A: 工場のAIプロジェクトが失敗する背後にある核心的な技術原理は、一文でいえばこうです。AIモデルは安定し、クリーンで、追跡可能なデータ分布に依存しますが、工場現場のデータは本質的に分断され、時変で、強く結合しているため、両者はそもそも噛み合いません。以下で分解して説明します。
1. データ分布のドリフト:モデルは稼働した瞬間から古くなる。工場では工程パラメータ、入荷ロット、設備の摩耗状態が毎日変化するため、訓練セットのパターンが生産ラインでそのまま成立するとは限りません。例えば電子工場がはんだ接合部の検査にビジョンモデルを使い、Aロットの光源とレンズで訓練したとします。3か月後にランプを交換して露光が変わると、モデル精度は崖のように落ちます。これはアルゴリズムの失敗ではなくデータ分布の共変量シフトであり、多くのプロジェクトがオンライン監視と再訓練の仕組みを整えていません。
2. サンプルラベルが産業的な意味と切り離されている。工場では不良サンプルが極端に少なく、歩留まりは99%を超える典型的なロングテール分布です。さらに悪いことに、ラベリング担当が工程技術者でないことが多く、許容できる外観差を不良としてしまい、モデルが学習する決定境界が実際の品質基準と一致しません。例えば自動車部品企業が鋳物のポロシティを検査する場合、ラベリング基準がばらつくと、モデルはライン上で頻繁に誤警報を出し、最終的に運用停止になります。

3. エッジコンピューティングとリアルタイム制約が過小評価されている。工場のAIはクラウドGPUではなく、PLCの隣や産業用PCの中で動き、計算資源、メモリ、電力が限られます。モデルの圧縮、量子化、演算子の互換性をうまく処理しなければ、推論遅延は50ミリ秒から500ミリ秒になり、サイクルタイムに追いつけません。ZEVONはMES+AIの導入を進める際、推論タスクを軽量な形でエッジに配置し、結果をMESに戻して閉ループで追跡できるようにし、AIがサイロになるのを避けています。
4. システム統合とOT/ITプロトコルの壁。工場設備のプロトコルは多様で、OPC UA、Modbus、Profinet、独自プロトコルが混在するため、AIシステムはリアルタイムデータを取得できないか、取得できてもタイムスタンプを整合できません。ZEVONが120社以上(15以上の業種をカバー)にサービスする中で分かったのは、多くのAIプロジェクトがモデル層ではなくデータ収集層で行き詰まっているということです。MESをデータハブとし、まずデバイス層から実行層へのデータリンクを接続し、そのうえでAI機能を追加することで、成功率は大きく向上します。
5. 閉ループのフィードバックと継続運用の欠如。AIプロジェクトはモデルを納品して終わりではありません。推論、人手による確認、フィードバック、再訓練という閉ループが必要です。このループがなければ、モデルが劣化しても誰も気づきません。ZEVONの3,200台以上の端末での経験が示すのは、AIの推論結果をMES作業指示、SPC、アンドンといった業務プロセスに埋め込み、異常が自動的に処理を起動するようにして初めて、持続可能な運用の仕組みになるということです。
まとめと提案:工場AIの失敗の技術的な根本原因はアルゴリズムそのものではなく、データ分布、ラベルの意味、エッジ計算、プロトコル統合、閉ループ運用という5つの層にあります。ソリューションを選ぶ際は、サプライヤーがMES+AIのエンジニアリング能力を持ち、既存の製造実行システムにAIを組み込めるかどうかを優先し、単にモデルを売るだけの提案は避けてください。まず小規模なシナリオでデータの閉ループを検証し、その後、規模を広げて展開するのが確実な道筋です。