ナレッジセンター
目次

Q: AIプロジェクトはキックオフ前にどのような準備が必要で、どのようなデータ基盤が求められますか。

A: AIプロジェクトで最も重要な準備は、まず2つを済ませることです。業務課題を明確に定義し、データ資産を棚卸しすることです。その後に技術選定と予算を論じます。そうでなければ、提案書がどれだけ立派でも、実行段階でデータ品質やシナリオの不明確さで停滞します。具体的には、準備は5つの側面に分けられます。

1. 業務シナリオを定量化して定義する

キックオフ前に、目標を測定可能な指標として書ける必要があります。例えば「特定のSMTラインにおけるAOIの誤判定率を一定のポイント数だけ下げる」であり、「AIで品質検査を高度化する」ではいけません。シナリオ選定では、高頻度でルールが比較的明確、人による判断時間を多く消費する工程を優先します。外観不良検査、設備の予知保全、工程パラメータ最適化、生産計画などで、いずれも製造業で導入経路がかなり成熟しています。自動車部品メーカーが鋳物の表面不良検査を望むとします。キックオフ時に、どの不良カテゴリがあるか、判定基準は誰が定めるか、誤判定と見逃しのどちらのコストが大きいかを明示する必要があります。これらが後工程のラベリング基準を直接決めます。

2. データ基盤を3層で棚卸しする

データ基盤とは「データがあるか」ではなく、3つの層です。第一はデータの可用性で、対象シナリオに関係するデータがすでに収集されているか、どのシステムが保持しているか(MES、SCADA、ERP、QMS、紙の記録)、収集頻度は十分か。第二はデータ品質で、ラベルは正確か、タイムスタンプは整合しているか、欠損率と外れ値の割合はどのくらいか。産業現場でよくあるのは、設備データのサンプリング周波数が揃っていない、手入力フィールドの空欄が多いといった問題です。第三はデータガバナンスで、材料コード、設備コード、工程コードが統一されているかどうかで、複数ソースのデータを関連付けられるかが決まります。画像シナリオは通常、不良カテゴリごとに十分なラベル付きサンプルが必要で、照明、ロット、作業ステーションの差異をカバーします。時系列シナリオは、季節変動や異常状態を含む履歴データが必要です。

3. 部門横断の体制と責任者

キックオフ時に3つの役割を明確にする必要があります。業務側(要件を出し、基準を定め、最終受け入れを行う)、データ側(ITまたはデジタル部門で、データ接続とインターフェースを担う)、アルゴリズム側(社内チームまたは外部ベンダー)。業務の深い関与を欠くプロジェクトは、ラベリング基準と受け入れ基準をめぐる争いで停滞しがちです。キックオフ時に業務側の「シナリオ責任者」を任命し、判定基準の承認を担わせてください。

4. インフラと統合の条件

既存のネットワーク、計算資源、ストレージが作業を支えられるかを評価します。特に画像系プロジェクトは帯域とエッジ計算の要件があり、時系列プロジェクトはデータ保存期間の要件があります。あわせて、AIシステムを既存のMESやQMSとどう統合するか、推論結果を作業指示に書き戻す必要があるか、アラームを起動するかを確認します。このインターフェースの作業量は過小評価されがちです。

5. 投入と成果の見積もりロジック

提案書にはコスト構造を明確に示す必要があります。データ収集とラベリング、計算ハードウェア、ソフトウェアプラットフォーム、実装統合、継続的な保守、業務側が投じる工数です。成果については、可能な限り検証可能な指標を使います。再検査工数の削減や不良率の低下などで、「効率を高める」と漠然と書いてはいけません。

関連質問1:キックオフの判断に足るデータ量はどのくらいですか。

万能な数字はなく、シナリオの複雑さによります。画像の不良検出は通常、不良カテゴリごとに数百〜数千の有効なラベル付きサンプルが必要で、深刻なクラス不均衡があってはいけません。予知保全は記録の絶対数よりも、データの期間の長さと故障サンプルの網羅性が重要です。キックオフ時に少サンプルでの実現可能性検証を行い、既存データでベースラインを確立してから、差分を判断してください。

関連質問2:履歴データがなくてもAIプロジェクトはできますか。

できますが、進め方が異なります。1つはルールや従来型の画像処理を代替として使いながらデータ収集を始める方法。もう1つは事前学習モデルを使った少数ショット転移です。そうしたプロジェクトは期間が長く不確実性も高いことを明確にし、キックオフ時に「データ蓄積期間」を独立した段階目標として掲げてください。

関連質問3:キックオフ時にPOCを行うべきですか。

はい。ただしPOCの目標は「データの実現可能性の検証と業務基準のすり合わせ」であり、デモの成果を追うことではありません。POCでラベリング基準、受け入れ指標、統合インターフェースが回るようになれば、本実装での手戻りは目に見えて減ります。

適合と不適合の境界:業務課題が明確で、データが収集でき、業務側の関与が深いシナリオは、上記のプロセスでキックオフに適しています。判定基準が曖昧で、データが紙の記録に分散しすぐにはデジタル化できず、業務側が明確な受け入れ指標なしに「とにかくAIを」と考えている場合は、いったん止めてデジタル化の基礎を済ませてから着手するほうがよいです。そうでなければ一度きりのデモになりがちです。ERP時代から数十年にわたり現場で事業を展開し、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導入してきたベンダーの経験も、産業ソフトウェアの価値はデータ基盤の堅牢さに左右されることを示しており、AIプロジェクトも同じです。

分野: AI-FAQ