AIで製造業を解放する: 企業がアプリケーションシナリオを発見し、課題に対処する方法

まとめ

現在、さまざまな業界がデジタルビジネスシナリオを実装または強化するために機械学習機能を構築しています。現実には、企業が実施する機械学習プロジェクトの失敗率が高いと私たちは考えています。主な失敗モードは、目標設定の誤り、ビジネス原則の無視、資金とリソースの不適切な投資、迅速な結果の追求、プロジェクトロードマップの重大な欠陥、プロジェクトガバナンスの欠如、テクノロジープラットフォームとルートの誤り、シナリオに必要なデータの理解不足、データ品質の低さ、人材育成計画と実際のニーズの乖離、という10のカテゴリにまとめることができます。

この記事では、これらの失敗要因が機械学習プロジェクトにどのような大きな影響を与えるか、そして一連のベストプラクティスを通じてそれらを回避する方法を分析します。

この記事では、PAM を例に、エンドツーエンドのアプローチを採用し、ビジネス機能マトリックスから始めて、ビジネス、アプリケーション、データ、テクノロジーのソリューションを段階的に決定します。この例を通じて、上記の問題を効果的に回避する方法と、アーキテクチャの進化を通じて最新の AI テクノロジーに注目し、採用し続ける方法について説明します。

この分析プロセスとソリューションは、B2C および B2B ビジネス モデルを含む製造業を中心に複数の業界に適用でき、ディープラーニング、フェデレーテッド ラーニング、大規模および関連業界の問題をカバーします。

問題の説明

企業は価値をもたらす機械学習関連のソリューションを常に探しており、その多くは、商品の推奨、駐車サービスにおける MFA 顔認識やナンバープレート認識、ChatGPT を使用した顧客サービスなど、既存の ML サービスのユースケースです。

しかし、現実には、企業は失敗モードに陥ることが多く、次のようにまとめられる一連の課題につながります。

1. 間違った目標設定：一部の技術は特定のタスクにおいて人間の作業を代替することができますが、実際には、AI はトレーニングに大量のデータ、データ収集と前処理に多くの人手を必要とし、疑問が生じるとシステムの調整と診断にさらに人手が必要になるため、人件費の節約という目標を達成するのは困難です。

2. アーキテクチャの原則を無視する：生産をスピードアップしてコストを節約すると、品質の低下や安全上の問題が発生するだけでなく、地域環境にもダメージを与えます。機械学習技術を悪用すると、顧客などの機密データが漏洩します。個人データを不正に使用して詐欺行為を行うなど、倫理的慣習に違反し、法的問題にさえつながる行為は、社会的偏見や差別を引き起こし、顧客の信頼を低下させ、企業のブランド価値を低下させます。

3. 資金とリソースの不適切な投資: 投資される資金が少なすぎる上に、能力構築に対する長期的な目標がないため、AI プラットフォームの開発と展開、能力構築のニーズを満たすことができず、結果として能力不足に陥り、長期的には期待される成果が得られません。

4. 迅速な結果の追求と体系的な計画の欠如: 企業は機械学習モデルを短期的な投資と見なし、投資結果を急いで追求しますが、機械学習モデルの潜在的な知識とスキルを効果的に理解して活用することができず、投資結果に影響を与えます。

5. 間違ったプロジェクト ロードマップ: 企業は、ターゲットのニーズを効果的に分析および計画せずに、いくつかのプロジェクト イニシアチブを開始します。たとえば、データ収集やフレームワークの確立など、効果的でない可能性のあるタスクに時間とリソースが費やされます。

6. プロジェクトガバナンスの欠如: 原則やコンプライアンスからの逸脱をタイムリーに検出できず、プロジェクトが設定された目標と要件を達成できるかどうかを確認するための効果的な測定方法が使用されず、最新のトレンドや関連技術の実装が動的に追跡されません。

7. 人材育成計画が実際のニーズから外れている: 企業は明確な能力計画なしに盲目的に人材育成計画を開始し、その結果、育成の能力構造がビジネス要件を満たして適応することができなくなり、プロジェクトに大きな影響を与えます。

