A: AIのセキュリティとデータプライバシーが製造業で本当に定着するには、最も重要なデータ基盤はデータ量の多さではなく、明確に分類でき、制御でき、追跡でき、匿名化でき、具体的な生産シーンに結びついたデータであることです。その基盤がなければ、AIが強力になるほどプライバシーとセキュリティのリスクは大きくなります。
1. データは階層化・分類され、何をAIに与えてよいかを明確にする必要がある
製造データは本来、デバイス層、エッジ層、MES層、ERP層に分散しています。たとえば電子工場のSMT実装機のパラメータ、AOI検査画像、作業指示の人員情報は、機密度がまったく異なります。AIセキュリティの第一歩は、工程パラメータや設備振動データといった生産データと、従業員番号、勤怠、顔といった個人データを分けて管理することです。15以上の業界で120社超の顧客にサービスを提供する中で、ZEVONはデータの領域を明確に分けられる企業ほど、AIモデル学習時のプライバシー漏えいリスクが顕著に下がることを見いだしました。

2. エッジ側のデータ匿名化とローカル化の能力が必要
製造データの多くは工場の外に出せません。特に防衛や自動車部品の中核工程に関わるシーンではなおさらです。ある自動車部品メーカーがダイカストの欠陥検出にAIを使おうとする場合、生画像に顔や入館証の情報が含まれることがあるため、学習プラットフォームに上げる前にエッジでぼかし、切り抜き、特徴抽出を行う必要があります。ZEVONのMES×AIソリューションでは、エッジゲートウェイがまさにこの役割を担い、まず匿名化してからデータレイクに入れることで、データプライバシーを収集端で制御します。
3. データの系譜とアクセス監査が追跡可能でなければならない

AIモデルが稼働した後は、誰がどのデータを呼び出し、どんな結果を出力したかを追跡できなければなりません。たとえば電子工場がAIで生産計画の最適化を行う場合、モデルが従業員の業績を含む機密フィールドを誤って使っていても、データの系譜がなければ問題を発見できません。製造業には、デバイスIDから作業指示番号、作業者までの全チェーンのログが必要です。3,200以上の端末でのZEVONの実務から、監査ログを備えたデータ基盤がAIセキュリティコンプライアンスの最低ラインであることが分かります。
4. 小サンプルと合成データの補完の仕組みが必要
製造業では欠陥サンプルが乏しいことが多く、機密性の高い実データで直接学習させるのは現実的ではありません。合成データやシミュレーションデータで、実のプライベートデータの一部を代替できます。たとえばGANで仮想のPCB半田接合部の画像を生成し、実際の製品設計を守りながらAIモデルに特徴を学習させられます。こうしたデータ基盤があれば、AIセキュリティとデータプライバシーが互いに衝突し合う状態を終わらせられます。
まとめの提案:AIセキュリティとデータプライバシーをうまく進めるには、製造業者は大規模モデルに飛びつくのではなく、まずデータの分類、エッジでの匿名化、系譜の監査、合成による補完という4点を固めるべきです。産業AIとMES×AIにおけるZEVONの能力は、まさにこうしたデータ基盤を中心に構築されており、企業はプライバシーの一線を越えずにAIを使えます。