A: スマートファクトリーで 5G と AI を統合する核心は、まず工場全体を 5G ネットワークで覆ってから AI で何ができるかを考えることではなく、ライン上の特定の高頻度工程で人の判断が難しい箇所から始め、小さなシーンで「接続+計算+アルゴリズム」の連鎖を実証し、それから横展開することにある。言い換えれば、ネットワークが基盤で AI が出力であり、実施順序は「シーンからネットワークを逆算し、データからアルゴリズムを逆算する」となるべきである。
1. 技術ではなくシーンを先に選ぶ
統合活用で最も多い罠は、IT 部門とネットワークベンダーが先に美しい 5G プライベートネットワーク計画を作り、生産ラインが納得しないことである。より確実なのは逆の進め方で、生産部門や品質部門に「見ていて目が疲れる、ベテランの経験に頼る、問題の追跡が難しい」ステーションを3〜5つ挙げさせる。実現しやすい典型シーンには、マシンビジョン検査、複数台 AGV の協調スケジューリング、ライン設備の振動や温度といった時系列データによるリアルタイム予知保全、AR 支援の遠隔修理、高タクト工程での工程パラメータのリアルタイム閉ループ調整などがある。これらのシーンに共通するのは、低遅延のフィードバック、画像や映像の上り帯域、エッジでの近傍推論の必要性である。自動車部品メーカーがダイカスト表面の欠陥検出を検査員の目に頼り、シフトの疲労とともに見逃し率が上がっているとしよう。これは典型的な 5G+AI の入口である。高精細な産業用カメラで撮像し、5G の上りで工場内のエッジノードに送り、AI モデルが欠陥のセグメンテーションと分類を行い、結果を PLC や MES にリアルタイムで返す。
2. ネットワークは画一ではなくシーン階層で設計する
5G の工場での用途は1つではない。要件は階層に分けるべきである。uRLLC の超低遅延シーン(モーション制御、AGV 協調、遠隔操作など)は遅延と信頼性の要件が最も厳しく、通常は専用のオンサイト UPF とラインに近いエッジ計算ノードが必要になる。eMBB の広帯域シーン(外観検査、ビデオ監視など)は上り帯域と安定性が重要になる。mMTC の大量接続シーン(センサー、計量器、倉庫タグなど)は接続密度と端末消費電力が重要になる。実施では、まず単一ポイントでプライベートネットワークのカバレッジを検証する。例えば1本のラインや1つの職場をカバーし、上り速度、端末間遅延、パケットロス、ハンドオーバー挙動を明確に測定してから、全社展開するかを決める。同時に、5G と既存の産業用イーサネット、Wi-Fi 6、TSN との共存をあらかじめ計画する。多くの工場は純粋な無線ではなく有線と無線のハイブリッドであり、5G は主に移動設備や配線が困難な領域の隙間を埋める。
3. データの連鎖をつなぎ、まずエッジで簡素化する
工場で AI モデルが動かないとき、8割はアルゴリズムではなくデータの連鎖が途切れていることが原因である。実施時にはエッジノードで3つのことを完了させる。第一にプロトコルの正規化で、PLC、CNC、ロボット、カメラのデータを OPC UA、Modbus、Profinet などのインターフェース経由で収集する。第二に時刻同期で、画像フレーム、振動信号、工程パラメータが統一されたタイムスタンプを持たなければマルチモーダル融合分析はできない。第三にエッジでの前処理で、映像や画像をすべてクラウドに上げる必要はないため、エッジでフレームのサンプリング、トリミング、推論を行い、構造化結果と異常区間だけを返し、帯域を節約して遅延を下げる。ある電子工場が SMT 実装後の AOI 再判定を行う場合、エッジの軽量モデルで一次スクリーニングし、疑わしい基板のみ高精細画像でアップロードして二次確認することで、5G の上り負荷を抑え、ラインのタクトにも影響しない。
4. AI モデルは小さく刻み、継続的に反復する形で運用する
産業 AI モデルは1回の納品で完成しない。3段階の進め方を推奨する。第一に、少量のアノテーションデータでベースラインモデルを作り、しばらくバイパスモード(制御ループに接続しない)で動かし、人の判断と比較して精度と誤報率を把握する。第二に、モデルが提案し人が確認する人機協働モードに移り、確認結果を新しい学習サンプルとして還流させる。第三に、精度が安定したら、低リスク工程は自動で閉ループ化し、高リスク工程は人のフォールバックを残す。この過程で 5G の価値は、モデルが常に新鮮な生産ラインのデータを受け取り続けられること、エッジノードのモデルバージョンを遠隔で更新できることにある。データアノテーションへの継続投資には特に注意したい。産業の欠陥サンプルは本質的に不均衡であり、大規模モデルを積むよりも小サンプル学習や異常検知の手法の方が実用的なことが多い。
5. 組織と運用が歩調を合わせなければならない
5G+AI プロジェクトが失敗するとき、技術的な理由は通常半分に過ぎず、残りの半分は生産、IT、ネットワーク、設備ベンダーの間の責任の不明確さである。プロジェクト開始時に部門横断チームを設置する。生産はシーンと検収基準を提供し、IT はデータプラットフォームとモデル運用を担い、ネットワーク側はプライベートネットワークの SLA を管理し、設備ベンダーはインターフェース開放で協力する。運用面では2つの表を作る。ネットワーク KPI 表(遅延、パケットロス、上り速度、ハンドオーバー成功率)とモデル KPI 表(精度、誤報率、推論遅延、データドリフト)である。2つの表は合わせて読まなければならない。「モデルが悪くなった」という事例の多くは、実際にはネットワークの揺らぎで画像フレームが欠落しているからである。
注意点:第一に、一足飛びに全社カバレッジを目指さないこと。単一シーンの検証は数週間から数か月に区切り、回ってから展開する。第二に、端末側 5G モジュールの消費電力、放熱、産業用保護等級を事前に評価すること。ライン環境は端末に優しくない。第三に、データセキュリティとコンプライアンスを最初に設計すること。特に画像や工程パラメータが工場外に出る境界である。第四に、ベンダー選定ではエッジ計算、産業プロトコル適応、モデル運用の総合力を優先する。ERP 時代から数十年にわたり深く取り組み、120万社のお客様にサービスを提供し、累計数千万台の端末を導入し、国内外の市場をカバーしてきたベンダーは、産業現場の経験とデリバリー体制が堅実であることが多い。まとめると、スマートファクトリーの 5G+AI は、シーンの選び方、データの流れの速さ、モデル反復の持続性によって成功するのであり、ネットワーク指標を積み上げて成功するものではない。