8. 間違った技術プラットフォームとルートを使用している。採用した技術プラットフォームは技術トレンドや開発に適合しておらず、独自のニーズに基づいた機械学習モデルの詳細な研究と理解も行われていません。特に、B2B統合などの複雑な状況では、選択した技術がIT環境全体に適合していないため、投資成果が悪くなったり、プロジェクトが失敗したり、技術ルートの変更を余儀なくされたりして、時間と投資の損失、機会費用が発生します。

9. シナリオに必要なデータの理解不足: 十分な価値のあるデータが不足すると、人工知能システムの動作をサポートできず、システムが期待した効果を達成できなくなります。

10. データ品質が低い: 企業は効果的なデータガバナンスを欠いており、データ品質が低いため、機械学習を通じてビジネスシナリオを実現するというニーズを満たすことができません。

成熟したアーキテクチャアプローチを採用することで、上記の問題を効果的に回避できると考えています。

まず、企業のビジネス戦略、バリュー ストリーム、アーキテクチャ原則を分析し、次のような質問の解決に重点を置きます。解決すべきビジネス上の問題は何ですか? エンドツーエンドの価値をどのように生み出すのですか? ビジネスと IT の機能のギャップはどこにありますか? コストとメリットは何ですか? ロードマップは何ですか? 適切な技術ソリューションは何ですか?

これらの問題に対処するには、エンタープライズ アーキテクチャのアプローチと適用されたテクノロジの機能に関する一連の決定が必要になります。このプロセスを例を使って説明したいと思います。

機械学習能力構築の例

これは製造業の事例です。

シナリオ: Prism Alloy Machinery (PAM) は、合金材料機器を製造する会社です。顧客は世界中におり、そのほとんどが PAM のメンテナンス サービスを直接利用しています。

3 年前、PAM はビジネス戦略を徐々に更新し、機械学習テクノロジーを活用して顧客にさらなる価値をもたらし、運用コストを削減するようになりました。

PAM は、多くの失敗を経験した後、業界のベスト プラクティスを参考にして、能力構築が正しい方向に進んでいることを確認するための次の対策を採用しました。 CIO とエンタープライズ アーキテクト チームが実行する手順は次のとおりです。

CIO は、アーキテクト チームにイニシアチブを開始し、エンタープライズ アーキテクチャを変革するための包括的な計画を策定する権限を与えます。このプロジェクトのコード名は「Smart Work」です。

まず、アーキテクチャの原則を見直し、更新する

これらの原則には、法律や規制、倫理的慣習の遵守、プライバシー データの厳格な保護、品質第一、安全な生産、企業の評判の保護など、ビジネスと IT の両方の側面が含まれます。その後のバリュー ストリーム分析、需要分析、アーキテクチャ設計などの作業は、これらの原則に準拠する必要があります。

これらの原則の 1 つは、技術的ソリューションによって信頼性と効率性の高い生産を保証する必要があることです。この原則に基づいて、アーキテクチャ チームは MLOps を推奨される技術アーキテクチャとして挙げました。

さらに、この原則には、技術動向を追跡し、目標に違反することなく適切な技術ルートを採用することも含まれます。 PAM は顧客データを保護するために、機器メンテナンス シナリオをサポートするフェデレーテッド ラーニング プラットフォームを採用しました。これは、アーキテクチャの原則を使用して技術ソリューションを設計する具体的な例です。

第二に、バリューストリーム分析を実施し、資金とリソースの投資が最大の利益をもたらすことを確認します。

バリュー ストリームを調査した結果、機器メンテナンス サービスが収益の 30% を占め、スペア パーツの販売が収益の 16% を占めていることがわかりました。この 2 つを合わせると収益の 46% を占め、機器の販売を上回りました。

一連の議論を経て、アーキテクチャ チームと運用チームは徐々に要件のカタログを特定しました。彼らはこのタイプのサービスを「インテリジェント メンテナンス サービス」に分類しました。コア要件には、人工知能テクノロジと IoT データを使用してメンテナンス コストと生産中断を削減することが含まれています。この種の分析は、資金やリソースの不適切な投資の問題を効果的に回避し、比較的正確な予算を策定するのに役立ちます。同時に、人員とプラットフォームの能力に対して特定の要件が設定されます。

