AIが現代製造業の効率とイノベーションをどう推進するか

Deptのプリンシパル・テクノロジー・コンサルタント、ジョナサン・ホワイトサイド氏が、AIが製造オペレーションを改善する3つの方法を詳述します。

インダストリー4.0は製造業の世界で単なるバズワードではなく、新たな現実となりました。COVID-19パンデミックによって加速された現実です。パンデミックが始まって最初の3ヶ月で、デジタルは10年分の進化に相当する進歩を遂げました。ビジネスと消費者の双方がオンライン世界に適応したためです。

未来対応型ビジネスの鍵となるアジリティ、レジリエンス、イノベーションは、すべてデジタルソリューションへの投資によって支援されます。オペレーションの合理化、コスト削減、収益最大化のプレッシャーが高まる中、デジタルトランスフォーメーションは必須となっています。

「デジタルトランスフォーメーションの勝者は、破壊的テクノロジーを活用してビジネス課題に取り組み、実践的な応用を通じて改善を推進しています。オペレーションプロセスのデジタル化は、メーカーが危機の要求と課題に対処するために不可欠であり、製造業の進化における自然な次のステップと見なされています」と、Deptのプリンシパル・テクノロジー・コンサルタント、ジョナサン・ホワイトサイド氏は述べています。

「幸い、イノベーションは今、AIやモノのインターネット（IoT）といった新興技術が広く利用可能になり、伝統的な製造ビジネスのトランスフォーメーションを加速させる段階に達しています。メーカーがAIを導入してレジリエンスを高め、ボトムラインを改善できる3つの主要領域があります：予測、状態ベース保全、コミュニケーションです。」

#1 - 需要計画と予測

機械学習は、人間が達成不可能な速度でデータの分析を自動化し、パターンを検出する能力を持っています。シンプルなキーワードクラスタリングを超えたデータセグメンテーションを可能にし、新しいデータソースから情報を得る機会を開きます。予測モデルに適用すると、結果は印象的です。AIを活用した予測は、サプライチェーンネットワークにおいて誤差を30〜50%削減できるとされています。精度向上により、在庫切れによる機会損失を最大65%削減し、倉庫コストを10〜40%削減できます。サプライチェーンにおけるAIのインパクトは1.2兆〜2兆ドル規模と推定されています。

こうした統計を踏まえれば、機械学習が業界の需要計画担当者に受け入れられているのも当然です。機械学習予測の速度と精度は複数のメリットをもたらし、在庫可用性向上による顧客体験改善は氷山の一角に過ぎません。予測に自信が持てれば、バッファー在庫レベルを下げられ、運転資本を削減し、貴重なスペースを解放できます。より良い予測は、輸送計画の改善から労働スケジュールの最適化まで、バリューチェーン全体でコスト削減をもたらします。

需要予測精度の向上は、あらゆる業界で確かな成果を示しており、特に消費財メーカーが先行しています。フランスの多国籍企業ダノングループは、機械学習を用いてマーケティング、営業、アカウントマネジメント、サプライチェーン間の計画調整を改善しています。AI駆動の需要モデリングにより、チャネルまたは店舗レベルの在庫について目標サービスレベルを達成しています。このシステムにより、予測誤差20%削減、機会損失30%削減、製品陳腐化30%削減、需要プランナーの作業負荷50%削減を実現しました。

機械学習とAIは、企業が「どう」製造するかだけでなく、「何を」製造するかにも影響を与えています。データ分析とトレンド検出を通じて変化する消費者の嗜好を特定する力により、包装食品企業は原材料を切り替えて期間限定商品を創出し、消費者に響く製品を開発できます。また、製品拡大の可能性領域を特定し、よりタイムリーな発売プロセスを加速させる大きな機会もあります。

#2 - 開発と保守

製造設備を手作業で維持管理することはコストと時間がかかり、設備故障のリスクが高く、生産スケジュールに多大な打撃を与え、生産性を低下させます。こうした理由から、機械がいつ故障するかを予測することは、現在製造業で最も一般的なAIのユースケースです。

