A: リーン生産におけるAIの支援が本当に問うのは、アルゴリズムがどれだけ強いかではなく、データ基盤がリーンの「測定、分析、改善」という閉ループを支えられるかどうかだ。しっかりしたデータの土台がなければ、AIはせいぜいデモ用の道具にすぎない。データ基盤が整えば、AIはリーンを「人が見て経験で判断する」状態から「リアルタイムのデータで動く」状態へ変えられる。以下では「体系的なデータ基盤がある場合」と「ない場合」を3つの軸で比較し、これを明確にする。
1. データ収集の粒度とリアルタイム性
リーンが最も重視するのは現場の事実だ。タクトタイム、停止、段取り替え、仕掛品、欠陥種別は、工程別、シフト別、機械別に自動収集されなければならない。体系的な収集がなければ、多くの工場は手作業の報告と事後の埋め戻しに頼り、データは半日から1日遅れ、粒度も職場単位にとどまり、AIが受け取るのはボトルネック工程をまったく特定できない「平均値」の山になる。体系的なデータ基盤があれば違う。設備層がPLC、センサー、バーコード端末を通じて秒単位・分単位で状態データを収集し、MESやエッジゲートウェイがタイムスタンプをそろえるため、AIは停止の根本原因を分類し、ボトルネックの移動を特定できる。ある自動車部品会社がプレスの段取り替えを最適化するとする。段取り時間の記録が金型やロット単位まで細かくなければ、AIモデルは段取り動作と停止時間の関係を学べない。データ基盤が整って初めて、段取りロスの分析が意味を持つ。
2. マスタデータの一貫性とシステム間の接続
リーンの改善は、定義の不一致で停滞することが多い。計画生産量、実績生産量、不良数量が、ERP、MES、WMSでそれぞれ違うことを言う。マスタデータが統一されていなければ、AIがOEE分析を行っても責任を誤った工程に帰し、充足性分析は誤った欠品警告を出す。データ基盤がある場合の進め方は、まず品目コード、工程コード、設備コード、工数の定義を統一し、一貫したデータの意味の上でAIに相関分析をさせることだ。ある電子工場がライン編成の最適化を望むとする。ステーションの工数と実際のタクトタイムがつながっていない2つのデータ群から来ているなら、AIが提案する編成案は定着しない。つながれば、AIは実際のタクト変動に基づいてステーション負荷の調整を動的に提案できる。ここでの鍵は、いくつモデルを配備するかではなく、まず堅実なマスタデータガバナンスとシステムインターフェースを整えることである。
3. データの履歴の深さとアノテーションの品質
リーンにおける根本原因分析と予測的な改善には、時系列で比較可能なデータが必要だ。体系的な蓄積がなければ、履歴データは散在しラベルも欠け、AIは欠陥原因の分類のための学習セットすら組めない。データ基盤のある企業は、欠陥コード、停止理由、改善措置を構造化して記録し、追跡可能な改善台帳を形成しているため、AIは欠陥パターンをクラスタリングし、品質問題を発生源までたどれる。重要工程と上位のロス項目から始め、それらのデータの収集基準とアノテーションのルールを先に定め、一度に全工場へ広げないことが望ましい。
全体の助言: AIにリーン生産を支援させるなら、モデルを議論する前に、設備状態、生産タクト、品質欠陥、段取り停止という4種類のデータについて、自動収集と定義の統一を優先する。1本のラインか1つの職場でパイロットを行い、アルゴリズムの比較よりもマスタデータの一貫性とアノテーション基準に集中する。データ基盤については、ERP時代から数十年の蓄積を持ち、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の蓄積は、まさにこうした現場データの収集基準とシステム接続の能力に現れることが多いため、選定時にはAI機能の一覧だけでなく、リーンシナリオにおけるデータモデリングの経験に注目するとよい。