ベレーベントとはドイツ語で「活き活きと」という意味です。

コンサルティング一覧

「製造業のスマートものづくり、IoT導入　技術アドバイス」

・中堅・中小企業を対象としたスマートものづくりのIoT導入支援を行います。
製造現場の課題基づくIoTソリューション導入を支援いたします。

１．IoT導入の目的
（１）品質向上
（２）コスト削減
（３）生産性向上
（４）製品化・量産化の期間短縮
（５）人材不足・育成への対応
（６）新たな付加価値の提供・提供価値の向上

２．IoT導入のステップ
（１）レベル１：データ収集・蓄積
（２）レベル２：データによる分析・予測
（３）レベル３：データによる制御・最適化

３．IoTの技術要素のデザインとプロトタイピング
（１）センサー、IoTデバイス
（２）自動認識
（２）閉域通信網
（３）エッジデバイス
（４）広域通信網
（５）クラウド
（６）ロボット
（７）RPA（ロボティック・プロセス・オートメーション）
（８）プロトタイピング

４．データ解析　（データ分析のフレームワーク：　CRISP-DM）
（１）ビジネスを理解する（Business Understanding)
（２）データを理解する　（Data Understanding)
（３）データを準備する　（Data Preparation)
（４）モデリングを行う　（Modeling)
（５）モデルを評価する　（Evaluation)
（６）モデルをビジネスの中に取り込む　（Deployment)

「製造業IoT新規事業創出」

・Iotの基本的な考え方と
・最新事例 　
　　（１）新規事業創出事例 　
　　（２）先進的FA/IoTシステム
　　を整理した上で、
・IoT新規事業創出のプロセス構築を行い
・方法論として　
　　（１）IoTプロジェクトロードマップ　 　
　　（２）IoTプロジェクト企画書
　　の策定を支援していきます。

---

「製造業　CDO(Chief Data/Digital Officer)体制構築」

・CDOの事業部、カンパニーの枠を超えたデータ連携・統合ルールを提案・実践 できる組織・人材が求められる。
その中核をなす人材は？
経営直結、全社ガバナンス、ICTの高度な技術、全社データオリエンテッドアーキテクト、データ分析力、データ利活用力 現場直結、実践能力を発揮する体制構築を支援していきます。

今、起こっているパラダイムシフト【データ編】：
構造化データ群への非構造化データの流入 将来8割のデータは非構造化に DWI、BIだけでは限界か？ 多領域のデータ連携 AIにすべてをゆだねてしまってよいのか？ （説明責任、品質担保、技術伝承、・・） 真のデータアナリストが求められる時代に

今、起こっているパラダイムシフト【プロセス編】：
ウォーターホールからアジャイルへ 形式的なプロセスの積み上げからより速戦的な暗黙知でのトライルへ 人に付くスキル、技術伝承の属人化 POC、ラピットスタートにより求められる、５〜１０倍の開発スピード、クラウドによりそれをアシスト

「ソフトウェア開発における品質保証支援」

１、ODC分析手法の導入及び品質管理システムの構築支援をサポートします。

【ODC分析の導入支援事例】
（１）ODC分析手法の理解のため基礎講座を実施する。
（２）障害管理ツールを改変し、ODC属性を記述する欄を設ける。
（３）障害管理ツールに登録されたデータから、ODCグラフを出力。
（４）勉強会を実施し、全設計者、テスターにODC属性を理解してもらい、
　　　障害管理時に正しく付与してもらうように指導。
（５） ODC分析結果をフェーズ移行判定の判定材料とすることを明示。

【品質管理システムの構築支援事例】
（１）障害件数の把握　〜　品質管理図の適用
（２）障害原因の分析　〜　ODC分析
（３）残存障害の予測　〜　信頼度成長曲線
（４）情報の蓄積と活用　〜　品質メトリクス
（５）アーキテクチャの構造分析

２．SQA(Software Quality Assurance)　SEPG（Software Engineering Process Group)の体制構築を支援します。
（１）SQA、SEPGの役割と活動内容の確立
（２）スペシャリスト養成のための人材育成

