製造業が競争優位性を得るためにAIとビッグデータを活用すべき理由

製造業におけるAIとビッグデータの現在の活用状況

Manufacturing Globalは、EY、Infor、GE Digitalのエグゼクティブリーダー3名にインタビューし、製造業におけるAIとビッグデータの役割について探りました。過去10年間、製造業のデジタル変革は常に話題の中心でしたが、最近の出来事により、インダストリー4.0やスマート製造が提供する俊敏性、拡張性、レジリエンスの必要性が一層高まっています。

コブス・ファン・ヒールデン氏（GE Digital シニア デジタル プロダクト マネージャー）

インダストリアルAIは、ターゲットを絞ったAI技術、データ、物理学、深いドメイン知識を組み合わせ、主要な産業ビジネス課題を解決します。従来のAIが人間の知能を模倣するのに対し、インダストリアルAIはそれを基盤として、ハイステークで動的かつ変数の多い産業環境において、洞察を引き出し因果関係の知識を特定します。製造現場では、主要なプロセスおよび資産の問題を検知・予測し、生産能力、品質、コスト構造の最適化を支援します。

フィル・ルイス氏（Infor ソリューション コンサルティング EMEA 担当バイスプレジデント）

AIやビッグデータの教科書的な定義は、業界ごとに技術への要求が大きく異なるという本質を捉えていません。重要なのは、特定のビジネス課題に対していかに技術を適用するかです。その課題が「業界標準」的なものであれ、技術導入に伴う固有のものであれ、真に独自性のあるビジネスの重要な10%にビッグデータとAIを適用することに最大の価値があります。これを60/30/10の比率で捉え、最大の価値創出を目指しています。

インダストリー4.0実現のためにAIとビッグデータを活用すべき理由

コブス・ファン・ヒールデン氏

スマート製造は、リアルタイムおよび過去のデータを用いて将来の資産・プロセス性能を予測し、クローズドループで最適化する産業高度分析を導入します。これにはAIと機械学習を活用し、プロセスエンジニアが産業データソースを横断的に結合し、問題を迅速に特定し、工場内の根本原因を発見し、資産の将来性能を予測し、品質・生産性・運用改善のためのアクションを自動化することが含まれます。

マーク・パウエル氏（EY UKIコンサルティング パートナー）

デジタル化は製造業にサプライチェーンの再考を迫っています。多くの企業が社内データで需給バランスを追っていますが、サプライチェーンに影響を与える外部イベントを予見するのは困難です。ソーシャルメディアやイベントデータなどの非構造化外部データを理解するAI技術を用いれば、サプライチェーンの混乱をより早期に計画できます。

さらに、製造オペレーションのデジタルレプリカを構築し、生産サイクルタイムの短縮、製造能力の拡大、計画外メンテナンスの予測など、変革的な可能性を引き出せます。

フィル・ルイス氏

AIとビッグデータの象徴的な統計は注目を集めます。最近、シーメンスはドイツの工場でプロセスの75%をデジタル化・自動化し、生産性が1,400%向上しました。これはあらゆるビジネスにとってゲームチェンジャーであり、多くの製造業者が将来計画へのAI・ビッグデータ統合を検討し始めています。

AIとビッグデータの価値を実現するための最適な戦略

コブス・ファン・ヒールデン氏

プロセスエンジニアはプロセスモデル（プロセス デジタルツイン）を構築し解釈する卓越したドメイン専門知識を持っています。これが分析による競争優位性の基盤です。メーカーはドメイン専門知識を以下の5つの能力と整合させる戦略を立てるべきです：

• 分析：自動根本原因特定により継続的改善を加速
• 監視：早期警告によりダウンタイムと廃棄物を削減
• 予測：プロアクティブなアクションにより品質、安定性、信頼性を向上
• シミュレーション：What-ifシミュレーションにより低コストで迅速かつ正確な意思決定を実現
• 最適化：最適プロセス設定点により、許容品質レベルでスループットを最大10%向上

すべてのプロセスエンジニアが分析と機械学習の能力を開発し、競争力を維持する必要があります。時間とともに、小規模プロジェクトからパイロット、マルチプラント最適化へと、分析の深い適用へと進化できます。彼らの深いドメイン専門知識は、プロセスモデリングと、非常に特定の用途でゲームチェンジャーとなる分析開発の基盤となります。

何より重要なのは、分析を「今すぐ始める」ことです。「トライストーム（試行錯誤）」でプロジェクトを進め、直感的なアイデアをデータと分析で検証してください。データサイエンスの専門家になるのを待つ必要はありません。実証済みの使いやすい産業分析ツールをドメイン専門知識で活用すれば、大きな改善を迅速に実現できます。

フィル・ルイス氏

製造業を含む企業は、デジタルプロジェクトを顧客、サプライチェーン、内部効率、人材の4つの主要ドライバーのいずれかに焦点を当てて評価しがちです。これらはしばしば「どうすればより良くできるか」という継続的な姿勢から有機的に生まれます。競争への懸念、とりわけ後発の破壊的参入者に置いて行かれる恐怖が、これを加速させ、多くの投資を促しています。

