TechFactory通信編集後記

製造現場へのAI導入、解決が見えない「ある問題」

製造業がAI（機械学習）に熱い視線を送っています。AIの活用で故障予知や技術伝承などといった問題を解決しようと各社が取り組んでいるものの、「ある問題」についてはまだ解決の糸口がつかめていません。

公開 2018年06月23日 09時00分

更新 2018年08月17日 16時48分

著者

渡邊宏

[TechFactory]

印刷する連載新着通知を受け取る

　製造現場へAI（機械学習）を導入して、故障予知や技術伝承などの問題解決に役立てるという取り組みが各社で行われています。その手法はさまざまですが、「製造現場で発生するデータを取得して、目的に応じて活用する」という基本的なアプローチはほぼです。この「目的に応じて活用する」ためのツールとして、AI（機械学習）が注目されており、その開発や活用に長じた企業もまた注目されています。DataRobotもそうした企業の1つです。

　DataRobotはデータサイエンティストのような専門家ではなくても扱えるAI（機械学習）のツールを提供することで、「AIの民主化」を掲げる企業です。製造業のパナソニックもDataRobotのツールを導入することで、業務へのAI活用を推進しています。DataRobotのツールは特定業務向けというよりも汎用AI活用ツールと呼べるものであるため、パナソニックにおいては工場の故障予知や店舗の需要予測、来店者の行動分析、監視業務など幅広い業務に利用されています。

この記事は、2018年6月11日発行の「モノづくり総合版 TechFactory通信」に掲載されたTechFactory担当者による編集後記の転載です。

⇒メール購読についてはコチラから

パナソニックの井上昭彦氏（ビジネスイノベーション本部　AIソリューションセンター　戦略企画部　部長）

　パナソニックはデータ解析を本業とする米Arimoを買収していますが、パナソニックの井上昭彦氏（ビジネスイノベーション本部　AIソリューションセンター　戦略企画部　部長）によれば、Arimoは特定業務に向けてパナソニックと一緒に活動する「問題解決ソリューションの提供」、DataRobotは「AIの汎用ツール提供元」という位置付けになっていると言います。

　井上氏はUniPhierの開発を担当した経歴を持つ、半導体部門の出身です。その昔、半導体設計はローレベルから自社で行うのが当たり前でしたが、シノプシスやケイデンスといったツールベンダーが高度な作業を自動で行える半導体設計ツールを開発・提供するに従い、半導体製造会社はローレベル設計を自社で行わなくなりました。産業の成熟に従って、分業化が進んだのです。

◎「製造業AI／ビッグデータ」関連記事～導入・活用事例、課題、解説～など

&raquo 日本企業は「データリテラシー」が足りない

&raquo 「ビッグデータ」「データアナリティクス」「AI」は製造業に何をもたらすのか？

&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 AIによる予兆保全は2018年「成長期」へ

&raquo 産業機器業界でも進むAI導入、ただし「大規模な実行」の実現は1％

⇒ 新着記事をチェックする

「AI活用」における、解決方法の見つからない問題

　AIや機械学習、ディープラーニングといった領域においても同様の変化が起こると井上氏は語ります。AIを業務に導入する際、現在はArimoのような専門知識を持った業者に依頼するケースが一般的ですが、ツールが充実すれば事業者側で扱える範囲が広がるというのです。井上氏は「機械学習におけるシノプシスとかケイデンスに相当するのが、DataRobotだと思います」と半導体出身らしい表現で、ツールの重要性が増していくと予想しています。

　井上氏の所属するパナソニックは「AIを活用できる企業」になるため、人材の育成にも力を入れています。AI導入と活用を推進する部署「AIソリューションセンター」を設け、同時に人材育成も進め、5年後の2023年には「AIをツールとして使える」人材を1000人規模にまで増やすとしています。

　AI活用に向けて順調に歩みを進めるかに見えるパナソニックですが、1つだけ、まだ具体的な解決方法の見つからない問題があると言います。それは「データの質」の確保です。現在のAIがほぼディープラーニングを指す以上、大量のデータが必要となりますし、そのデータには利用されることを前提とした“質”も要求されます。

　パナソニックでも生産機器のAIによる故障予知を行おうとして稼働データを集めたところ、どう処理しても精度が出なかった例があると言います。その原因は「機械を調整のため止めていたときのデータが混在していたこと」でした。井上氏は「現場が分かる人に“印”を付けてもらえれば解決するが、故障予知の取り組みとして印を付ける仕組みをどう取り込んでいくかの正解は見えていない」と言います。

　「生産機械Aの故障予知パターン」「生産機械Bの故障予知パターン」など前処理を定型化することである程度はこの質の問題は回避できそうな気もしますが、予知結果の精度を高めるためには質の高い入力（情報）が必要であり、個々の現場に応じた情報を入力していこうとすると、コスト的に見合わなくなる可能性が浮上します。

　SAS FORUM JAPAN 2018にて「故障予知からのビジネスモデル構築」をテーマに講演したコニカミノルタの東氏は、目標を達成するため手段となる「データをどう分析して理解するか」を自社組織にあわせたプロセスに落とし込み、データの分析と理解に十分な手間と時間をかけ、全社的な活動として推進していくことが成功へのカギ」と発言していました。

　AIの導入と活用はもはや製造業にとって避けては通れないテーマとなりつつあります

が、「どのようにAI導入に取り組み、どのように業務へ取り込んでいくか」の試行錯誤はまだまだ続きそうです。