第1章 DXとは何か?DXによるイノベーション創出・活用事例

第1節 SDGsに向けたデジタル変革における統合知の展開

• 1.用語
  • 1.1 SDGs
  • 1.2 デジタル変革 (DX)
  • 1.3 統合知
• 2.課題
• 3.DSDGフレームワーク
  • 3.1企業におけるSDGsの分類
  • 3.2 DSDG戦略マップ
  • 3.3 DSDGフレームワーク
  • 3.4 SDGsVCM
• 4.具体例
  • 4.1 DSDG戦略マップ
  • 4.2 DSDGフレームワーク
  • 4.3 SDGsVCM
• 5.考察
• 6.まとめと今後の課題

第2節 5G時代のデジタルトランスフォーメーション

• 1.5Gは普及期へ

• 2.DX実現における5Gの役割
• 3.フィールドの革新
  • 4.5GによるDX:製造業を例に
• 5.B2B2X型ビジネスモデル
• 6.レフトBの提供価値
• 7.まとめ:5GによるDX実現のステップ

第3節 データ駆動型社会の未来予測と事業戦略

• 1.データ駆動型社会が求める信頼性の高い高品質データ
  • 1.1 国家戦略に採用されたブロックチェーン技術
  • 1.2 データの信頼性を担保するブロックチェーン技術
  • 1.3 無形資産時代とブロックチェーン
  • 1.4 ブロックチェーン技術の応用領域
• 2.メーカーおける様々なブロックチェーン技術の事例
  • 2.1 米国GEエービエーションのエンジン保守品質管理
  • 2.2 パナソニックの中国食肉衛生管理
• 3.都市のデータ駆動社会化、スマートシティ、スーパーシティ構想
  • 3.1 スーパーシティ構想と事業戦略
  • 3.2 スーパーシティを支える構造
• 4.幾つかの事例
  • 4.1 大阪府の事例
  • 4.2 老舗食品メーカーのAI (人工知能) による原料選別の事例
  • 4.3 米国モデルナによるコロナワクチン開発でのAI (人工知能) の利用
  • 4.4 農林水産省が全力投入のスマート農業
  • 4.5 建設業における小松製作所の建設現場デジタル・ツイン手法活用
• 5.ローカル5Gの活用
  • 5.1 ドイツの部品メーカーボッシュのローカル5G
  • 5.2 富士通のローカル5G

第4節 データ駆動型の物質・材料開発の現状、課題と将来展望

• 1.データ駆動型化学の守備範囲
• 2.新材料創出とその作り方の一体化:プロセスインフォマティクス
• 3.データ駆動型化学は打ち出の小槌か?
• 4.データ駆動型化学には良く整理されたデータが重要

第5節 人材に対するDX適用の課題と展望

• 1.個人の活動履歴のデータとは何か
• 2.海外における個人の活動履歴のDX化
• 3.日本における資格・学歴・活動履歴などの扱い
• 4.社会基盤に求められる要素
• 5.個人データの認証
• 6.今後の課題
• 7.今後の展望

第6節 急成長するX-Tcchビジネスと活用のポイント

• 1.第四次産業革命で急成長するX-Techビジネス
  • 1.1 X-Techビジネスとは
  • 1.2 X-Techビジネスの具体例
• 2.X-Tech活用のポイント
  • 2.1 企業にとってのX-Tech活用
  • 2.2 X-Tech活用のポイント
• 3.研究開発からの事業プロデュースにおけるX-Tech活用事例
  • 3.1 地域イノベーション・エコシステム形成プログラム
  • 3.2 山形地域の事業プロデュース

第7節 DX 時代のサイバーセキュリティ対策

• 1.サイバー攻撃の脅威
  • 1.1 DX,IoTおよびAI
  • 1.2 DXとサイバー攻撃
• 2.サイバー攻撃の脅威
• 3.これからのサイバー攻撃
  • 3.1 サイバー攻撃概観
  • 3.2 マルウェア、そしてランサムウェア
• 4.サイバー攻撃への対策
  • 4.1 セキュリティ意識
  • 4.2 セキュリティ対策

第8節 医療画像AIの最前線

• 1.研究開発・データ収集
  • 1.1 深層学習モデルの最前線
  • 1.2 データ収集とアノテーション
  • 1.3 当社の取り組み
• 2.バージョンアップ問題
  • 2.1 バージョンアップの何が問題なのか
  • 2.2 日本の取組み
  • 2.3 今後、どのようにバージョンアップに向き合うべきか
• 3.クラウドの活用で加速するAI
  • 3.1 海外の事例
  • 3.2 大手海外ベンダーの動き
  • 3.3 エッジAIとのHybridも
  • 3.4 AIホスピタルが果たす役割
• 4.営業・マーケティングの最前線
  • 4.1 海外の事例
  • 4.2「共鳴」が普及のカギ
• 5.国策としての医療画像AI
  • 5.1 海外の事例
  • 5.2 日本でも進む議論

第9節 SCSKからちょっと過激なDX推進の提言～あなたは変われますか～

• 1.新たな時代の息吹 (コミュニティの時代)
• 2.Digital Transformationのとらえ方
  • 2.1 8つのDXのターゲット
  • 2.2「攻め」のDX
  • 2.3「守り」のDX
• 3.DX7つ道具とは
  • 3.1 イノベーションの取り組み
  • 3.2 経営戦略を勉強しよう
  • 3.3 QC活動とDX
  • 3.4 DX7つ道具
    • (1) データ
    • (2) IoT
    • (3) BIツール
    • (4) AI (人工知能)
    • (5) xR
    • (6) ノーコード・ローコード
    • (7) 各種OSS
  • 3.5 結局DXとは何なのか?
• 4.DX事例
  • 4.1 守りのDX
  • 4.2 攻めのDX
    • (1) VRの活用による新たなデジタルマーケティング
    • (2) AIが新たな商品を生み出した事例
    • (3) AIの活用による様々な事例
  • 4.3 地域貢献DX
• 5.DX7に必要とされる知識・能力
• 6.DX時代の組織
• 7.DXをやりたいならルールを変えろ
  • 7.1 主体となって考える
  • 7.2 リーダーにお願いしたいこと
  • 7.3 経営者にお願いしたいこと

