産業インテリジェンスは「新しいインフラ」の下で非常に人気がありますが、まだ多くの問題があります

「新しいインフラ」が流行っています。

これらは5G、人工知能、モノのインターネットなどの情報デジタルインフラとともに、国の新たな発展方向となっている。これらの新分野の実践者が目標を明確にしただけでなく、伝統的な産業もデジタル変革を求める準備ができている。

[[321034]]

もちろん、新しいインフラには産業の側面も含まれており、産業インターネットや産業インテリジェンスなどの産業アップグレードの概念が徐々に真剣に受け止められつつあります。実践者たちが熱心に取り組み始めれば、業界全体のアップグレードがすぐに実現するかもしれません。

しかし、このような大きな業界の変化は、ただ話すだけでは実現できません。 「2018年中国製造業の問題点分析レポート」によると、製造業企業のデジタル設備のネットワーク化率はわずか39％で、MES（製造業の工場実行層向け生産情報管理システム）の普及率はわずか18.1％です。より高度なインテリジェンスは言うまでもなく、最も基本的な「接続性」さえも実現していません。

諺にあるように、一度に一口ずつ食べなければなりません。産業用インターネットには、潮流の下でまだ多くの問題が残っています。最近の観点から見ると、2020年の初めに発生した流行により、多くのことが明らかになりました。

仕事再開の波による業界のアップグレード

「現在の流行は、平時には普通に思えるが、実際には不合理であったり解決する必要のある問題点をあまりにも多く引き起こしている」と、産業インターネット企業格創東志のOT事業部長兼インテリジェント設備部門ゼネラルマネージャーの王雲氏は述べた。

疫病はまだ完全に終息していないものの、業務再開の波は基本的に到来しており、疫病期間中や業務再開時の問題点も浮上している。要約すると、この問題は、知性の欠如と調整の欠如という 2 つの主な理由に起因していると言えます。

まず最も影響を受けるのは、工業労働者の「通勤」だ。

これは、流行に直面して産業界が直面する最大の問題でもあります。つまり、人々です。工業や製造業は労働集約型産業であり、流行はむしろ突然に起こった。企業が直面する第一の課題は従業員の安全である。一部の製造業では、出勤時と退勤時に体温チェックが必要となり、通勤時に混雑が生じやすいため、従業員の出勤記録だけでも困難に直面しているとの指摘もある。

工業団地や工場では人々が集まることが多いです。このような状況を回避するために、多くの企業が時差退勤や休憩、食事の分割、会議時間の短縮などの対策を提案しています。しかし、この問題を解決するためのより柔軟でインテリジェントな方法はあるのでしょうか?

一部の専門家の見解では、これらのシナリオは技術的な手段によって効率性を完全に向上させることができ、その中で最も重要なのはオンラインに移行してデータを視覚化することです。携帯電話を使って出勤記録を記録するのは目新しいことではない。従業員が登録した出勤情報を分類し、事前に予測して安全上の問題を一挙に解決することを検討している企業もある。例えば、会議室の使用状況、工場内の人員の所在地、生産状況などを、誰に対してもオープンかつ透明に表示できます。

この観点から見ると、最近非常に人気が高まっているRPAが一般的なトレンドなのかもしれません。

第二に、生産面では、王雲氏はギークパーク（ID：geekpark）に対し、疫病による労働力不足に加え、半導体や液晶パネルなど資産が多く付加価値の高い継続的製造業は、その特殊性から、いったん生産が停止すると損失が非常に大きくなると語った。 「この種の業界は年間365日稼働しており、外部の流行状況の変化や一部の人事管理は従業員の心身の健康に圧力と負担をかけています。」例えば、多くの製品の品質検査には大量の人手が投入され、これらの検査の結果は従業員の経験、体調、疲労、気分などの要因によって左右されます。流行の変化は従業員の検査結果の品質に影響を与えますか? 問題解決に役立つより優れたツールやシナリオベースのアプリケーションがあれば、それは良い突破口となるかもしれません。

