産業用 AI チェックリスト: 始めるための 10 ステップ

人類はもはや人工知能（AI）の波から逃れることはできない。彼らが行くところすべてで、最新の AI ソフトウェアを宣伝するテレビコマーシャルが流れています。どのベンダーも最新のキットを推進しているようです。 ChatGPT、Bard などの新しいユースケースに関する記事が毎日掲載されています。世界は叫んでいるようだ: 人々は今、AI を必要としている!

AI は確かに自動化および産業分野における重要な技術になりつつあります。しかし、AI テクノロジーを初めて利用する人にとっては、どこから始めればよいのか必ずしも明確ではありません。自動化アプリケーションでは AI がどのように使用されますか?最も価値があるのはどこですか?その成功はどのように測定されるのでしょうか?

ここでは、製造業者が自社の業務運営に AI を導入する際に考慮すべき 10 の事項と、プロセスに AI を導入する際に実行すべき手順について説明します。

1. 解決すべき問題を定義する

AI を使うためだけに AI を使用しないでください。実際の生産上の問題など、実際の問題から始めます。

「十分な訓練を受けた検査の専門家がいないため、生産のボトルネックが発生する可能性があります」と、3M の視覚専門家であるジェフ・アドルフ氏は言います。彼は、3M の多くのビジョンベースの自動化プロセスに AI を導入する責任を負っています。

AI 認識を使用すると、人間の介入なしにどの部品が合格または不合格になったかを明確に定義できるため、現在の専門家の能力が拡張されます。つまり、専門家は専門的な検査が必要な部品により多くの時間を集中できるようになります。

3M のプロフェッショナル データ エンジニアである Nick Blum 氏は、問題を定義する際に、プロセスに焦点を当て、プロセス データとプロセス パフォーマンスの関係を探すことを推奨しています。

「たとえば、工場の現場で発生した問題の根本原因を特定するために、データをまとめるだけでも数週間かかることがあります。高度な AI を活用したプロセス分析により、エンジニアが数分または数時間で問題に関する洞察を見つけられるようになります」と Blum 氏は述べています。

問題を定義するときは、まずビジネスへの影響を評価することをお勧めします。問題を解決する前に、そのビジネスへの影響を理解し、定量化することが重要です。

まず総合設備効率 (OEE) を調べて、最大のチャンスがどこにあるかを判断します。 OEE の改善に関連する影響を定量化し、ベースラインを確立してから、問題に対する潜在的な解決策 (AI など) を検討します。このトップダウンのアプローチは、ボトムアップで作業するよりもはるかに効果的です。

2. AIソリューションの真の価値を判断する

AI は自動化の効率と精度を向上させることができますが、現在のアプリケーションにとって最適なソリューションではない可能性があります。

たとえば、特定の AI ソリューションにより、生産ライン上の欠陥数が 50% 削減される可能性があります。しかし、欠陥率がすでに 1% である場合、0.5% の欠陥を防ぐだけでは、ソリューションを開発し、それを導入するために生産ラインを中断するコストは言うまでもなく、AI インフラストラクチャのコストを正当化できない可能性があります。

「人間のオペレーターを、依然として人間による抜き打ち検査を必要とする高度な視覚システムに置き換えた場合、いったい何を節約できるのでしょうか？」とアドルフ氏は言う。

代わりに、最大の利益をもたらす可能性が高い最大の機会を探してください。次に、ダウンタイムや出力などの測定可能な結果を​​使用して、改善すべき領域を定量化します。

たとえば、3M はベースラインの歩留まりが 88% のプロセスに AI を実装しました。その後数か月で、同社は生産量を 7% 増加し、生産ラインの安定性を向上させました。

AI は企業のコスト削減に役立つだけでなく、定量化が難しい無形のメリットももたらします。場合によっては、その価値は安全性の向上や環境の持続可能性という形で実現されます。定量化することは困難ですが、これらの間接的な利益は認識されるべきです。

価値を決定する際に考慮すべき重要な要素の 1 つは、スケーラビリティです。

AI には、研究、開発、テスト、展開、保守、定期的な再トレーニングが必要です。シーメンスの製品管理ディレクターであるベルント・ライテル氏は、導入コストは学習曲線があるため通常は高額になり、AI が 1 か所にのみ導入されている場合はコストを回収することが難しい可能性があると述べています。

「機械が 1 台しかなく、オペレーターが 1 人しかいない場合は、AI は期待するメリットをもたらさない可能性があります」と Raithel 氏は言います。「これが、多くの中小メーカーが自社のアプリケーションに AI が適していないと考える理由の 1 つです。しかし、50 の生産ラインにテクノロジーを適用できる企業にとって、AI はまったく異なる価値提案となります。」

3. 専門家に相談する

多くの人は、データ サイエンティストが AI システムに取り組む最も重要な人々になるだろうと誤解しています。ただし、多くのアプリケーションでは、もはやデータ サイエンティストは必要ありません。