第10節 (スポーツ+IT) ×他産業の統合×新市場創造、がこれからの公式

• 1.スポーツ×ITというテーマの世界的な盛り上がりと課題
• 2.スポーツとIT産業が生きる本来の産業ポジショニングはどこなのか
• 3.産業のブランド下統合が進む未来
• 4.事業創造と市場創造を同時に行わないと成功しない
• 5.国内で事業開発を行い、海外に展開する新しいモデル
• 6.スポーツ活用で海外展開を加速
• 7.求められているのはスポーツを活用した「ビジネス×マーケットプロデューサー」

第11節 KDDIにおける健康・医療領域のDX活用とその取り組み

• 1.KDDIにおける健康・医療領域の位置づけと推進環境
  • 1.1 KDDI Sustainable Action
  • 1.2 健康・医療領域の主な既存事業
  • 1.3 スタートアップとの研究開発/事業展開環境
• 2.コロナ禍における健康・医療領域の課題および研究開発の方向性
  • 2.1 コロナ禍における健康・医療領域の課題
  • 2.2 今後の健康・医療領域において実現されるべき姿
  • 2.3 事業部門と研究開発部門の連携必要性
• 3.KDDIの事業構想および具体的な取組
  • 3.1 健康・医療領域の事業構想
  • 3.2 主要事業|auウェルネス
  • 3.3 補完事業|ポケットヘルスケア
  • 3.4 2事業の将来展開
• 4.総括

第12節 AIと気象を利用した需要予測

• 1.気象分野の現状とその利用
  • 1.1 気象の変化
  • 1.2 気象予測技術
  • 1.3 気象の応用利用
  • 1.4 需要予測への利用
• 2.気象情報とAIを利用した業務改善事例
  • 2.1 気象を利用すべき分野
  • 2.2 気象を利用した業務変革事例
    • (1) 概要
    • (2) 製造業での最終生産予測
    • (3) 製造業での在庫最適化
    • (4) 小売業での販促最適化
    • (5) 小売業での発注最適化
  • 2.3 気象を利用したサプライチェーン変革事例
    • (1) 概要
    • (2) 製造業と小売業の需要予測の共有事例
• 3.今後の発展の方向性

第2章 R&D部門のデジタル化のための組織体制作りと導入のポイント

第1節 研究開発部門におけるDX導入とイノベーション創出、業務効率化のポイント

• 1.R&Dにおけるデジタル・トランスフォーメーションを考える
  • 1.1 今のR&Dのデジタル・トランスフォーメーションの状況
  • 1.2 DXにおける壁
    • (1) デジタル手段が目的化しあるべき姿の検討が空洞化している
    • (2) 組織単位での検討に留まり、横断的な提供価値を検討できていない
    • (3) 業務基盤が整備されておらず、改革の足かせとなる
  • 1.3 R&Dの特性と期待されるDX
  • 1.4 R&Dに期待されるDX ①プロダクトイノベーション
  • 1.5 R&Dに期待されるDX ②プロセスイノベーション
  • 1.6 R&Dに期待されるDX ③マインドイノベーション
• 2.R&Dの現場をどう変えるか
  • 2.1 R&Dの現場とは何か
  • 2.2 R&D現場でDXを推進するポイント
    • (1) Why、Whatから入る
    • (2) ビジネスの観点で考えられるメンバーを育成しておく
    • (3) 人のパフォーマンスを向上させるDXを志向する
  • 2.3 人を中心においたDXの検討
    • (1) 情報インプット
    • (2) 構想立案
    • (3) 実証・具体化
    • (4) 情報アウトプット
    • (5) コラボレーション
    • (6) モチベーション向上
    • (7) 付帯作業の排除
  • 2.4 R&D現場に立脚したDX推進とは

第2節 成熟した非デジタル企業は、DXにどう向き合うべきか

• 1.「財」と「プロセス」
  • 1.1 我々は「財思考」から脱することはできるか
  • 1.2 「プロセス」を独占する巨大IT企業
  • 1.3 「デジタル」は避けて通れない
  • 1.4 DX推進に40代社員が後ろ向き
  • 1.5 「外部ベンダーへの丸投げ」が成長機会を奪う
  • 1.6 新規事業はベンチャー起業家とのコラボレーションで
  • 1.7 「デジタル」を本業にできるか
• 2.成熟した非デジタル企業におけるDXの進め方
  • 2.1 新規事業は後回し、BPRでDXの実行力を育てよ
  • 2.2 新しいプロセスを着想する
  • 2.3 従業員のデジタルリテラシーを高める
  • 2.4 優れた「説」を選出する
  • 2.5 アイデアをカタチにする前に
  • 2.6 DX担当者 (ゼロイチ人材) を見極める
  • 2.7 まずは「20%兼務」でスタート
  • 2.8 賛同者と共に作り上げる
  • 2.9 課題解決型思考 (垂直思考) の限界
  • 2.10 BPRを新規事業に転換する裏技
  • 2.11抵抗勢力に対処する

