日本の製造業におけるAI活用：成功事例とこれからの可能性

製造業のAI事例は、技術名より先に、結果を誰がどの場面で使ったかを読んでください。NECの甲府工場では、AIの需要予測を2015年から現場に提供していましたが、生産計画には使われませんでした。予測を見せる場を生産計画会議に決め、根拠を添えると、予測は判断の参考情報として生産計画に影響しました。導入を考えるなら、精度の前に、結果を見て決める人と会議を特定するのがおすすめです。

NEC：需要予測は、使う会議を決めるまで使われなかった

NECプラットフォームズの甲府工場は、PCサーバーの多くを顧客の仕様に合わせて受注生産しており、注文から最短4営業日で出荷します。部品は先に発注する必要があるため、欠品を避けようと多めに調達しがちで、在庫が増えていました。そこで、売上実績などの社内データに、カレンダーや経済指標を加えて、製品ごとの3〜6か月先の需要をAIで予測するPoCを行いました。使ったのは、NECの「NEC the WISE」の「異種混合学習」です。予測の根拠を、人が確認できる形で示せることが特徴です。

ところが、予測と根拠を2015年から提供していても、生産計画には使われていませんでした。生産管理の現場に、予測を使って決める習慣がなかったからです。NECは、担当者の業務を観察して、予測を見せる場面を探しました。詳細な計画を確定する作業は、会議の結果をもとに調整する場で、予測で大きく変えられる場ではありませんでした。一方、生産計画会議は、参加者が情報を持ち寄って判断する場でした。そこで、予測値と、過去の実績やずれの要因をまとめたシートを、この会議で使いました。

会議では、予測値が参加者の見込みの範囲に収まっていればそのまま採用され、範囲外でも納得できる値なら採用されました。納得できない値のときは、根拠のシートを開いて確認し、最終的に判断しました。いずれの場合も、需要予測は生産計画の参考情報として影響することが確認されました。

この事例が示すのは、予測の精度だけでは、現場で使われるかが決まらないことです。誰が、どの会議で、何と並べて見るかを決め、外れていそうなときに根拠を確認できる形にしておくことが、導入の前に必要でした。観察にかけた時間は、担当者2人の業務の観察が合計120分、表示形式を試した生産計画会議の観察が3回（各60分）でした。モデルを作り込む前に、同じ規模の観察を自社でやってみる価値があります。

品質検査：熟練者の知識を取り込む

NECは、検査工程でも、経験豊富な検査員の知識を取り込んで活用する技術を提供しています。熟練者を置き換えず、その専門性を補い、次の世代に引き継ぐ方向の取り組みとして、WEFの記事が紹介しています。NEC自身も、製造や小売、物流など幅広い分野でAIが採用されていることと、予測の理由を分かりやすく示す「ホワイトボックスAI」を提供していることを説明しています。

製造現場以外では、NECが社内実験で、ソフトウェア開発の一部作業の人件費を最大70%減らしたと報じられています。これは同社が公表した数字です。

コマツ：工場のAIではなく、顧客向けのサービス

建設機械メーカーのコマツの「スマートコンストラクション」は、ドローンなどで測った3次元データをクラウドで一括管理し、ICT建機での施工から検査まで管理する、建設会社向けのサービスです。自社の工場にAIを入れた事例ではなく、製造した機械や現場のデータから、顧客向けのサービスを作った事例です。

一部の解説は、機械学習でセンサーデータを分析し、建設機器の運用を効率化していると紹介していますが、公式ページの説明は、3次元データとICT建機が中心です。AIの役割は、参考にする前に確認してください。

日立製作所：運用技術（OT）とAIを組み合わせる

日立製作所は、110年にわたる製造業と技術の蓄積を生かし、制御・運用の技術（OT）とAIを組み合わせた「実用的なAI」を掲げています。WEFの記事では、同社のデジタルシステム＆サービス部門のCTOが、革新的でありながら、すぐに現場で使える解決策になる、という立場を示しています。AIの精度を競う前に、現場の制御・運用データを自社で持っているかが、取り組みの出発点になります。

