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。
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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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
- RAND Corporation, Ryseff, De Bruhl, Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, 2024
- Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, 2025
- Hedman, Subramaniyan, Almström, Analysis of Critical Factors for Automatic Measurement of OEE, Procedia CIRP, 2016