A: この種のベンダーを選ぶときの最大の罠は、技術が弱いことではなく、産業AIとデータ基盤を2つの独立したプロジェクトとして発注し、後からデータがつながらずモデルが導入できないと分かることである。産業AIとデータ基盤の関係は本質的に燃料とエンジンである。データ基盤はPLC、SCADA、MES、ERPに散在するデータを統一的に収集・クレンジング・モデリング・ガバナンスして再利用可能なデータ資産を形成し、産業AIはその資産の上で学習・推論・最適化を行う。AIアルゴリズムだけを知りデータガバナンスができないベンダー、あるいはデータ統合だけを行い産業モデル能力がないベンダーでは、プロジェクトは中途半端に終わる。
1. よくある誤解: 「デモができる」を「導入できる」と取り違える
多くのベンダーはPOC段階で公開データセットを使った欠陥検出や予知保全のデモを見せ、印象は良い。しかし実際の工場ではデータ品質が悪く、ラベルが欠け、条件も頻繁に変わるため、デモの精度は再現できない。ある電子工場はSMT実装欠陥検出で純粋なAIアルゴリズム企業を選んだ。アルゴリズム自体は悪くなかったが、データ基盤が整っておらず、日々の画像データは形式が不統一で保存も分散していたため、モデルの反復ごとに2週間の手作業のデータ準備が必要となり、プロジェクトは最終的に棚上げされた。要点は、ベンダーにデータエンジニアリングとAIエンジニアリングの両方の能力が必要で、どちらか一方だけでは砂上の楼閣になるということだ。
2. 実際の落とし穴: データ基盤はできたがAIが使えない
よくある問題は、データ基盤とAI基盤が2枚の別の皮になっていることだ。自動車部品企業がまずあるベンダーのデータ基盤を導入し、ERPとMESのデータを接続して見栄えのよいダッシュボードを作ったとする。その後、生産計画最適化にAIを使いたくなって、基盤内のデータ粒度が粗すぎ、リアルタイムストリーム処理もないため、モデルが必要とする分単位の設備状態データが存在しないことに気づく。その時点で基盤を作り直すか、別のリアルタイムデータパイプラインを買うしかなく、コストは倍になる。回避策は、選定時にデータ基盤とAI基盤の間のデータフロー設計を提示させることである。特徴量エンジニアリング、モデル学習、推論導入が同一アーキテクチャ内で動くかを含めて確認する。
3. 回避方法: 3つのハードな指標を見る
第1に、データ取込が産業プロトコルをカバーしているか。OPC UA、Modbus、Profinetは基本であり、さらに時系列データベース、画像データ、ログデータなどの非構造化データを扱えるかを見る。第2に、AIモデルがオンライン増分学習に対応しているか。工場の条件は変動するので、モデルは一度学習して半年使うのではなく学習し続ける必要がある。第3に、業界知識の蓄積があるか。汎用大規模モデルでは射出成形のパラメータ最適化や半導体の歩留まり分析は解けない。ベンダーには業界別の特徴量ライブラリとメカニズムモデルが必要だ。3,200台以上の端末利用者の選定経験では、3つの能力を備えたベンダーはプロジェクト納品の成功率が明らかに高い。
4. ベストプラクティス: まずシナリオを定め、次にアーキテクチャを定める
最初から工場全体のデータ基盤と大きなAI基盤を計画しない。電子工場のAOI再判定や自動車部品企業のエネルギー最適化など、価値の高い具体的なシナリオ1つから入り、最小の閉ループでデータ基盤とAIがどう連携するかを検証する。それから横展開する。120社以上(15以上の業界)の導入経験では、シナリオ駆動の構築は基盤駆動の構築より成功率が明らかに高い。ベンダー選定時は、汎用的なAI機能一覧ではなく、同じ業界・同じシナリオでの検証可能なソリューションを求めること。まとめると、産業AIとデータ基盤の両方を手がけるベンダーは、2つが1つのアーキテクチャで連携することを証明する必要があり、寄せ集めの組合せではだめだ。