３．ソフトウェア開発プロセス診断を行います。
ソフトウェア、ファームウェアの品質トラブル撲滅に向けて、開発プロセスの不備、欠陥、不具合を可視化し、具体的な是正策を講じる事を目的としています。
（１）CMMIに準じたプロセス診断の実施
（２）組織のソフトウェア・プロセス成熟度レベルを5段階で評価
（３）ソフトウェア・プロセス診断の結果に基づきプロセス改善活動の優先順位と取り組み方、行動計画を策定

４．標準開発プロセス構築の構築支援を行います。
（１）標準開発プロセスフローの作成
（２）プロセス定義書（IPO：Input、Process、OutPut）の作成
（３）フェーズ移行判定基準及び判定会議運用手順の作成

「AIソリューション開発における品質保証支援」

１、AIソリューション開発のプロセス構築

【開発プロセス構築事例】
（１）アジャイル型開発フローの作成
（２）AIモデル構成管理の確立
（３）教師データ管理の確立
（４）ソフトウェアとの統合開発プロセスの作成

２．AIソリューションの品質保証

【品質保証体系構築の事例】
（１）AIモデル品質検証
（２）AIモデル品質保証
（３）教師データのクレンジング、水増し（Data　Augmentation）、アノテーション方法の形式値化
（４）AIソリューションとしての品質担保、説明責任付与

---

セミナー一覧

「スマートファクトリーセミナー」

タイトル：製造業におけるIoT最新動向とビックデータ解析／IoT導入の実践演習

ＩｏＴやデータ解析については、日ごろ多くの話題が上がっていますが、実は体系だった整理があまりされておらず、断片的な情報が散在している状態かもしれません。そのため、製造業企業がＩｏＴ技術によるものづくりの変化に対応できず、また、ＩＴ企業側もＩｏＴソリューションを適切に提案する事が出来ずにいる状況も散見されます。一方、IoTに前向きな企業では、データの収集と蓄積はなされていますが、次のステージであるデータによる分析や予測が実行できる域には達しておらず、ましてやデータによる制御や最適化まで実施できている企業はわずかではないかと考えています。ここでは、IoTの最新導入事例に加え、ＩｏＴの技術要素を体系的に学んだ後に、実際にデータ解析のためのデータサイエンスツールを体験していただき、さらに複数のメンバーの協業により、ＩｏＴ導入の具体的な構想策定の演習を行っていきます。
本コースでは、若手・中堅エンジニアの方々に、より具体的な現場のＩｏＴ化を実践していただけるための礎となることを目指してます。

１． IoTの最新導入事例
IoTの最新導入事例を、製品・サービスの領域、生産効率化の領域、通信移動体の領域に分類して整理していきます。　事例は単に最新なものを集めるだけではなく、背景にある新しいビジネスモデルに着目してその考え方についても触れていきます。
さらに、中堅・中小企業向けのIoTソリューションについては、具体事例と共に、検索ツール等の紹介も行います。
（１）製品・サービスにおける導入事例
（２）生産過程における導入事例
（３）通信移動体における導入事例
（４）中堅・中小企業向けIoTソリューション事例

２． IoTの技術要素とプロトタイピング
IoTを構成する技術要素は広範に渡るため、網羅的に理解することは難しかったかもしれません。
本章では、IoTの技術体系を整理した上で、構成する各技術要素について学んでいきます。
また、こうした技術要素を使ったプロトタイピングについても紹介していきます。
（１）センサー、IoTデバイス
（２）自動認識
（２）閉域通信網
（３）エッジデバイス
（４）広域通信網
（５）クラウド
（６）ロボット
（７）RPA（ロボティック・プロセス・オートメーション）

３．センシング・プロトタイピング
ArduinoやRaspberry Piを用いたセンシングの実際を体験していただきます。
Node-REDを用いたセンシングデータやオープンデータのサーバー上での取り扱いについて学びます。


