例題2において、5年以上の開発期間におけるデータを多変量解析で整理すると、典型的なもぐらたたき状態が見えてきて、開発開始時点からコンパウンドについて何も改良がなされていないことに気がついた。
開発開始前からコンパウンドメーカーより特許出願されていたPPSの靭性改良のためにナイロンを添加した程度の進歩が成果として認められてはいたが、その結果、パーコレーションの問題を複雑にしていた。
また、ナイロンを添加しなくても、PPSを非晶質で押し出せば、ナイロンの添加されたPPSと同程度のMIT値が得られたので、この仕事を引き受けたときにはコンパウンドメーカーの特許を大した発明に思わなかった。
ちなみに、当方が担当して半年後には、PPSとナイロンを相溶させて押し出すことに成功しMIT値が10倍になるベルトが完成している。靭性が10倍まで上昇すれば、それだけで大発明である。
パーコレーションの問題をデータサイエンスで解き、その目標を実現するためには、PPSとナイロンを相溶させなければいけない、と結論が出たので、それを実行しただけだが。
その結果、力学物性と電気物性の二律背反問題を一度に高いレベルで解決できた。ただしこれは科学の方法で考えていては出せない成果だった。
コンパウンドメーカーの技術サービス部長から素人は黙っとれ、と言われたので、黙ってデータサイエンスで解析し、コンパウンドメーカーも了解した工場を建てて、歩留まりが100％となるコンパウンドを原材料や配合を変更せずに実現したのである。
あれからもう20年近く経過した。今でも生産が続いている、と風の便りに聞いているが、データサイエンスで発明した高純度SiCと、このベルトのコンパウンドの発明は、データサイエンスの力なくして得られなかった成果である。高純度SiCの事業は、その発明から40年以上続いている。
データサイエンスによる問題解決法は非科学的であるが、科学の方法では当たり前の結論しか得られなくて問題解決に苦しんでいる人は、一度試してみることをお勧めする。当たり前の方法で集めたデータにとんでもないイノベーションを引き起こすアイデアが潜んでいるかもしれないのだ。
カテゴリー : 一般
pagetop
20世紀には、ロジカルシンキングやTRIZなどが流行ったが、TRIZやUSITは今や忘れられようとしている。理由は簡単で、科学の思考法をオブジェクト指向に似せた手順で示しただけの、当たり前の答えを導く方法だからである。
トランスサイエンス時代の問題解決法では、非科学的方法でアイデアを導くことが可能な問題解決法が求められている。弊社ではそのニーズに応えるために問題解決法のセミナーを提供している。
その中の一つにデータサイエンスによる問題解決法がある。タグチメソッド（TM）もデータサイエンスの1手法であるが、そのほかに多変量解析や機械学習の手法などがある。
多数存在するデータサイエンスの手法について、問題解決を目的に使用する時のコツを伝授するだけでなく、データサイエンスで実務の問題を解くときの注意点を経験知として提供している。
カテゴリー : 未分類
pagetop
5年以上研究開発が行われ、量産試作段階でも歩留まり10％未満の押出成形による部品があった。時折30％近く歩留まりが上がることもあったので、量産が決まったのだが、半年後には80％以上の歩留まりにしなければ、大赤字になることが予想されていた。
コンパウンドを外部の国内一流コンパウンドメーカーから購入し、押出成形を内製化しており、コンパウンドを外部から購入するサプライチェーンと配合の変更は、QMSの仕組み上不可能だった。
そのような段階でリーダー交代を引き受けた。さて、どのように問題を解決したらよいのか。このような問題では、故ドラッカーが著書に書いていたように、正しい問題を明らかにすることが重要である。
経験知から、押出成形では、コンパウンドの出来が悪ければ、絶対に良い成形体ができない、といわれているので、たとえ世界的に有名なメーカーのコンパウンドであっても出来が悪いのは明らかだった。
5年以上の開発期間で採取されたデータをデータサイエンスにより解析してみても、コンパウンドのロットばらつきが大きいことが示され（注）、コンパウンドを改良しなくてはゴールを実現できないことは明らかだった。