しかし、多くの製造業者は（COVIDによるデジタル化の前から）すでに技術に多額の投資をしています。最初の定義ポイントは、AIとビッグデータを既存技術と整合させることです。現在使用中の技術を評価する際、短期的な「現在のプロセスを処理できるか」だけでなく、「将来のプラットフォームを提供できるか」という長期的視点も必要です。後者の「プラットフォーム視点」はデータの上に成り立ちます。両者は同等に重要ですが、プラットフォーム視点こそがビッグデータを要求します。継続プロセスをサポート・調整するだけのプラットフォーム選定では不十分で、将来能力が組み込まれている必要があります。

さらに、この技術を最良の方法で導入する必要があります。オープンでクラウドベースのアプリケーションランドスケープにより、煩雑な統合やボルトオンなしでビッグデータやAIといった新機会を掴めます。これにより組織はより俊敏になり、技術をビジネスニーズに創造的に適用し、新たな収益機会の特定などに集中できます。

AIとビッグデータ分析導入の課題

コブス・ファン・ヒールデン氏

メーカーは顧客需要を満たしながら廃棄物、コスト、リスクの削減に挑んでいます。AIとデータの組み合わせは、文脈を持ったデータで作業者をエンパワーし、人・資産・プロセスが効率的に連携できるよう、分析ベースのソリューションでデジタル化を加速します。

もう一つの課題は「始めること」そのものです。分析をオペレーションでどう活用するか学びたいが、現在の労働力の仕事ではないと見なしがちです。幸い、インダストリアルAIソリューションなら、プロセスエンジニアがデータサイエンティストになる必要はありません。

マーク・パウエル氏

AI導入の鍵は、組織全体でAIがインパクトを与える高価値領域について合意を形成できるかです。例えば、機械学習とコンピュータビジョンで設備故障を事前予測・特定し、生産ダウンタイムとメンテナンスコストを削減するなどです。もう一つは、テストアンドラーンの文化を通じてAIをプロセスに浸透させる文化の確立です。

長らく組織は「データドリブン」になることを語ってきましたが、期待ほどうまく機能していません。メーカーは異なるアプローチを取るべきです。まず新たな洞察からどこに価値を生めるかを理解し、その洞察を導くデータに焦点を当て、そこからビジネス価値を導くデータに集中すべきです。組織は単に「データドリブン」ではなく「インサイトドリブンかつデータイネーブルド」になる必要があります。そうでなければAIとビッグデータの真の力を活用できません。

フィル・ルイス氏

データへの態度変化がすべてです。かつて「必要な悪」と見られたデータが、今やビジネスの第一資産です。これがビッグデータラベルへの執着を生みがちですが、重要なのはデータで「何をするか」です。AI/BI/IoTなどを用いてデータを真に価値ある資産に変えることです。自動車業界が好例です。車両が生成するデータを活用・販売しています。興味深いことに、「クラウド」はほぼ前提条件となりました。24ヶ月前ならクラウドが第一の考慮事項でしたが、今や「テーブルステークス（参加最低条件）」です。クラウドに行くかどうかではなく、どの種類のクラウド/クラウド活用かが問われます。インフラの「どう」の会話から、ビジネスがデジタルを採用する「何」と「なぜ」へと大きくシフトしました。

AIとビッグデータは第4次産業革命（インダストリー4.0）を牽引しているか？

コブス・ファン・ヒールデン氏

インダストリアルAIとデータの組み合わせが生み出す「プロセス デジタルツイン」は、センサーおよび生産データから洞察を掘り起こし、連続・ディスクリート・バッチ製造プロセスのパフォーマンスを迅速にトラブルシューティングします。この技術は予測分析を活用し、運用シナリオを分析し、運用変更が主要KPIに与える影響を定量化し、パフォーマンス変動の原因を特定します。デジタルツインは過去データとリアルタイムデータの両方を振り返り、前進を加速させる継続的改善（業界の未来の主要目標）を刺激します。

フィル・ルイス氏

AI/MLの用途は日々増加しています。在庫最適化、メンテナンス、迅速な財務プロセスなどが頻繁に挙げられます。これらを継続しROIを維持するには、AIをボルトオンではなく他システムと配管のように統合し、即座に稼働できる状態にする必要がありさないと、高額でコストのかかる統合プロジェクトに直面します。次の具体的技術は、個々の企業やプロジェクトの成熟度によります。企業はデジタルプロジェクトの寄せ集めではなく「デジタルファブリック」の段階に達しつつあります。AIによって駆動され、大量のセンサーデータで供給される処方的作業は、B2B/産業市場に莫大な可能性を秘めており、資産メンテナンスとフィールドサービスで非常に有望な初期成果が見られています。