さらに、外部統制、原材料物流、キャッシュフローなどの面で早急に解決しなければならない問題もいくつかあるのが実情です。一方で、生産性を向上させるツールの使用により、流行中の不必要な接触をある程度回避できるのは確かです。他方、現在多くの人が話題にしている産業連携やプラットフォーム連携は、流行中に非常に初期段階にあることが証明されています。

物流を例にとると、道路車両の規制により、工場の生産製品や原材料の物流が制限されています。企業が体系的なビッグデータアプリケーションと人工知能の判断を活用してこの問題を解決すれば、サプライチェーンソリューションにおいてできるだけ早く判断を下し、より迅速でより良い代替案を見つけることができ、その時点で受動的にならないようにすることができます。

「今回の流行で、私たちが慣れ親しんできた仕事のやり方の多くは、特別な状況下では柔軟に機能しないということに気付いた」と、ある業界関係者はギーク・パークに語った。中国の多くの生産現場では、生産管理プロセスが欧米ほど充実しておらず、業界全体で学ぶ余地がまだ残っています。

産業インテリジェンスへの3つのステップ

産業連携のプロセスはやや遅いですが、一方で、産業インテリジェンスの方向で自動化という非常に人気のある概念があります。

自動化について話すとき、私たちは通常「機械が人間に取って代わる」ことを意味します。大型ロボットアームだけでなく、工業検査や機器の故障検出などの分野では、テクノロジーが手作業に取って代わっています。テクノロジーの面では、機械学習、ディープラーニング、コンピュータービジョン、モノのインターネットなど、すべて特定の産業シナリオに対応するソリューションが存在します。

テンセントYoutuラボの産業AIプロジェクトの責任者である黄良氏は、かつてコンピュータービジョンを使用してLCDパネルの電力不足検出の問題を解決した産業AIの事例を共有しました。

電力不足の検出は、産業インテリジェンスにおける一般的なビジネスシナリオです。Tencent Youtu の顧客は、国内の大手パネルメーカーです。黄良氏は、テンセント・ユートゥとテンセント・クラウドのチームがこのプロジェクトをサポートするために多くの人的資源とリソースを投入したと語った。初期段階では、多くのモデルがアルゴリズムの専門家によって手動でトレーニングされた。ただし、納品形態としては、カメラなどのハードウェア機材の提供や、お客様の制作体制への調整などは一切行わない、比較的軽量な納品となります。 Tencent Youtu は、視覚 AI アルゴリズムを使用して、欠陥品質検査に代わる欠陥検出製品を開発しています。

その結果、この製品はビジネスに非常に有益なものとなりました。黄亮氏は例を挙げ、このモデルは人間と同等の精度を持ちながら70％以上のカバー率を確保でき、品質検査作業者の70％以上を代替できると述べた。最近の現場データによると、この欠陥検出システムを導入したことで、顧客の品質検査作業員が 100 人以上削減されました。

しかし、現実には、産業インテリジェント企業は短期間ですべてのニーズを満たすことはできず、テクノロジーを導入するためにお金をかける決心をしている企業は多くありません。この2点をまとめると、産業インテリジェント化の実装は人々が想像するほど簡単ではありません。

黄亮氏はまた、他のシナリオと比較した産業シナリオの特別な点は、産業シナリオはよりカスタマイズされており、垂直分野が異なればビジネス特性も異なることだと述べました。 「大規模で包括的かつ普遍的なソリューションを見つけるのは難しい。さまざまなビジネスシナリオに柔軟に適応しながらソリューションの普遍性を確保するのは非常に難しい。私たちもこの方向で取り組んでいます」と黄良氏は述べた。また、企業はデータの機密性を非常に重視しているため、ほとんどの産業プロジェクトは主に非公開で展開され、設備や人員に制限があります。そのため、ビジネスをクラウドに移行することは、今後の避けられないトレンドです。