過去のデータを解析すると、さらに現在の配合のままでもコンパウンドの構造ばらつきを制御すれば目標の表面比抵抗を実現できることが示された。ゆえに配合処方を変更しなくても大丈夫であることは、多数のデータから確信できた。
ゆえにコンパウンドメーカーが高次構造を制御するためプロセシングを変更してくれれば、歩留まり80％以上の実現が可能と見通すことができたので、リーダーの交代を引き受けている。これはデータサイエンスの成果である。
過去データの解析以外に、プロセシングを変更した時のコンパウンドについてその高次構造も含めたゴールを明確にする必要があった。さて、どうしたらよいか？これもやはりデータサイエンスで解答を導くことが可能であり、データサイエンスによる問題解決法のセミナーでその手法を公開している。
・
（注）単相関で眺めていても気がつかない問題だった。
カテゴリー : 一般 電気/電子材料 高分子
pagetop
物理と化学は、理科の科目として高校では別々に学習する。その共通言語的位置づけとして数学がある。大学の教養部２年間ではこの境界領域の学問である物理化学を学ぶことになる。
面白いのは、化学が錬金術師を祖とし、物理はニュートン力学を祖として高校で学んだことある。ニュートン以前の物理学者の話も授業で出てきたが、マッハによればニュートンでさえ非科学的な研究を行っていたとされている。
教育指導要領がどうなっているのか知らないが、高校ではニュートン力学の知を科学として学ぶ。少なくとも当方はそのように高校で習った。
化学では錬金術師の話が出てきた。数学では指導要領外だが、とただし書きがついてユークリッド幾何学を教師手製の特別テキストで学んでいる。
マッハにより非科学の知と指摘されたニュートン力学を高校で科学として学ぶ問題と、教育指導要領外のユークリッド幾何学を３か月も授業時間を割き学ぶ問題、錬金術師の功績まで授業で学ぶ問題など、やたら問題の多い高校だった。
これらの問題があったにもかかわらず、大学の教養課程のレベルと高校３年間の学習レベルに大きな差を感じることなく課外学習の時間が多くても良好な成績が得られたのは、工夫された高校の授業のおかげと感謝している。
量子力学あるいは量子化学の授業のように高校のレベルをはるかに超えるように感じた科目もあったが、教養部の二年間でこれらを学んでも、高校生の時のように能力が上がったという実感は無かった。
やはり、中学校の理科が高校において物理と化学、生物、地学に分かれたレベルアップが高校から大学教養部へレベルアップした段差よりも高いような気がしている。
高校では、科学教育を受けていたはずなのだが、生物や化学の科目と地学や物理学の科目に微妙な頭の働かせ方の差を感じている。容易に１００点近い点を取れる科目とうっかりすると５０点などというひどい点になってしまう科目との違いと表現すると分かりやすいかもしれない。
生物と化学はパラダイムが似ていたようで試験前の勉強は容易だったが、地学は物理学と似ていて試験前の勉強を化学同様に行ったところ散々なテスト結果だった。両方得意の友人を羨ましく思ったりもした。
この同じ科学の科目であるにもかかわらず、高校教育における物理と化学のパラダイムの違いに早く気がついたことが、科学論への興味につながっている。
ドラッカー以外にマッハ力学史や科学と芸術など科学論に関する書物を高校時代に数冊読んだが、この経験から、社会人になるまであるいは大学の教養課程までに最低１冊は科学論の分厚い本を技術者は読んでおくと社会に出てから科学の知識を活かしやすい、と思っている。
理科系の科目すべてを好きだったが、何故化学系の仕事についたのか、この疑問を解くカギが高校時代の物理と化学に対する無意識の姿勢の違いにあり、科学論はそれを気づかせてくれた。
科学論といっても科学ジャーナリストが書いているような薄っぺらな内容は気づきにつながらない。日本の大学の先生が書かれた科学論には、受け売り的な駄作もあるが科学ジャーナリストよりましである。
科学論を多数読むと、科学という哲学の理解が進み、高校の物理と化学にパラダイムの差があることに気がつく。そしてこの二種類の分野の知を人類がどのように深めてきたのかその過程を想像でき面白い。
日本では科学教育を基本としているので、教育指導要領に厳密に従う高校では、この差がほとんどないのかもしれないが、当方の高校時代の思い出では、日本史や世界史、倫理社会も含め少し怪しい授業が多かった。