以下は、アーキテクト チームが作成した要件カタログの一部です。

3番目に、ビジネス要件からデータアーキテクチャ、アプリケーションアーキテクチャ、技術アーキテクチャまでのアーキテクチャ分析手法を使用する

次に、ギャップ分析を通じて、アーキテクト チームはアプリケーションとデータ アーキテクチャを更新し、部品の故障予測の精度向上、オフライン検査時間の短縮、部品交換頻度の削減、イベントへの迅速な対応を通じてサービス プランを最適化するという具体的な技術要件を導き出しました。同時に、大規模かつ連続的な生産においては、リスクの少ない経済的な運用を実現するために、部品の寿命を確保する必要があります。

次に、アーキテクト チームは実現可能な技術アーキテクチャを提案しました (図 1 を参照)。

図1 機械学習トレーニングアーキテクチャ

図では、IoT データはセンサーから取得されます。アルゴリズム アプリケーション レベルの要件には、障害モードは何か、摩耗、圧力、振動、負荷、周波数、電圧、温度などによって障害がどのように発生するか、などがあります。

これには、データ サイエンスと、モデル、アルゴリズム、アプリケーションを継続的に最適化するメカニズムという 2 つの主要な機能が必要です。

これらの問題は、典型的な IFD (インテリジェント障害診断) 問題です。データ サイエンティスト チームはディープラーニング モデルを選択し、実行中のデバイスと IoT データの規模、データ セットのスパース性、データ ソースの分布などが主な要因として考慮されました。

機能強化として、データ サイエンティストは、機能と障害モード間の未知の相関関係を見つけるための教師なし学習メカニズムの構築も試みました。

データに関しては、アーキテクト チームは関連データの品質を向上させるためのデータ ガバナンス イニシアチブも計画しました。

4番目に、確立されたフレームワークを使用して実装ロードマップを作成します。

このステップで最も重要なことは、すぐに成果が得られるシナリオに適したプロジェクトを確立することです。

急いで結果を出そうとすることを避けるために、PAM はエンタープライズ アーキテクチャ計画アプローチを採用しましたが、これは時間目標を無視することを意味するものではありません。すぐに成果が得られるシナリオを計画することで、アーキテクチャ設計を最小のコストと最速の時間で検証でき、ユーザーと企業の意思決定者に自信を与え、その後のリソース投資を保証し、短期投資の落とし穴を回避できます。

エンジニアリング プラットフォームを実装する前に、プロジェクトでは MVP の形式で中間結果が提供されました。

第五に、エンジニアリングプラットフォームと技術チームの構築を含む対策を実施する

エンジニアリングの目標は、成熟した AI プラットフォームを活用し、データのラベル付け (さまざまな障害やリスク状況) とモデルのトレーニングのメカニズムを確立し、サービス計画、レポート、エラー傾向分析などのソリューションを適用することです。

クラウドベースのプラットフォームは良い選択であり、その多くは、Baidu の業界アプリケーション ソリューションなど、特定の業界アプリケーション向けの既製のソリューションを提供しています。しかし、これらの製品は PAM ソリューションとしては適格ではありません。 AI チームには、IoT、ビッグデータ コンピューティング、データ マイニング、AI モデルの開発、展開、メンテナンスなどの PaaS 機能を備えたプラットフォームが必要です (図 2: エンジニアリングされた機械学習プラットフォームを参照)。

図2 エンジニアリング機械学習プラットフォーム

オプションには、ai.baidu.com、Azure AI Platform、ai.tencent.com、Huawei HiAI などがあります。

さらに、EA 方法論に基づいて、反復的な要件管理、ソリューション、プロジェクト計画、変更、および実行のフレームワークを確立する必要があります。

上記では、ビジネス、アプリケーション、データ、テクノロジー、チームなど、さまざまな側面から機械学習の機能を計画しています。これらの計画により、時間とリソースが効果的なミッション活動に費やされることが保証されます。

