波形生成技術を理解するための導入ですが、単なる用語解説ではなく、個々の概念がどのようにつながり、実際の技術へ結実するのかを見通すための概念的な地図として位置づけています。すでにこれらの概念に馴染みのある方にとっても、分類器による判定、正常データに基づく異常検知、潜在表現、そして反事実説明が一つの技術体系を支える流れを、改めて捉え直す機会となれば幸いです。講演者自身、この分野には株式会社東芝との共同研究を通じて本格的に触れるようになりました。
そのため本セミナーでは、当該分野を専門的に扱ってきた立場とは少し異なる、応用数学・数理的構造の観点からの見方も交えてお話しします。普段からこれらの技術を使い慣れている方々にとっても、異常判定AIを説明可能な判断へつなげるための多角的な視点を得る機会となることを目指します。
（第２部） 近年、インダストリアルIoTの普及により、インフラ設備や製造装置のセンサから得られる時系列・波形データを用いて、異常の兆候を早期に検出し、設備診断に活用するニーズが高まっています。一方で、産業応用では高い判定精度だけでなく、AIがなぜその判断をしたのかを専門家が理解できる説明性、異常データが少ない状況への対応などが重要になります。本セミナーでは、AIの説明性や時系列データのクラス分類・異常検知の基礎から、判定根拠を波形パターンとして示すshapelets学習法、さらに異常と判定された波形について「どのように波形を変えれば正常と判定されるか」を示す反事実波形生成技術までを解説します。インフラ・製造分野での適用事例を交えながら、説明性のある時系列AIがどのように実現され、現場でどのように活用できるかを学びます。
| 開催日時 |
|
|---|---|
| 開催場所 | オンラインセミナー |
| カテゴリー | オンラインセミナー、電気・機械・メカトロ・設備、ソフト・データ・画像・デザイン、研究開発・商品開発・ ビジネススキル |
| 受講対象者 |
・時系列・波形データを用いた説明可能AI（XAI）に関心のある方 ・社会インフラ・製造分野におけるAIの設備診断に関心のある方 ・機械学習アルゴリズムや時系列データマイニング技術の研究開発に携わる方 ・システム・データ分析に携わる方 |
| 予備知識 |
・高校程度の数学 ・機械学習の基礎知識があるとより理解が深まります |
| 修得知識 |
・説明可能AI（XAI）と反事実説明の概要を修得できます ・時系列・波形データを扱う際の特徴と課題を修得できます ・時系列データのクラス分類・異常検知の基本的な考え方を修得できます ・反事実波形生成技術の実現方法の概要を修得できます |
| プログラム |
（第１部）異常判定AIを説明可能にするための数理的基礎
１．異常判定AIを説明可能にするための導入 （１）．データをAIで判定するとは何か ａ．正常・異常を返す判定器と分類問題の基本 ｂ．分類器が与える情報と、与えない情報 （２）．判定結果を現場判断に使う際の課題 ａ．損失、誤り、評価指標と、説明可能性の位置づけ ｂ．高精度な判定を、判断支援へつなげるための視点
２．１クラス異常検知と「正常」のまとまり （１）．異常データが少ない状況での異常検知 ａ．正常データを基準として異常を捉える考え方 ｂ．設備診断・保守・品質管理における活用可能性 （２）．正常状態を数理的に表す方法 ａ．距離・近傍・密度・正常領域による異常度の見方 ｂ．正常のまとまりを用いて判定を理解する視点
３．オートエンコーダーと潜在表現 （１）．データを潜在空間へ写すという発想 ａ．生データ空間では見えにくい構造を表現する考え方 ｂ．正常データのまとまりを潜在空間で捉える意義 （２）．オートエンコーダーの基本構造 ａ．EncoderとDecoderによる圧縮・再構成の考え方 ｂ．潜在空間上の構造を元のデータ空間へ戻す役割
４．反事実説明と後半の技術内容への接続 （１）．反事実説明：望ましい判定への最小修正 ａ．「何が変われば正常か」を示す説明の考え方 ｂ．妥当性、変更の少なさ、もっともらしさという評価軸 （２）．共同研究成果を理解するための視点 ａ．分類、異常検知、潜在表現、反事実説明をつなぐ技術体系 ｂ．後半で扱う反事実生成技術への導入と応用展望
（第２部）インフラ設備の異常検知AI技術の基礎と異常を判断する波形可視化技術への応用
１．インフラ・製造分野におけるAI技術の課題 （１）．インフラ・製造分野におけるAI活用の背景 （２）．AIの説明性 （３）．時系列・波形データの性質 （４）．異常データの希少性と異常検知問題の難しさ
２．説明性のある時系列データ分析 （１）．時系列データのクラス分類・異常検知の問題設定 （２）．代表的な時系列分類手法の概要 （３）．Shapelets学習法の概要 （４）．Shapelets学習の基本原理 （５）．異常検知問題へのshapelets学習の拡張 （６）．産業分野における適用イメージ
３．反事実波形生成技術 （１）．XAI・shapelets学習法・反事実説明の関係 （２）．代表的なXAI手法との違い：LIMEなどの寄与度説明と反事実説明 （３）．時系列データに対する反事実説明 （４）．反事実波形に求められる品質 （５）．反事実波形生成技術の実現方法と適用イメージ
|
| キーワード | 異常判定AI オートエンコーダー 反事実説明 Shapelets学習法 時系列データ 反事実波形 反事実波形生成技術 |
| タグ | 精密機器・情報機器、分析、AI・機械学習、SLAM・自己位置推定、統計・データ解析、信号処理、研究開発、新事業、データ解析、画像、画像処理、画像認識、統計・データ、データ分析 |
| 受講料 |
一般 (1名)：49,500円(税込)
同時複数申込の場合(1名)：44,000円(税込) |
| 会場 |
オンラインセミナー本セミナーは、Web会議システムを使用したオンラインセミナーとして開催します。 |
営業時間 月~金：9:00～17:00 / 定休日：土日・祝日
