Damantha Boteju, CPTO, Configit Damantha Boteju CPTO, Configit

ハイプを超えて – AIが実際に機能する製造業での場所

AIは次の産業革命として位置付けられているが、多くのリーダーは熱意を実践的な成果に変えるのに苦労している。米国製造業のリーダーの80％以上は、2年以内にAIの使用を増やす予定だと述べており、それが常に実現可能な目標を達成するための明確な戦略とともに実施されているわけではない。取締役レベルのAIを使用する圧力と複雑な生産環境の現実の間には、期待と実行の間で拡大するギャップがある。そのギャップを埋める必要がある。製造業者はビジネスでAIの利点を実感することを望むならば。AIの導入は準備を上回っている現在、製造業のリーダーは競争力を維持するためにAIを導入する必要性を認識している。最近の全米製造業協会（NAM）の調査によると、51％の製造業者は現在AIを使用しており、80％の製造業者はビジネスを拡大または維持する上でAIを不可欠であると考えている。製造業者はさまざまな方法でこの技術を使用している。AIには巨大な潜在能力がある。しかし、多くの組織では、AIへの投資が約束されたROIをもたらしていない。最近の調査によると、PWCと製造業研究所は、リーダーのAI導入への推進力がAIドリブンの変化への準備を上回ることがあると述べている。その調査では、以下のことが発見された。 不均一なAI導入は日常業務への統合を遅らせることがある AI導入曲線を進むには、トレーニングと経験による能力構築が必要である 人的および準備上のギャップはAI導入を制限することがある 最前線のリーダーの入力を制限することはAI導入と実行を制限することがある 解決策を見つけるAIを万能の解決策として扱うのではなく、リーダーはAIが優れている適用例（例：人間とシステムの相互作用の改善、運用知識の取得、複雑なワークフローの簡素化）と、AIがあまりにも適していない領域（例：生産環境での精密制御と繰り返し決定）を区別する必要がある。これを適用するための素晴らしい場所は、セールスプロセス中にあります。多くの製造業者はAIを使用してガイド付きセールスプロセスを改善したいと考えています。彼らは、製品について特定のパラメータを尋ねるのではなく、顧客の目標または成果に焦点を当てることで始めるべきです。私自身の例を挙げると、最近私が初めて電気自動車（EV）を購入しました。私はEVメーカーのウェブサイトにアクセスし、最初に見たのは技術的なパラメータでした。例えば、航続距離：360-558 kmです。これは大きな範囲ですが、私は何を意味するのか理解しています。ただし、馬力については、まったく理解できません。消費については、私は本当に理解できません。消費が良いことか悪いことか、私の家族の年間のスキー旅行に影響を与えるでしょうか。私の家族は現在、7時間かけてスキー旅行に行っています。そうした情報は、私が決定を下すのを助けるでしょう。私の気遣いについて話し合うAIがあれば、EVメーカーは私にとって何が重要かを理解し、それを私に適した技術的な仕様に翻訳することができるでしょう。別の例は、複雑な問題を小さな部分に分割するためにAIエージェントを使用することです。エージェントは、マルチステップの目標を計画し、実行します。これらのエージェントを最大限に活用するには、タスクは言語に重点を置く必要があります。いくつかのエンジニアリング組織は、複雑な要件を管理する際にこのアプローチを採用しています。時には、情報は数百または数千のドキュメントにわたって散在しており、フォーマットは標準化されていません。従来のソフトウェアシステムを構築してすべての情報をインポートする場合、ルールと例外が多すぎて、AIはパターン認識に優れています。したがって、すべてのルールを書き出す必要はありません。製造業でのAIのベストプラクティス大きな問題を小さなタスクに分割します。AIには制限された作業メモリがあります。データや問題が多すぎると、コンテキストを失い、回答を試みるうちに妄想を始めることがあります。このリスクを軽減するには、大きなタスクを小さなコンポーネントに分割し、結果を集計します。これは、エージェントフレームワークが特に効果的になる領域です。AIをパターン認識に使用し、権威ある推論に使用しないでください。AIはパターン認識と関係性の特定に優れていますが、論理と推論には不向きです。たとえば、彼らの「推論」と数学的能力は、予測であり、計算ではありません。したがって、出力は洞察的であるように見えるかもしれませんが、別のシステムが結果を検証するまで、正確であるとは限りません。このアプローチでは、AIはワークフローをオーケストレートできますが、運用上の境界については明示的な決定を下す必要があります。製造業でのAIは実際の価値を生み出すことができますが、リスクが利点を上回るシナリオもあります。安全性と品質に重要な作業や、データが少ないまたは非常に新しいシナリオ、厳しく規制された環境、リアルタイム制御システムなどがその例です。AIはまだ真正な追跡性が欠けているため、遅延や不安定性が許容されることはありません。ハイプから実用性へAIはすべての製造業の問題に対する万能の解決策ではありません。しかし、上記で説明したような現実のユースケースと誤解を考慮することで、製造業者はAIに対するバランスの取れたアプローチを採用できます。短期的には、重要な点は、AIが最も優れている領域、つまりパターン認識を伴う問題にAIを使用することです。予測可能性、一貫性、論理、または計算が必要なケースではAIを使用しないでください。製造業者は、ノイズを切り抜けて、AIが今日実際に価値を提供する場所を特定できます。目標は、AIの導入を遅らせることではなく、組織がAIを生産性と意思決定の向上に有意に貢献する場所で導入することを確実にすることです。