ただ、大学で物理を力学と電磁気学に分けて学び、高校で科学に忠実に従い物理や化学を指導する難しさに気がついた。興味深いのは科学的に怪しい物理や化学、ユークリッド幾何学まで教えてもらえた授業のおかげで力学や電磁気学の「科学」的理解が容易だった、と感じていることである。
データサイエンスを技術者が実務で活かそうとしたとき、例えばタグチメソッドを実務に導入しようとしたときに、どことなくアレルギーを感じたりするのは、この物理と化学の違いの感覚に近いように思う。早めに科学以外の問題解決法のパラダイムの存在に気がついておれば社会に出てからひどいアレルギーに悩まなくて済むように思っている。
カテゴリー : 一般
pagetop
ゴールデンウィークにデータサイエンスの勉強をされてはいかがでしょうか。行楽地に行けば渋滞で悩まされるだけでなく、コロナ感染するリスクも上がる。
しかし、データサイエンスのWEBセミナーに参加すれば、どこかへ遊びに行くほどの費用が必要なく、またコロナ感染リスクは無くなる。
弊社のWEBセミナーで勉強後、弊社のサイトで公開されている主成分分析あるいは重回帰分析のプログラムで遊んでみるとデータサイエンスによる問題解決法が身につく。
DXの進展で、技術者は問題解決の一つの手段としてデータサイエンスを自由に使いこなせるスキルが常識となった。おそらく2017年度に新設されたデータサイエンスの講座卒業生が配属された職場もあるかもしれない。
ところがデータサイエンスのスキルは、個々が身に着けていてこそその企業のパワーになるのだ。その理由をこの3年間のコロナ患者数シミュレーションを見てきて学んだはずである。
訳も分からず専門家がシミュレートした数値に、ただおびえていた人もいたのではないか。各技術者が自分の目の前に出現した問題について自分でデータサイエンスのスキルを用いて問題解決するのが理想の状態である。
先日の例題のような問題は、スキルを身に着ければ簡単にできるのだ。科学的に完璧な解でなくても問題解決しなければいけないシーンは実務で多いはずだ。そのようなときに例題の手法を応用できる。
カテゴリー : 一般
pagetop
タグチメソッド（TM）は最も普及しているデータサイエンスの手法の一つである。このパラダイムについて考えたことがあるだろうか。
TMには、データサイエンスを用いて問題解決するプロセスが完備されている。パラダイムを考える代わりに、この手順を言葉で書いてみると、データサイエンスで問題解決する手法が科学の方法と少し異なることに気がつく。
そして、制御因子の最適条件について確認実験を行い利得を求める理由も見えてくる。TMの指導者が気がついているかどうか知らないが、TMはデータサイエンスを使って問題を解くプロセスを科学に近づけたメソッドである。
田口先生がTMを技術の手法である、とこだわっておられた理由をTMのパラダイムを考えることにより、気づくことができる。そしてこれに気づくと、科学以外の技術開発の手法があり、データサイエンスというものがどのような学問なのか学ぶことができる。
AIによる機械学習だけがデータサイエンスと考えている人は、データサイエンスが統計科学として発展していた歴史を学んでいただきたい。古くは数理モデルで現象を解いていた時代までさかのぼる。
例えば、パーコレーションという現象について１９５０年代に数学者たちが研究を始めた。そして材料のレオロジー的性質をダッシュポットとバネのモデルで研究する時代もあった。
マテリアルズインフォマティクスは、アカデミアから登場しているが、ぼやぼやしているとダッシュポットとバネのモデルと同じ運命をたどることになる。
当方はその悲惨な運命を見てきたのでこうして警告しているが、データサイエンスについてその歴史的背景を理解したうえで、指導者は行動しなければいけない。
弊社はこのようなことを考えて、このゴールデンウィークにデータサイエンスのセミナーを開講している。データサイエンスとは何か、それを知ったうえで（この時気づきが必ずある）、学ばなけれ技術開発への応用が難しくなる。
カテゴリー : 一般
pagetop
先日の例題では、量産試作段階に収集した２０個ほどのデータと研究開発期間に収集されたデータが存在する。しかし、いわゆる数万、数十万のビッグデータではない。
