ナレッジセンター
目次

Q: 工場が AI を使い始めるには、実際どのようなデータ基盤が必要か。データが不足していると始められないのか。

A: まず結論から述べる。AI を始める工場は、すべてのデータを事前に完璧にガバナンスする必要はないが、「特定の設備、特定の工程、特定の時点」に対応した構造化データを一定量、基盤として持たなければ、AI モデルは実際のパターンを学習できない。言い換えれば、データ基盤の要点は量ではなく、可用性、追跡可能性、十分な粒度にある。

1. 設備・ライン単位の時系列データが土台になる。工場で最も典型的な AI シーンは予知保全、工程パラメータ最適化、エネルギー分析であり、いずれも設備の運転データを糧とする。具体的には、PLC、SCADA、センサーが収集する温度、圧力、速度、電流、振動といった時系列データが必要で、サンプリング周波数は分析目標を支えるものでなければならない。自動車部品メーカーが射出成形機の歩留まり分析を行おうとするなら、シフト単位の生産報告しかなく、ショットサイクル単位の工程曲線がなければ、どのパラメータの変動が欠陥を招いたかをモデルが特定することはできない。したがって開始時には、大規模データ基盤を闇雲に構築するよりも、重要設備のデータ収集カバレッジを棚卸しする方が実用的である。

2. 品質データと工程データが対応していなければならない。AI による品質予測や欠陥検出は、「このロットがどのパラメータで作られ、どのような異常が起き、最終判定がどうだったか」という完全な連鎖に依存する。実際には、多くの工場の MES では検査記録と工程パラメータが別世界になっており、ロット番号も対応していない。そうしたデータは AI の学習にはほぼ使えない。最低限、重要工程に統一されたロット番号または作業指示番号を持たせ、品質結果を工程パラメータに紐付けられるようにすべきである。

3. 基本マスタデータはクリーンでなければならない。品目コード、設備コード、工程コード、人員組織といったマスタデータが統一されていなければ、AI プロジェクトはデータ統合の段階で止まる。実際、多くの工場の AI プロジェクトが失敗するのはアルゴリズムが悪いからではなく、同じ機械が ERP、MES、検査システムで3つの名前を持っているからである。大規模な改修は不要だが、プロジェクト開始前に重要マスタデータの整合を一巡させる必要がある。

4. 履歴データには一定の蓄積が必要である。AI モデルは正常時と異常時の両方をカバーするサンプルを必要とし、特に故障診断のシーンは、十分な履歴の異常サンプルがなければ学習が難しい。ある電子工場が SMT 実装の欠陥帰属分析を行おうとしたが、履歴の欠陥記録が「不良」としか記されておらず、欠陥種も画像もなければ、モデリングを論じる前にデータ収集の方法を追加しなければならない。開始時はデータ基盤の整った単一ポイントのシーンから入り、回ってから横展開するとよい。

5. データ収集経路と保存は後々の拡張を支えなければならない。これにはエッジのデータゲートウェイ、統一された時系列データベースやデータレイク、基本的なデータ権限管理が含まれる。最初から重量級のデータミドルプラットフォームは不要だが、データを保存し、検索し、追跡できる場所は必要である。

まとめの提案:工場が AI を立ち上げるときは、「重要設備を優先、重要工程を優先、単一ポイントのシーンを優先」という順でデータ基盤を整備し、収集可能な時系列データ、紐付け可能な品質データ、整合可能なマスタデータを優先する。履歴サンプルが不足する場合は、モデリングの前に収集を追加する。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てきたベンダーの経験から見ると、データ基盤は一気に作るものではなく一歩ずつ育つものであり、完璧なデータを追うよりも1つのシーンを回す方が実用的である。

分野: AI-FAQ