ソートリーダー

ハイプを超えて — 製造業でAIが本当に役立つ領域

Damantha Boteju
Unite.AI を Google の優先ソースに追加
要点製造業において、AIは権威的な推論ではなくパターン認識に使用する。
もっと見る
  • 製造業において、AIは権威的な推論ではなくパターン認識に使用する。
  • 大規模な製造問題を、AIエージェント向けの言語中心の小さなタスクに分割する。
  • 厳しい許容誤差が求められる安全重要業務やリアルタイム制御システムではAIを避ける。

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。

取締役会からの「AIで何かをすべきだ」という圧力と、複雑な生産環境の現実の間で、期待と実行の隔たりが広がっている。製造業者が事業でAIの恩恵を得るには、この隔たりを埋める必要がある。

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が不可欠になると考えている。

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。同じ調査では、次のようにも述べられている。

  • 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
  • 現場リーダーからの意見が限られると、AIの導入と実行が制約されることがある

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が依然として適していない領域(例:生産環境での精密制御と再現性のある意思決定)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。これは長い航続距離ですが、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、約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。

私が重視することについて話し合う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、必要なルールとその例外があまりにも多くなります。AIはパターン認識に優れているため、そうした文書の解釈方法について、すべてのルールを一つずつ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。データが多すぎたり問題の範囲が広すぎたりすると、コンテキストを失い、回答を試みるうちにハルシネーションを起こすことがあります。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、エージェント型フレームワークが特に効果を発揮しつつある領域です。

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、AI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、結果を検証できる別のシステムにつながない限り、その正確性は保証されません。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、運用上の境界をどこに置くかは明示的に決めていることになります。

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。安全性や品質に直結する作業がその例です。データが少ない状況や、極めて新しい状況も含まれます。AIは関連データを十分に見ていないと性能が低下するからです。規制の厳しい環境も課題です。AIには依然として真のトレーサビリティが欠けています。許容誤差の厳しいリアルタイム制御システムも、AIの使用を避けるべき領域です。高速な工程では、AIの遅延や不安定さが許容できない場合があるためです。

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、つまり高度なパターン認識を要する問題に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、組織が単に業界の流行を追うのではなく、生産性と意思決定を実質的に改善できる場所にAIを導入することです。

ダマンサ・ボテジュは、Configitのチーフ・プロダクト・テクノロジー・オフィサーです。Configitは、コンフィギュレーション・ライフサイクル・マネジメント(CLM)ソリューションの世界的リーダーであり、複雑な製品のコンフィギュレーション用のビジネスクリティカルなソフトウェアのサプライヤーです。彼は、2023年3月にConfigitに入社し、エンタープライズクラスの製品に焦点を当てた25年以上のソフトウェア開発の専門知識を持ち込みました。CPTOとして、製品とテクノロジー戦略を牽引し、イノベーションを推進し、Configitのグローバルな顧客の複雑なニーズに応えるソリューションを提供しています。