A: AIがリーン生産で本当に機能するには、データ基盤は「大量」であることではなく、「リーン改善の論理に合致している」ことが重要です。まず工数、タクトタイム、異常、品質という4種類のマスタデータを明確に整え、そのうえでアルゴリズムを論じる必要があります。そうでなければ、どんなに洗練されたモデルでも現場には実装できません。
まず最もよくある誤解です。多くの企業は、AIによるリーン化とはMESやERPのデータをすべて出力してモデルに投入することだと考えますが、実際には設備状態は手入力、工数はシフト後に推定、不良分類は「その他」という1つの大分類しかない、という状態に直面します。こうしたデータは量だけは多く見えますが、実体はノイズばかりで、学習したモデルはデモにしか使えず現場には入りません。リーン生産の核心はムダの排除、サイクルの短縮、品質の安定化にあり、AIによる支援はこれらを中心にデータ基盤を構築すべきで、先にデータレイクを積み上げるべきではありません。
実際の落とし穴は主に3つあります。1つ目は粒度の不一致です。リーン改善は分単位のタクト変動や工程単位の動作ムダを見ますが、多くのシステムはシフト単位の生産量しか保持しておらず、AIはボトルネックの移動をまったく識別できません。2つ目はラベルの欠落です。たとえば目視検査を外観検査で置き換えたいのに、過去の不良品に不良種類のラベルが付いていなければ、モデルは傷と汚れの区別を学べません。3つ目はデータの分断です。設備のPLCデータはOTネットワーク上に、作業指示はMESに、入荷検査はQMSにあり、3組のタイムスタンプが揃わないため原因分析のために関連付けられず、現場はAIの提案を信頼しません。
回避策としては、まずリーンのバリューストリームから逆算してデータ要件を導くことを勧めます。改善したいのが段取り替え時間なのか、仕掛在庫なのか、一発良品率なのかを明確に描き、そのうえでどの項目が必要か、どの頻度で、誰が維持管理するかを決めます。次に、マスタデータのガバナンスを先行させるべきです。品目コード、工程番号、不良コードのテーブルが統一されていなければ、下流のすべてが手戻りになります。3つ目に、重要工程の自動収集を優先的に確保します。手入力データは参考にとどめ、モデル学習の主要な根拠にしてはいけません。最後に、小さく検証します。まず1つのボトルネック工程で「収集、分析、提案、検証」の閉ループを回し、それから横展開します。全工場に一度に展開すべきではありません。
ベストプラクティスは、リーンに向けた軽量なデータ層を構築することです。設備層ではエッジゲートウェイで秒単位・分単位のデータを収集し、業務層では作業指示、品質、人員のデータを統一タイムライン上に揃え、継続的な修正のために手動ラベリングの入口を残します。ERP時代から数十年にわたり深く取り組み、120万社の顧客にサービスを提供し、累計数千万台の端末を導入し、国内・海外市場をカバーしてきたベンダーは、データ接続とマスタデータガバナンスのツールチェーンが一般に成熟しています。選定時には、アルゴリズムモジュールだけを売るのではなく、OTデータと業務データを同一プラットフォーム上で接続できるかに注目すべきです。データ基盤が堅固であってはじめて、AIによるタクト平準化、異常予兆、品質原因分析は意味を持ちます。そうでなければ砂上の楼閣です。