メインコンテンツへ移動
ナレッジベース

工場のAIがつながった運用データなしでは失敗する理由

DBR77 Team7分で読めます

このページの内容

工場のAIがつながった運用データなしで失敗するのは、モデルが順位付け、予測、推奨に使えるのは、見えているものだけだからです。多くの工場では、必要な事実が別々のシステムに散らばっており、設備IDが一致せず、停止理由が欠け、その後に人が何をしたかの記録もありません。AIが役立つ前に、工場には次のものが必要です。信頼できる設備イベント、設備と指図についての共通モデル、対応の締められた記録、そして各推奨を対応できる人のもとへ戻す経路です。

AIの予算は、誰かがデータを確認する前に使われてしまうことが多く、上流にある問題の責任がモデルに押し付けられます。

工場のAIパイロットが行き詰まる理由

失敗率は業界を問わず高くなっています。AIエンジニアと研究者65人へのインタビューに基づく2024年のRANDの調査では、ある推計によればAIプロジェクトの80%超が失敗しているとし、これはAIを含まないITプロジェクトの2倍の割合だと指摘しています。調査が挙げる五つの根本原因の一つは、効果的なモデルの学習に必要なデータを組織が持っていないことで、業界関係者50人のうち30人が、データ品質の問題が解消されないと述べています。

Gartnerもデータの側から同様の指摘をしています。2026年までに、組織はAIに対応したデータに支えられていないAIプロジェクトの60%を断念すると予測しており、63%の組織はAIに適したデータ管理の手法を持っていないか、持っているかどうかわからないとしています。

工場では、データサイエンティストがよく一度きりの書き出しを受け取ります。あるシステムのセンサー値、別のシステムの作業指示、スプレッドシートの不良です。モデルはその履歴ではよい成績を出しますが、本番で動かすと何も変わりません。リアルタイムのデータは書き出したデータと一致せず、出力は誰も担当していないメールに届くからです。

書き出した振動データのモデルが、コンプレッサー2号機の軸受の摩耗を検知します。

コンプレッサーの軸受警告一件を、書き出したデータのモデルとつながった流れで比較

オペレーション向けAIに必要な五種類のデータ

オペレーション向けAIは、ある値が何に属しているか、人がそれに対して何をしたか、その後何が起きたかを知る必要があります。

データの種類例現在よくある保存場所それがないと何が失敗するか
設備イベント状態、個数、停止理由、状態値PLC、SCADA、別のIoTツールモデルには数値は見えても、停止や原因は見えない
文脈設備ID、作業指示、製品、材料ロット、シフト、役割MES、ERP、スプレッドシート警告を指図やバッチに結び付けられない
対応と結果作業指示、検査、不適合、完了時のメモCMMS、品質の帳票、紙モデルがどの助言が効いたかを学べない
計画生産計画、段取り替え、材料の有無APS、ERP、計画担当者の個人ファイルよい対策が最悪のタイミングで提案される
ノウハウSOP、保全記録、過去の根本原因共有ドライブ、バインダー、人の頭の中回答が一般論になり、自社工場についてのものにならない

ラベルの質は量と同じくらい重要です。23社、884台の設備の生のOEEデータを調べたChalmersの研究では、損失の区分が欠けていたり、説明が不十分だったりしたため、記録された損失のほぼ半分が分類できませんでした。「不明」で学習したモデルは、役に立つことを何も学びません。そもそもどの設備信号を集める価値があるかについては、設備から収集すべきデータをご覧ください。

量よりも流れが重要な理由

多くの工場は、データの問題にデータレイクで対処しようとしますが、データレイクはレポートには役立っても、データを集めるだけで、判断を現場に返しません。オペレーション向けAIに必要なのはループです。イベントが入り、推奨が出て、人がそれを受け入れるか却下し、対応が記録され、その結果が新しいデータとして戻ってきます。

例(説明のための架空の例):ある工場が4台のエアコンプレッサーを運転しています。書き出した振動データで作った予知モデルが、2号機の軸受の摩耗を検知し、週次のPDFを保全マネージャーに送ります。CMMSは別のシステムなので、誰もその警告を作業指示に結び付けません。技術者は木曜日の計画停止中に軸受を交換し、紙に「異音、軸受交換」と書きます。3週間後、モデルが正しかったのか、早すぎたのか、たまたま当たったのかを誰も説明できず、モデルへの信頼は下がります。

