A: 工場のAIパイロットプロジェクトが軌道に乗るかどうかは、アルゴリズムがどれほど先進的かではなく、7割は適切なデータ基盤を選べたかどうかで決まります。パイロットを選ぶ際は、まずデータが「あるか、揃っているか、安定しているか」を確認し、次にそのシーンが「やる価値があるか」を確認します。
1. まずデータ資産を棚卸し、モデルに飛びつかないこと
工場のデータは通常3つの層に分かれます。設備層はPLC、センサー、CNC工作機械のログ、実行層はMESの作業指示、生産報告、検査記録、管理層はERPの受注、在庫、生産計画です。パイロットは、データがすでに自動収集され、タイムスタンプが揃い、項目が標準化されている箇所を優先すべきです。たとえば電子工場がSMT実装の歩留まりを分析したいのに、AOIの検査データがまだ手作業で転記されているなら、そのパイロットは成立しません。逆に、実装機の運転パラメータとAOIの結果が基板番号で自動的に紐付けられていれば、データ基盤は合格です。
2. データの粒度がAIの目的と一致していること
予知保全には秒単位または分単位の振動、温度、電流の時系列データが必要で、生産計画最適化には少なくとも作業指示単位の標準時間、段取り時間、設備の稼働可能率が必要です。ある自動車部品メーカーがAIに射出成形機の工程パラメータを推奨させたいとします。シフトごとに1件のサンプリング記録しかなく、サイクル単位の温度・圧力曲線がなければ、モデルは有効なパターンを学習できません。パイロットを選ぶ際は、データの粒度を妥協するより、対象を1つの職場や1本のラインに絞る方がよいです。

3. データ量よりデータ品質が重要
多くの工場はデータ量は多いものの、欠損値が多く、ラベルが乱れ、定義が統一されていません。AIパイロットに必要なのは「汚いビッグデータ」ではなく「きれいなスモールデータ」です。たとえば品質欠陥の分類では、欠陥ラベルを検査員の間で統一して定義する必要があり、今日は「傷」、明日は「擦り傷」と呼ぶわけにはいきません。ZEVONは120社以上(15以上の業種)の顧客にサービスを提供する中で、AIパイロットが早期に成果を出した工場は、いずれもデータガバナンスにおいて現場の標準化と外れ値のクレンジングを先に済ませていたことが分かりました。ZEVON ESOPなどのシステムは、工程仕様や作業記録を記録する際に構造化データを自然に蓄積し、後のAI応用の土台を作ります。
4. データが業務アクションに還流するクローズドループであること
パイロットのデータ基盤は「記録がある」だけでは足りず、「判断・実行・フィードバック」のクローズドループを支える必要があります。たとえばAIが設備のパラメータのずれを検出したとき、システムが自動で班長に通知し、点検作業指示を起票し、調整後の効果を書き戻せるかどうかです。データが報告書の中だけに留まるなら、パイロットはデモになってしまいます。シーンを選ぶ際は、データがMESやESOPの実行アクションを直接動かせる工程を優先してください。
5. まとめと提言
工場AIパイロットのデータ基盤を選ぶ際は、3つの言葉を覚えてください。まず自動収集されている箇所を選び、次に粒度が十分なラインを選び、最後にフィードバックループを閉じられる領域を選ぶことです。工場全体のビッグデータプラットフォームから始めるのではなく、1つの工程、1台の設備、1本のラインから始めれば、データ基盤が固まった後にAIの導入は自然に進みます。