第3節 研究開発組織のデジタルトランスフォーメーション概論

• 1.研究開発組織をDXする時代の到来
• 2.研究開発組織はいかにして改革するか
• 3.研究開発組織のDX推進度セルフチェック

第4節 R&D部門における効果的なデータ共有・利活用手法と運用体制

• 1.R&D部門におけるデータ共有・利活用の実情
• 2.属人的なデータ共有、形骸化したデータ共有状況から生まれる問題点
• 3.属人的なデータ共有、形骸化したデータ共有状況が生み出される原因
• 4.属人的データ共有状況を脱するための事前準備の前に行うべきこと
• 5.R&D部門におけるデータベース、システムは、魔法の箱ではない!
• 6.データベース、システムの最大の利点とは!
• 7.属人的データ共有状況を脱するための事前準備 (手順書作成編)
• 8.属人的データ共有状況を脱するための事前準備 (システム化対象特定編)
• 9.属人的データ共有状況を脱するためのデータ共有システム導入に必要な要件
• 10.データ共有システム導入時の落とし穴とそれを防ぐ方策
• 11.データ共有システム運用後陥りがちな落とし穴とそれを防ぐ方策
• 12.効果的なデータ共有・利活用手法と運用体制の作り方

第5節 長瀬産業におけるマテリアルズインフォマティクスを推進するための体制とステップ

• 1.素材開発をとりまく厳しい環境変化
  • 1.1 グローバル市場における日本の化学・素材産業
  • 1.2 素材開発の難易度の高まり
  • 1.3 研究開発現場における課題
• 2.デジタル技術の研究開発への適用
  • 2.1 研究開発DX全体像とMIの実行
  • 2.2 DX/MIを進めるうえで発生する出来事
    • (1) 取組開始期
    • (2) 混乱・衝突期
    • (3) 統一 期
• 3.デジタル研究開発を形作るために抑えるべき論点
  • 3.1 ビジョンの構築と浸透
    • (1) 経営層との連携
    • (2) ビジョン作成
    • (3) インナーマーケティング
  • 3.2 プロジェクトの実行
    • (1) テーマ設定
    • (2) データ整備
    • (3) モデル作成/実行、検証/評価
  • 3.3 仕組み構築
    • (1) チーム体制
    • (2) チームメンバー
    • (3) MI実行の仕組みの構築
  • 3.4 今後の研究開発成功のための重要成功要因

第6節 三井化学における研究開発部門へのDX導入,社内展開と人財育成の取り組み

• 1.DX導入の課題
  • 1.1 DX疲れ
  • 1.2 PoC疲れ
• 2.DXの導入とは
  • 2.1 導入の目的
  • 2.2 啓蒙活動の展開
  • 2.3 外製か内製か
  • 2.4 外部連携,解析ツールの活用
  • 2.5 DXの人財・組織
• 3.DXの人財育成
  • 3.1 解析系人財
  • 3.2 プロジェクトマネージャー
• 4.データベースプラットフォーム構築
• 5.DXの技術開発
  • 5.1 機械学習
  • 5.2 量子コンピュータ
  • 5.3 シミュレーションの活用
  • 5.4 可視化技術 ～メタバース,3Dプリンター～
  • 5.5 自然言語処理
• 6.自動化への対応
  • 6.1 RPA (Robotic Process Automation)
  • 6.2 自律型実験システム
• 7.MLOps

第7節 日立が考えるR&D部門の研究開発でのDX実現へ向けた進め方

• 1.材料開発ソリューション
  • 1.1 データ分析支援サービス
  • 1.2 データ分析環境提供サービス
  • 1.3 DX支援サービス

第8節 旭化成R&D部門におけるDX人材の育成とデータ活用

• 1.旭化成におけるR&Dとデジタル化
  • 1.1 旭化成の概要
  • 1.2 旭化成におけるDX
  • 1.3 R&D部門におけるDX
  • 1.4 MIの展開
    • (1) MIの定義と特徴
    • (2) MI活用例
  • 1.5 新規テーマの創出 プラスチック資源循環プロジェクト「BLUE Plastics」
    • (1) 背景
    • (2) 「BLUE Plastics」プロジェクトの概要
    • (3) プロトタイプの特徴
    • (4) 「BLUE Plastics」実証実験の概要
• 2.DX人材の育成
  • 2.1 教育の内容
  • 2.2 教育用システム
• 3.データ活用とシステム
  • 3.1 過去データの活用
  • 3.2 スマートラボによるデータ活用
  • 3.3 外部データの活用
• 4.体制

第9節 コニカミノルタにおけるマテリアルズ・インフォマティクスの社内普及と次世代人財の育成

• 1.計算科学を起点にした演繹的解析の実践
• 2.MIを起点にした帰納的解析の型作り
• 3.MIの社内普及に向けた4ステップの活動8,9)
  • 3.1 Step1:共感の仲間作り (押しかけMI)
  • 3.2 Step2:MI事例の創出・型作り
  • 3.3 Step3:全社施策としての仕組み作り
  • 3.4 Step4:自走と定着に向けた人財育成の活動

第10節 花王R&Dにおけるマテリアルズ・インフォマティクス研究の課題と実例

• 1.マテリアルズ・インフォマティクス (MI) 研究体制の構築
  • 1.1 MIのためのデータベース作成
    • (1) どのようなデータを利活用するか
    • (2) 誰がデータクレンジングをするか
    • (3) 材料設計者に協力してもらうためには
  • 1.2 MIを進めるための体制
    • (1) MIを進めるにあたり必要な能力、及び人材
    • (2) プロジェクトリーダーに求められる能力
    • (3) データサイエンティスト、材料設計者に求められる能力
    • (4) チームとして求められる能力
  • 1.3 インフォマティックス人材の育成
    • (1) 教育対象者をどのように設定するか
    • (2) 人材育成講座 (初級編) の立ち上げ
    • (3) 人材育成講座 (中級編) の立ち上げ
• 2.マテリアルズ・インフォマティクス (MI) 研究体制の応用例
  • 2.1 Deep learning技術を材料開発への応用
  • 2.2 ポリエステル樹脂のガラス点移転 (Tg) 予測モデル
  • 2.3 電子顕微鏡画像からの触媒活性予測

