今後5年間の産業AIの8つの主要な発展トレンド

ChatGPT と生成型人工知能 (AI) が世間の注目を集めるようになり、突如として世界で最も議論されるトピックの 1 つになりました。

しかし、製造業においては、これはまったく新しいことではありません。機械学習 (ML) 技術は、10 年以上にわたってテストおよび測定業務のコストを削減し、成果を向上させてきました。また、プロセス データを活用して実用的な洞察を収集したいという要望は、インダストリー 4.0 の基本原則です。

製造業は AI の認知度と経験の点で他の業界よりも進んでいるため、最近の「ニュースの誇大宣伝」の波を無視するのは簡単ですが、ロックウェル・オートメーションの Kalypso データサイエンスおよび AI プラクティスのシニアマネージャーである Mithun Nagabhairava 氏は、AI が製造業に与える革命的な影響はまだ始まったばかりだと言います。

AI/MLの進歩が製造業の新時代を告げる

これらの最先端技術は工場の運営方法に革命をもたらし、これまでにないレベルの効率、生産性、品質を実現します。進化する労働力をサポートする AI 対応の意思決定システムから、運用を最適化する自律システムまで、AI/ML は製造業に新しい時代をもたらしています。特に、ナガバイラヴァ氏は、自動運転車が自動車業界に与えた変革的影響と同様に、AI が工業メーカーの自律化に向けた自動化を推進する上で重要な役割を果たすと考えています。

私たちは、AI/ML の力と最適制御理論の確立された基礎を相乗的に組み合わせる分野で特に魅力的な進歩を見出しています。最適制御理論は 18 世紀に始まり、何世紀にもわたる開発を経て、製造プロセスの決定論的な性質とよく一致するようになりました。

革新的な AI/ML テクノロジー、高性能コンピューティング インフラストラクチャ、コスト効率の高い大規模データ取得により、多変数、非線形、時間的ダイナミクスを伴うより複雑な製造課題の解決に役立ち、前例のない規模でイノベーションを推進します。

AI/ML アルゴリズムは、膨大なデータセットを処理および分析することで、変化する環境におけるシステムの過去の動作を記述する分析モデルを導き出し、資産の可用性の向上、運用の最適化、品質管理の強化、エネルギー使用量の削減のためにメーカーが実行すべき最善のアクションを決定するのに役立ちます。

注目すべき進歩をいくつか紹介します。

• 自律制御: AI/ML を使用することで、製造プロセスは自動化から自律制御へと移行し、システムが人間の介入なしにリアルタイムで意思決定と調整を行えるようになります。
• マシン ビジョン システム: 高度なクローズド ループ制御戦略と高度なセンサ マシン ビジョン AI フィードバックを組み合わせることで、PLC は自動修正アクションを実行し、リアルタイムで欠陥を削減できます。
• 進化的モデリング: データ サイエンスの実践の初期には、利用可能なデータから得られたさまざまな基準に基づいて単一のモデルが選択されるポイント ソリューションが標準でした。このアプローチは、潜在的な候補モデルのコレクションからモデルを構築することに進化します。進化モデルが登場しています。これは、各モデルが生き残るために各反復でうまく適応することを要求するアプローチであり、それによって、それぞれのシステムの実際の物理プロセスとダイナミクスとより一致する、非常に正確で堅牢なモデルが開発されます。

AI/ML の進歩と最適制御理論の原理を組み合わせることで、プロセス、ハイブリッド、ディスクリート製造業における多くの革新的なアプリケーションが生まれています。

• 消費財製造: 食品、飲料、パルプ、紙の製造では、原材料のばらつきが一般的な問題であり、予測できない製品や機械のパフォーマンスの問題につながることがよくあります。さらに、工場の環境条件は原材料の特性に大きな影響を与える可能性があり、プロセスをさらに複雑にします。

従来、オペレーターとエンジニアは試行錯誤を繰り返しながら、こうした種類の問題を解決してきました。このアプローチは成功することもありますが、時間がかかり、ドメイン知識に大きく依存し、規制されていないため、スクラップとスループット率が変動します。自律制御戦略を使用することで、企業はオペレーターの知識と履歴データから得た経験を組み合わせた信頼性の高いモデルを構築し、最良の結果を得るためにシステムをどのように調整する必要があるかを判断することができます。

