A: 工場のAIパイロットを選ぶには、1つの核心的な原則があります。最も派手な技術を選ぶのではなく、データが整い、シナリオが閉ループし、失敗コストが許容できるものを選ぶことです。多くの工場のAIプロジェクトがパイロット段階で頓挫するのは、アルゴリズムが悪いからではなく、選んだシナリオがデータの再収集と工程の再設計を必要とし、問題が起きたときに誰も責任を取れないからです。既存システムに構造化データがすでに蓄積され、人手の判断が頻繁で、誤判断のコストが許容できる工程から始めるのが望ましく、例えば検査、設備警告、スケジューリング支援などです。
1. まずデータの土台を見て、その後にAIの能力を見る
パイロットシナリオのデータは、1〜2週間以内に抽出できる必要があります。ERP時代から数十年にわたり深く取り組み、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導入し、国内・海外市場をカバーするベンダーは、経験から1つのことを繰り返し確認しています。パイロット段階で大規模なセンサ設置や3〜4の異種システムの接続がなお必要なプロジェクトは、周期とリスクが倍増します。MES、WMS、EAMにすでに履歴記録があるシナリオを優先してください。例えば検査の作業指示、設備のアラームログ、ロットのトレーサビリティデータです。データ項目が完全でラベリング基準が明確になって初めて、モデルを学習できます。
2. シナリオは閉ループでなければならない。中途半端な工程を選ばない
良いパイロットは、入力、判断、アクション、フィードバックが1週間以内に完結できるものです。自動車部品メーカーが表面欠陥検査を行おうとします。検査結果がレポートに留まり、選別や再検査のアクションを起動しなければ、それは閉ループではなく、パイロットの価値を明確に語れません。逆に、ある電子工場はSMT段取り後の初品レビューにAIを適用し、判断結果をワークステーションのタブレットに直接配信し、人が確認した後にシステムへ書き戻したため、見逃し率と誤判定率の変化が2週間で見えました。こうしたシナリオは失敗コストが低く、最悪でも人手のレビューが1回増えるだけで、ラインは止まりません。
3. 失敗コストは制御可能でなければならない。安全部品にはまず触れない
安全部品や重要工程に関わらない補助的な判断シナリオを優先します。安全部品(ブレーキや操舵に関わるものなど)でAIが誤判断するコストは高すぎ、パイロット段階には適しません。設備の予知保全も設備の種類で見るべきで、補機、ポンプ、バルブはまず試せますが、主生産ラインの中核設備はモデルが安定してから着手するのが良いです。スケジューリング支援も同様で、まず推奨の提示と人の確認から始め、すぐに自動発行してはいけません。
関連する追加質問: パイロットの周期はどれくらいが妥当ですか?
データの準備状況によります。データが整ったシナリオは、着手から最初の使えるモデルまで通常4〜8週間、データ取得の追加が必要な場合は倍になるのが普通です。重要なマイルストーンはモデルの精度ではなく、業務側が2週間継続して使いたいと思うかどうかです。
関連する追加質問: パイロットは1つのシナリオか、複数か?
1つを勧めます。複数のシナリオを並行すると、データのラベリングと業務の協力の資源が薄まり、かえって検証が遅くなります。最初のシナリオが閉ループで回り、業務側に利用の習慣ができれば、類似のステーションやラインへの複製は限界コストがはるかに低くなります。
関連する追加質問: パイロットを続けるか止めるかはどう判断しますか?
2つの指標を見ます。業務側の自発的な利用率と、人のレビュー後の修正率が週ごとに下がるかどうか。3週間連続で業務側がAIを迂回して自分で作業する、あるいは修正率が動かない場合は、シナリオの選定が誤っているかデータ定義に問題があります。必要なら止めてください。シナリオを切り替える方が無理に通すより費用対効果が高いです。
適合する: MES、検査、設備管理のシステムにすでにデータが蓄積され、人手の判断のボトルネックが明確で、全自動ではなく支援を受け入れられる工場。適合しない: データ基盤が弱く、AIが一足飛びに人手を置き換えることを期待する企業、あるいはパイロットのシナリオが安全部品や重要工程に関わる企業。こうした場合はデータガバナンスと工程の標準化を済ませてからAIパイロットを論じるべきです。次に注力すべきは、候補シナリオを3つ挙げ、それぞれについてデータがどこにあるか、アクションを誰が受け取るか、誤りを誰がカバーするかを確認することです。3つすべてに答えられるものが、パイロットの第一候補です。