今日の AI モデル開発ツールは高度に自動化されています。企業は強力な AI システムを構築するために数学やニューラル ネットワークを理解する必要はありません。これを認識することが重要です。 AIは急速に変化しており、使用されるツールも同様に急速に変化しています。

専門家とは、問題を本当に理解している人です。 「AI システムを日常的に使用したり、頼ったりする人々が最初から関与していることを確認する必要があります」とレイテル氏は言います。

ドメイン エキスパートとの統合が重要です。 A 製品、B 製品、欠陥の違いを特定することで、解決する問題の定義を絞り込みます。 「専門家は安定したプロセスがどのようなものであるべきかを定義することができます」とブルーム氏は付け加えた。

4. データを収集する

適切なデータを適切な場所に取得することは、AI アプリケーションの基本です。

AI モデルを構築するには、企業はデータとそのコンテキストを必要とします。必要なデータの量に関して厳格なルールはありませんが、動作条件を適切に表し、温度、湿度、原材料、スタッフ、照明条件、メンテナンスなど、プロセスにおける制御されていない変動要因を捕捉する必要があります。そうしないと、矛盾が発生したときに AI モデルの精度が低下する可能性があります。

まだ使い方がわからなくても、利用可能なデータを収集します。生産ラインがいつ停止するかを予測できる AI モデルを考えてみましょう。企業がどのパラメータを観察すべきかをすでに知っていれば、手動で予測を行うことができます。しかし、どのパラメータが重要であるかは必ずしも明確ではありません。

つまり、AI を導入する際には、企業がすでに持っている単純なパラメータやデータから始める必要があります。また、AIを監視するためにどのようなデータが必要かも考慮する必要があるとレイテル氏は指摘した。 「AIが期待通りに動作し、成果を上げているかどうかを確認する方法が必要です。」

必要なデータを入手するのは必ずしも簡単ではありません。欠陥率が低い場合、それらの欠陥を反映するデータを収集することは困難になる可能性があります。必要に応じて、メーカーは仮想環境を利用してトレーニング データを取得することもできます。

5. 適切なタイミングでAIパートナーを導入する

自動化システムに AI を導入する方法は多数あり、メーカーは処理能力、接続性、アーキテクチャ、全体的なインフラストラクチャを考慮する必要があります。ハードウェアとソフトウェアの両方において、理解すべきことがたくさんあります。

「解決しようとしている問題によって、必要なインフラストラクチャが決まります」とレイテル氏は言います。たとえば、AI 処理は集中化することも、エッジで実装することもできます。メーカーは、問題を理解した後でのみ、必要なハードウェアまたはソフトウェアを決定する必要があります。特定の問題を解決するための最善の方法を決定できるように、利用可能な解決策を理解する必要があります。

メーカーに AI の経験がない場合は、選択肢、即時の利益、組織にとっての長期的なメリットを理解するためにパートナーを関与させることが合理的です。

しかし、アドルフは警告を発しています。最初からパートナーを選ばないでください。多くの企業はすぐにこのステップに進むでしょう。しかし、まず問題を理解し、何を改善したいのかを知らずに、どうやって最善の技術的解決策を見つけることができるでしょうか?

6. 小さく始める – 「シンプルに」

解決したい全体的な問題について考えます。次に、作業を開始する領域を選択します。これは最も難しい課題ではないはずです。小さなことから始めて、成功が保証されている問題を選択してください。

「シンプルにしましょう」とレイテル氏は言います。「多くの企業は、ビジョンベースのシステムから始めることを検討しています。ビジョンシステムは魅力的で、多くの場合、非常に高い ROI をもたらします。しかし、ビジョンシステムには、照明、カメラの選択、角度、反射、タイミング、その他多くの要素が含まれます。これは複雑です。製品品質の欠陥検出は、猫と犬の区別とはまったく異なります。」

メーカーがすぐに付加価値を付けられる分野を探すように、アドルフ氏はアドバイスする。収量損失がある場合は、収量損失の原因を突き止め、それに対して何ができるかを判断します。たとえば、効率を向上させるために、古いシステムをシンプルな AI システムに置き換えることができます。

もう一つの落とし穴は、インターネットからダウンロードできる実証済みのアルゴリズムがあると考えることです。

「これまで誰も見たことのない部品や問題があるかもしれません。2つのコネクタがしっかりと締まっていることを確認するという単純なことでも簡単ではありません」とレイテル氏は言う。直接導入の結果は、ゼロからのスタートとなる可能性が高いです。

7. AIソリューションを段階的に検証する

リスクを軽減する 1 つの方法は、AI ソリューションを段階的に検証することです。

たとえば、3M のビジョンにおける AI パイロット アプリケーションの 1 つは、光学フィルム プロセスの改善です。既存のシステムのパフォーマンスは低く、基準超過率は最大 15% でした。つまり、合格するはずの部品の 15% が検査システムによって拒否されていたのです。

「既存の機器にソフトウェア拡張機能として AI を導入し、ベンチマーク超過率を 2% 未満に削減できました。同様に、ベンチマーク未達率も 5% から 0.5% 未満に削減されました」とアドルフ氏は述べています。

