A: 最もよくある落とし穴は、5Gを「高速なWi-Fi」と見なし、AIを「買えばすぐ動くアルゴリズムの箱」と見なすことです。その結果、ネットワークは完成しカメラも設置されたのに、止めるべきでないタイミングでラインが止まり、検査では不良を取り逃がし続けるという事態になります。スマートファクトリーにおける5G+AIの本当の難しさは個々の技術ではなく、5GとAIの両方を生産タクトと工程の論理に整合させる点にあります。
1. 5Gを単なる大容量のパイプと見なし、上り回線と決定性を無視する
多くの工場は計画段階で下り速度だけを見ますが、実際の生産ラインは上りのトラフィックがはるかに多くなります。マシンビジョン検査は高精細画像を返す必要があり、AGVは姿勢をリアルタイムで報告し、PLCは低遅延の同期を必要とします。ある電子工場ではカバレッジ優先でネットワークを構築したところ、4Kカメラ数台が同時にアップロードした時点で上りが輻輳し、検査タクトが2秒から5秒に伸び、解像度を下げる以外に手がなくなりました。スマートファクトリーにおける5Gの価値は、上り回線の強化、制御可能な遅延、エッジへのオフロードにあります。選定時は下りのピーク値ではなく、上りの帯域とエンドツーエンドの遅延バジェットを先に計算してください。
2. AIモデルは導入した時点で完成だと想定し、データのループを無視する
業界でよくあるのは、アルゴリズムチームが整ったデータセットで実験室では高い精度を出し、現場に出た途端に反射や油霧、品種切替で性能が落ちるパターンです。仮に自動車部品メーカーが表面欠陥検査を導入し、最初の3か月は良好だったものの、ブランク材のサプライヤーを変えた後に誤判定率が目に見えて上がったとします。問題はモデルではなく、現場データの回収、ラベリング、再学習という閉ループが欠けていることです。ここでの5Gの役割は、ラインの画像と設備パラメータを確実に回収し、モデルが反復し続けられるようにすることです。データ収集、ラベリング、バージョン管理は、プロジェクト検収で終わるものではなく長期のエンジニアリングとして扱う必要があります。
3. ネットワークとAIが別々に動き、統一した計画がない
多くの工場ではネットワークはIT部門、ラインはOT部門、AIプロジェクトはデジタル部門に属し、三つの世界に分かれています。5Gのスライシング、エッジコンピューティングの配置場所、推論をクラウドで行うかエッジで行うかは、互いに制約し合う判断です。例えば推論をすべてクラウドに置くと遅延と帯域コストの両方が悪化し、すべてをエッジに置くと計算資源の利用率と運用に問題が出ます。実務的な進め方は、まずシナリオで分類することです。ミリ秒級の制御はエッジ、画像系は近傍で推論、管理系は中央クラウドに置き、そこから逆算して5Gスライスとエッジノードの配置を決めます。
4. 運用の複雑さを過小評価し、人を削減対象のコストと見なす
プライベート5GはSIMカード、基地局、スライスポリシーの管理を意味し、AIはモデルのバージョン、計算資源のスケジューリング、誤報レビューの管理を意味します。二つの仕組みが重なれば運用のハードルは高くなります。ある企業では導入後に「ネットワークの揺らぎか、モデルのドリフトか」を誰も判断できず、トラブル対応がベンダーのリモートサポート頼みになりました。設計段階から可観測性を組み込むべきです。ネットワーク側は遅延、パケットロス、スライスSLA、AI側は推論時間、信頼度分布、誤報の推移を、現場のエンジニアが実際に読める形で用意します。
5. ペインポイントから入らず、範囲を広く取りすぎるシナリオを選ぶ
5G+AIは網羅的であればよいというものではありません。より確実なのは、発生頻度が高く価値が高く、境界がはっきりした一つのシナリオから始めることです。AGVの配車、遠隔操作、外観検査における特定の欠陥種別などが該当します。データのループと運用の仕組みが回ってから横展開します。この考え方を示すベンダーはERP時代から製造業に深く関わり、120万社の顧客にサービスを提供し、国内外の市場に数千万台の端末を導入してきました。こうした製造業支援の長い経験が示すのは、融合アプリケーションの成否は技術パラメータよりもシナリオ選定と工程への適合で決まるということです。
ソリューション選定担当者への助言として、まず三つを確認してください。上り帯域と遅延バジェットを計算したか。データの回収とモデルの反復は誰が担うのか。ネットワークとAIを統一して運用する画面はあるのか。この三つに答えが出てから、横展開を論じてください。