そして、問題を考えるときには量産試作段階の２０個のデータから結論を出すことになる。それでもデータサイエンスで問題の糸口が見つかるのだ。
すなわち、この問題を考えるために、まずデータサイエンスとはどのような学問か、という知識と、その知識を実務の問題に応用するときのスキルを身につけなければいけない。
ここで、データサイエンスの知識と書いているが、データサイエンティストになるぐらいの知識まで必要ではない。どの手法でこの問題を解くのかが分かればよい。
それは、データ処理するためのPythonはじめプログラム環境が整っているので、ほとんどの問題は高度な知識無くヒューリスティックな解として得ることができる。完璧な解決でなくてもよいのだ。
ちなみにデータサイエンティストでさえ実務の問題をデータサイエンスだけで科学的に完璧な解とすることは困難ということを知っておいてほしい。
次にデータサイエンスから選ばれた手法を適用するときには、それはソフトウェアースキルとなる。スキルなので例題に多数接し身に着けることが可能である。しかし、弊社のセミナーを受講して要領よくコツをまとめたものを覚えるだけでも身につく。
すなわち、データサイエンスを用いる問題解決法として整理された知識を身に着けるだけでよい。データサイエンスによる問題解決法のセミナーでは、データサイエンスという学問の概略と問題解決法をまとめたもので、事例とともに解説する。
ゆえにデータサイエンスを全く知らない素人でも以上の学習が可能である。さらに電子ブックの形式でテキストを提供するので、新たな情報を弊社で追加することが可能で、受講者は常に改定された新たな内容のテキストで復習できる。
カテゴリー : 一般
pagetop
データサイエンスの手法は統計手法からシミュレーション、機械学習など多岐にわたる。実務ですぐに使いたいと思ったときに、現在市販されている書籍に適当なものが無いのが実情だ。
データサイエンスの学問を学ぶための教科書は多いが、実務にどのように応用するのかという視点で書かれた教科書は皆無である。
すなわち、実務の現場で問題が発生したがデータがあり、現場があるのだが、そこで発生してる問題が正しい問題であるのか明確ではない場合とか、正しい問題を把握したのだが、対策のヒントが欲しいとか思ったときに、データサイエンスは有効である。
しかし、市販されている書籍にそのような場合どのような手法を選んだらよいのか、また解析結果を現場に照らし合わせながらどのように考察するのかといった解説をしている書籍は無い。
実はデータサイエンスを実務の問題解決に応用したいときに市販されている本を頼る行動は、泥棒を「見つけてから」縄をなうようなものである。すなわち、泥棒を捕まえることすらできないのだ。
データサイエンスで問題解決する、という視点では、データサイエンスの無料プログラムを用意し、それでデータ解析できるので、解析ノウハウを学ぶだけでも実務に応用可能である。
弊社の提供予定のデータサイエンスのセミナーはここに焦点をしぼり、事例を中心に解説している。ゴールデンウィークに特別価格で毎日開催予定ですので弊社へお問い合わせください。参加者１名でも開催します。
５／７まで毎日開催していますので、希望者は１００００円で複数回の参加も可能です。お申し込みの際に申し出てください。事例中心に解説を行いますので、データサイエンスを問題解決で活用するノウハウを理解しやすいと考えています。
カテゴリー : 一般
pagetop
データサイエンスを用いて問題解決した事例を例題として一つ紹介する。
・
組み立てメーカーとコンパウンドメーカーとが、再生材を用いて難燃性コンパウンド（UL94-5Vb合格）を共同開発していた。
・
組み立てメーカーは、製品の一部機能Aの仕様についてノウハウを理由にコンパウンドメーカーへ開示していなかった。その代わり、コンパウンドの成形体物性について機能Aと関わるシャルピー衝撃試験値X1、引張強度X2、引張弾性率X3、引張伸びX4、曲強度X5を仕様としてコンパウンドメーカーに伝えていた。
・
すなわち、コンパウンドメーカーは、組み立てメーカーとX1,X2,X3,X4,X5をすり合わせ、コンパウンドの品質管理をしなければいけない。研究開発が終了し、量産試作を始めたところ、コンパウンドメーカーの品質管理のために測定した各ロットの計測値は、仕様を満たしていた。
・
