データとAIで製造の課題に取り組む

製造業はビッグデータとAIを通じてかなりの進歩を遂げる立場にありますが、業界の複雑な課題により普及が遅れています...

「製造業では、コストを削減し、生産性を向上させながら、品質を継続的に改善するというプレッシャーにさらされています」と、分析ソフトウェアおよびソリューションのリーダーであるSASは述べています。これはデジタル時代でも相変わらず真実であり、技術の進歩により、これまで以上に効果的に課題に取り組むようになりました。

ざっと見ただけでも、デジタルトランスフォーメーションによって揺さぶられるすべての業界の中で、製造業よりも目に見えて劇的に変革された業界はほとんどないことがわかります。ヘンリーフォードの労働力集約型の生産ラインから現代の工場のますます人のいない環境へのこの旅は、ビッグデータの出現によって大幅に加速されました。製造業務、設備と機械、販売パターン、需要変動から情報を収集することで、リーダーは効率、生産量、安全性を高めるための戦略を立てることができます。最小限の人的入力で稼働し、生産性、収益性、信頼性を高めるスマートファクトリーのインダストリー4.0のビジョンは非常に魅力的ですが、この目標を実現することは、克服しなければならない同じくらい大きな課題をもたらします。

データの波

2018年に、大手コンサルタントおよびアウトソーシングサービスプロバイダーであるキャップジェミニは、製造業がビッグデータによる運用改善の最も大きな可能性の1つであると特定し、その採用は継続的なビジネスの成功に不可欠であるとまで言っています。 「ビッグデータ分析はもはや「便利な」オプションではなくなったため、企業はプラントの効率を改善し、洞察を生み出すための適切な機会を特定する必要があります」と、キャップジェミニは2018年11月のブログ投稿で述べています。 「ビッグデータ分析は、ますます複雑化する環境で成功するために必要な競争力のあるエッジ企業を提供します。」

膨大な量のデータ（モノのインターネット（IoT）を利用したテクノロジーを利用した運用で指数関数的に増加する質量と5Gのギガビット/秒の転送速度）では、非常に複雑になります。組織は、幅広いデータセットの価値に焦点を当てるだけでなく、新しい、より関連性の高いデータに取って代わられる前に、その初期の価値を実用的な洞察に変える必要があります。多くの場合、生データは、その価値を抽出するために他のシステムのテレメトリと組み合わせる必要があり、人間レベルでのこのノウハウを得るのは困難です。

AIの場合

世界中で、訓練を受けたデータサイエンティストは需要が高く、供給が不足しています。トップのデータアナリストが多数いる場合でも、組織のデータの真の価値は、複雑な分析を行うための長い時間、人為的ミスの可能性の背後に閉じ込められています。 、および深く検討されたデータ実装戦略の必要性。特にデータスキルのギャップが広範囲に及ぶ場合の即時性と正確性の必要性は、別の新しいテクノロジーである人工知能（AI）によって解決できます。

特定の操作のニーズに合わせて調整可能なアルゴリズムによる計算と分析により、より正確で迅速に利用できる結果が得られ、企業はそのデータを情報に基づいたアクションに変換して、効率と生産性を向上させ、操作をリアルタイムの需要に合わせて拡張し、安全性を向上させ、根こそぎにすることができます。価値を構築しながら専門知識の不足によって引き起こされる問題。 AIが提供する正確さを約束せずに、かなりの労働力と時間の割り当てを必要とする予知保全を通じて、問題が発生する前にそれをキャッチすることさえできます。

「予知保全は、IoT、ビッグデータ、分析が大きな影響を与えている分野の1つです」と、OliverWightEAMEのパートナーであるDebbieHeaton-Bowenは述べています。 「1990年代に始まりましたが、高度なテクノロジーの出現により、特にスマートファクトリーが現実のものとなった製造業において、予知保全の機能が最近「過給」されています。計画外のダウンタイムと不十分なメンテナンスは企業に数百万ドルのコストをかける可能性がありますが、IoT対応センサーは、機械の検査が必要な時期を検出できるため、コストのかかる混乱を引き起こすより深刻な障害の発生を防ぎます。予知保全は、人間の目で見逃したエラーを特定するだけでなく、データに基づいた意思決定のみを行い、機械の寿命を延ばし、サービスコストを削減し、運用効率を高めてより健全な利益を実現します。」

他の場所では、ロボット工学はかなりの見込みを示す業界のもう1つのトレンドであり、AIは、製造プロセス全体に展開される場合、その価値提案に不可欠です。 「これらのロボットユニットを正しく統合すると、人々のスキルと強みを増幅して、職場の効率を高め、従業員のエクスペリエンスを向上させることができます」と、ITサービスリーダーのCognizantの製造およびロジスティクスのCDOであるPrasadSatyavoluは述べています。 「これらは、ショックアブソーバーの挿入や従来の組立ラインでの肉の切断から、広大なコンテナヤードを巡視する警備員の目として機能するドローンまで、すでに製造組織全体に展開されています。そうすることで、新しい種類の自律的な同僚は、より価値の高い仕事を引き受けるために人間を解放しています。 MITの研究者は、BMWで働く人間とロボットのチームは、人間やロボットが単独で働くよりも約85％生産性が高いことを発見しました。」したがって、AIは同時にスキルのギャップを埋め、熟練労働者がより多くの価値を付加できるタスクに集中できる時間を最大化できます。