製造業のAI活用：4つの分野で、最初に確認すること

検査では、人の判定が人によって違う状態でAIを入れると、AIはどの基準を学べばよいか決められません。先に、熟練者2人に同じ100枚を判定してもらい、一致率を見ます。一致しないなら、AIより先に、基準を言葉にする作業が必要です。

検査の見逃しと、過剰な不良判定とでは、損失が違います。見逃しは顧客への流出につながり、過剰判定は再検査の手間で済むことが多いため、最初は見逃しを避ける向きに基準を設定し、AIが不良と判定したものを人が確認する運用から始めるのがおすすめです。

AIの導入を妨げる壁

IDCの調査では、日本のAI市場は2025年の約148億ドルから2029年に約431億ドルへ拡大する見込みです。米国商務省の市場情報は、企業が試行から本格運用へ移りつつあることを、成長の要因に挙げています。試行から運用に進むほど、結果を誰が使うのかが問われます。

リスク回避の傾向や完璧主義、合意形成を重視する意思決定が、日本企業の新技術の導入を遅らせることがある、とWEFの記事は指摘しています。同記事は、失敗やリスクテイクに対する社会の捉え方を調べたスタンフォード大学の研究を紹介しています。現場でできる対策は、失敗しても責任を問わない範囲を決めて、小さな試行を認める承認ルールをつくることです。

AIを扱える人が足りない場合は、モデル作りを自社で抱え込む前に、現場の業務を観察し、結果を使う場面を決める役を社内に置きます。前の節のNECの例で、現場の観察にかけた時間は、合計5時間ほどでした。

AI導入の5つのステップ

1. 結果を使う人と場面を決める：どの会議、どの工程で、誰が結果を見て決めるのかを特定します。
2. 現場を観察する：その場面を1時間見て、結果が現行の判断のどこに入るかを確かめます。
3. 現行の精度を測る：人の判定の一致率や、今の予測の外れ幅を測り、AIが超える目標を数字で決めます。
4. 外したときの扱いを決める：人が確認する経路と、根拠を見せる画面を先に用意します。
5. 小さく始めて広げる：まず小規模な実証実験を行い、結果を見ながら段階的に拡大します。技術的な課題が大きい場合は、AI専門家やパートナー企業と協力することも選べます。

知識の共有・継承をスムーズに - Kipwise

製造業でよくある課題が、「同じ質問への対応に時間を取られる」という問題です。同じ質問が繰り返されると、チームの時間が奪われてしまいます。

Slackと連携した社内Wiki

Kipwiseは、Slackと連携する生成AI搭載の社内Wikiツールです。プロジェクト仕様書やAI導入ノウハウ、新人研修資料まで、あらゆる社内知識を一か所で管理できます。

AIボットが自動回答

Kipwiseの特長は、AIがSlack上の質問を自動検出して回答する機能です。例えば、誰かが「この設定はどうすればいい？」と質問すると、Kipwiseが自動的に関連情報を検索して回答します。あなたが直接対応しなくても、必要な情報が提供されるため、時間の節約になります。

Slack上で簡単操作

Slackを離れることなく、簡単なコマンドで社内知識を管理できます：

• /kipwise create - 新しいページを作成
• /kipwise [キーワード] - 情報を検索
• /kipwise ask - 質問を作成

Slackのメッセージを直接Wikiに保存できるので、チャット上で共有された貴重なノウハウも簡単に蓄積できます。

複数ソースの横断検索

Kipwiseは、Slack、Google Drive、OneDriveなど複数のデータソースを横断検索できるため、情報がどこにあっても素早く見つけられます。AIモデルの仕様書や過去のプロジェクト資料など、あらゆる情報に簡単にアクセスできます。

日英バイリンガル対応

グローバルチームでの活用に便利なバイリンガル対応も魅力です。日本人エンジニアと外国人AIスペシャリストが混在するチームでも、言語の壁を越えて知識共有が可能です。

14日間の無料トライアル（クレジットカード登録不要）で、Kipwiseの効果をぜひお試しください。

Slack で無料で試す

今週やること

自社の生産計画会議か検査工程を、1時間観察してください。AIの結果を、誰が、いつ、何と並べて見るかを書き出します。それが書けない場合は、モデルを選ぶ段階にまだ来ていません。