清華大学ビッグデータシステムソフトウェア国家工程研究室の主任エンジニアであり、インダストリアルインターネット産業連盟の副事務局長である王塵氏は、Geek Parkに対し、産業用インテリジェントアプリケーションはずっと前から登場しているが、今後は期待された発展の道をたどっていないと語った。 「多くの起業家と話をすると、彼らは自分たちのビジネスの悩みの種はインテリジェンスではないと感じています。彼らは既成概念にとらわれずに考え、変化をもたらすよりシンプルでスマートな方法があることに気づいていないのかもしれません。多くの企業がそれを理解していないと思います。」

一方、中小企業は産業インテリジェンスの主なユーザーではなく、大企業が主なユーザーです。業界関係者がGeek Parkに語ったところによると、前述の産業AIプロジェクトは、ある企業と協力し、ニューラルネットワーク、マシンビジョン、AIを活用して手作業による検査を代替しようとしている。この部分は一気にオンライン化できる。人工知能が100人以上の労働者を即座に代替できるとしたら、そのコストは計算できる。この規模のプロジェクトは、通常 1 年半以内に投資を回収できるため、企業も喜んで受け入れます。しかし現実には、この産業チェーンのどのリンクもこの目標を達成するのに十分ではなく、あるいは企業はそれを明確に計算することができません。

iResearchが2019年に発表した「中国製造企業のインテリジェント化の道に関する調査報告」によると、国内の一定規模（年間主要事業収入2000万元）以上の工業企業の84.2％は小規模企業であり、その規模以下の小規模・零細企業は200万社以上ある。資本不足、情報技術基盤の弱さ、関連人材の不足など、さまざまな要因により、ほとんどの中小企業は、大企業がインテリジェント化を進めるのをただ見守ることしかできず、インテリジェント製造の波に溶け込むことは困難です。

王塵氏の見解では、「機械が人間に取って代わる」という現在の概念は変化している。人間を機械に置き換えるという当初の取り組みは、デジタルやインテリジェントな手段ではなく、自動化によって実現されました。機械化された反復的な作業の一部をロボットに任せることで、より効率的になります。今日私たちが話しているのは、人間を機械に置き換えることであり、それは経験豊富で知識のある人間を置き換えることを意味するかもしれません。

王塵氏はギークパークに対し、工業生産プロセスにおいて、機械は学習、知識、意思決定という3つのステップで徐々に人間の労働に取って代わることができると語った。製品の欠陥検出など、比較的成熟した産業用アプリケーションはパターン認識と呼ばれます。人工知能は学習を通じてモデルを生成し、知識を生成して意思決定を行うことができます。

このようなチェーンでは、人工知能は今のところ一部のローカルなことしか行っていないため、産業用インテリジェンスの実装は困難です。私たちは問題点を把握し、意思決定を行う必要がありますが、それは今のところ機械ではできないことです。

では、何が問題なのでしょうか? 専門家は、データがない、と答えました。データ収集プロセスではコストが大きな問題となります。 「デジタルトランスフォーメーションにはお金が必要です。センサーの設置、データ収集ボックスの追加、データ通信など、すべてにお金がかかります。デジタル化への多額の投資から得られたデータは役に立つのでしょうか？私たちにはわかりません。そのため、このような困難な状況下で中国の製造企業がこれほどの大規模な投資を行うことは難しいことが多いのです」と王塵氏は述べた。

さらに、産業分野では、人々が必要とするのは機器からの正常データではなく、むしろ異常データであり、これは履歴データのごく一部を占めるにすぎません。デバイスは、そのライフサイクル中に数回しか故障しない可能性があります。異なる機器、異なるテクノロジー、異なるシナリオでは、差別化が産業インテリジェンスに大きな課題をもたらします。

中国は、新技術や新シナリオに対して世界で最もオープンな国であることに疑いの余地はありません。そのため、製造業や工業など、自動化が急務となっている業界では、技術の受け入れと要求がますます高まっており、「新インフラ」が火に油を注いでいます。しかし、人気があるにもかかわらず、業界の現実を考慮すると、いくつかのリンクではまだ解決すべき詳細が数多く残っています。いかにして機会を捉え、インテリジェントな変革を実現するかは、おそらく実務者が最も関心を持つテーマですが、各企業においても同時に検討すべき事項です。