セミナー 印刷

AI学習制御の基礎と実践応用

受講可能な形式:【Live配信】のみ
日時 2024年11月27日(水)  10:00~17:00
講師 蜷川忠三(にながわちゅうぞう) 氏
   N研究所株式会社 代表取締役社長 博士(工学)
   兼任 岐阜大学 工学部 電気電子情報工学科 客員教授

<略歴>
 1988年 University of Washington大学院 修士課程修了(電気工学専攻)
 2007年 三菱重工業株式会社 技監
 2012年 岐阜大学 工学部 電気電子工学科 教授
 2023年 技術コンサル会社 N研究所株式会社設立 代表取締役社長
<専門>
 機械学習,電力工学,制御工学
<主な著書>
 「AI時系列制御」(コロナ社,2022年),「分散型ビル空調IoT・AI制御」(技報法堂出版,2021年)、他、和洋専門書7冊
受講料(税込)
各種割引特典
53,900円 ( E-Mail案内登録価格 53,900円 ) S&T会員登録とE-Mail案内登録特典について
定価:本体49,000円+税4,900円
E-Mail案内登録価格:本体49,000円+税4,900円
お1人様受講の場合 53,900円 (49,000円+税4,900円)
1口でお申込の場合  66,000円 (60,000円+税6,000円/1口(3名まで受講可能))
※S&T E-Mail案内登録価格 S&T複数同時申込み割引対象外

※開催7日前に請求書を発送します。
※開催日から9日前以降のキャンセルは受講料全額を申受けます。但し、セミナー終了後テキストを郵送します。
  ​一旦、納入された受講料はご返金できません。当日ご都合のつかない場合は代理の方がご出席下さい。
※サイエンス&テクノロジーが設定しているアカデミー価格・キャンセル規定対象外のセミナーです。
主催(株)トリケップス
オンライン配信★本セミナーは、Zoomウェビナーを使用して行います。
 受講者の通信回線にセキュリティなどの制限がある場合は参加できないことがあるため、
 事前に当日ご利用予定の通信回線にて、
 Zoom公式ページ(https://zoom.us)にアクセスできることをご確認していただくようお願いします。
 または、Zoomのテストミーティング(http://zoom.us/test)にアクセスできることをご確認ください。
 Zoomをダウンロードしている方はマイクとスピーカーのテストも可能です。
 ※こちらは接続テスト用のミーティングです。実際のセミナー参加者画面とは異なります。

★インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。
 講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。

★受講中の録音・撮影等は固くお断りいたします。

※開催5日前までに主催会社(株)トリケップスから参加者に当日必要なURLとパスワードをメールにてお知らせします。
備考★受講申込者が必要定員に満たないセミナーは中止・延期させていただく場合があります。
 その場合は開催1週間前にご連絡します。

★1口でお申込の場合
 代表受講者を定めて下さい。請求書発送等の連絡は代表受講者へ行います。
 申込時に参加者全員の氏名・所属が明記されていない場合、ご参加できない場合があります。

セミナー趣旨

 近年AI分野の1つである機械学習がIT分野から産業分野へ広がってきています。製造現場,工場設備,オフィス施設への管理制御システムに機械学習を応用するニーズが急増しています。しかし,現場実装には,環境や機器の制約やデータ収集の質・量の制約など,IT分野とは異なる課題があるのは実務技術者の知るところです。
 本セミナーでは,AI機械学習の基礎であるニューラルネットと強化学習の原理と適用事例を並行して関連づけながら実装方法を説明します。特に,制御対象システムの時系列データを収集して学習データとして使える状態にする現実的なノウハウに力点を置いて解説します。
 最後に近年IT分野で注目を浴びている生成AIの基盤技術であるTransformer時系列ニューラルネットの原理概要を説明したあと,制御を含む産業分野への適用研究状況を展望します。

セミナー講演内容

1 はじめに
 1.1 AI機械学習~システム制御の分野へのニューラルネットなどAI機械学習の導入の状況
 1.2 制御へのAI機械学習モデル応用~時系列専用ニューラルネットや予測モデル最適制御や強化学習制御の現場導入
  
2 制御予測モデリング
 2.1 ニューラルネットの基礎~内部ベクトル表現,活性化関数,逆伝搬学習など基本を初歩から一通り説明
 2.2 実例1:インバータ電力制御ステップ応答~単純な4層ニューラルネットによりステップ応答予測モデルを作る簡単な実例

3 ニューラルネット最適探索制御
 3.1 最適探索アルゴリズムの基礎~予測モデルを用いて将来にわたり最も評価関数を高くする探索制御の初歩
 3.2 実例2:ビル空調電力料金最適制御~料金単価が変動するとして一定期間の電気代を最小化する探索制御への応用例

4 強化学習による転移学習制御
 4.1 強化学習の基礎原理~教師データが得られない場合に有効な強化学習の原理を初歩から説明
 4.2 実例3:ビル空調電力Q-Learning制御~消費電力と快適性をトライアンドエラーで学習しながら制御した実際例

5 AI機械学習制御の実践手順
 5.1 LSTMニューラルネットの基礎~長い時系列から次ステップ出力を予測する専用ニューラルネットの紹介
 5.2 実例4:設備の保全運転発生予知~通常運転が積算していき急に保全運転が必要となる時系列予測の実施例

6 AI機械学習制御の実践手順
 6.1 初めてのAI学習制御の試行手順~産業現場に初めて導入するチームを想定したプロジェクトの流れを紹介
 6.2 機械学習ツールか自作学習ソフトか~ツールで容易だが内部不明で,自作は原理理解と内部チェック可能
 6.3 モデルのチューニングノウハウ~ツール内部の観察法:ヒートマップ,活性化関数レンジ,学習打ち切り判断

7 時系列データ収集ノウハウ~
 7.1 時系列データ収集システム構築~時系列データ収集専用IoT通信システム「IEEE1888」の実装紹介
 7.2 時系列データ収集モジュレーション法~通常運用状態を維持しつつ小信号ステップ応答指令を埋め込む方法
 7.3 時系列データ補正SMOTE法~なかなか実測できない時系列パターンを人工的に増強する定番手法

8 生成AIと時系列データ
 8.1 生成AIの技術基盤Transformer~ChatGPTの内部にある最先端時系列ニューラルネット紹介
 8.2 Transformerの時系列制御への応用研究動向~自然言語の時系列から産業監視制御の時系列へと応用研究
 8.3 Transformerによる産業応用の研究例~故障予知,気象予報,空調負荷予測への応用研究の紹介

9 まとめ