対象としている企業・課題背景

　近年、材料開発分野の競争環境は激化しており、品質向上と期間短縮に資する
データ活用に注目が集まっています

​​​​​​​​

　その結果多くの企業では、経営層の指示により材料開発業務のデータ駆動型化に取り組みますが、各推進フェーズで下記のような課題に直面しています

​​​​​​​​

• 

  現場の協力を得られない
  
  ■協力するメリットが分からない、今の研究のやり方を変えたくない
  　業務のデータ駆動型化を実現するためには現場の協力が不可欠です。
  　しかし、現場の研究者にとって、日々発生する大量の研究データすべてを共有するなどはかなり重い作業です。
  
  　■導入後の具体的なイメージがわかない
  　また、現場の研究者はノウハウが詰まった現状の材料開発の方法を変えることにも抵抗があります。導入後の具体的な業務イメージができないとなおさら協力は得られません。
  　推進担当者は現場に具体的なメリットと業務イメージを説明し合意を得る必要がありますが、担当者自身もデータ駆動化やMIに詳しくないためうまくいかず、推進が止まってしまします。

• 

   

  データ数・種類が多すぎてどこから手を付ければよいか分からない
  
  ■研究テーマ、機材が変わるたびにフォーマットが変わる
  　現場の協力を得られ各部門から社内データの収集が完了したら、次は部門と材料製品を横断した統合データベースを構築します。
  　このフェーズが上手く進まない原因の一つは、社内データのフォーマットがバラバラであることです。
  　例えば実験関連のデータは、材料×実験担当者ごとにフォーマットが異なっているので、すべてフォーマットを変換し統一する必要があります。
  　さらに、研究テーマや機材が変わるたびにフォーマットも更新されます。
  
  ■データの種類が多いのでどう統合したらよいか分からない
  　原因の2つ目は、実験データの他にも材料画像・構造式・物性値などの多様な形式のデータを統合的に管理したくても方法がらからないことです。
  　これらの原因により、担当者はどこから手を付けてよいか分からず、データ統合がうまく進みません。

• 

   

  苦労して作った統合データを業務で使ってもらえない
  
  ■業務のやり方を変えたくない
  　前フェーズで統合データベースの構築が完了すると、それをデータを取り扱う既存業務（実験目的ごとに異なる定型的なデータの前処理や報告用の集計作業など）の自動化と連動させます。
  しかし、現場視点では極力既存の方法を変えたくないため、最適な実現方法が見つかりません。
  
  ■どう処理されたか不明なデータを信用できない
  　例えば、これまでの実験結果の考察をする場合、研究者は自身が実施した実験データを自分で前処理して活用していました。
  　しかし、統合データベース上の実験データは、誰がどのように実験し前処理を行ったデータなのか分からないため、信用して活用することができません。

• 

   

  得たいの知れないAIをどう運用へ適用するとよいかが分からない
  
  ■POCで成功しても現場導入に至らない
  　AI技術を取り入れた業務自動化を実現する場合、そのメリットがある業務はどれか判断必要がありますが、そもそも判断の定量的な基準が分からないためできません。
  
  ■AI導入後の効率的な運用イメージがわかない
  　AIの判断の根拠や業務結果へどんな影響・リスクがあるのかを可視化し説明することができないので、信用されず導入が進みません。