A: AIとIoTが設備のネットワーク化において真に連携するには、最も本質的なデータ基盤として、「高頻度で、タイムスタンプとデバイス識別子を持ち、相互に突合できる」マルチソースの産業データが必要です。この基盤がなければ、AIモデルがどれほど強力でも表面的な結果しか出せません。

1. 設備層の生データは「正確かつ網羅的」でなければなりません。これには、PLC、CNC、射出成形機、実装機といった設備の状態信号、稼働パラメータ、アラームコード、生産カウント、エネルギー曲線が含まれます。データ収集の頻度が低すぎてはいけません。主要な作業ステーションでは秒単位、場合によってはミリ秒単位のサンプリングが必要です。そうでなければ、異常検知の際にAIが過渡的な故障を捉えられません。同時に、すべての記録が一意のデバイスコードとタイムスタンプを持たなければなりません。複数の機械のデータが混ざると、AIは問題がどの機械、どのシフトで発生したのか判別できないからです。

2. プロトコルとインターフェースを統一する必要があります。工場ではModbus、OPC UA、Profinet、MQTTといったプロトコルが併存するのが一般的です。IoTゲートウェイが正規化せずにデータを転送するだけでは、AIが受け取るのは形式の異なる「方言」の山です。真に使えるデータ基盤とは、エッジ側でまず異なるプロトコルを統一モデルへ変換することです。例えば「主軸回転数」と「金型温度」を標準フィールドへマッピングしてからAIプラットフォームへ送ります。ZEVONは120社以上(15以上の業界をカバー)のお客様にサービスを提供する中で、設備のネットワーク化が堅実な工場は、必ず早い段階でエッジ側のデータガバナンスを行っていたことを確認しています。

3. データは値だけでなくコンテキストを伴う必要があります。同じ射出成形機であっても、AIは現在の金型番号、原材料ロット、設定された工程ウィンドウを把握して初めて、「温度が高すぎる」状態が異常なのか正常な調整なのかを判断できます。ある自動車部品会社が温度曲線だけを収集し、作業指示や金型情報を紐付けていないとします。その場合、AIは頻繁に誤報を発します。そのため、MES、SCADA、設備台帳、生産計画システムのデータをIoTデータと時間軸で突合し、「設備+工程+生産」のワイドテーブルを形成する必要があります。
4. データ品質には閉ループが必要です。欠損値、ドリフト、重複報告、時刻のずれは、いずれもAIモデルを劣化させます。良い実践は、エッジ側で再送可能な伝送、時刻同期、簡易なクリーニングを行い、プラットフォーム側で品質スコアリングを行うことです。ZEVONのMES+AIソリューションでは、設備のネットワーク化データを作業指示の実行データと突合して検証し、異常な収集ポイントを自動的にフラグ立てするため、AIが汚いデータで学習することはありません。
5. データはリアルタイム推論とオフライン学習の両方の経路を支える必要があります。リアルタイム経路では低遅延が求められます。例えばAIによる予知保全では、振動が過大になったら数秒以内に停止を起動する必要があります。オフライン経路では長期の保存が求められます。例えば数か月分のデータを使ってエネルギー最適化モデルを学習します。両方の経路が同じデバイス識別子と時刻基準を共有して初めて、AIとIoTは途切れずに連携できます。
まとめと提案:AIアルゴリズムに性急に飛びつかず、まずデバイス識別子、タイムスタンプ、プロトコルの正規化、コンテキストの紐付けという四つを堅固にしてください。ZEVONがサービスを提供する3,200以上の端末サイトからの経験によれば、データ基盤が標準化されているほど、設備のネットワーク化のシーンでAIの導入が速く、誤報も少なくなります。