データとAIで製造業を変革：業界課題を克服する

製造業はビッグデータとAIで大幅な進歩が可能ですが、業界の複雑な課題が導入を遅らせてきました。

「製造業では、品質を継続的に改善しながらコスト削減と生産性向上を求められます」と、アナリティクスソフトウェア・ソリューションリーダーのSASは述べます。これはデジタル時代でも変わらない真実であり、技術進歩がこの課題にこれまで以上に効果的に取り組むことを可能にしました。

表面的に見ても、デジタルトランスフォーメーションで最も目に見えて劇的に変化した業界の一つが製造業であることは明らかです。ヘンリー・フォードの労働集約型生産ラインから、現代の工場のますます人手を必要としない環境へのこの旅は、ビッグデータの出現によって大きく加速されました。製造オペレーション、設備・機械、販売パターン、需要変動から情報を収穫することで、リーダーはより高い効率、生産量、安全性のための戦略を立てられます。最小限の人的投入で稼働しながら、より高い生産性、収益性、信頼性を実現するインダストリー4.0のスマートファクトリー構想は非常に魅力的ですが、この目標実現には同等に巨大な課題があり、克服必須です。

データの波

2018年、大手コンサルティング・アウトソーシングサービスプロバイダーのカプジェミニは、製造業をビッグデータによる運営改善ポテンシャルが最も大きい業界の一つと特定し、その導入が継続的ビジネス成功に不可欠だと述べました。「ビッグデータ分析がもはや『あったらいいな』オプションではなくなった今、企業はプラント効率改善と洞察生成の適切な機会を特定しなければなりません」とカプジェミニは2018年11月のブログ投稿で述べています。「ビッグデータ分析が、ますます複雑な環境で成功するために企業が必要とする競争優位性を提供します。」

IoT（モノのインターネット）駆動技術と5Gのギガビット/秒転送速度を活用するオペレーションではデータ量が指数関数的に増大する中、莫大な複雑性が伴います。組織は広範なデータセットの価値を特定するだけでなく、それがより新しく関連性の高いデータに取って代わられる前に、その潜在価値を実行可能な洞察に変換しなければなりません。多くの場合、生データを他システムのテレメトリーと組み合わせなければ価値を抽出できず、このノウハウを人間レベルで得るのは困難です。

AIの必要性

世界中で訓練されたデータサイエンティストは高需要だが供給不足であり、トップデータアナリストの艦隊があっても、複雑な分析に要する長時間、ヒューマンエラーの可能性、綿密なデータ実装戦略の必要性により、組織データの真の価値はロックされたままです。即時性と正確性の必要性、特に広範なデータスキルギャップを考慮すると、もう一つの新興技術——人工知能（AI）——が答えになります。

特定オペレーションのニーズに合わせて調整可能なアルゴリズム計算と分析は、より正確で迅速に利用可能な結果を生み出し、企業がデータを効率と生産性を改善する情報に基づいた行動に転換し、リアルタイム需要に合わせてオペレーションをスケールし、安全性を向上させ、専門知識不足という問題を解決しながら価値を構築できます。予知保全を通じて、問題が発生する前に検知することさえ可能です——AIの精度の約束なしでは、相当な労働力と時間配分を必要とします。

「予知保全は、IoT、ビッグデータ、アナリティクスが大きなインパクトを与えている分野の一つです」と、Oliver Wight EAMEパートナーのデビー・ヒートン・ボーウェン氏。「1990年代に起源を持つが、先進技術の登場で予知保全の能力が最近『スーパーチャージ』されました。特にスマートファクトリーが現実になる製造セクターで。計画外ダウンタイムと不適切なメンテナンスは企業に数百万ドルのコストを与えますが、IoT対応センサーが機械の点検時期を検知し、より深刻な故障への発展を防ぎ、コストのかかる混乱を回避します。予知保全は人間の目が見逃すエラーを特定するだけでなく、データ駆動型意思決定のみで機械寿命を延ばし、サービスコストを下げ、運営効率を高め、より健全な利益をもたらします。」

他では、ロボティクスも業界で大きな可能性を示すトレンドであり、製造プロセス全体に展開する際、AIがその価値提案に不可欠です。

「正しく統合されれば、これらロボットユニットは人々のスキルと強みを増幅し、職場効率と従業員体験を向上させます」と、ITサービスリーダーCognizantの製造・ロジスティクス担当CDO、プラサド・サティアボル氏。「従来の組立ラインでのショックアブソーバー挿入や食肉カットから、広大なコンテナヤードをパトロールする警備員の『目』として働くドローンまで、すでに製造組織全体に展開されています。これにより、新種の自律的同僚が人間をより高付加価値業務に解放します。MIT研究者たちは、BMWで働く人間・ロボットチームが、人間単独またはロボット単独より約85％生産性が高いことを発見しました。」AIはスキルギャップを埋めつつ、熟練労働者がより価値を加えられるタスクに時間を最大化することを同時に可能にします。