3M は、光学薄膜プロセスに AI を実装する際、まず既存のシステムと並行して AI を展開し、結果を検証しました。 「AIシステムに自信が持てるようになるまで、同じ部品を使ってシステムを実行し、AI強化の有効性を評価します」とアドルフ氏は語った。

8. AIシステムの保守と更新

アップデートは、ほぼすべての AI ベースのシステムにとって不可欠な部分です。これは、環境の違い (照明など) や原材料の変更 (コンポーネントの色合いが異なるなど) によってパフォーマンスに悪影響を与える可能性があります。カメラが揺れて角度が変わるなど、設定が変わると、現在のデータもすべて変更される可能性があります。

デバイスが古くなると、デバイスもゆっくりと変化します。このプロセスはドリフトと呼ばれます。たとえば、時間が経つにつれて、ヒーターが正常に機能し続けるためには、10% 多く稼働する必要があるかもしれません。

これらの変更に対応するには、システムを更新する必要がある場合があります。しかし、変化に適応できるシステムであっても更新する必要があります。特に、AI モデルは新しいデータが収集されるにつれて改良され、結果の効率、精度、信頼性が向上します。

「マシンが 1 台だけであれば、最新の状態に保つのは簡単です。しかし、生産ラインには多くのマシンが使用されていることがよくあります。大規模な更新には、集中管理された方法が必要です。集中管理アプローチには、操作を簡素化し、監視を可能にするという追加の利点もあります。システムの更新が簡単であれば、パフォーマンスを最適なレベルに保つのも簡単です」と Raithel 氏は言います。

さらに、オペレーターやエンジニアを忘れないように企業に注意を促した。システムの変更について常に情報を把握する必要があり、そのためには余分な時間と労力が必要です。

9. 結果を測定して学ぶ

すべての履歴データの大きな価値の 1 つは、成功を測定するための基準があることです。 ROI を示すことができることは、次のプロジェクトのサポートを得る上で重要です。

それでも、新しい技術を学ぶための投資が必要になることもあります。 「最初の導入では損失が出るかもしれないが、それが後々の大幅なコスト削減の基盤となる」とアドルフ氏は語った。

言い換えれば、最初の展開は、リスクを最小限に抑えながら経験を積むためだけのものかもしれません。

10. AIの可能性を再考する

AI の最も魅力的なビジネスケースの 1 つは、AI によって製造業者が人間には簡単にできないことを実現できるようになることです。

レイテル氏は、プリント基板生産のボトルネックに関連するプロジェクトについて話しました。 AI技術が登場する前は、すべての回路基板をX線で検査する必要がありました。生産量を増やすには、シーメンスはX線装置1台にさらに50万ユーロを投資する必要がある。

「予測 AI により、ラインでは基板の 30 パーセントが良品であり、X 線検査の必要がないと判断できました」とレイテル氏は言います。「その結果、ラインの容量が 30 パーセント増加しました。」

これは、AI が欠陥を減らす以上のことができることを示す素晴らしい例です。 AI を創造的に使用すれば、生産性や効率性を高めることができます。また、AI が複雑なタスクをいかに確実に実行できるかについても説明します。

もう 1 つの例は予測保守です。機械が摩耗していないか確認するためにダウンタイムを定期的にスケジュールするのではなく、AI はいつ故障するかだけでなく、何が故障するかも予測できます。 「技術者はどの部品を持ってくればよいかを知っているので、問題をより早く解決できます」とレイテル氏は語った。

AI がどこで使用されているかを判断する良い基準は複雑さです。考慮すべきパラメータが 5 つだけであれば、おそらく対処できるでしょう。パラメータが何千もある場合、観察すべき適切な組み合わせのセットを見つけることは不可能です。 AI が本当に価値を付加できるのはここです。

3M では、アドルフが生産に追加したビジョン システムの 90% は、以前は実現不可能でした。テクノロジーではそれは不可能です。たとえば、ナンバープレートの生産ラインでは、3M はナンバープレートのグラフィックを印刷し、その後、反射率や耐候性などの下流の価値を追加します。

欠陥の大部分はプロセスの最初の部分である印刷中に発生しますが、この段階で人間がナンバープレートを検査し、後で不合格になるかどうかを判断することは不可能です。 「AI を使用すると、反射防止処理や耐候性処理に費用がかかる前に欠陥を発生源で特定して捕捉できます。歩留まりが向上するだけでなく、欠陥 1 件あたりのコストも削減できます」とアドルフ氏は言います。

人工知能に投資する価値はあるか?レイテルはそれが価値があると考えています。現在、シーメンスはアンベルク工場で 1990 年とほぼ同じ人数の従業員を雇用しています。しかし、生産性は当時に比べて17倍も向上しています。彼はこの成長はテクノロジーによるものであり、AI によって次の段階の改善が可能になると考えています。 AI を使用すると、人々は最も価値を提供できる場所に集中できます。