1. 「AI導入の壁」に直面していませんか？ ～ そのデータ、宝の持ち腐れかもしれません

「膨大なセンサーデータはあるが、分析・活用できる人材がいない…」

「AIプロジェクトが頓挫。現場とAI専門家の意思疎通がうまくいかない…」

「競合はAIを活用しているのに、自社は何から手をつければいいのか…」

「多額の投資をしてデータを集めたのに、具体的な成果に繋がらない…」

もし一つでも当てはまるなら、貴社は大きな機会損失を被っている可能性があります。

DX推進が叫ばれる今、センサーデータを活用したAI導入は待ったなし。しかし、多くの企業が「AIを理解し、使いこなせる人材の不足」という壁に直面しています。

本プログラムは、この課題を根本から解決するために開発されました。

プログラミング不要で、AIによる活動分類モデル構築の全プロセス（データ取得～評価・改善）を誰もが「実践的に」体験可能。AIの仕組みを腹落ちさせ、データから価値を生み出すための『実践知』を、貴社のチームにもたらします。

2. 活用事例：貴社のこんな課題を解決します

本プログラムは、多様な業界のセンサーデータ活用ニーズに応えます。

3. 本プログラム独自の「強み」

4. 活動分類モデルとは　～ データから「行動」を読み解く仕組み～

活動分類モデルは、センサー（例：スマートフォンの加速度センサー）から得られるデータを使って、人が「歩いている」「座っている」「寝ている」といった活動を自動で判別する仕組みです。このモデルは、主に以下の4つのステップを経て作られます。

1. データの取得 (Data Acquisition):
   まず、対象となる人の活動中のセンサーデータ（加速度、角速度など）を、スマートフォンやウェアラブルデバイス等で収集します。この時、「いつ」「どのような活動をしていたか」という正解ラベルも同時に記録することが重要です。

2. 前処理 (Preprocessing):
   取得したままのデータには、ノイズ（不要な信号）が含まれていたり、そのままではAIが学習しにくい形式だったりします。そのため、フィルター処理でノイズを除去したり、データの中から活動の特徴を示す数値（「特徴量」と呼ばれる、平均値や周波数成分など）を計算したりして、データを整えます。

3. 活動分類モデルの構築 (Model Building):
   前処理されたデータ（特徴量）と活動の正解ラベルを使って、AI（機械学習アルゴリズム、例えばランダムフォレストなど）に活動ごとのデータパターンを学習させます。これにより、未知のデータがどの活動に該当するかを予測する「モデル」が作られます。

4. 活動分類モデルの評価 (Model Evaluation):
   構築したモデルが、実際にどの程度正確に活動を分類できるかを確認します。学習に使っていない新しいデータで予測を行い、その予測結果と実際の活動（正解ラベル）を比較して、モデルの性能（精度など）を評価します。性能が不十分な場合は、前処理やモデル構築のステップに戻って改善を試みます。

この4つのステップは、活動分類モデルに限らず、多くのAI・機械学習プロジェクトに共通する基本的な流れです。本プログラムでは、これらのステップを実際に体験することで、AIがどのようにデータから学習し、予測を行うのかを深く理解することができます。

5. プログラムで体験する具体的な学習ステップ　～AI活用の「勘所」を掴む実践プロセス～

本プログラムは、座学だけでは得られない、AIモデル構築のリアルなプロセスと試行錯誤を「体験」することに主眼を置いています。コーディング不要の専用ツールを用い、以下のステップで実践的に学びを進めます。

ステップ１：【準備・基礎理解】オンライン事前学習（目安：約10時間）

• 目的: ワークショップでの実践をスムーズに進めるための基礎知識（活動分類とは、時系列データの特徴、機械学習の基本概念など）を習得します。

• 内容: 分かりやすい解説動画や資料を用いた自習形式で、ご自身のペースで学習できます。ワークショップで使用する専用のWebツール（コーディング不要）の基本的な操作方法についても事前に確認いただきます。

• ゴール: AIによる活動分類の全体像と、ワークショップで使うツールの基本操作を理解した状態で実践に臨めます。

ステップ２：【実践・体感】ワークショップ（目安：約5時間、対面またはオンライン）

専用ツールを実際に操作しながら、AIモデル構築・評価のプロセスをステップ・バイ・ステップで体験します。グループワークを通じて、多様な視点からの議論や試行錯誤も行います。

A. データと向き合う「データ理解・前処理」:

• 体験すること: サンプルのセンサーデータ（加速度など）がどのような波形をしているか、活動ラベルとどう対応しているかを視覚的に確認します。

• ツールでの操作: 不要なノイズを除去するためのフィルターをGUIで選択・適用。データを分析しやすい単位（時間窓）に区切り、活動の特徴を表す数値（特徴量：平均値、周波数成分など）をツール上で簡単に選択・計算させます。パラメータ（フィルターの種類、時間窓の長さなど）を変更すると、データがどう変化するかをリアルタイムで確認しながら最適な処理を探ります。

