製造業における人工知能の応用

資産集約型組織の中には、運用効率の向上、主要業績評価指標 (KPI) の改善、生産およびサポート プロセス領域における特定の問題の解決を目的として、現在デジタル トランスフォーメーションを導入しているところもあります。

AI ベースの予測モデルは、複雑な本番環境に導入できる非常に便利なツールです。一般的に使用されている分析ツールと比較すると、予測モデルは、大量の構造化データまたは非構造化データを生成する複雑な運用環境において、さまざまなパラメータ間の相関関係を増幅する可能性が高くなります。

[[396218]]

資産集約型組織の幹部の中には、AIの利用が着実に増加していると語る人もいる。これは、2026 年までに Global 2000 企業の 70% が AI を使用してリスクベースの運用上の意思決定のためのガイダンスと洞察を提供するという IDC の予測と一致しています。現在、この数字は5％未満です。

一般的な AI の使用例では、主に計画およびスケジュール ツールに組み込まれた認知 AI が活用され、品質およびメンテナンスの予測モデルにも使用されます。

画像や音、振動、温度、プロセス値を認識できる AI エンジンを活用したソリューションは、即時の価値と妥当な ROI を提供できます。現在、このようなユースケースはパイロット実装またはスタンドアロン実装で確認されています。

カスタマイズされた AI 駆動型ソリューションと標準の AI 駆動型ソリューション

スケーラビリティの観点から見ると、生産現場で AI を活用するデジタル プロジェクトには主に 2 つのグループがあります。それぞれのプロジェクトは大きな価値をもたらします。ただし、時間スケールと時間精度は異なります。

カスタマイズされたソリューション: 複雑な学習プロセスに基づく AI 駆動型ソリューションは高度にカスタマイズされています。ニューラル ネットワークとディープラーニングは画像認識に使用でき、教師あり学習は予測モデルの構築に使用できます。

ソリューションを微調整して 90% の精度を実現するには、比較的長い時間がかかります。これらは通常、製造プロセス中の材料の挙動をシミュレートする予測ソリューションです (例: 紙ストリップや鋼ビレットの破損予測)。

「90％の精度に到達するまでにほぼ2年かかりました」とティッシュメーカーのハヤット・ホールディングスの最高情報責任者、ギュルスン・アキサログル氏は語った。

産業のスケーラビリティは、本当に難しい課題です。しかし、このプロジェクトで使用された自動学習モデルは進歩を大幅に加速し、99% の精度を達成しました。

高度にカスタマイズされたモデルであっても、問題の原因を見つけるのは難しい場合があります。これらの問題に対処するには、アナリストと材料エンジニアは、問題がいつ、どのように、なぜ発生するかを示すインテリジェントなソリューションを使用する必要があります。

「意味のあるパターンを見つけるために、ディープラーニングのアルゴリズムを評価することにしました」と同社の最高情報責任者、アキサログル氏は語る。「分析した92のアルゴリズムの中から、さらに有望な8つのアルゴリズムを選択しました。」

エンジニア、開発者、データ アナリストは、最新のテクノロジーに基づいたさまざまなデジタルおよびハードウェア ツールとソリューションを利用できます。しかし、多くの場合、これらのツールやソリューションを導入するだけでは不十分です。生産環境は大きく異なる可能性があります。

出力品質とモデルの最終的な精度を向上させるには、適切なパラメータと信号をキャプチャするだけでは不十分であり、動作条件も変化する可能性があります。生産設備の保守、調整、操作に対するさまざまなアプローチは、モデル出力の品質に大きな影響を与える可能性があります。より高い品質への道のりは、困難で困難なものとなる可能性があります。

もちろん、ROI は非常に魅力的である必要があります。経験上、迅速なソリューションのプロトタイピングが不可欠であり、モデルの機能は 3 ～ 4 週間以内に迅速にテストする必要があることがわかっています。学習プロセスとモデルの調整により、ソリューションの開発開始から展開（正確で信頼性の高い出力の取得）までのリードタイムには数か月かかる場合があります。

このため、理想的な実稼働展開は、1 回の停止で数百万ドルの損害が発生する可能性がある、資産集約型の環境です。

標準化されたソリューション: 画像認識の原理に基づいた、高度でスケーラブルなソリューションです。最終出力の精度は異常サンプルの数に大きく依存します。サンプルの数が多いほど、モデルの精度が高くなります。

基本的な品質管理タスクでは、生産ライン上のカメラでシステムをガイドしながら、4 ～ 6 個の不適合 (「NOK」) サンプルが必要になる場合があります。理論的には、このようなソリューションは 99.99% の精度を実現できる可能性があります。しかし、現実には、このような高い理論値は単純な品質検査タスクでしか達成できません。

このソリューションを効果的に使用するには、サイズと表面の完全性が重要な役割を果たします。より小さく、よりシンプルであればあるほど、制御出力はより効果的になります。

サイクル分析を含む各組み立てステップを追跡および分析するために人工知能を使用するソリューションは、非常に有望であると思われます。このようなソリューションは、生産の異常やボトルネックを特定できるため、生産効率が数十パーセント向上します。

また、品質の問題の発見を大幅にスピードアップでき、場合によっては発見時間をわずか数分に短縮することもできます。標準化されたソリューションでは、1 ～ 2 年の ROI 目標を簡単に達成できます。その時間スケールと時間精度は、わずか数日、あるいは数時間である可能性があります。

時間を無駄にしないで、今すぐ始めましょう

AI はすべての問題に対する万能薬ではないため、組織は生産、品質管理、保守における AI の活用についてより現実的な期待を持つ必要があります。

しかし、AI はさまざまなユースケースを提供できます。組織は、AI 主導のソリューションで何を達成できるか、そしてそれにどれだけの労力と費用を投資できるかに重点を置く必要があります。

多くの場合、メリットは明らかな主要業績評価指標 (ラインの可用性や総合設備効率など) だけでなく、持続可能性と品質の向上、生産プロセスの問題の解決、顧客満足度の向上といった目標にもつながります。

デジタルサイロの作成は避けなければなりません。データの力を最大限に活用するには、AI 駆動型モデルを、製造実行システム、エンタープライズ リソース プランニング、高度な分析ツールなどのエンタープライズ システムと統合する必要があります。データは、コンテキストに応じてさまざまな領域で分析できます。異なる分析ソリューションを組み合わせると、予期しない結果が生じる可能性があります。

早めに実装する

ただし、組織が前進するにつれて、技術サポートと管理サポートの必要性を過小評価しないでください。 「振り返ってみると、パイロット プロジェクトのいくつかを導入するのに多くの時間を無駄にしました」と、Hayat Holding の CIO、Akhisaroglu 氏は語ります。「もっと早く着手して、利用可能な関連ソースすべてから積極的にデータを収集するべきでした。サーバー、データベース、プロセスで多くの課題に直面しましたが、ビジネス ニーズを迅速かつ効率的に満たすために一致団結して取り組んだことは明らかでした。」