しかし、組み立てメーカーから合格をもらえたのは、20ロット中2ロットであった。組み立てメーカ-からは、機能Aに関わる独自評価結果に合格したのは2ロットだけ、と結果を告げられただけである。
・
組み立てメーカーからは、研究開発ステージではないという理由で組み立てメーカーが測定したX1,X2,X3,X4,X5についてデータをもらうことができなかった（注）。
・
コンパウンドメーカーは、20ロットのX1,X2,X3,X4,X5の値と、合格したロットの情報から、工程の対策を考えなければいけなかった。さて、どのようにこの問題を解くのか。
・
当方はこの相談を受け30分後には、データサイエンスを用いて解析し回答を相談者へ送っている。それに基づき相談者は対策を行い、1か月後に生産試作を再開して、その後のロットで合格を得ることができた。
・
この解答は、データサイエンスを用いた問題解決法セミナーの中で詳しく解説する。ご興味のあるかたは、弊社へお問い合わせください。
・
（注）共同開発における組立てメーカーとコンパウンドメーカーとの関係は様々である。例えば、この例と異なり組み立てメーカーがコンパウンドメーカーへすべて情報を開示して共同開発を進めるとどうなるか。当方が退職前に担当した中間転写ベルトでは、共同開発においてコンパウンドメーカーに技術蓄積がなされ、組み立てメーカーがコンパウンドメーカーの指示で仕事を進めるような状態になっていた。ここまで書くと当時の担当者からおしかりを受けるのかもしれないが、少なくとも組み立てメーカーのリーダーが、コンパウンドメーカーへコンパウンドの設計見直しをお願いしても素人は黙っとれ、といわれたのである。赴任して間もない管理職がアドバイスできない状態だった。結局、当方は、部下の課長に権限を委譲し、1名若手技術者を中途採用するとともに現場で余剰人員だった職人を1名加えたプロジェクトで、新たなコンパウンド設計のため3か月でコンパウンド工場を立ち上げなければいけなかった。ゆえに、組み立てメーカーがノウハウと称して共同開発において一部機密を開示しない事情をよく理解できる。材料開発を伴う共同開発において、組み立てメーカーが情報管理をしない場合には技術はすべて材料メーカーに流れるのである。ちなみに3か月という短期間で立ち上げたにもかかわらず、カオス混合技術を導入したコンパウンド工場で生産されたコンパウンド(材料メーカーが供給していた原材料と配合組成はすべて同一で、コンパウンドのプロセシングだけが異なる)で無事中間転写ベルトの量産が可能となった。素人でも一流の技術を提供できる問題解決法が弊社の商品です。これはドラッカーの名言であるが、「しばしば優秀な人が成果を出せないのは、間違った問題を正しく解いているからだ」。素人でも正しい問題を正しく解けば成果が出るのだ。これは弊社の問題解決法の基本姿勢である。
カテゴリー : 未分類
pagetop
データサイエンスを問題解決の手法としてとらえた時に、それを使いこなすのは容易である。また、一部のプログラミングでさえ1０年前に比較すれば、容易になった。
後者はPythonで無料のライブラリーが豊富に公開されているためだが、前者は、例えば多変量解析のプログラム完成品を無料で利用できるようになったからである。
１０年以上前にはプログラム開発から行わなければいけなかったが、弊社でも主成分分析と重回帰分析のプログラムを公開しているように、無料の解析環境が整っている。
ゆえに、データをポンと入力し結果を解析するだけである。結果の解析でも解析のコツを学べば誰でもすぐにできるようになる。
弊社のセミナーで公開しているノウハウを学べば、データサイエンスが必要な９割の問題で利用できると思う。残り１割は自分でモデル化してプログラムを作る必要があるかもしれないが、その時のコツも披露している。
ただ、Pythonのプログラムを自由自在に、となると、当方が講師を勤める５月開催の技術情報協会Python入門セミナーを受講する必要があるが、すでにPythonをかじった経験があれば、このゴールデンウィークのセミナーだけで大丈夫かもしれない。
ゴールデンウィークをデータサイエンスのリスキリングに費やすのは、DX時代に生き残りたい技術者として選択肢の一つ。頭を休め栄養補給するために弊社へお問い合わせください。
カテゴリー : 未分類
pagetop