6番目: アーキテクチャガバナンス手法を使用してプロジェクトを監視および管理する

プロジェクトが設定された目標と要件を達成できるかどうか、最新のトレンドを動的に追跡して関連テクノロジを実装しているかどうか、アーキテクチャの原則に違反していないかどうか、データ保護、法律や倫理基準の遵守などのビジネス原則に違反していないかどうかを定期的にチェックするための測定方法を確立します。

スマートワークプロジェクトのための主要な技術オプションを確立するプロセス

主要な関係者とこれらのソリューションを検討しているときに、サービス ディレクターは重大な問題を提起しました。ソリューションのメカニズムの多くは、顧客がデータを共有することを要求しますが、ビジネスに不可欠な情報が関係しているため、それが不可能でした。これはあらゆる資本財ビジネス モデルに共通する問題であり、特に、データ プライバシーに関連するアーキテクチャ原則の潜在的な違反にも関係します。

この問題はプロジェクトの変更によって解決でき、このプロセスはアーキテクチャガバナンスの方法によって完了することもできます。アーキテクト チームは、元のソリューションを「内部ソリューション」として分類し、変更を通じて新しいソリューションを追加しました。つまり、フェデレーテッド ラーニングを使用して、B2B ビジネス シナリオにおけるユーザー データ保護の問題を解決しました。

具体的には、フェデレーテッド ラーニングは、集中化されたトレーニング データを使用しない協調型機械学習の一種です。ローカル データ サンプルを交換せずに保持するサーバーの複数の分散エッジ デバイスでアルゴリズムをトレーニングします。複数の参加者がデータを共有することなく、共通の強力な機械学習モデルを構築できます。

図3 連合学習に基づくソリューション

業界の観点から見ると、このテクノロジーは、データのプライバシー、データのセキュリティ、データのアクセス権、データ転送帯域幅などの技術的な課題などの主要な問題により、機械学習が抽出が困難なデータに依存する状況に特に適しています。このような状況には次のようなものがあります:

• 医療機関は、必要な情報をすべて収集するために、他の組織からデータを取得する必要があります。
• エレベーター製造業者は、顧客からデータを取得せずに、エレベーター内のさまざまなサブシステムまたはコンポーネントの故障モードを特定する必要があります。
• 市は交通量の増加を実現するために信号制御システムを調整するモデルをトレーニングする必要がありましたが、車や乗客のビデオのストリーミングには市が負担できる以上の帯域幅が消費されていました。

さらに、企業は、データ プライバシー以外にも、フェデレーテッド ラーニングに基づくソリューションに適した次のような問題に直面する可能性があります。

• IT の制限: コンピューティング能力、大規模なデータセットの転送コストなど、高価なインフラストラクチャの変更が必要です。
• 技術的負債: IoT データの配信に関しては、既存の IoT 環境で大量のトレーニング データを送受信することが大きな課題であることがわかります。

フェデレーテッド ラーニングのその他の用途は次のとおりです。

エレベーターのメンテナンス サービス: サービス管理におけるリスク パターンを発見し、振動、負荷、周波数、電圧、温度などのパラメータと障害の相関関係を発見します。

カーナビゲーション サービス: 季節、休日、曜日、日付、時間帯などに応じてルートを計画できるインテリジェントなソフトウェアを作成する方法。この文脈では、データプライバシーの問題も大きな懸念事項です。

スマートワークプロジェクトのための他の技術オプションの検討

PAMのアーキテクトチームは、最新の技術動向を追うために、ChatGPTを含む大規模モデルAIの製造業での活用を調査しました。彼らは、大規模モデルAI技術が以下のビジネスに活用できる可能性があると考えています。次の原因によりアーキテクチャが変更される可能性があります。

1. 障害診断: 大規模言語モデルに基づく有効化システムを使用すると、複雑な製造システムの障害を診断し、関連する知識を拡張するのに役立ちます。

2. 製品品質問題の診断：大規模言語モデルに基づく知識ベースを使用することで、起こり得る品質問題の原因を診断し、品質問題に基づいた提案や考え方を提供し、品質問題を効果的に解決することができます。

