A: AIプロジェクト立ち上げの準備期間に一律の基準はありません。単純なシナリオは通常2~4週間で立ち上げ資料をまとめられ、複数の生産ラインやシステムが関わる複雑な案件は一般に6~10週間かかります。期間の長さを本当に決めるのは技術そのものではなく、データの可用性、業務目標の明確さ、部門間の合意形成の度合いという三つです。
1. 立ち上げ前に「問題」を明確に定義する
多くのAIプロジェクトが立ち上げ段階で停滞しますが、根本原因は予算ではなく要件が曖昧すぎることです。自動車部品メーカーが「AI品質検査を導入したい」と言う場合を想定します。その一言では立ち上げできません。具体的な工程まで分解する必要があります。ダイカスト部品の表面欠陥検出なのか、組立での部品欠落・誤組の識別なのか。不良カテゴリはいくつあり、要求タクトは1個あたり何ミリ秒か、既存の光学撮像条件で足りるのか。これらのパラメータがソリューションの形と投資規模を直接決めます。準備の第一歩は、業務の痛点を定量化可能な技術指標に翻訳することです。たとえば検出率、誤判定率、1個あたりの推論遅延などです。この段階は通常1~2週間かかり、工程、品質、ITの共同参加が必要です。
2. データの棚卸しが最も時間を読めない段階
AIモデルの性能上限はデータ品質で決まります。立ち上げ前に三つの点を明確にしてください。過去データが保存されているか、ラベリングの状況はどうか、データをコンプライアンスに沿って取得できるかです。半田接合部の不良認識を行うある電子工場では、2年前のAOI画像を掘り起こしたところ解像度が不足し、不良サンプルも100件未満だったため、追加収集とラベリングにさらに3週間かかりました。そのため立ち上げ資料にはデータ状況の評価を含めるべきです。サンプル量、カテゴリ分布、取得機器のインターフェースプロトコル、ラベリング工数の予算です。ERPやMESの構造化データについても、項目の完全性と過去データのクレンジングコストを確認してください。ERP時代から数十年にわたり現場で実績を積み、120万社の顧客にサービスを提供し、累計数千万台の端末を展開してきたベンダーは、データインターフェースの接続経験が一般に豊富ですが、個々の工場についてはやはりシステムごとに確認が必要です。
3. 技術ルートと投資の境界を事前に定める
立ち上げ段階でどのモデルを使うかを確定する必要はありませんが、学習をクラウドで行うか推論をエッジで行うか、GPU搭載の産業用PCが必要か、既存のPLCやSCADAとどうインターロックするかは明確にすべきです。現場でよくある落とし穴は、アルゴリズムの指標は目標を満たすのにタクトが追いつかない、あるいはモデル更新時のライン停止が許容できないというものです。準備作業にはPOC検証計画を含めるべきです。サンプルを何件、どのワークステーションで、どの検証期間、どの受け入れ基準で行うのか。POCは通常2~4週間で設定し、立ち上げ後の最初のゲートになります。
4. 組織と予算の準備を忘れない
立ち上げでは、プロジェクトの責任者、ライン側の窓口、ITサポート担当、受け入れ責任者を明確にする必要があります。予算はソフトウェアとアルゴリズムだけでなく、撮像ハードウェアの改修、ネットワーク増強、ラベリングの外注、運用保守の工数も含めるべきです。多くのプロジェクトが後で予算超過するのは、まさにこうした周辺項目です。
関連質問: 立ち上げ期間は短縮できますか。できます。シナリオが単一で、データが整い、POCの受け入れ基準が明確であれば、2週間で立ち上げ文書を作ることは可能です。逆に、複数の工程が連動し、データインターフェースのない旧設備が混在する案件では、期間を圧縮してもリスクを実施段階に先送りするだけです。
関連質問: 立ち上げにはどのような成果物が必要ですか。通常は要件定義書、データ状況評価報告、技術方案の比較、POC計画、予算内訳、リスク一覧です。どれか一つが欠けると、後で紛争になりやすくなります。
向く場合と向かない場合の境界: 業務の痛点が明確で、データ基盤が許容範囲にあり、ラインがPOCに協力する意思があるなら、上記の流れで立ち上げるのが適切です。不良定義すら不明確で、過去データがほぼゼロで、受け入れ責任者も定まっていない場合は、正式な立ち上げに踏み切るのではなく、まず小規模なデータ収集と実現性検証を行うべきです。そうでなければ立ち上げ文書は空文になります。読者が次に注力すべきことは、技術指標を合格可能な数値として書き、データの棚卸しを明確に理解した上で、期間と予算を論じることです。