AI導入の課題

明確な機会があるにもかかわらず、経営コンサルティングのマッキンゼーは、製造業でのAI導入が顕著に遅いと指摘します。「AI技術がサプライチェーンと管理機能に具体的改善をもたらした一方で、生産現場ではこれまでほとんど存在感がありません」とマッキンゼーは述べ、この遅い採用は、専門知識と知識豊富な労働力への強い依存によって部分的に引き起こされていると指摘します——これは、AIがこの専門知識をより反復性の低いプロセスへリダイレクトする能力を持つことを考えると、いささか皮肉です。熟練労働力への依存自体が、業界でのAI統合加速の理由になります。

「オペレーター資格のばらつきがパフォーマンスだけでなく利益にも影響するため、AIが知識を保存・改善・標準化する能力はますます重要です」とマッキンゼー。「さらに、AIは複雑な運用セットポイント決定を自律的に行えるため、オペレーター人材の確保と定着に難儀する市場で、予測可能で一貫したアウトプットを確実に提供できます。」

この人的資本依存に加え、多くの工場はインターネット以前のレガシー機械に依存し、過去20年間に導入されたものでも、今日のデータ収集技術と互換性を持たせるには何らかの改修が必要です。一方、最も影響力のあるデータセットのソーシング、どう最適に解釈し、発見を実装するかという問題は、企業だけでなく部門やチームレベルでも異なります。

調査会社ネルソンホールは、MES（製造実行システム）の採用がこの複雑性をさらに増大させると指摘します。MESは長年、企業のオペレーションデジタル化とデータへのより容易なアクセスを可能にしてきましたが、各施設独自のMESの深いカスタマイズにより、分析ソフトウェアなど他技術との互換性と統合が大きな課題となっています。「MESがもたらす難しさは、カスタマイズレベルが高いためアップグレードが困難で高コストだということです」とネルソンホール。「また、MESはプラント生産を統括するためクリティカルシステムであり、厳格な開発、実装、テスト、ロールアウトが必要です。つまりメインフレームアプリケーションと比較可能：動いている限り、誰も深く触れたがらないのです。」この問題回避は、ダッソー、シーメンス、PTCなどが提供する補完システムの追加で行われがちですが、多くのオペレーターが技術インフラを合理化・スリム化して柔軟性と俊敏性を高めようとしている中で、更なる複雑性を追加することになります。

課題のヒドラに立ち向かう

明らかに、製造データセットをうまく活用する課題は巨大です：戦略、テレメトリー、統合、専門知識、レガシーインフラ、それぞれに対処してインダストリー4.0へのシームレスな移行を促進しなければなりません。AIだけでは、データベース技術による製造業のインダストリー4.0への移行を成功させる頭痛の種を解決できません。産業用IoT、ロボティクス、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強力なモダナイゼーションツールとして急速に牽引力を得ていますが、先駆者と同様、それぞれが真に成功するには相当な戦略的検討を必要とします。人間のタッチと運用の整合性が鍵です。

「成功するデータ駆動型トランスフォーメーション戦略には、組織文化、顧客、従業員、テクノロジーを含む様々な要因の包括的視点が必要です。これは孤立したイニシアティブでは達成できず、ビジネスリーダーからの直接的な支援、投資とともに、中長期計画、スポンサーシップ、集中的焦点が必要です」と、Cognizantの製造・ロジスティクス・エネルギー・ユーティリティ担当VP兼ヘッド、ロヒット・グプタ氏。「メーカーは現在のデジタル成熟度を評価し、ビジネスと技術的課題を理解し、このデジタルパラダイムで繁栄するためのロードマップを明確に描かなければなりません。これは反復的アプローチで、スケーラブルで持続可能な成長を支える基盤を開発し、明確なマイルストーンで組織内にデータ能力を構築するものでなければなりません。」

外部支援は大きな加速装置です。SAS、マッキンゼー、カプジェミニなどが、テック分野が日々より粒度細かくなる中、エンタープライズと製造パワーハウスがスマートな未来へ飛躍するための技術的・戦略的ギャップを埋めるために多くを果たしてきました。結局、今日のテックエコシステムは、アウトソーシングへのより大きな焦点と、外部専門知識がテック空間でしばしば優れているという知識に基づいています。製造業は極めて複雑で、ワンサイズ・フィッツ・オールは決してあり得ませんが、データとAI空間のリーダーたちの専門知識を活用すれば、課題を克服し、インダストリー4.0の莫大なポテンシャルを解き放つことは確実です。