第11節 DX実現に向けた準備・体制のポイント

• 1.環境の変化
  • 1.1 COVID-19
  • 1.2 旅行・レジャー業
  • 1.3 流通・小売業
  • 1.4 製造業
• 2.DXの目的
  • 2.1 ICTの目的はカイゼン
  • 2.2 DXの目的はカクシン
• 3.DX実現に向けた準備・体制のポイント
  • 3.1 常識・思い込みを取り除くこと
  • 3.2 あるべき姿/ありたい姿を設定すること
  • 3.3 強い組織体制を作ること

第12節 人工知能の研究開発業務における品質保証とその検証方法

• 1.AIの特性と品質保証上の問題
  • 1.1 AIの概況と活用におけるリスク
  • 1.2 AIシステムの特性と品質保証上の考え方
• 2.AIの品質保証に関連したガイドライン・標準化の動向
  • 2.1 AIプロダクト品質保証ガイドライン
    • (1) AIプロダクト品質保証ガイドラインの概要
    • (2) 品質保証活動のバランスの可視化
  • 2.2 機械学習品質マネジメントガイドライン
    • (1) 機械学習品質マネジメントガイドラインの概要
  • 2.3 ISO/IEC JTC 1/SC 42: Artificial Intelligence
  • 2.4 その他:国内外の動向
    • (1) The ML Test Score: Rubric
    • (2) ソフトウェア品質知識体系ガイド
• 3.AIの品質保証のための検証方法および適用技術
  • 3.1 データ品質の検証
    • (1) データ品質で考慮するポイント
    • (2) データ品質向上のための技術
  • 3.2 モデル品質の検証
    • (1) モデル品質の検証指標
    • (2) モデル品質の検証手法
  • 3.3 システム品質の検証
  • 3.4 運用時品質の検証
    • (1) 運用時品質のための保守・メンテナンス
    • (2) 運用時品質向上のための技術
• 4.運用時のAIモデルの監視・修復を自動化する技術
  • 4.1 運用時の品質保証における課題
  • 4.2 HDLの技術概要
    • (1) 精度監視
    • (2) モデルの自動修復
    • (3) 再学習支援
  • 4.3 HDLの適用事例およびシステム構成
• 5.「信頼されるAI」の実現に向けて
  • 5.1 解釈性/説明可能性
    • (1) Deep Explanation
    • (2) Interpretable Models
    • (3) Model Induction
  • 5.2 公平性/倫理
    • (1) AIにおける公平性/倫理
    • (2) 公平性/倫理の観点で考慮するポイント
    • (3) 公平性/倫理を配慮した技術24)
  • 5.3 セキュリティ
    • (1) AIを騙す攻撃
    • (2) AIから情報を盗む攻撃

第13節 教職学協働による香川大学のDX推進

• 1.はじめに
• 2.業務UX調査
• 3.業務改善アイデアソン
• 4.業務システムの内製開発
• 5.業務システム内製開発ハンズオン

第14節 東京工業大学におけるDXの推進

• 1.背景
  • 1.1 東京工業大学の概要
    • (1) 規模—各種数値データから
  • 1.2 抱えていたデジタルの課題
    • (1) 5つの課題
    • (2) 国立大学改革強化推進補助金事業
• 2.BPMの展開
  • 2.1 業務の可視化
    • (1) 業務仕様書
    • (2) Event-driven Process Chain
• 3.汎用的決済システムでの実装
  • 3.1 電子決済システムでの実装
    • (1) 汎用か専用か
    • (2) 部署の自立・自律
  • 3.2 2022年2月までの状況
• 4.マスターデータとPID
  • 4.1 不統一なマスターデータから一元的マスターデータへ
  • 4.2 学外のPIDの利用
    • (1) 国際的なPIDの取り組み
    • (2) 国内のID
  • 4.3 IDの活用事例
    • (1) 国際共著の調査
    • (2) 派遣留学管理と安全保障輸出管理
    • (3) 卒業後の進路調査

第3章 データ駆動型研究開発のポイントと人材の育成

第1節 両利きの研究開発組織の実践体制構築とそのDX化

• 1.両利きの研究開発組織の活動とは
• 2.①イノベーション探索活動のDX
• 3.②イノベーション深化活動のDX

第2節 DX化された両利きの研究開発組織における人材育成

• 1.DXで研究開発人材を育てるという発想
• 2.人を育てる研究開発組織のマネジメント

第3節 DX時代に不可欠な、データ活用人材を育成するコツとは

～累計6万人以上の育成経験を通して見えてきたこと～

• 1.現職 (株式会社ブレインパッド) でデータ活用人材育成サービスを立ち上げるまで
• 2.DX時代におけるデータ活用人材の育成ニーズ
• 3.効果的なデータ活用人材育成を進めるうえで持つべき重要な視点
• 4.DX文脈で育成すべき階層とステップとは
• 5.実際の人材育成支援の事例
• 6.DX時代の人材育成成功のポイント

第4節 AIエンジニア育成法とその戦略

• 1.AI人材育成とデータサイエンス教育の動向
• 2.AIエンジニアとして身につけるべきスキルとは
• 3.AIエンジニアとデータサイエンティストの違いについて
• 4.どうやってAIエンジニアスキルを身につけるか
• 5.今後のAI戦略の変化

