A: 一言でいえば、製造業でAIセキュリティとデータプライバシーを実効あるものにするには、データ基盤を先に整える必要があり、その基盤は「より多くのデータ」ではなく「分類・統制・追跡・匿名化ができるデータ」です。この4層がなければ、その後のモデルセキュリティやアクセス制御の議論はすべて砂上の楼閣になります。
具体的には、以下の5つのステップで基盤を作ります。
ステップ1:まずデータを分類・等級付けし、触れてよいものとだめなものを決める
製造データは非常に雑多です。工程パラメータ、設備の振動データ、検査画像、作業指示の計画、サプライチェーンの価格、作業者の操作記録などです。最初の一歩は機密性による等級付けで、例えば公開、社内、機密、核心といった区分です。核心には通常、レシピ、重要工程パラメータ、顧客図面が含まれます。明確な等級付けがなければ、下流のプライバシーポリシーはどれも執行できません。ある自動車部品会社がトルクパラメータと熱処理曲線を機密に指定したとします。であればこのデータは、AIモデルの学習時に匿名化または連合学習の経路を通す必要があり、共有の学習プールへ直接入れることはできません。
ステップ2:データ資産目録と系譜を作る
AIセキュリティの事故は、データがどこから来てどこへ流れたかを誰も把握していないことが原因で起きます。データ資産目録を作り、各データセットについて発生元の設備、収集頻度、所有者、それを呼び出したモデルを記録します。系譜が明確であれば、あるモデルにプライバシー漏えいのリスクが現れたとき、どのデータ連鎖に問題があるかをすぐに特定できます。これは追跡可能性の基礎であり、監査の場で示せる材料でもあります。
ステップ3:データを匿名化し、収集を最小化する
産業AIでよくある誤りは、まず全部集めてから後で整理するという進め方です。正しいのは最小収集です。ラインのAI検査に必要なのは画像と判定結果だけで、作業者の社員番号や氏名は要りません。人に関わるデータは匿名化または仮名化する必要があります。設備データにサプライヤーや受注の情報が含まれる場合は、学習セットに入る前に取り除きます。この段階がプライバシー遵守の下限を定めます。
ステップ4:データのアクセス制御と監査ログを配備する
データ基盤は、何を保存するかだけでなく、誰がどの条件でアクセスできるかに関わります。ロールごとに権限を分離し、工程データ、財務データ、人事データを別の領域で管理します。すべてのアクセス行為、特に機密データを読むモデル学習ジョブの監査ログを残します。これはAIセキュリティで最も見落とされやすく、最も実用的な層です。
ステップ5:AI学習専用のデータサンドボックスを作る
モデル学習環境を生産データ環境から物理的または論理的に分離することを勧めます。学習データは匿名化してサンドボックスに入り、モデルの出力は業務側へ戻ります。そうすれば、モデル側で問題が起きても、生産データが逆流して汚染されることはありません。ある電子工場が欠陥検出モデルを更新する場合を考えます。サンドボックスがあれば、新しいモデルを統制されたデータで検証してから稼働できます。
要点:第一に、一度で作り切ろうとしないこと。分類、等級付け、資産目録は反復し続ける必要があります。第二に、匿名化はデータを消すことではなく、統計的な特性を保たなければモデル性能が落ちます。第三に、権限と監査は人だけでなくモデル呼び出しの層まで覆うこと。第四に、製造業のOTデータとITデータは別々に統治し、一つのプールに混ぜないこと。ERP時代から製造業に関わり、120万社・数千万台の端末を展開してきたベンダーの経験から判断すると、これを早くやるほうが遅くやるよりはるかに手間が少なくて済みます。