A: 工場AIプロジェクトの失敗の9割は、アルゴリズムが悪いからではなく、データ基盤が支えられないからです。よくあるデータの不足は4つの領域に集中します。データが不完全、データが不正確、データが分断、データが使えない、の4つです。この4つが解決するまで、モデルをいくら配備しても遊んでいるだけです。
1. データのカバー範囲が不完全だと、モデルは実際の稼働条件を学べない
AI品質検査や設備予知保全を導入する多くの工場は、最初の一歩でデータ量に行き詰まります。自動車部品メーカーが表面欠陥検出を望んでも、ラインには散発的な過去の不良画像が数ロット分しかなく、学習したモデルはシフトが変わるか新しい材料ロットが来た途端に破綻します。産業シナリオでは不良サンプルが本来的に希少で正常サンプルが膨大であり、クラスが極端に不均衡です。シフト、ロット、設備状態ごとに階層化してデータを収集しなければ、AIは偏ったパターンしか学べません。ある電子部品工場が試算したところ、SMTラインは1日に数万件の実装データを生成しますが、実際にラベル付けされた異常サンプルは1000分の1未満で、そのまま学習しても再現率は安定しません。要点は、データのカバー範囲は稼働条件ごとに階層化すべきで、「良いデータ」を積み上げるだけでは足りないということです。
2. データ品質が悪いと、ごみを入れればごみが出る
工場のデータが汚いのは日常です。センサーのドリフト、手入力の誤登録、バーコードの重複、タイムスタンプの不一致は、報告書の時代なら人の目で拾えましたが、AI学習の段階では災害になります。プロセス産業の企業がエネルギー最適化を行う場合を想定します。メータのデータは15分ごとに収集されますが、一部のメータには跳びや欠測があり、モデルが学んだ省エネ戦略がかえってコストを押し上げることがあります。AIプロジェクトの初期段階のデータクレンジングとガバナンスが、プロジェクト全体のサイクルの60〜70パーセントを占めるというのが業界のおおよその共通認識です。データ品質が通らなければ、特徴量エンジニアリングがどれほど凝っていても無意味です。一言でいえば、まずデータを統治し、それからインテリジェンスを論じることです。
3. データの分断が深刻だと、システム間の記録が一致しない
AIが解く問題の多くは工程横断・システム横断です。たとえば品質トレーサビリティはMES、QMS、ERPがつながる必要があり、設備ヘルス管理はPLCの時系列データと修理工事指示の融合が必要です。現実にはこれらのシステムは個別に構築され、品目コードは不統一、設備台帳は一致せず、時間基準も異なります。組立製造の企業が作業指示の遅延予測を望む場合を想定します。ERPの納期とMESの実進捗は定義が異なり、モデルが受け取る特徴量は互いに矛盾し、予測結果が使えないのは当然です。データが流れなければ、AIは単一ポイントの小さなモデルしか作れず、価値の天井は非常に低くなります。要点は、マスタデータ管理と識別の統一がAI実装の前提となるエンジニアリングだということです。
4. データの即時性とアクセス可能性が不足している
産業AIの多くのシナリオはニアリアルタイムを要求します。オンライン品質検査や異常アラームなどです。データが依然としてT+1の報告用データベースにあり、収集ゲートウェイの遅延が大きく蓄積転送が適切に実装されていなければ、モデルがどれほど正確でもラインのタクトに追いつけません。ある電子部品工場が設備振動監視を行った際、サンプリング周波数が不足していたため初期の故障特性をまったく捉えられず、アラームが出た時点でベアリングはすでに損傷していました。データ基盤は「持っているか」だけでなく、「どれだけ速く取れるか」「安定して取れるか」でもあります。一言でまとめると、即時性そのものがデータ基盤の一部です。
実務的なアドバイス:落とし穴を避けるには、まずデータ基盤を堅固にします。マスタデータのコードを統一し、重要工程の収集ポイントを補い、階層化されたラベリングとサンプル管理の仕組みを整備し、中核業務システムのデータリンクをつなぎます。この作業は華やかではありませんが、AIプロジェクトがどこまで進めるかを決めます。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てきたベンダーの経験も、データガバナンスがしっかりした工場はAIプロジェクトの成功率が明らかに高いという一点を裏付けています。モデルを追う前に、まず自社のデータ基盤が十分に堅固かを問うてください。