A: 実行可能ですが、前提としてAIを人員と経験を補完する軽量な道具と位置づけ、大規模モデル基盤や工場全体のインテリジェントな生産計画から始めないことがあります。中小工場はデジタル基盤が薄く、受注の変動が大きく、アルゴリズムを理解する人もほとんどいません。そこでのAIの合理的な役割は、特定のステーションや特定の工程に組み込まれ、一つか二つのボトルネックを解くことであり、トップレベルの再構築を試みることではありません。
1. まずシステムがある場合とない場合の違いを見る
多くの工場にはすでにERPやMES、あるいは簡易な設備接続があり、データは取れても使われておらず、レポートは手作業でExcelに書き出され、異常はシフトリーダーが現場を歩いて見つけています。この状況でのAIの価値は、既存システムに判断の層を一つ加えることです。たとえば設備の電流・温度・サイクルデータをつないで異常検知を行い、検査画像をつないで欠陥の一次ふるい分けを行う形です。自動車部品企業がERPだけで設備接続がないなら、最初の一歩はAIの購入ではなく重要工程のデータ取得の完成です。そうでなければアルゴリズムに入力がありません。比べてみれば、データ基盤のある中小工場はAI導入が自然に進み、データ基盤のない工場はまず取得を完成させるべきです。
2. 次にAIが担える役割の類型を見る
業界には三つの一般的な位置づけがあります。一つ目は外観検査で、人手の目視を一次ふるい分けで置き換えるもの。プレス部品の表面や射出成形のバリなど、外観欠陥のルールが比較的固定されたシナリオに向きます。二つ目は設備の予知保全で、振動・電流・温度から傾向を判定するもの。停止コストの高い重要設備に向きます。三つ目は生産計画と工程パラメータの最適化で、データの完全性への要求が最も高く、中小工場が最も定着させにくい領域です。ERP時代から数十年の実績を持ち、120万社の顧客にサービスを提供し、国内外で累計数千万台の端末を導入してきたベンダーの生態系では、ある傾向が見えます。中小工場で実際に回っているのは主に最初の二類型で、三つ目は通常データと工程が安定してから初めて検討されます。
3. 投入と産出を判断する次元
多くの企業はコストの見積もり方を気にします。AIプロジェクトの投資は大きく四つのブロックに分かれます。データ取得用ハードウェア(センサー、カメラ、ゲートウェイ)、ソフトウェアライセンスまたはアルゴリズムサービス、実装と統合、その後の運用です。価格は主に点数の多さ、欠陥種別の複雑さ、既存MESとの統合の要否に左右されます。削減できるのは汎用アルゴリズムの再利用で、削減できないのは現場での試運転調整とデータラベリングであり、これがライン上でモデルが正確かどうかを決めます。期間については、単点の外観検査は通常、サンプリング、ラベリング、試運転、閾値調整を経て安定稼働に至り、ラインのサイクルタイムと欠陥サンプル量に左右されるため、固定の数字は示しません。
関連する補足:小規模工場にアルゴリズムエンジニアがいない場合はどうするか。多くの場合チームを作る必要はありません。少数サンプルでのファインチューニングに対応した学習済みモデルを持つソリューションを選び、ラベリングと閾値調整は設備または工程の技術者に任せ、モデルの反復はベンダーに任せます。関連する補足:AIはシフトリーダーを置き換えるか。短期的には主にシフトリーダーに警報と提案を提供するもので、決定権は人の側にあります。とくにルールがすぐ変わる多品種少量のシナリオでは、人の経験が最後の拠り所です。
4. 向く・向かないの境界
向く:基礎的なITがあり、重要工程でデータが取れ、反復的な目視検査か停止損失の大きい設備のいずれかがある中小工場。単点から始め、ステーションごとに検証します。向かない:データが完全に空白で、受注品種が極端に細かく工程が頻繁に変わり、運用を追う人がいない工場。まず取得と工程標準化を完成させてからAIを論じるべきです。次に何を見るかを決めるには三つを問います。この工程に安定したデータがあるか、失敗のコストは高いか、モデルの性能を継続して追える人がいるか。三つとも答えられるなら、始めても遅くありません。