４．【演習】　データ解析の体験
データ解析は、データサイエンティストが行う専門領域のように考えられがちですが、データサイエンスツールを活用することにより、ビギナーであってもある程度のデータ解析を簡単に行うことができます。
ここでは、受講者の皆様に実際のデータサインスツールを体感していただき、どのようにデータを利活用していくべきかを理解していただきます。
（１）データの可視化
（２）決定木モデル
（３）深層学習を使った推定
（４）データクレンジング

５．製造業におけるIoT化の特徴
製造業の概要を整理した上で、IoT化の特徴を抽出していきます。
（１）組立（ライン生産、セル生産、ジョブショップ）
（２）加工（切削、板金、射出成型）
（３）プロセス（プラント）

６．IoT化に向けた現場課題の特定
現場課題を特定する上での視点を整理します。次にチェック項目を利用しながら課題領域を特定する手法について学んでいきます。
（１）生産の要素　４M+
　　　作業者（Man)／設備（Machine)／材料（Material）／方法（Method)／製品（Product）／情報（Information)
（２）生産の３条件＋
　　　生産性（Productivity)／品質（Quality)／コスト（Cost)／納期（Delivery)
（３）スマートものづくりのレベル
　　　データ収集・蓄積／データによる分析・予測／データによる制御・最適化
（４）事業課題のヒアリングの仕方

７．【演習】　実際の現場を想定したIoT導入検討
第2章では、IoTに係る固有技術の紹介を学んできましたが、実際ではそれらをすぐに活用して現場改善を実行することは限定的かもしれません。この理由として考えられることは、現場の課題とIoT固有技術を結び付ける幅広いスキルが求められることに起因していると思われます。
そこで、本演習では、通常のＩｏＴ研修に加え、実践的な製造現場でのＩｏＴ導入にフォーカスした演習を実施します。
実際の企業を想定し、現場の状況から課題を抽出し、ＩｏＴによる改善案を導出することに注力していきます。
（１）組立ライン現場の改善
　　a. 想定企業とその事業内容
　　b. 現場の様子（ビデオ）
　　c. 困りごと、改善したいこと
　　d. IoTによる改善案
（２）加工ライン現場の改善
　　a-d. 同上
（３）業務プロセスの改善
　　a. 受注、発注業務
　　b. 設計・開発
　　c. 生産管理
　　d. 物流

８．【演習】IoT導入提案書の作成
演習７．で検討したIoT導入案を提案書としてまとめていきます。
フォーマットに基づき作成していくため、短時間で完成度の高い提案書が作成できます。また、グループ演習で取り組みを発表しあうことにより、お互いに高めあう相乗効果が期待できます。
（１）現場課題とIoTによる改善案
（２）IoTの構成要素
（３）投資額、効果算定
（４）実行計画

●受講対象：
製造業の生産技術、生産管理、品質管理、システム担当などの方
IoTソリューションを提案するSEの方

●受講に当たっての必要な予備知識の有無およびその概要：
一般的なIoTに関する基礎知識を有する方

●このセミナーを受講するとどこまでの知識を修得できるか：
（１）ＩｏＴの最新導入事例や技術要素を理解できる
（２）データサイエンスツールを使ったデータ解析のやり方が理解できる
（３）ＩｏＴ導入のためのアイデア出しができるようになる

---

「TensorFlowを使ったAI 機械学習チュートリアル」

本コースでは、Google TensorFlowのTutorialをベースに
(1)　多層ニューラルネットワーク（DNN: deep neural network)の構造理解
(2)　TensorFlow導入方法　Pythonによる環境構築
(3)　文字認識のトライアル　（手書き数字の認識）
(4)　画像認識のトライアル　（実際の写真による物体認識）
(5)　画像編集のトライアル　（実際の写真の画風変換）
を行い、機械学習の基礎を学んでいきます。

「ODC分析　直行欠陥分析セミナー」

本コースでは
(1)　ODC分析の概要
(2)　ODC属性について
(3)　ODC分析の進め方
(4)　ODC分析導入にあたっての勘所
(5)　今後の発展性について
学んでいきます。

---