3. 製造プロセスの最適化: 大規模なモデルを使用すると、元の製造プロセスに基づいてワークフローの各ステップを改善および最適化できるため、生産設備の運用効率と品質が向上します。

4. 設備の自動化: 大規模モデルパラメータ解析を使用すると、設備の動作状態を迅速に特定し、設備が発行する警告を検出し、設備の効果的な自動管理と制御を容易にすることができます。

さらに、ChatGPT技術は業界で認知され始めたばかりですが、大規模モデルAIのプライベート展開も無視できない技術的ルートになる可能性があります。ディープラーニングモデルを改善することで、企業のプライベートな知識を使用してトレーニングされた、または業界で一般的に使用されている大規模言語モデルを使用してエンジニアのスキルをトレーニングするなど、プライベートで事前トレーニングされた大規模モデルは、特定のビジネスニーズを処理するための実行可能なオプションです。

要約する

機械学習は、あらゆる業界にとって重要なデジタル変革能力を形成しています。多くの場合、企業は失敗パターンに陥ります。

この記事では、Infosys の実際のケースに基づいて、エンタープライズ アーキテクチャ メソッドを採用して一般的な障害モードを回避するための一連の手順を紹介します。ビジネス原則に基づいてアーキテクチャ原則を確立する。バリュー ストリーム分析を実施して、資金とリソースの投資が最大の利益をもたらすことを確認する。ビジネス ニーズからデータ アーキテクチャ、アプリケーション アーキテクチャ、技術アーキテクチャに至るまでのアーキテクチャ分析メソッドを使用する。確立されたアーキテクチャを使用して実装ロードマップを確立する。エンジニアリング プラットフォームや技術チームの構築などの対策を実施する。アーキテクチャ ガバナンス メソッドを使用してプロジェクトを監視および管理する。

このプロセスには、ビジネス機能マトリックスの分析、要件およびその他のビジネス ドキュメントの作成、ギャップの特定、データ、アプリケーション、および技術アーキテクチャの設計、テクノロジ オプションの選択などが含まれます。このプロセスを通じて、アーキテクト チームは関連するバリュー ストリームをプロセス、ロール、要件、アプリケーション、データ、テクノロジの機能とシナリオのレベルに分解します。

アーキテクチャ設計が繰り返されるにつれて、より多くのビジネスまたは IT の問題が特定され、問題を最もよく解決する一連の技術的ソリューションが生まれます。その中で、代替の技術的ルートとしては、企業や業界の予測トレーニングとプロンプトを使用する大規模モデル AI テクノロジを採用することが挙げられます。

著者について:

ラジニッシュ・シャルマ

インフォシス グローバル副社長、中国におけるセールス、デリバリー、オペレーション責任者

Sha Ruijie は、Infosys の中国における事業運営全般を担当し、世界および地域のクライアント サービスの提供を主導し、顧客満足度を向上させています。さらに、彼はインフォシス中国本土チームの人材管理と能力開発も担当しています。クラウド、AI、自動化主導のデジタル サービスに情熱を注ぐ彼は、デジタル アジリティと自動化主導のサービスを提供するチームを率いて、クライアントの変革の旅の完了を支援しています。

王玄

Infosys のチーフ テクノロジー アーキテクト、Infosys China の戦略テクノロジー グループ責任者

Wang Xuan 氏は、Infosys の中国におけるアーキテクト チームの責任者です。このチームの目標は、エンタープライズ、ソリューション、テクノロジーの各レベルでアーキテクチャ機能を開発し、最適化することです。当チームは、IT 計画、アプリケーション、データおよびテクノロジー ソリューション、アーキテクチャ ガバナンスなど、さまざまな段階で当社のサービス提供ビジネスをサポートします。チームは、デジタル変革と企業の近代化の取り組み、クラウド移行、データ分析、大規模な機械学習、Web3、ブロックチェーンなどの最先端技術の応用に重点を置いています。