AIの取り込みの課題

明確な機会があるにもかかわらず、経営コンサルタントのマッキンゼーは、製造業ではAIの普及が著しく遅いと指摘しています。 「AIテクノロジーはサプライチェーンと管理機能に具体的な改善をもたらしましたが、これまでのところ生産における存在感はほとんどありませんでした」とマッキンゼー氏は述べ、この遅い採用は、専門知識と知識豊富な労働力への大きな依存によって部分的に引き起こされたと述べています。 AIがこの専門知識を繰り返しの少ないプロセスにリダイレクトする能力を考えると、やや皮肉なことです。熟練した労働力への依存自体が、AIの業界への統合を加速させる原因となっています。

「オペレーターの資格の違いはパフォーマンスだけでなく利益にも影響を与える可能性があるため、知識を保存、改善、標準化するAIの能力はさらに重要です」とマッキンゼーは言います。 「さらに、AIはそれ自体で複雑な運用上の設定値の決定を下すことができるため、オペレーターの才能を引き付けて維持することが困難な市場で、予測可能で一貫した出力を確実に提供できます。」

この人的資本への依存に加えて、多くの工場はインターネットよりも前のレガシー機械に依存しており、過去20年間に導入された工場は、今日のデータ収集技術と互換性を持たせるためにある程度の変更が必要です。一方、最も影響力のあるデータセットを調達する方法、それらをどのように解釈して調査結果を実装するのが最善かという問題は、企業だけでなく部門やチームによっても異なります。

調査会社のNelsonHallは、MES（Manufacturing Execution Systems）の採用により、この複雑さがさらに増すと指摘しています。 MESにより、企業は何年もの間、業務のデジタル化とデータへのアクセスをより簡単に行えるようになりましたが、各施設のMESを大幅にカスタマイズすることで、無数のソースからのデータを照合および分析する分析ソフトウェアなど、他のテクノロジーとの互換性と統合が可能になります。かなりの挑戦。 「MESがもたらす難しさは、カスタマイズのレベルを考えると、アップグレードが難しく、コストがかかることです」とNelsonHall氏は言います。 「また、MESはプラントの生産を管理するため、重要なシステムであるため、厳密な開発と実装、テスト、および展開が必要です。言い換えれば、それらはメインフレームアプリケーションに匹敵します。それらが実行されている限り、誰もそれらに深く触れたくないのです。」したがって、この問題の回避は、ダッソー、シーメンス、PTCなどが提供するような補完的なシステムを追加することで行われることが多く、多くのオペレーターが技術インフラストラクチャを合理化およびスリム化して柔軟性と俊敏性を向上させようとしている場合、さらに複雑になります。 。

チャレンジハイドラへの取り組み

明らかに、製造データセットをうまく活用することの課題は巨大です。インダストリー4.0へのシームレスな移行を促進するには、戦略、テレメトリ、統合、専門知識、およびレガシーインフラストラクチャにそれぞれ対処する必要があります。悲しいことに、AIだけでは、製造業をインダストリー4.0に移行させるデータベーステクノロジーの実装を成功させるという頭痛の種を解決することはできません。産業用IoT、ロボット工学、デジタルツイン、予知保全はすべて、ビッグデータとAIによって可能になった製造業の強力な近代化ツールとして急速に注目を集めていますが、その先駆者と同様に、真に成功するにはかなりの戦略的検討が必要です。人間味と操作上の調整が重要です。

「データ主導の変革戦略を成功させるには、組織文化、顧客、従業員、テクノロジーなど、さまざまな要素の包括的なビューを検討する必要があります。これは、孤立したイニシアチブでは達成できず、代わりに、集中的な焦点、中長期の計画、スポンサーシップ、およびビジネスリーダーからの直接の投資が必要です」とCognizantのVP兼製造、ロジスティクス、エネルギー、ユーティリティの責任者であるRohitGuptaは述べています。 「メーカーは、デジタルの成熟度の現在のレベルを評価し、ビジネスと技術の課題を理解し、このデジタルパラダイムで成功するためのロードマップを明確に想定する必要があります。これは反復的なアプローチである必要があり、スケーラブルで持続可能な成長をサポートし、明確なマイルストーンで組織内にデー​​タ機能を構築できる基盤の開発に向けて取り組んでいます。」

外部からの支援は巨大な加速器であり、SAS、マッキンゼー、キャップジェミニなどが挙げられますが、スマートな未来への飛躍を目指している企業や製造業の大国の技術的および戦略的ギャップを埋めるために多くのことを行った企業もあります。結局のところ、今日のテクノロジーエコシステムは、アウトソーシングへのより大きな焦点と、日ごとに細かくなっていくテクノロジー分野では外部の専門知識が優れていることが多いという知識に基づいています。製造は非常に複雑で、1つのサイズですべてに対応することはできませんが、データとAIの分野全体でリーダーの専門知識を活用することで、提起された課題を克服し、インダストリー4.0の大きな可能性を解き放つことができます。