第5節 DX人材の社内での見つけ方と育成のポイント

• 1.デジタル・トランスフォーメーション (DX) の定義
  • 1.1 DXの定義
  • 1.2 クラウド化の意義
  • 1.3 業務改善と業務プロセスの見直しの違い
• 2.DX人材とは
  • 2.1 ガートナーによるDX人材の定義3)
  • 2.2 日本における人材育成の現状
• 3.研究開発部門におけるDX人材の育成
  • 3.1 研究開発部門におけるDXとは
  • 3.2 研究開発部門においてDXを担う人材のイメージ
  • 3.3 外部人材の活用は限定的であるべき
  • 3.4 研究開発部門においてDXを担う人材をどのようにして育てるのか
  • 3.5 DX人材という視点から考える一般部門から研究開発部門への異動

第6節 データ活用人材育成のコトハジメ

• 1.DXの荒波へ漕ぎ出すために
  • 1.1 企業を取り巻く環境の変化
  • 1.2 変革を生み出す組織体制を構築するために
• 2.データ活用の中心を担う2つの役割
• 3.データ活用人材のスキルセット
• 4.データ活用人材を育成する環境
• 5.データ活用を成功に導くには

第7節 テレワーク急増におけるR&D人材のモチベーションマネジメント

• 1.研究開発部門のテレワークの成功の鍵は「仕事の見える化とチームワーク」
• 2.テレワークの課題は雑談の共有
• 3.テレワークで問われるマネージャーの役割
• 4.R&D部門の成果を出すリーダーシップとは
• 5.クリエイティビティを高める心理的資本
• 6.心理的資本を高めるマネジメント
• 7.テレワークの環境下で高い成果を生むための取り組み

第4章 実験の短縮・研究開発効率化へのDX導入・活用の方法

第1節 研究開発スタイル・研究開発環境の変革 (RX) に求められること

• 1.RX のシフト:研究開発のオペレーティングシステム (OS) を替える
  • 1.1 研究開発人材・組織のX
  • 1.2 研究施設と必要資材 (モノ)
  • 1.3 研究開発活動の遠隔化と疎な現場
  • 1.4 自動化・知能化 (AI・ロボットが人から動作を学び,実験し,仮説を設計,予測・検証をする)
  • 1.5 研究開発コミュニケーションのかたち
  • 1.6 本節で述べてきたRXのまとめ

第2節 材料開発の試行錯誤削減のためのAI解析の活用

• 1.研究開発におけるデータ駆動型サイエンスの重要性増大の背景
• 2.AI活用によるポリマー開発推進事例
  • 2.1 ポリマー屈折率のAI予測
  • 2.2 ベイズ最適化による熱可塑性ポリマーのガラス転移温度最大化における試行回数削減検証
  • 2.3 熱硬化型フレキシブル透明樹脂におけるAI解析活用
• 3.アルミニウム合金の特性を予測するニューラルネットワークの開発
  • 3.1 アルミ合金開発の背景
  • 3.2 データベースの構築
  • 3.3 ニューラルネットワークの構築
  • 3.4 ニューラルネットワークの予測結果と中間層の物理的解釈

第3節 有機合成化学における自動合成技術、フロー合成技術、機械学習の活用

• 1.有機合成化学の自動化の歴史 (2015年以前)
  • 1.1 繰り返し構造をもつ化合物の自動合成
  • 1.2 繰り返し構造をもたない化合物の自動合成
  • 1.3 Eli Lilly社の自動創薬研究室
  • 1.4 Burkeらの自動合成
• 2.有機合成化学の自動化の歴史 (2015年以降)
  • 2.1 実験計画法
    • (1) 古典的DoEと機械学習を駆使するDoE
    • (2) ベイズ最適化
    • (3) 機械学習を駆使する反応条件最適化における化学者の役割
    • (4) 有機合成化学反応の探索空間
    • (5) 古典的DoEの重要性
  • 2.2 機械学習と自動実験
    • (1) Cooperらによる自動実験
    • (2) 論文実験項をもとにした自動実験とロボットクラウドラボ
• 3.フロー合成法を駆使した自動合成
  • 3.1 Cyclofuidic社によるフロー自動合成・アッセイシステム
  • 3.2 Leyらによる自律的フロー自動合成システムの遠隔運用
  • 3.3 Pfizer社による極少量フロー自動反応条件検討システム
  • 3.4 MITのグループによるフロー自動合成システム
  • 3.5 Penteluteらのフローペプチド自動合成システム
• 4.海外での自動合成の教育
• 5.自動合成技術、フロー合成技術、機械学習の今後
  • 5.1 日本における過去の自動合成の衰退の理由
  • 5.2 コンビナトリアル合成と自動合成
  • 5.3 自動合成装置の種類による運用指針
  • 5.4 他分野の実験自動化

第4節 実験自動化ロボットと機械学習による新規材料探索

• 1.データ駆動型材料開発
• 2.実験自動化・ハイスループット化
• 3.電気化学実験自動化ロボットを用いた電解液材料のコンビナントリアル探索
• 4.実験自動化ロボットとデータ科学的手法の探索

第5節 マテリアルズ・インフォマティクスを用いた高分子材料開発

• 1.シミュレーションと機械学習の併用
  • 1.1 ブロック共重合体の弾性率推算
  • 1.2 分岐高分子の伸長粘度推算
• 2. シミュレーションと遺伝的アルゴリズムの併用
• 3. 適応的実験計画法

