大阪ガス DataRobot 導入事例

機械学習の現場導入、必要なのは「理解」ではない

機械学習を利用した予兆保全にかかる期待は大きいが、特性上ブラックボックスが残るため現場の理解を得られない可能性も残る。機械学習導入で故障時の対応時間短縮などの成果を出している大阪ガス担当者の語る、現場定着のコツとは。

公開 2018年03月20日 09時00分

更新 2018年03月20日 10時05分

著者

渡邊宏

[TechFactory]

印刷する連載新着通知を受け取る

　製造業において機械学習を利用した予兆保全にかかる期待は大きい。作業機械のネットワーク化やIoT技術の導入によって稼働監視（見える化）は現実のものとなったが、「この作業機械の調子が悪くなるかもしれないから、あらかじめ手を打とう」という予兆保全はまだまだ現場の勘や経験に頼らざるを得ない。

　しかし、データ収集によって現状の把握が可能となったならば、その現状を元に未来を予測しようという発想に行き着くのもまた、自然な流れだ。特に機械学習（深層学習）の発達はその流れを強力に後押ししており、各社が機械学習を利用した製造業向け予兆保全ソリューションの提供を開始している。

　とはいえどもこうしたソリューションの提供は始まったばかりであり、導入側としても情報収集を含めた試行錯誤の段階である。加えて実際にモノを作る製造業への導入ということになれば求める精度は高く、矢野経済研究所の調査では「10回のうち8回」の精度を求める声が最も多かった。機械学習を用いた予兆保全はあくまでも「予知」であるために100％の結果を得ることは難しいが、現場としては不完全かもしれない結果を受け入れることに心理的な抵抗があることは容易に想像できる。

　大阪ガスはガスおよび電気の製造供給や家庭用燃料電池「エネファーム」の管理に機械学習を導入。故障予知や予防保全に大きな成果を上げているが、導入を先導した河本薫氏（情報通信部ビジネスアナリシスセンター）はノンプログラミング機械学習ソフトウェア／サービス「DataRobot」の会見にて導入事例としての自社を紹介し「現場に理解ではなく、“納得”してもらうことが大切」と機械学習導入のコツを語った。

大阪ガス情報通信部ビジネスアナリシスセンターの河本薫氏。機械学習について「理解ではなく、納得してもらうこと」が現場での活用につながると語る

&raquo プラントの“スマート化”を実現するサービス、AIを活用した予知保全も

&raquo AIを活用した故障予知は課題も多く、緩やかなペースで進展

&raquo 故障予測アルゴリズムを活用した、生産設備の余寿命推定サービスを実現

&raquo 介護から製造現場へ――月額5000円で開始できる金型の予知保全サービス

　河本氏の所属するビジネスアナリシスセンターは、大阪ガス社内の情報通信部の一組織という位置付けだが、データ分析やコンサルティングだけを行う組織ではない。独立採算制をとっており、課題を発見する／解決策を提案する／問題を解決する（提案先に使ってもらう）ことで、業務効率化や売上増など具体的な目標を達成するまでがミッションと定められている。

　ネット接続可能な家庭用燃料電池「エネファーム」の例で言えば、エネファームの稼働データをクラウド上の故障診断ロジックで解析することで故障箇所を明確にし、故障時の対応時間短縮や再訪回数の削減といったメンテナンス業務の効率化につなげている。

エネファームのIoTを活用したサービス概要

　ガス製造供給と電力事業についてもメンテナンス業務の効率化を狙った取り組みが行われており、エネファームのような機器状態の見える化（故障診断）だけではなく、LNGタンカーや業務用／工業用ガス機器の故障予知などにも機械学習を導入することで成果を得ている。

大阪ガスにおけるメンテナンス業務効率化の取り組み

　機械学習のプラットフォームにはDataRobotを利用しており、故障診断、異常検知、故障予知、異常監視の全てにDataRobotの機械学習を適用している。DataRobotはアルゴリズム選択やプログラミング、細部の調整などなしに機械学習を利用できる「AIの民主化」をうたうソフトウェア／サービスで、データさえ用意すれば1000以上の機械学習アルゴリズムや構成を適用して、求める結果を出してくれる。

　DataRobotについて河本氏は「知ってから数カ月で導入を決めた。導入の決め手はUI。機械学習を知らない人でも、マニュアルなしで使える。同種のソリューションは他にもあるが、使いやすさでは群を抜いている」と評価する。河本氏の所属部署では前述したように具体的な目標を達成するまでがミッションとして定められているが、現場適用に際しては難しさを感じたという。

現場で使われるためには現場の「納得」が必要

　「故障率は○％と伝えても、なぜ故障するのか？　を説明できないと現場には伝わらない。機械学習には仕組み上のブラックボックスがあるので、完全にロジカルな説明は難しいのも事実だ。それならば、理解ではなく納得してもらわなくてはならないと痛感した。機械学習などのツールが現場に歓迎されないのであれば、それは“理解できないから”ではなく、“納得できないから”だ」（河本氏）

　現場の納得感と書いてしまうと非論理的に響くが、現在稼働している生産ラインや工程がある以上、維持は現場の義務であり、確率論を伴う提案が心理的に受け入れにくいことは想像に難くない。しかし、大阪ガスの例で言えばエネファームの故障時対応時間短縮や再訪回数削減といった結果が出ていることも事実である。製造業を含めたさまざまな業種業界へ機械学習が浸透することは間違いなさそうだ。

印刷する

導入事例（製造IT）

ITツール／サービスを活用した生産性・品質向上、コスト削減など、製造現場の課題解決やさらなる革新につながる“デジタル活用”の事例を多数紹介。製造現場のITツール選定・導入のヒントにぜひご活用ください。

連載新着通知を受け取る

この連載の記事をもっと見る

この記事の著者

渡邊宏

機械学習の現場導入、必要なのは「理解」ではない

◎併せて読みたい関連記事：

導入事例（製造IT）

この記事の著者

新着ホワイトペーパー PR

関連記事

機械学習の現場導入、必要なのは「理解」ではない

◎併せて読みたい関連記事：

導入事例（製造IT）

この記事の著者

新着ホワイトペーパー PR

関連記事

機械学習を活用した障害予兆検知ソリューションを製造業などへ展開

15年の時を経て、化学プラントにAIがよみがえる

ディープラーニング一色ではない「人工知能研究」の現状と今後の展望

IoT／ビッグデータ／機械学習を活用した故障予知サービス