B. AIに学習させる「モデル構築」:

• 体験すること: 準備したデータを使って、AI（ここでは主にランダムフォレスト）に活動パターンを学習させるプロセスを体験します。

• ツールでの操作: 学習に使用する特徴量を選択。モデルの複雑さ（例：決定木の数）などをGUIのスライダーや数値入力で直感的に設定。「学習実行」ボタンをクリックするだけで、AIモデルが構築されます。

C. 性能を見極め、改善する「評価・改善サイクル」:

• 体験すること: 作成したAIモデルがどれだけ正確に活動を分類できるかを評価し、結果に基づいて改善策を考え、実行するサイクルを回します。

• ツールでの操作: モデルの正解率（精度）や、どの活動を間違えやすいかを示す混同行列などを自動で表示・確認。どの特徴量が予測に重要だったかを示す特徴量重要度をグラフで可視化。評価結果や重要度を基に、「どの前処理を変えればよいか」「どのモデル設定を調整すべきか」をグループで議論し、ツール上で設定を変更して再度学習・評価。この改善サイクルを繰り返します。

D. (オプション)「リアルデータ」での実践:

　可能であれば、参加者自身のスマートフォン等で短時間データ（歩く、座るなど）を取得し、それをツールに取り込んで分析する体験も行います。

ツールの主な特徴

1. コンポーネント一覧：必要な機能を部品棚から選択

   • データ読み込み、ノイズ除去、特徴量計算、モデル学習といった、機械学習の各工程に必要な機能が「コンポーネント」として整理されています。

   • ユーザーは、左側のメニューから必要なコンポーネントを選び、ドラッグ＆ドロップするだけで、分析に必要な機能を簡単に準備できます。
     
     

2. プレイグラウンド：視覚的にAIパイプラインを構築・実験

   • 中央の広いエリアが、AIモデルの設計図（パイプライン）を作る「プレイグラウンド」です。

   • コンポーネントを配置し、線で繋ぐだけで、データ処理の流れを視覚的に構築できます。

   • 各コンポーネントをクリックすれば、フィルターの種類、学習モデルのパラメータ（複雑さなど）をGUIで簡単に調整可能。試行錯誤がストレスなく行えます。
     
     

3. データウィンドウ：処理の「中身」をリアルタイムで確認

   • 画面下部には、処理の各段階におけるデータの状態がリアルタイムで表示されます。

   • 生データから、前処理後のデータ、抽出された特徴量、そしてAIによる予測結果までを一覧で確認可能。

   • データのグラフ表示機能もあり、各処理ステップがデータにどのような影響を与えているかを直感的に理解するのに役立ちます。

このツールだから実現できること：

この直感的で視覚的なツールにより、参加者はプログラミングの壁に悩まされることなく、AIがどのようにデータを処理し、学習し、予測を行うのか、その本質的なプロセスに集中することができます。試行錯誤の結果がすぐに「見える」ため、深い理解と実践的なスキルの習得を効率的に進めることが可能です。

7. このプログラムで得られること　～AIを使いこなし、データ活用を内製化する力～

データ取得からモデル改善まで一連のプロセスを実践し、試行錯誤から学ぶことで、AIを真に使いこなす力を習得。外部委託依存から脱却し、データ活用内製化への確かな一歩を踏み出します。

1. AIリテラシー：原理の体感的理解と応用への視座

　AIが「何をしてくれるのか」をブラックボックスのままにせず、その基本原理を実践を通して体感的に理解します。センサーデータの取得からAIモデル評価・改善まで一連のプロセスを俯瞰し、実際に経験することで、AI活用の全体像を把握。ビジネスへの応用可能性を見抜く基本的な考え方（勘所）と、プロジェクト推進に不可欠な試行錯誤のプロセスを学びます。

2. データ活用スキル：センサーデータを価値に変える実践力

　センサーデータの取得から前処理、AIが理解しやすい特徴量の抽出まで、データが価値ある情報へと変わる重要なステップを自ら操作します。フィルターの種類やパラメータ調整、データ処理方法の変更がモデルの性能にどう影響するかをリアルタイムで体感。試行錯誤を通して、目的に合った価値を引き出し、データに基づいた改善を行う実践的なスキルを磨きます。

3. 実践的思考力：試行錯誤で課題を解決する推進力

　実際に動作する活動分類モデルの構築に挑戦。作ったモデルの性能を客観的に評価し、その結果をもとに試行錯誤を繰り返しながら最適な解を探るプロセスを経験します。これにより、単なる知識ではなく、データという根拠に基づいて具体的な事業課題解決にAIを繋げるための、実践的な思考力とプロジェクト推進力を身につけます。