第6節 研究自動化を加速する新しい電子実験ノート導入のプランニング

• 1.研究業務における自動化およびELNの課題とその解決策
  • 1.1 自動化の課題とその解決策
  • 1.2 ELNの課題とその解決策
• 2.nELNプロジェクトのプランニング
  • 2.1 プロジェクト計画と運営
    • (1) プロジェクト計画
    • (2) プロジェクト体制
  • 2.2 nELNと自動化装置に対する要求仕様のポイント
    • (1) 操作説明の詳細化と自動入力
    • (2) 映像データとのリンク
    • (3) マイクロサービスおよびコンテナ技術の採用
    • (4) 第三者の利用を想定したデータ形式の採用
    • (5) 自動化機器の導入の検討
• 3.nELNによって実現できること、実現までの課題
  • 3.1 nELNによって実現できること
    • (1) 研究情報利活用のスピードアップと利便性の向上
    • (2) AIを組み合わせた研究自動化装置との連携
    • (3) Laboratory as a service環境 (LaaS) の実現
    • (4) 技術承継問題の解決
  • 3.2 実現に向けた課題
    • (1) 操作と映像データのリンク作業の支援
    • (2) 研究所内ネットワーク環境の整備

第7節 自律型計測実験システム開発への挑戦

• 1.自律的な実験に関する出版論文数の推移
  • 1.1 材料科学における自律的な実験とは
  • 1.2 自律型計測実験システムの要素技術
    • (1) 実験計画の自律的な策定
    • (2) 計測データ解析の自動化・自律化
  • 1.3 自律型計測実験システム開発:X線回折装置の自律化
    • (1) ソフトウェア
    • (2) ハードウェア
• 2.開発した自律型X線回折実験システムの全体像
  • 2.1 システム構築と自律化
  • 2.2 開発した自律型計測実験システムを用いた研究事例

第5章 AIによる技術文献・特許情報解析とその実用化

第1節 AIによる特許情報処理:特許文書の分析技術

• 1.特許AIのビジネス活用の目的と背景
• 2.特許データの特徴
  • 2.1 ユニークな件数を数えるために利用可能なデータ項目
  • 2.2 時系列を捉えるために利用可能なデータ項目
  • 2.3 テキスト分析が推奨されるデータ項目
  • 2.4 分析を深堀するときに利用可能なデータ項目
  • 2.5 特許の重要性評価に利用可能なデータ項目
  • 2.6 特許検索式によく利用されるデータ絞込条件
  • 2.7 図表に関するデータの取り扱いに関する補足
• 3.特許分析の要素技術と応用例
  • 3.1 特許分析に適した母集団を特定する技術
  • 3.2 技術用語の同義語辞書を整理するための分析技術
  • 3.3 技術用語の上位概念と下位概念を整理する技術
  • 3.4 発明の課題と解決策を抽出する技術
  • 3.5 発明の解決策の問題種別を認識する技術
  • 3.6 発明の新規性や進歩性を評価する技術
  • 3.7 発明の用途を抽出する技術
• 4.特許AIのビジネス活用事例
  • 4.1 技術開発ベンチマークAI
  • 4.2 特許抵触性調査業務支援AI
  • 4.3 新規事業探索AI
• 5.特許分析技術をAIとして活用するために
  • 5.1 ビジネス目的の明確化
  • 5.2 データの選定
  • 5.3 データの加工
  • 5.4 分析技術の選定
  • 5.5 分析技術の開発
  • 5.6 評価と改善策立案
  • 5.7 AIとしてのシステム開発と運用設計
• 6.特許AIに関する今後の展望
  • 6.1 発明支援AIや明細書自動作成AI
  • 6.2 技術開発戦略策定支援AIや知財戦略策定支援AI
  • 6.3 特許侵害調査支援AI
  • 6.4 新規事業支援AI (リニューアル版)

第2節 DX時代の技術文献・特許調査でのAI活用と新規用途探索への活用

• 1.DX時代の技術文献・特許調査でのAI活用の基礎
  • 1.1 デジタルトランスフォーメーション (DX) とは
  • 1.2 特許調査システムとその評価方法
  • 1.3「完全一致」⇔「最良一致」検索モデルの比較
• 2.AI活用のための機械学習の概要と特許調査への応用
  • 2.1「AI」の性能を客観的に評価するための注意点
  • 2.2 AI活用のための機械学習の概要
    • (1) AI、機械学習、深層学習 (ディープラーニング) の関係
    • (2) 機械学習の特許調査への応用時の3要素
    • (3) 特許調査への人工知能適用時の留意点
  • 2.3 特許調査分野における人工知能 (AI) 技術の活用動向
  • 2.4 自然言語処理の代表的なモデル・アルゴリズム
• 3.OSSによる文書のベクトル化処理と文書分類の概要
  • 3.1 OSSを用いた機械学習の応用事例
  • 3.2 技術動向調査、新規用途探索への活用

第3節 AIを用いた特許調査のポイントと活用事例

• 1.特許調査におけるAI
• 2.特許調査の変遷
• 3.AIを用いた特許調査の種類と場面
  • 3.1 特許調査におけるAIの応用領域
  • 3.2 特許調査の種類と研究開発フェーズ
    • (1) 技術動向調査/IPL
    • (2) 特許出願前調査
    • (3) 侵害予防調査/クリアランス調査
    • (4) 無効資料調査
  • 3.3 特許調査におけるAIの特性
• 4.AIを用いた特許調査の事例紹介
  • 4.1 事例1 (技術動向調査)
  • 4.2 事例2 (特許出願前調査)

