| （理論面の）対象 | インフラ・製造分野への適用に向けた，AIの判定根拠を解釈できる機械学習や時系列波形データマイニングに関する技術 |
| （理論面の）目標 | 数理モデル（主に連続最適化問題）の効果的で効率的な定式化による上記のAI技術の実現 |
| ここまでの成果/重要な発見 | 様々な産業課題に応じて異常の検知や分類に有効な波形パターン（shapelets）を学習する技術を開発／分類問題の定式化からshapeletsの望ましい性質を特定 |
| これからの目標/現在取り組んでいる目標 | 上記のAI技術の性能向上／解釈性は無いが誤判定の少ない異常波形検知技術に対して解釈性を付与する（反事実波形生成）技術 |
| 応用上の成果/目標 | 開発したshapelets学習技術をインフラ・製造分野に適用し有効性を確認／今後も産業分野で重要な課題を発掘しそれを解決するAI技術を開発 |
| さらなる発展の可能性・方向性 | 数学分野のシーズを取り込んだAI技術の高度化や，AI技術の定式化から導かれる性質の解明 |
東芝研究開発センターにも所属しています．専門分野は，説明可能な機械学習や時系列データマイニングであり，インフラや製造分野への応用を目指しています．これらの産業分野では，センサデータを用いたAIによる高信頼かつ効率的な設備診断が求められています．これに伴い，波形の知識を持つ現場の専門家がAIの判定根拠を解釈する技術などが重要となります．そのため，これらの事業課題に対応するように，異常の検知や分類に有効な波形パターンを発見する機械学習技術（shapelets学習や反事実波形生成）を提案・開発し，関連事業への適用を進めています．
専門分野に限らず，数理技術と事業課題を結び付けることで，学術と産業の双方における技術の発展を目指しています．
| キーワード | 機械学習, 説明可能AI (XAI), 時系列データマイニング, 解釈性 |
|---|---|
| 部門 | リエゾン戦略部門 |
| リンク | Webpage |