• タイヤ製造: 何百もの材料コンポーネント、複雑な化合物の相互作用、および各ステップでの厳格な品質管理要件により、プロセス全体にわたる原材料、製造条件、およびレオロジー特性の変動により、タイヤの品質が一定しない可能性があります。

大手タイヤメーカーは、AI/ML テクノロジーを活用した高度なクローズドループ最適化とマシンビジョン機能を活用して生産プロセスを最適化することで、これらの課題を克服しています。これらには、混合中の最適なムーニー粘度、押し出し中の設定値に近い一貫した重量測定、タイヤ製造機械での許容範囲外イベントの削減、硬化中の最適な加硫性能、最終検査中の自動欠陥検出を実現するためのプロセス モデルと最適化機能の開発が含まれます。

• 医療機器製造: 製造プロセス全体を通じて汚染を防ぎ、最終製品ごとに一貫性を実現することが、この業界における 2 つの大きな課題です。マシン ビジョンは、2D/3D イメージング システムとディープラーニング畳み込みニューラル ネットワーク (CNN) モデルを使用した正確な計測と欠陥検出機能を組み合わせることで、適合証明書を保証する新しいアプローチを提供します。これらの機能により高度な自動化が可能になり、製造業者は完全に閉鎖された環境で作業できるようになります。

このアプローチにより、汚染の主な原因となることが多い、オペレーターの直接接触を必要とする段階が排除されます。さらに、AI テクノロジーの進歩により、ロボットの動作がより正確かつ精密になり、高度なマシン ビジョン機能と組み合わせることで、機器のスループットと一貫性を最大限に高め、大きなビジネス価値を生み出すことができます。

AI は IT/OT 統合にどのように役立ちますか?

AI を活用して OT 環境を分析し、ソースで IT 情報を自動的にキャプチャして組み合わせることで、OT レベルでの分散型かつ戦術的な意思決定と、IT レベルでの集中型かつ戦略的な計画との間の最適な相乗効果を実現します。この洞察により、組織は IT/OT の統合を実現し、価値と効率を最大化できます。

大手 CPG メーカーとの協業経験に基づくと、AI を活用する魅力的な用途の 1 つは、運用上の非効率性、ボトルネック、改善領域を特定することです。

複数のソースからの材料の流れを結合し、それらの同じ材料を複数のワークステーションまたはマシンに分配し、多くの場合、各主要セクション間にバイパスを設けて材料の全体的なバランスを確保する搬送システムを検討してください。

これらの主要なコンベアセグメントの OT 制御システムは、セグメント内の速度を戦略的に調整して材料の安定した流れを確保する機能が十分に備わっていますが、各セグメントへの材料の流れを調整したり、作業員を配置したり、コンベアによって供給される機械に材料を積み込んだりする IT データを認識していません。

この IT データを各主要出荷セグメントの現在の在庫レベルに関する OT データと組み合わせることで、AI は主要セグメント間の効率的なバイパスを設定し、ボトルネックを緩和し、より安定した流出を生み出し、計画された入力の不均衡を調整することができます。

最小限の労力で ML ソリューションを起動および維持する

データ サイエンティストの作業負荷を最小限に抑えるには、重要な組織的および技術的な考慮事項が必要です。組織化に関して最も重要な点は、作成から展開までのモデリング プロセス全体にプロセス エキスパートまたはオペレーターを含めることです。通常、工場環境で AI ソリューションを使用するには、プロセス運用の専門家による検証または承認が必要です。モデルが展開される可能性を確保するには、多くの場合、過去の動作原理を理解し、そのコンテキストで AI の結果を解釈できることを保証する必要があります。

さらに、適切な組織的関与により、AI 活動は、影響の少ないプロセスの側面を無視したり無視したりすることなく、実際の価値をもたらす決定を優先することに重点を置くようになります。最小限の労力で ML ソリューションを立ち上げるには、データ サイエンティストとプロセス エキスパートの連携が必要です。これにより、AI ソリューションが運用に適していることが保証されます。

テクノロジー面では、BYOM (Bring Your Own) モデルにシームレスに適応するプラットフォームにより、特に OT モデルが時間の経過とともに発展し成熟するにつれて、導入が大幅に簡素化されます。これらのプラットフォームは、温度、圧力、モーター速度など、特定の機器や製品の特性に合わせてモデル パラメータを微調整する機能を提供します。