第4節 機械学習や自然言語処理技術を用いた知財リーガルテック

• 1.第三世代AIとしての「THE調査力AI (Deskbee) 」
  • 1.1 AIツールの仕組み
  • 1.2「Deskbee」の結果表示機能
    • (1) 当初の「Deskbee」の結果表示機能
    • (2) AI判定結果表示の課題
• 2 教師データの品質について
  • 2.1 特許調査におけるAI利用の目的
  • 2.2 教師データの品質評価
    • (1) 教師データの品質評価の前提
    • (2) サーチ/ノイズ判定境界線
    • (3) 混同行列
    • (4) SDI調査
    • (5) 予め評価をしておらず先に教師特許品質評価ができない調査
• 3.Deskbeeの使用上の注意
  • 3.1 ノーフリーランチ定理
  • 3.2 シンボルクラウンディング問題
  • 3.3 醜いアヒルの子の定理
  • 3.4 AI判定における課題
• 4.第四世代AIへのアプローチ「ハイライトソート・AIクロス集計」
  • 4.1 ハイライトソート機能
    • (1) ハイライトソートの基本機能
    • (2) ハイライトソートツール画面
    • (3) プラスワード、マイナスワードを複合した構成要件によるハイライトソート
    • (4) ハイライトソート機能における課題
  • 4.2 専門用語自動抽出機能
  • 4.3 AI関係技術ー演繹と帰納の融合ー
  • 4.4 ハイライトソート・AIクロス集計

第6章 DXによるR&D・新規事業テーマの創出

第1節 自然言語処理技術を活用した技術動向分析

• 1.特定分野の技術文書の収集
  • 1.1 学術論文へのIPCコードの自動付与
  • 1.2 論文用語の特許用語への自動変換
• 2.収集した技術文書からの重要文書の選定
  • 2.1 重要な学術論文の選定
  • 2.2 重要な特許の選定
• 3.収集した技術文書の分析
  • 3.1 技術文書を分析し、まとめるための観点
  • 3.2 技術文書からの観点の自動抽出
  • 3.3 抽出された観点の対応付け
• 4.分析結果の出力

第2節 “アイデアを出しまくるAI”発想支援ツールとその使い方

• 1.開発の背景と課題
• 2.サービスの狙い
  • 2.1 『博報堂発想支援メソッド』について
    • (1) 鉄則:「拡散」と「混沌」なくして、「跳躍」なし
    • (2) 5つのメソッドと5つの機能
• 3サービスの概要と使い方
  • 3.1 機能①:ひらめきマップ
    • (1) 気になるキーワードを投入～表示
    • (2) 表示の仕組みと意味
  • 3.2 機能②:ブレストアイデア
    • (1) キーワードと意外接着カテゴリーの語群を接着
    • (2) 意外接着カテゴリー
  • 3.3 機能③:ノート
    • (3) ノートの機能
    • (4) ノートの効果的な使い方
  • 3.4 機能④:他人アタマ
    • (1) 他人アタマのバリエーション
  • 3.5 機能⑤:連続刺激モード
    • (1) 連続刺激モードの機能
    • (2) 連続刺激モードは「あるかもしれない!」で反応
• 4.活用しているAI技術
  • 4.1 ひらめきマップにおけるAI技術
    • (1) データソース選定アルゴリズム
    • (2) 表示するワード、フレーズの抽出、描画アルゴリズム
  • 4.2 ブレストアイデアにおけるAI技術
    • (1) フレーズ生成での文型の解釈
• 5.研究開発領域、新規事業開発における活用可能性
  • 5.1 新規事業創出における活用事例
  • 5.2 ひらめきマップ機能による特許情報や論文データの検索
  • 5.3 研究開発テーマのヒントをフレーズ生成
  • 5.4 マンダラート図を応用した発想
• 6.今後の課題

第3節 超長期未来研究とオープンイノベーションにおけるデジタル活用

• 1.近年の研究マネジメント動向
• 2.超長期未来研究の進め方
• 3.超長期未来研究におけるデジタル活用
• 4.オープンイノベーションに取り組んでいる法人にてよく見られる悩みごと
• 5.オープンイノベーションの定義
• 6.オープンイノベーションの3つの取り組み
• 7.オープンイノベーションを俯瞰的にマネジメントするための手法
• 8.アイデア出しにおけるT型マトリクス活用方法
• 9.アイデアやテーマの優先順位付けにおけるT型マトリクス活用方法
• 10.まとめ

第4節 AIを活用した研究開発テーマ探索プロセスのDX

• 1.研究開発部門の役割の変化 ～価値創造研究へのシフト～
  • 1.1 研究開発を起点とした新規事業開発への期待の高まり
  • 1.2 応用研究から価値創造研究へのシフト
  • 1.3 アジャイル型の研究開発組織への転換
  • 1.4 研究開発を起点とした新規事業開発 成功の鍵
• 2.生活者の「不」に着目する意義
  • 2.1 カスタマーインであることの重要性
  • 2.2 機能訴求の「ウォンツ」でなく生活シーン起点の「ニーズ」への対応
  • 2.3「不」の「潜在ニーズ」を解消するペイン起点のマーケティングへ
• 3.生活者の「不」を集め価値化する不満買取センター
  • 3.1 不満買取センターとは
  • 3.2 不満買取センター サービス運営における業務効率化
• 4.「不」のインサイト抽出に用いる人工知能「ITAS」
  • 4.1「ITAS (Insight Tech Text Analytics Service) 」とは
  • 4.2 ITAS「意見タグAI」
  • 4.3 ITAS「可視化AI」
  • 4.4 ITAS「感情分類AI」
  • 4.5 優先課題図
• 5.研究開発テーマ探索プロセスのDX 3つのパターン
  • 5.1 ビッグデータを俯瞰しビジネスチャンスを見つける
  • 5.2 N=1の特徴的な生活者の声から解像度の高い気づきを得る
  • 5.3 過去の知見や評価結果を学習させ業務を効率化する
• 6.AIを活用した研究開発プロセスDX事例
  • 6.1 ライオンが掲げる経営戦略とイノベーションラボ
  • 6.2 オーラルケア領域での研究開発を起点とした新商品開発
  • 6.3 本事例における人工知能の活用効果

