A: 試行プロジェクトの選び方の原則は1つだけです。人の目ではもう追いつかないがデータはすでに蓄積されている工程から始め、初日からラインの中核制御には触れないことです。平たく言えば、試行とは最も進んだ技術を選ぶことではなく、成果が最も早く出て、かつ生産を乱さない場所を選ぶことです。
1. まずシステムがある場合とない場合の違いを整理する
現在の多くの工場の状況はこうです。設備にはPLCやセンサーがあり、データはローカルに保存されているのに、誰も見ていません。システムの有無の違いは、データを収集できるかどうかではなく、収集した後に誰が判断するかです。システムがなければ、品質検査は熟練者がルーペで行い、保全は異音を聞き臭いを嗅いで行います。システムがあれば、その経験はモデルが読める信号、つまり振動スペクトル、電流波形、画像特徴に変換されます。試行で選ぶべきなのは、まさに経験が濃密でありながら人の手がすでに足りていないこうした持ち場です。
2. 軸1: データ基盤が十分かどうかが、試行が着地できるかを決める
ある自動車部品メーカーがAI検査を求める場合を想定します。ラインに産業用カメラすらないなら、最初の一歩はモデルではなくハードウェアです。逆に、ある電子部品工場はAOI装置がすでにあり、すべての基板の画像を保存しているので、AIでAOIの過検出を再判定するところから試行を直接始められます。データをどのくらいの期間蓄積してきたか、ラベリングにどれだけコストがかかるか、欠陥サンプルが足りているかが、試行の期間が2週間になるか半年になるかを直接左右します。実際、多くのプロジェクトが停滞するのはアルゴリズムが弱いからではなく、サンプルが少なすぎるかラベルが乱れすぎているからです。
3. 軸2: 誤りを許容できる余地が、試行を踏み切れるかを決める
同じAIでも、検査の再判定と高炉の制御ではリスクがまったく異なります。検査の再判定を誤っても人は気づけますが、炉のパラメータを誤ると1炉分の鋼材がすべて不良になります。ですから、AIが提案し人が決めるシナリオを優先します。たとえば予知保全で、システムがモーターの軸受異常の可能性を提示し、保全チームが停止して点検するかを決める形です。この形は誤りに強く、作業者も使いたいと思えます。ある射出成形工場は金型寿命予測から始め、モデルは注意を促すだけで職長が金型交換を判断する形で3か月運用し、その後徐々に閾値を厳しくしていきました。
4. 軸3: 効果を計算できるかが、試行で追加予算を取れるかを決める
試行で最悪なのは、効果を説明できないことです。シナリオを選ぶときは問いかけてください。この工程は現在、どれだけの工数、どれだけの不良、どれだけの停止を無駄にしているのか。ある食品工場が包装ラインの詰め忘れで苦情を受け、手直しのたびにラインを20分止めているとします。ならばAIによる詰め忘れ検知の試行の効果は、削減できたライン停止時間に1回あたりの停止コストを掛けたものになり、計算が合い、それが展開を説得する材料になります。逆に、設備総合効率の向上といった広い目標を選ぶと、試行後にどの項目が実際に改善したのか誰も明確に言えません。
5. 総合的な推奨: 範囲は小さく、人による保険を残し、数字は数えられる形に
試行を本当に行うなら、次の順序で選別してください。まずデータがすでに存在するか、次に誤りが重大な事故につながるか、最後に節約できる金額や時間を定量化できるか。3つすべてを満たしてから技術選定を議論します。規模を狙わないでください。1ライン、1工程端末、1台の重要設備で十分です。3,200台以上の端末と120社以上(15以上の業種)での導入経験では、順調に進んだ試行はほぼこの道筋をたどっています。まずシステムを副操縦士にし、その後徐々に判断の一部を任せる形です。最初のプロジェクトから無人化を期待しないでください。それは到達点であり、出発点ではありません。