ナレッジセンター
目次

Q: 製造業の IT システムに適用する場合、AIOps にはどのようなデータ基盤が必要か。

A: 製造業の IT システムで AIOps が機能するかどうかは、8割がデータ基盤の作り方で決まる。メトリクス、ログ、トレースという3種のマシンデータが揃っており、かつ業務と時間のコンテキストを伴っていなければ、アルゴリズムがどれほど強くても表層的なアラーム抑制しかできない。

1. まず3種のマシンデータを揃える。メトリクス、ログ、トレース

製造業の IT 基盤は通常、ERP、MES、WMS、SCADA、PLM に加え、多数のデータベースとミドルウェアで構成される。AIOps が消費するのはこれらのシステムの運用データ、すなわちサーバーとネットワークの性能メトリクス(CPU、メモリ、IO、遅延、パケットロス)、アプリケーションログ、システム横断呼び出しのトレースデータである。現実には、多くの工場がネットワーク監視のメトリクスしか残しておらず、MES や ERP のアプリケーションログは個々の端末に散在し、トレースデータはほぼ存在しない。トレースがなければ障害の局所化は勘に頼るしかなく、ログがなければ異常検知は曲線の揺れを見ることしかできない。したがって第一歩はアルゴリズムの購入ではなく、これら3種を統一的に収集し、タイムスタンプとタグ付けを統一することである。

2. データは業務と時間のコンテキストを伴わなければならない

製造業 IT とインターネット IT の最大の違いは、多くの「異常」が実は業務のリズムだという点にある。例えば電子工場では、毎日朝シフトの開始時に MES のログイン同時接続数が急増し、月末決算時には ERP データベースの負荷が自然に上がる。これらは故障ではない。AIOps のモデルは、生産シフト、受注ピーク、棚卸サイクルといったカレンダー情報を知り、どのサーバーがどの職場を担い、どのデータベースがどの生産ラインに対応するかを知っていなければならない。この層のコンテキストがなければアラームのノイズが大きくなりすぎ、運用担当者はプラットフォームの電源を切ってしまう。実際には、構成管理データベース(CMDB)の正確さが AIOps 成功の隠れたしきい値であり、CMDB が不正確だと根本原因分析が導くトポロジーも誤る。

3. 過去の障害記録と対応知識を構造化する

AIOps は異常検知をベースラインに、根本原因の特定とインテリジェントな復旧を過去のサンプルに依存する。企業は過去1〜2年分のチケット、障害報告、変更記録を構造化データに整える必要がある。どのような症状で、どのシステムが影響を受け、根本原因は何で、どう対応し、どれだけ時間がかかったのか。この部分は最も見落とされやすいが、プラットフォームが「問題を見つける」から「対応を提案する」へ進めるかを左右する。自動車部品メーカーの MES で印刷サービスのタイムアウトが頻発しているとしよう。過去のチケットに特定の印刷サーバーのドライバーバージョンの問題と記録されていれば、モデルはその経験を再利用できる。

4. データ量よりもデータ品質が重要

製造業の IT システムでよくある罠は、時計の同期ずれ、メトリクス収集間隔の不一致、ログ形式のばらつきである。AIOps が相関分析を行う際、数十秒のタイムスタンプのずれが原因と結果を逆転させかねない。したがってデータ基盤の作業には、時刻同期、収集頻度の整合、ログパースの標準化を含めなければならない。加えて、データガバナンスへの継続投資を予算化すべきである。一度きりの統合作業ではない。

5. 推奨する実施順序

実際には、比較的安定した進め方がある。まず中核システム(ERP、MES、データベース)のメトリクスとログを完全に接続し、CMDB の正確さを確保する。次にトレースを追加し、そのうえで過去の障害ナレッジベースを整備し、最後に異常検知と根本原因分析のモデルを導入する。製造業の IT チームは通常小規模で、最初からフルスタックの AIOps を目指すと未完成プロジェクトに終わりやすい。ソリューション選定では、既存の監視システムに接続できるか、CMDB をどう保守するか、過去のチケットをどう取り込むかをベンダーに具体的に確認する。製造業シーンへの適合度は、おおむねこうしたデータ統合の細部に表れる。ベンダーとしては、ERP 時代から数十年の深い取り組み、120万社のお客様、数千万台の端末導入、国内外市場のカバーという実績が、各システムのデータ構造への堅実な理解を意味する。

分野: AI-FAQ