第5節 R&Dにおけるデータドリブンな意思決定プロセスの導入

• 1.データドリブンな意思決定の目的
  • 1.1 達成目標を明確化する
  • 1.2 関係者と共有し共通認識とする
  • 1.3 現状の確認
  • 1.4 課題の洗い出し
    • (1) データの質
    • (2) サイロ化
    • (3) 基準の欠如
    • (4) データセットの収集・分類・ラベリング
  • 1.5 目的を達成するためのデータ選定
  • 1.6 データ活用基盤の構築
    • (1) 基盤構築
  • 1.7 データの活用
    • (1) 予測ツールの活用
    • (2) 外部サービスの活用

第6節 AIを活用したアイデア発想支援システム

• 1.背景
  • 1.1 研究開発の変化
  • 1.2 イノベーション創生のための協創方法論NEXPERIENCE
• 2.イノベーション創生のためのアイデア発想の課題
  • 2.1 良いアイデアを発想するためのセオリー
  • 2.2 アイデア発想の課題
• 3.AIを活用したアイデア発想支援システム
  • 3.1 音声認識処理部
  • 3.2 課題解決事例データベース部
  • 3.3 課題解決事例検索部
  • 3.4 検索結果表示部
• 4.アイデア発想支援システムを用いたワークショップの進め方
  • 4.1 ワークショップの事前準備
  • 4.2 ワークショップ当日の進め方
• 5.アイデア発想支援システムを適用した新サービス発想ワークショップの実践
  • 5.1 システムを適用したワークショップの実践
  • 5.2 実践結果の考察

第7節 統合的なデータ利活用による長期的価値創造

• 1.企業価値の向上に資する無形価値の重要性
• 2.公的資金による研究開発と研究データの共有化に関する動向
• 3.国や自治体によるオープンデータに関する動向
• 4.医学分野における研究データと各種データとの連結可能性
• 5.統合的なデータの利活用による長期的価値創造に向けて

第8節 俯瞰的データフュージョンによる新規事業 (技術用途) 探索

• 1.情報は公平に広がっていない
• 2.フィルターバブルとエコーチャンバー
• 3.ダークデータとホワイトスペース
• 4.必要性が開発動機をもたらす世の中に
• 5.データフュージョン
• 6.新規事業は既存事業の周辺に存在
• 7.研究開発計画策定における情報解析の手法

第7章 DXを活用したマーケティング手法と導入、進め方

第1節 マーケティング強化におけるデータ活用術

• 1.何故マーケティング強化にデータ活用が必要なのか
  • 1.1 多くの企業で陥っている状況
  • 1.2 データの活用状況
  • 1.3 何故マーケティングにデータ活用が有用なのか
• 2.あるべきデータ活用方法
  • 2.1 データ活用の入口として、してはいけないコト
  • 2.2 顧客の行動プロセスごとのデータ分析と業務の棚卸による現状把握
  • 2.3 顧客に近いところから改善していく
  • 2.4 データを軸としたあるべき組織体制
  • 2.5 データ活用のアプローチ方法
    • (1) データ分析の出発点となる目的の明確化
    • (2) ロジカルシンキングで仮説を洗い出す
    • (3) 洗い出した仮説を検証するためのレシピづくりである分析方法の定義
    • (4) データ分析の精度はデータの収集で決まる
    • (5) データ分析のポイント
    • (6) 分析で終わらせない、戦略・施策構築までがデータ分析

第2節 昭和電工マテリアルズの新製品マーケティングにおけるデジタルツール活用

• 1. はじめに
• 2.製造業におけるデジタルと全体最適マーケティング
• 3. 弊社のデジタルマーケティング活動
• 4. VUCA時代に必要なPDCA with Digital
• 5. Plan w/D マーケティングプランの重要性
• 6.マーケティングコンテンツ
• 7. メール配信時の工夫
• 8. システム連携
• 9.デジタルマーケティング活動結果例

第3節 他部門と連携してデジタルマーケティングを進める方法

• 1.株式会社ALUHAにおけるBtoBデジタルマーケティングの定義
  • 1.1 BtoBマーケティングとは?BtoBマーケティングサイクルとは?
  • 1.2 BtoBデジタルマーケティングとは?
• 2.デジタルマーケティング推進「6つの社内の壁」
  • 2.1 壁1「ひとりぼっちの壁」
  • 2.2 壁2「経営陣・上層部の理解の壁」
  • 2.3 壁3「知識やノウハウ、経験がない体系化の壁」
  • 2.4 壁4「KPIの目安・基準値作成の壁」
  • 2.5 壁5「デジタルコンテンツ作りの協力体制の壁」
  • 2.6 壁6「自分都合の営業や営業部門のこだわりの壁」
• 3.BtoB企業のデジタルマーケティング取組事例・成功事例
  • 3.1 資料請求による新規リード獲得の取組
  • 3.2 サンプル品提供による質の高いリード獲得の取組
  • 3.3 活用アイディアメルマガ・課題解決事例メルマガによるリード育成の取組
  • 3.4 ニーズ調査とソリューション提案による案件創出の取組
  • 3.5 顧客満足度調査からLTV向上施策を展開した取組
• 4.取組事例・成功事例から学ぶ6つの壁突破方法アイディア
  • 4.1 歩み寄る・一歩踏み出す
  • 4.2 作るコンテンツのKPIを明確にして共有する
  • 4.3 メリットを明確にする
  • 4.4 成功体験を作り信頼残高を増やす
• 5.ALUHA式のおすすめの進め方
  • 5.1 フェーズ1:スモールスタートで成功体験を作る段階
  • 5.2 フェーズ2:その成功体験を横展開する段階
  • 5.3 フェーズ3:デジタル化の範囲を広げる段階
• 6.まとめ