「非計画ダウンタイムは予知保全で防止できます。メーカーは、アラートに対応し、発生したマイナーな問題を解決することで、設備をアップグレードする最も実行可能なタイミングを示す資産生存性保護計画を構築できます。教師あり・なし機械学習アルゴリズムがリアルタイムデータの変化を解釈し、数秒で未知のプロセス、製品、ワークフローを、多様なデータタイプを活用して検出できます」とホワイトサイド氏。

センサーデータは設備自体から熱、振動、動きを検知して収集され、プログラマブルロジックコントローラ（PLC）データは機械の入出力を追跡します。コンピュータビジョンデータは工場内のカメラから取得され、時系列データは履歴に基づいて機械の状態を判定します。天候変化や関連設備からの波及効果など、関連する外部データソースも考慮されます。これらの発見は、機械学習モデルの訓練、製品開発、組立ライン生産の最適化に使用できる優れた文脈データソースとなります。

#3 - コミュニケーション戦略

AIと機械学習は、オペレーションプロセスだけでなく、音声、画像、動画など多様なソースからパターンを検出する能力により、顧客や従業員とのコミュニケーション方法を改善できます。コミュニケーションチャネルに適用することで、企業は大幅な時間短縮を実現できます。

AIチャットボットは、コールセンターの負担を軽減し、フィールドセールスチームが新規顧客獲得に集中できるよう解放しつつ、顧客からの問い合わせにタイムリーかつ適切な回答を提供できます。デジタルツインを活用しているなら、メンテナンスサイクルや製品の潜在的なアップグレード・問題の発生時期も把握できるはずです。顧客が問い合わせる前に、それらを自動的に通知するコミュニケーションプロセスを自動化すれば、カスタマーサービスで高評価を得られます。

オンラインネットワーク接続の進歩、特に5G接続デバイスの展開とBluetoothの継続的な強化により、主要なビジネス機能を可能にする様々なデバイスを接続することがこれまで以上に容易になりました。これが実現される2つの方法は、データ分析と自動化です。この相互接続されたデータは、クラウドソフトウェアを通じて収集され、データを一箇所にプールして容易にアクセスできるようにします。企業はクラウドアプリケーションを用いて、ウェブサイトFAQの検索傾向、フルフィルメントと返品記録、資材調達データなどの情報を収集できます。これにより、顧客が特定の製品問題を経験し始めた時期、サポートで解決可能かリコールが必要か、特定のサプライヤーからの注文に対応しているかを追跡できます。問題と解決策の両方を導き出せます。

スケーラブルなソリューションで前進する

世界中の製造企業が、COVID-19パンデミックがもたらした課題に応じてデジタル化を加速させました。英国では、5社中2社以上（43%）が、過去1年間で自社のビジネスオペレーションにおいてデジタル化を加速させたとしています。そして、グローバルなメーカーやサプライチェーンオペレーターのほぼ95%がパンデミックによるネガティブな影響を受けたと述べながら、82%が今後同様の事態に対処する準備ができていると感じています。重要な教訓は、変革し、デジタルイネーブラーを受け入れる能力です。

グローバルリーダーからインスピレーションと学びを得ましょう。例えば、いくつかの方法で；稼働中のプラントでの電力消費最適化、機械による品質チェック、風力タービンローターの位置を自律的に調整して風力発電所の収量を増加。製造センターに新たなレベルの品質管理を導入。製造コンポーネントを工業用放射線撮影で詳細に検査し、各部品の完全性と内部構造を検証。

製造業界は、これまで以上にAI戦略を活用する準備が整っており、それを行う価値は極めて明確になりました。デジタル化に注力し、エンドユーザーに近づき、デジタルエコシステムを革新して顧客ニーズに応えることで、メーカーはコモディティ化を回避し、競争に打ち勝つためのより良い立場に立ち、新規・既存顧客双方からの長期的なロイヤルティを育むことができます。

製造関連トピックの詳細は、

LinkedInとでフォローしてください。