AI・機械学習プラットフォーム

いいえ。モデルは製造業のユースケース向けにあらかじめ構築されており、MSFの専門家がお客様のデータに合わせて調整します。

オンプレミスまたはプライベートクラウドから選択いただけます。お客様の生産データが他社のモデル学習に使用されることは決してありません。

MESのデータが基盤となり、追加モジュール(APS、品質管理、保全)ごとに新たなAI活用事例が広がります。

効いてくるのは経過月数より、クラスごとのラベル付きサンプル数です。スクラップのモデルは不良から学ぶため、不良率の低いラインでは長く動かしても少数クラスが学習に足りるだけ溜まらないことがあります。一方、需要予測のモデルは季節サイクルを何周期分か欲しがります。古い履歴が使えるのは、いま予測しようとしている品目マスタと工場構成が当時と同じ場合だけなので、まず直近のERP刷新や品番の振り直しがいつだったかを確認してください。品番の振り直しをまたいで継ぎ接ぎした長い系列より、短くてもきれいな系列のほうが役に立ちます。

教師あり学習の部分は使えません。予測品質は片側に工程パラメーター、もう片側に実際の結果ラベルが必要で、大半のレコードが「その他」のような包括的な不良理由になっていてはモデルは何も学べません。まずMES側のコード体系を整え、不良理由ごとに正しくコーディングされた不良数を数えてください。その間、LSTMによる異常検知は教師なしでラベルを必要としないので、そこから始めることはできます。ただし検知するのは通常と異なる挙動であって、名前のついた不良ではない点は理解しておいてください。

ありません。パラメーター最適化と生産最適化のモデルが出すのは推奨値で、パネル上の表示、レポート、あるいはAPSへの提案スケジュールという形で必ず人の前に出ます。コントローラへ書き戻すかどうかは、別途スコープを切って意図的に行う統合作業です。将来クローズドループで設定値を書き込みたいのであれば、独自の変更管理を伴う制御プロジェクトとして扱ってください。ハード配線の安全インターロックの代わりには決してなりません。

担当を決めた工程エンジニアまたは品質エンジニアを一人立て、定例のレビュー枠を確保してください。チューニングと再学習はMSFが行いますが、その結果にはお客様側のオーナーが必要です。日常的に発生するのは、予測が現実と合っているかを確認すること、新製品・治工具の変更・オーバーホールした機械によって工程が動いたときにそれを申告すること、そして停止理由とスクラップのコードをきれいに保つことです。フルタイムの仕事ではありませんが、ゼロでもありません。

精度は落ちます。しかも静かに落ちます。モデルは当時の姿の工場を学習しているので、材料の変更、機械のオーバーホール、サイクルタイムの変更があると履歴の一部は無効になりますが、出力はもっともらしく見えたままです。工程変更の予定は事前に共有してください。そのうえで、どのモデルについて予測値と実績値の突き合わせを行い、誰がそれを見て、どの頻度で見るのかをプロジェクトの中で決めてください。ドリフト監視がすべてのモデルで標準で有効になっていると思い込まないことです。

個々の需要設備を切り分けられる粒度の計量、実際に契約している料金カレンダー、そして最適化結果の計画を渡せるスケジューラーです。受電点に電力量計が一つあるだけでは総量しか分からず、どの工程を動かすべきかは分かりません。最適化が計画の対象にするのは、kWhで測る電力料金の時間帯です。契約電力(デマンド)のピークを超えないように抑える制御はこれとは別の仕事で、デマンド時限単位の計測と、その場で負荷を保留または遮断できることが必要になるため、別途スコープを切ってください。

単一の精度の数字はありません。モデルが出すのはスコアで、アラートの閾値をどこに置くかによって検出率と誤報率の両方が決まります。これはモデルが一度も見ていない部品で測ります。その点をどこに置くかは、良品を止めたときの損失と不良を流出させたときの損失を比べる経営判断です。変数重要度や相関分析はモデル単位の診断で、モデルが近道を覚えていないかを見つけるのには役立ちますが、アラート1件の妥当性を判断するには使えません。実際の不良が比較できるだけ溜まるまでは、シャドー運用で回してください。