ボトルネック排除：アナリティクス活用で製造効率を最大化

Progress DataRPMの共同創業者兼チーフプロダクト・アナリティクスオフィサー、Ruban Phukan氏が、長年のボトルネックとの戦いと、予測アナリティクスの役割について語ります。

製造業におけるボトルネックを巡る問題はよく文書化されています。生産遅延、過剰在庫、顧客からのプレッシャー増大など、能力の突然の予期せぬ制限によって引き起こされる問題は、業界のあらゆるビジネスにとって壊滅的です。これを踏まえ、Manufacturing Globalは、元YahooデータサイエンティストでProgress DataRPMのリーダーであるRuban Phukan氏に、予知保全モデルの活用と、それらがいかにフェイルプルーフな環境の確立に役立つかを聞きました。

問題の核心に迫る

元Yahooデータ分析チームの一員として、Phukan氏はビッグデータ活用を巡る複雑さに精通しています。「私は何年も前にYahooで作られた最初のデータサイエンスチームの一員でした」と彼は言います。「そこでの大きな学びは、データサイエンスを大規模組織で手動でスケールするのは非常に難しいということです。データ分析の裏側にあるプロセスを自動化することだけが、ビジネスに価値をもたらす形でデータサイエンスの問題を真に解決する唯一の方法だと気づきました。」

Yahooを離れ、Phukan氏は機械学習を用いてユーザー行動を理解する垂直検索エンジンビジネスを開始し、特に予測アナリティクスを扱いました。売却後、現在の共同創業者たちとビジネスを開始し、そこでProgress DataRPMの物語と、ボトルネック対策を含む多くの分野での前進の物語を拾い上げます。

「最初に集まったとき、大量のデジタルデータが生成されているのに、問題は同じだと気づきました：手動では解決できない。データサイエンティストが単純に足りないのです。膨大なデータがあるのに、ビジネスがそれから得ていた価値はROIを正当化するものではありませんでした」と彼は言います。

「そこで『データサイエンスプロセスをシームレスで自動化されたものにするプラットフォームを作れないか？』と言い始めました。企業がベストプラクティスを活用し、自社の問題に適用し、スケールして解決できるようにしたかったのです。」

機械学習の進歩

機械学習の技術的能力の進歩により、Phukan氏と共同創業者たちは、クライアントが利用できるデータと情報の膨大な量を、以前には不可能だった方法で扱えるようになりました。製造ビジネスにとって極めて重要なのは、これにより生産ラインにもポジティブな影響を及ぼせるようになったことです。

「例えば、センサーが有効化されることで、異なる運用条件と環境条件下での機械の正常な機能を非常に詳細なレベルで理解できるようになります。これが機械の健全性にどう影響し、結果として生産ラインの効率に何をもたらすかを評価できます」と彼は語ります。

自動化されたプラントファームを導入することで——データサイエンスの専門家でなくても運用可能——Progress DataRPMは、大規模資産ベースの産業が2つの問題を解決するのを支援します：非計画ダウンタイムを最小化する方法と、資産のアウトプットの品質と効率を最大化する方法です。これはすべて、認知異常予測ソフトウェアを通じて行われます。センサーベースのデータに接続される瞬間、機械の正常な運用条件を自動的にベースライン化します。それからこれらの条件からの逸脱を探し、アラートを生成し、発生しうる潜在的問題を予測します。

この「未知を予測する」能力こそが、Phukan氏が従来のプロセスからの大きな脱却だと考えるものです。「過去になぜことが起きたかを調べる必要がありますが、更重要的是、まだ起きていないことを予測する必要があります」と彼は説明します。

組立ラインへのインパクト

製造ビジネスが検討すべき重要な領域の一つは、生産ラインで起こることに影響するプロセス、特に品質管理のタイミングです。「自動車やヘルスケア業界の多くの製造業者と仕事をしてきましたが、彼らが直面する最大の課題の一つは、品質チェックが製造プロセスの末端で行われることです。製品のバッチ全体が作られてからテストが実行され、OKかどうかが判断されます。これによりスクラップ率が75%に達することもあります」とPhukan氏は言います。

ほとんどのテストスイートルールは過去の経験に基づいてしか書けないため、未知の新しい問題が発生すると、製品リコールのような深刻な問題につながります。したがって、予測アナリティクスプラットフォームの活用が標準になるとPhukan氏は言います。実際、これは製造業でますます見られることだと彼はすでに特定しています。

「製造業者が我々に相談するとき、『機械学習で、途中でバッチが不良かどうかを判定できますか？』と聞かれます。我々がずっと早期に検知できることを知っているので、プロセスを停止してコストと損失を最小化したいのです。」

具体的な事例はありますか？「フランスの大手通信プロバイダーと仕事をしています。セットトップボックスで実際の課題がありました——重い予知保全が必要とは思えない製品です。問題は、故障するたびに問題を特定し、交換しに行く必要があったことです。明らかに時間とコストの面で高くつきます。顧客を失う大きなリスクもあります」と彼は言います。

「我々はプロアクティブに、彼らのボックスの3分の1に問題があることを特定しました。これによりカスタマーサービスが顧客に連絡し、故障が発生する前にボックスをアップデートするか、交換品を送ることができました。」

ボトルネック分析の未来

製造業者は明らかに、機械優先の認知テクノロジーのメリットにますます気づいています。これは異常を特定し、潜在的にサブジェクトマターエキスパートを呼んで、機械の発見の影響を判断してもらうことを可能にします。

実際、Phukan氏はAR、IoT、保証、ハイブリッドクラウドコンピューティング、ブロックチェーンがすべてますます役割を果たすと語りますが、未知を検知することが鍵だと感じています。「鍵はすでに既知のことではない；ドメインエキスパートはそれをうまく処理できます。大きな課題は未知と、次にビジネスを襲うものです。それを防ぐ必要があり、それが製造業のゲームを変える核心なのです」とPhukan氏は結びます。