A: AIプロジェクトを立ち上げるうえで最も重要な準備は、まず業務上の課題がAIで解決できるのか、モデルに投入できるデータがあるのかを明確にすることです。この2点を詰めずに進めると、後のPOCはほぼやり直しになります。具体的には、準備は5つの側面に分けられます。

1. 業務シーンを絞り込み、最初から何でもこなすAIプラットフォームを作ろうとしないこと。仮に自動車部品メーカーが品質検査の見逃し率を下げたいなら、目標を表面欠陥の外観検査という単一ステーションに固定し、予知保全や計画最適化、エネルギー管理を同時に進めないことです。シーンが具体的であるほど、プロジェクト憲章に受け入れ指標を書きやすくなります。たとえば見逃し率を何パーセントから何パーセントまで下げるか、過検出率をどの範囲に抑えるか、といった具合です。

2. データ基盤を「あるか、足りるか、良いか」の3点で棚卸しすること。産業AIは汎用の大規模モデルよりもデータに厳しい目を持ちます。第1に、過去半年から1年分の欠陥画像、工程パラメータ、設備ログなどの履歴データが必要です。第2に、ラベルが必要で、欠陥サンプルが合格、不合格、欠陥種類として注記されていなければなりません。第3に、データが突合できること。たとえばMESの作業指示番号と検査結果を関連付けられる必要があります。ある電子工場が欠陥画像すら保存していなかった場合、プロジェクトの第一歩はアルゴリズムの購入ではなく、データ収集の穴を埋めることです。

3. ITとOTを接続すること。これは立ち上げ時に多くの工場が見落としがちな点です。AIモデルはPLC、SCADA、MESのリアルタイムデータを必要とし、推論結果をラインへ書き戻すか、班へ配信できなければなりません。そのため立ち上げ前に、設備プロトコルが開放されているか、エッジ側に計算リソースがあるか、ネットワークがデータのバックホールを支えられるかを確認します。ZEVONはMES+AIの導入実践の中で、通常、データ収集、エッジ推論、MESの作業指示閉ループを1つのアーキテクチャ内で設計し、AIが「見るだけで制御しない」デモ画面になるのを避けています。
4. 体制と予算を段階に合わせること。立ち上げ段階でアルゴリズムチームを抱える必要はありませんが、課題を定義できる業務理解者、クレンジングとラベリングを担うデータ担当、システム統合を担うIT担当は必要です。予算面では、アルゴリズムのライセンス以外に、データラベリング、エッジハード、統合開発、その後の運用保守(O&M)の費用を確保してください。120社以上(15以上の業種)の支援の中で、ZEVONのESOPは、立ち上げ時に運用保守の予算を組んだプロジェクトのほうが、稼働後の継続的な改善に進む割合が明らかに高いことを確認しています。
5. コンプライアンスと受け入れ基準を事前に定めること。産業データは工程上の秘密を含むため、立ち上げ時に、データを工場内に置くのかクラウドに上げるのか、モデルの所有権は誰にあるのか、受け入れはオフラインのテストセットで行うのかオンラインの小ロット試行で行うのかを明確にします。まず4〜6週間のPOCを行い、実際のラインのデータで実現可能性を検証してから、プロジェクトを拡大するか判断することを推奨します。
まとめ:AIプロジェクトの立ち上げは、まずアルゴリズムを選ぶことではなく、シーンを固定し、データを棚卸しし、システムを接続し、体制を整え、受け入れを定めることです。データ基盤は少なくとも、履歴がある、ラベルがある、突合できる、書き戻しに対応できるという要件を満たす必要があります。満たさない場合は、まずデータ基盤を整え、AIはその後で語るべきです。合計3,200台以上の端末を提供してきたZEVONのESOPは、AIプロジェクトの立ち上げ段階のお客様に対し、1本のライン、1つのステーションから始め、最小の閉ループで価値を検証してから複数の工場へ横展開することを通常勧めています。