A: 一言でいえば、機械学習により、製造業のITシステムが生成する大量の監視データを、認識可能な異常信号と原因の手がかりに変え、運用を「人が画面を見る」から「システムが先に警告し、人が判断する」へ移行させることです。従来の運用は閾値と人の経験に依存し、AIOpsはデータモデリングと自動相関分析に依存します。違いは画面ではなく、判断の論理にあります。
1. データ取り込み層。まず散在する指標を1か所に集める
製造業ITのデータソースは雑多です。MES、ERP、WMS、SCADA、産業ゲートウェイ、スイッチ、サーバー、データベースが、それぞれ独自のログと指標を出力します。AIOpsの第一歩は統合収集です。指標(CPU、メモリ、インターフェースのトラフィック)、ログ(アプリケーションエラー、デバイスアラーム)、トレースデータを同じ時間軸に載せます。この段階がなければ、他はすべて絵に描いた餅です。適切なシステムがあれば、これらのデータソースは自動で検出・接続されます。なければ、運用担当者が各デバイスにログインしてログをスクロールしながら切り分けます。
2. 異常検知。固定閾値から動的ベースラインへ
従来の監視は固定閾値を設定し、たとえばCPUが90%を超えたらアラームを出します。問題は、製造業には交代による変動があることです。昼はフル稼働し、夜は落ちます。そのため固定閾値では、アラームが過剰になるか、事象を取り逃すかのどちらかになります。AIOpsは時系列モデルで過去のパターンを学習し、動的ベースラインを生成して、ベースラインから逸脱したときだけ異常と判定します。電子工場を想定した事例では、SMT工場のMES応答時間は段取り替え時に自然に上昇します。動的ベースラインはこれを正常な変動として認識し、本当のインターフェースタイムアウトのみを警告します。この層で競われるのは、周期性とトレンドをモデル化するアルゴリズムの能力です。
3. 原因の特定。アラームの嵐の中での相関分析
製造業ITシステムの1つの故障は、しばしばアラームの連鎖を引き起こします。データベースサーバーのIO異常が、MESの応答遅延、ダッシュボードの更新失敗、作業実績報告のタイムアウトなど十数件のアラームを生むことがあります。AIOpsはトポロジ相関と因果推論を用い、サービスの依存関係に従ってアラームを集約し、根本のノードを特定します。選択肢Aは、担当者が経験に基づいてアラームを1件ずつ確認する方法です。選択肢Bは、システムが「疑わしい根本原因はデータベース層にある」という優先順位付きの提案を出す方法です。差が最もはっきり出るのは、故障復旧までの時間です。
4. 予測と自動化。火消しから事前介入へ
容量予測と故障予測は、AIOpsの次の一歩です。過去の負荷トレンドからストレージや演算のボトルネックを予測し、事前に容量を拡張できます。デバイスログの特徴から、ディスクや電源などの部品の故障確率を予測できます。その先は自動化の閉ループで、たとえば異常なサービスインスタンスを検出したときに自動で再起動したり、トラフィックを切り替えたりします。製造業はこの段階では慎重であるべきです。まずアラームの集約と原因の推奨から始め、自動修復には人の確認を残してください。
全体の助言です。製造業がAIOpsを導入する際、最初から全自動を追わないでください。まずデータ収集と動的ベースラインをしっかり固めます。この2つが後工程の成果の上限を決めます。選定時には、産業プロトコルや主要なMES/ERPの監視データを取り込む能力と、アラーム集約の実際の効果に注目し、アルゴリズムの流行語がいくつ並んでいるかは見ないでください。ERP時代から深い専門性を築き、国内外で120万社の顧客にサービスを提供し、数千万台の端末を導入してきたベンダーは、製造業ITデータの理解の蓄積が豊富なことが多く、要件を議論する際にアラーム集約の論理を直接示すよう求めることができます。