PLC や IT ビジネス システムと通信するための簡単に構成できる標準接続プロトコル、主要な機能をマイクロサービスとしてパッケージ化して柔軟なコンポーネントを分離する柔軟性、大規模な展開とメンテナンスを簡素化するワークフロー パイプラインを確立する組み込み機能を提供するテクノロジ スタックを選択することが重要です。

AI/ML テクノロジーの人気の高まりと、重要な製造プロセスへの ML モデルの統合の複雑さの増大により、開始から保守までのこれらのモデルのライフサイクル全体を効果的に管理するための MLOps (機械学習運用、機械学習モデルを運用環境に適用するための方法論と実践) の開発が促進されています。

OT システムに関する社内経験の強固な基盤を活用します。工場の OT システムは長い期間にわたって進化し、情報の関連付けとコンテキスト化を大幅に体系化してきました。作成時に、OT システムの I/O アーキテクチャが ML モデルにマッピングされていることを確認することが、価値を実現するための第一歩です。 OT コンテキストを ML モデルと一致させることで、これらの機能を展開後に拡張および維持できるようになります。この基礎的な実践は、AI/ML イニシアチブの実装を加速させる触媒として機能します。

成熟した変更管理と標準運用手順に沿って、モデルとマシンのパフォーマンスを監視および維持するための確立された OT プラクティスの自然な拡張として MLOps アプローチを統合することは、これらのプラクティスを採用する上で非常に重要です。これらの機能の拡張は、本番環境に導入される ML モデルの数、ビジネス ROI への影響の測定、継続的なメンテナンス作業の測定など、ビジネス価値に合わせて調整する必要があります。

産業用AIの8つの発展トレンド

最近の市場レポートによると、世界の産業用人工知能市場規模は2020年に169億米ドルで、2026年までに1,022億米ドルに達すると予想されています。 Nagabhairava 氏は、このトレンドの軌跡を予測すると、AI/ML が今後 5 年から 10 年の間に産業製造プロセスに大きな影響を与え、次の分野で前例のないビジネス成果をもたらすことがますます明らかになっていると考えています。

• 自律製造の広範な採用: AI/ML テクノロジーは、自律機能の広範な採用を促進し、より多くの自動化コントローラーにインテリジェント AI エージェントを装備して、優れたレベルの制御を実現し、製造プロセスを最適化します。
• 次世代の労働力の形成: AI 対応の自律機能は、企業が退職する労働者の何十年にもわたる経験を保持し、将来の労働力を形成する上で中心的な役割を果たすことになります。
• オペレーターのエンパワーメント 2.0 : AI は、オペレーターの重要な役割を反復的な操作から機械のパフォーマンス管理へと高めるのに役立ちます。
• マシン ビジョンによる品質管理の強化: 製造プロセスの各重要なステップで高度なクローズド ループ制御戦略とマシン ビジョン フィードバックを組み合わせることで、PLC は自動的に修正アクションを実行して欠陥を最小限に抑え、優れた製品品質を実現できます。
• 高度な視覚誘導ロボット: 固定ロボット システム (多関節アーム、デルタ ロボット、ガントリー システムなど) と移動ロボット プラットフォーム (AGV や AMR など) の高度な認識機能により、複雑な環境をナビゲートし、最適な経路を決定し、繊細な材料を扱い、複雑なタスクを正確に実行できるようになります。
• 生成 AI を採用して価値実現までの時間を短縮: この革新的な AI 形式は、データ拡張用の合成データを生成し、強力な AI/ML モデルを迅速にトレーニングすることで製造業界に革命をもたらし、驚異的なイノベーションを推進します。
• 人間によるフィードバックによる強化学習 (RL) : これらの機能は、強化学習アルゴリズムの意思決定機能と人間のオペレーターの専門知識および直感を組み合わせ、人間の指導の下で継続的に学習し進化するインテリジェント システムの新しい時代を切り開きます。
• エネルギー最適化: AI は、エネルギー使用量を効果的に最適化し、コストを削減しながら、エネルギー集約型プロセスのスループットと品質を最大化する上で重要な役割を果たします。

製造業における AI システムの開発と応用が成功するかどうかは、業界に関する深い専門知識と、必要とされる特定のアプリケーション知識にかかっています。この専門知識と AI テクノロジーを適用する専門知識を持つ企業は、イノベーションを推進し、AI システムの潜在能力を最大限に引き出し、製造業務に変革をもたらす先駆者となるでしょう。