A: 工場における AI の役割は、本質的にデータ基盤によって決まります。どの粒度、どの適時性、どの品質のデータを与えるかによって、担える役割のレベルはそれに見合ったものにしかなりません。多くの工場は AI を万能薬として購入し、その後で基本的な異常アラームすら正確に出せないことに気づきます。原因は通常、アルゴリズムではなく、きちんと整備されていないデータ基盤にあります。
1. まずよくある誤解を避ける:MES と ERP があればデータ基盤があると思う
ここで多くの人がつまずきます。ERP のデータは結果のデータです。作業指示を何件完了したか、在庫がどれだけ残っているかといった、日次あるいは週次の粒度です。AI はリアルタイムの判断を行うため、プロセスのデータが必要です。設備の毎秒の電流変動、各材料ロットの実際のパラメータ、各ステーションのタクト差などです。ある電子工場は、ERP が円滑に回れば予知保全に進めると考えましたが、設備側に高頻度の収集がまったくなく、振動と温度のセンサーを後付けしてデータの連鎖をつながなければなりませんでした。つまり最初にすべきは AI モデルの選定ではなく、自社のデータが時間粒度として十分に細かいかを確認することです。
2. AI の役割の3つのレベルは、それぞれ別次元の3種類のデータ基盤に対応する
1. 記述的な役割(レポートの可視化、異常の統計)。業務システムの構造化データが必要で、ERP、WMS、MES の履歴記録でほぼ足ります。重要なのは定義の一貫性と、矛盾しないマスタデータです。
2. 診断的な役割(原因分析、品質のトレーサビリティ)。システムをまたいだ連携データが必要で、たとえば工程パラメータ、設備状態、材料ロット、人員のシフトを同じ時間軸に揃える必要があります。ここでデータのサイロが致命的な弱点になります。ある自動車部品メーカーの教訓は、品質データと設備データが別システムにあり、タイムスタンプがずれていたため、半年のトレーサビリティ分析が結論を出せなかったことです。
3. 予測的な役割(予知保全、歩留まり予測)。高頻度の時系列データと十分に長い履歴の期間が必要で、通常は秒レベルか分レベルの収集が求められ、履歴が複数の操業条件のサイクルをカバーしていなければ、モデルは設備劣化の実際のパターンを学べません。
3. 本当の落とし穴:データがあることと使えるデータがあることは違う
よくある問題は3種類です。1つ目はタイムスタンプが同期していないことです。PLC、SCADA、MES がそれぞれ独自の時計で動いており、相関分析がそもそも成立しません。2つ目はラベルがないことです。教師あり学習にはラベル付きの故障・欠陥サンプルが必要ですが、多くの工場はある停止がなぜ起きたかを記録していません。3つ目はデータ品質の低さです。センサーのドリフトや手入力のいい加減さが、モデル学習に大きな偏りをもたらします。これを避ける方法は実際的です。AI を論じる前にデータガバナンスを行い、マスタデータ、時刻同期、ラベリング体系を整えることです。これはモデルに飛びつくよりはるかに見返りが大きいです。
4. ベストプラクティス:AI の役割から逆算してデータ整備の優先順位を決める
最初から工場全体のデータ連携を目指さないことです。コストが高く、速度も遅くなります。より確実なのは、1ラインの歩留まり予測といった特定の AI シナリオに絞り、そこから逆算して、どのデータが必要か、粒度はどこまで細かくすべきか、履歴はどれだけの期間が必要かを決め、小規模に価値を検証してから横展開する方法です。ERP 時代から数十年、120万社の顧客、数千万台の端末配備という実績を持つベンダーの経験も、データ基盤は一括納品されるものではなく段階的に積み上がるものだということを示しています。
関連する質問:AI を導入するにはデータ基盤がどの程度整っていればよいですか。過去の故障データがなくても予知保全はできますか。エッジコンピューティングとクラウドのデータ構成はどう選びますか。
短く答えると、AI 導入の最低条件は、対象シナリオに必要なデータが安定して収集でき、タイムスタンプが揃えられ、基本的なラベルが存在することです。故障サンプルがない場合は、教師なしの異常検知や転移学習から始められますが、結果の限界を明確にしておくべきです。高頻度の時系列データは、エッジで前処理し、クラウドでモデルを学習することで、すべてをクラウドに送る帯域と遅延を避けられます。
向いている場合と向かない場合:設備側にかなり整った収集レイヤーがあり、マスタデータの定義が統一され、先にデータガバナンスを行う意思がある工場は、AI の役割を診断から予測へと着実に進められます。基本的な収集すらなく、システム間のデータが長く不一致で、データ品質を維持する担当者もいない場合は、AI に難しい予測の役割を課すより、まずデジタルの基盤を固めるほうがよく、そうでなければ投資はほとんど回収できません。