A: 製造業のIT環境でAIOpsが実際に運用できるかどうかは、7割がデータ基盤、3割がアルゴリズムで決まります。品質が高く、十分にリアルタイムで、業務コンテキストのタグが付いたデータがなければ、どんなに優れたモデルでも事後のアラートしか出せず、事前の予測はできません。製造業はインターネット業界とは異なり、ITシステムはOT設備やMES、ERP、SCADAと接続されているため、データ基盤は複数の厳しい条件を同時に満たす必要があります。
1. 指標データは完全で粒度が細かく、共通のタイムスタンプに揃っていること
製造業ITの監視対象はサーバーやネットワークだけではなく、産業用PC、エッジゲートウェイ、PLC上位局、品質検査端末、AGVの配車サーバーなども含まれます。各設備には少なくともCPU、メモリ、ディスクI/O、ネットワーク遅延、プロセス状態といった基本指標が必要で、収集頻度は理想的には秒単位または10秒単位です。重要なのは、すべての指標が同一のクロック源を共有していることで、そうでなければIT側とOT側のデータが噛み合わず、故障の根本原因をエンドツーエンドで追跡できません。ある電子工場ではSMTラインが頻繁にネットワークから切断されるのに、IT監視ではスイッチが正常と表示されていました。スイッチポートのトラフィックとマウンターの稼働ログをミリ秒単位で突き合わせて初めて、ある機器のブロードキャストストームが周期的に帯域を飽和させていることが分かりました。要するに、指標の不足は後から補えますが、タイムスタンプのずれは取り組み全体を無意味にしてしまいます。
2. ログデータは構造化されていること。生テキストのまま保存しない
製造業ITのログは多岐にわたります。Windowsイベントログ、Linuxのsyslog、データベースのスロークエリ、MESアプリケーションログ、PLCの診断バッファなどです。AIOpsがパターン認識や異常検知を行うには、ログを解析してフィールドを抽出する必要があり、最低でも時刻、設備ID、エラーコード、モジュール名、深刻度が必要です。ある自動車部品会社では、プレス車間のMESがデータベース接続タイムアウトを繰り返し記録していました。ログが1行のテキストであれば、AIOpsは発生回数を数えることしかできません。しかし「アプリケーションサーバーA → データベースB → 接続プール枯渇 → エラーコード1040」という構造になっていれば、接続プールの設定やスロークエリに自動で関連付けられます。ログは最低30日保管し、7日分をホットデータ、残りをオブジェクトストレージへアーカイブすることを推奨します。要するに、ログが構造化されていなければ、AIOpsはキーワードによるアラートしかできず、根本原因分析はできません。
3. トレースデータはITからOTまでの階層をまたぐ呼び出しをカバーすること
製造業ITで典型的な故障は、ITネットワークは正常なのにラインが停止するというものです。AIOpsには、MESの指図作成、ERPのスケジューリング、SCADAのダウンロード、PLCの実行、センサーのフィードバックまで、1つの業務操作を一連につなぐトレースデータが必要です。そのためには各ステップに統一されたTrace IDがあり、システム間の呼び出しで引き継がれる必要があります。トレースデータがなければ、AIOpsは「あるサーバーのCPUが高い」ことは分かっても、「そのサーバーのOPC UAサービスが3本の生産ラインのデータ収集を阻害している」ことは分かりません。要するに、トレースは製造業のAIOpsを単点監視から業務影響分析へ進める分水嶺です。
4. 構成管理データ(CMDB)は正確で、動的に更新されること
AIOpsのアラート相関と影響分析は、CMDB上の設備、アプリケーション、サービス、ネットワークトポロジの関係に依存します。製造業のCMDBは静的で手作業で維持されることが多く、変更後に同期されていません。例えば、エッジゲートウェイをA車間からB車間へ移設してもCMDBが更新されていなければ、AIOpsはB車間の故障をA車間のものと誤って判断します。CMDBは自動検出ツールと連携し、少なくとも1日1回は差分を同期することを推奨します。要するに、CMDBが不正確であれば、AIOpsのアラート相関は当てずっぽうの相関にすぎません。
5. 過去の故障と保守チケットのデータにラベルが付いていること
異常検知モデルには正例と負例のサンプルが必要です。製造業ITの故障類型は比較的集中しており、ネットワークジッタ、ディスク満杯、証明書失効、データベースのデッドロック、PLC通信タイムアウト、MESインターフェースのタイムアウトなどがあります。過去のアラートとチケットには、故障類型、影響範囲、対応措置、復旧時間のラベルを付けるべきです。ある電子工場が15以上の業種、120社以上のお客様、累計3,200台以上の端末で培ったサービス経験があれば、そこで構築した故障ラベル体系は類似の生産ラインにそのまま移せます。要するに、ラベル付きの履歴データがなければ、AIOpsモデルはゼロから学習することになり、コールドスタートが非常に長くなります。
まとめ:製造業ITにAIOpsを導入する前に、アルゴリズム基盤の購入を急ぐのではなく、まずデータを棚卸ししてください。指標、ログ、トレース、CMDB、チケットの5種類のうち、少なくとも3種類が完全・正確・リアルタイム・ラベル付きになってから、異常検知と根本原因分析を検討します。データ基盤が弱ければAIOpsは高度なアラームにすぎませんが、整えば停止時間を数時間から数分に短縮できます。