つながった流れの中では、同じ警告が、設備IDに結び付いた推奨として登録されます。計画担当者がそれを作業指示として承認し、技術者は所見と写真を添えて完了させ、その完了記録がラベル付きの結果としてモデルに戻ります。どちらの場合もモデルは同じですが、学習に使えるラベル付きの結果を受け取れるのは、つながっている2番目だけです。

1ラインでの準備度テスト

AIを購入したり開発したりする前に、1ラインで次の「はい」か「いいえ」のテストを行ってください。

  1. 設備リストが一つ。 同じ設備が、設備データ、保全、生産で同じIDを持っている。
  2. 停止に理由がある。 停止時間のうち「不明」の割合が小さく、理由リストが数週間変わっていない。
  3. イベントに文脈がある。 停止や欠陥を、手作業で調べることなく、指図、製品、材料ロット、シフトに結び付けられる。
  4. 対応がシステム上で締められている。 作業指示と品質の対応に、状態だけでなく、何をしたかを含む完了記録がある。
  5. 各出力に担当者がいる。 推奨の種類ごとに、それを受け取る名前のある役割と、対応までの時間が決まっている。
  6. 戻る経路がある。 対応の結果が、モデルが読める場所に保存されている。

四つ以上が「いいえ」なら、次の四半期はモデルではなく、データと流れに使ってください。多くの場合、最も早いのは既存のシステムをつなぐことで、その方法はMES、WMS、QMS、CMMSをすべて置き換えずに統合する方法で紹介しています。

DBR77 IRISでの仕組み

DBR77 IRISは、生産、保全、品質、倉庫、計画を一つの共通データモデルで運用しているため、AIが読む時点で、設備イベント、指図、検査、作業指示はすでに結び付いています。設備データはDBR77 IIoTから取得します。受信したテレメトリーは定義されたスキーマに照らして確認、正規化され、デバイスはステーションに割り当てられ、IRIS CMMSが各ステーションを対応する設備に結び付けます。

IRISのアシスタントは、その共通の記録をもとに動きます。工場のライブデータと、貴社の設備の資料、保全履歴、プロセス、製品から作ったナレッジベースをもとに質問に答え、回答に含まれる数値はすべて、貴社のデータを読み取ったツールから得られます。Data & AIの推奨にはスコアの根拠が示され、それぞれをどう扱うかは人が決め、IRISは適用された推奨の結果を記録します。故障の履歴が少ない場合は、DBR77 DTでシミュレーションデータを生成できます。この基盤ができたら、工場のオペレーションでAIが今日実際にできることで、AIにできることとできないことを確認してください。

よくある質問

AIを始める前にデータレイクが必要ですか?

オペレーションには必要ありません。オペレーション向けAIに必要なのは、成果を出したいラインでの、つながったリアルタイムのイベント、文脈、締められた対応です。

モデルにはどれくらいの履歴が必要ですか?

ユースケースによります。未解決の問題の順位付けやSOPに基づく回答は、少ない履歴でも始められます。まれな故障の予測にはラベル付きの事例が必要で、だからこそ完了記録が初日から重要なのです。

すでにあるデータを使えますか?

たいていは使えます。結び付けさえすればです。多くの工場には生データはあり、欠けているのは一つの設備ID、整った停止理由、完了記録です。

データを工場の外に出す必要がありますか?

社内ポリシーで禁じられている場合は、その必要はありません。IRISはプライベートクラウドや自社のデータセンターで運用でき、SaaSでも工場ごとにデータが分離されています。IRISのアシスタントの言語モデルをどこで動かすかは、パイロットの段階で取り決めてください。

まとめ

モデルに予算を付ける前に、1ラインで6項目の準備度テストを行ってください。四つ以上が「いいえ」なら、次の四半期は既存のシステムをつなぎ、停止理由を整え、対応をシステム上で締めることに使います。そのうえで推奨の種類ごとに担当者と戻る経路を決め、人が実際に何をしたかからモデルが学べるようにしてください。

出典