ジョン・クレモンス氏はロックウェル・オートメーションのソリューションコンサルタントである。製造技術の分野で30年以上の経験を持つ。
AI（人工知能）は私たちの生活や仕事のあり方を変えつつある。ヘルスケア診断や不正検出から、カスタマーサービスのチャットボット、自動運転車、顔認識技術、SiriやAlexaのようなバーチャルアシスタントまで—AIは私たちの日常生活のあらゆる場所に存在している。
製造業では、AIは長年にわたり重要な技術となってきた。しかし、製造業で従来使用されてきたAIのタイプは、今日私たちが馴染みつつある生成AI（GenAI）とは異なる。製造業における従来型AIは、新しいコンテンツを生成することに焦点を当てていない。代わりに、大量のデータを取り込み、そのデータのパターンを検出し、一連のルールをそのパターンに適用し、それらの洞察に基づいて予測や推奨を行う。
一方、生成AIは大量のデータを入力として取り込み、そのデータに基づいて特定の出力を生成する。例えば、バーチャルアシスタントに質問すると、生成AIは大量のデータを分析して回答を生成する。
従来型AIと生成AIが製造業でどのように使用されているかをより詳しく見ていくことで、両者の違いについて理解を深め、それらがどのようにして革新と効率性を推進するために連携できるかの例を探っていこう。
従来型AIと生成AIの比較
• 目的：製造業における従来型AIは、データのパターンを検出し予測を行う。その目標は、現在何が起きているかを理解し、次に何が起こるかを予測することで、適切な意思決定ができるようにすることだ。一方、生成AIは新しいコンテンツ—トレーニング資料、ドキュメント、あるいはレシピなどの新製品アイデア—を生成するように設計されている。
• 機能性：従来型AIの基盤となるモデルは、大量の過去データで訓練され、多くの場合、事前に定義されたルールやアルゴリズムを使用してパターンを検出し予測を行う。生成AIも大量のデータを使用するが、パターンを検出したり予測を行ったりする代わりに、そのデータを使用して新しいコンテンツを生成する。
• 学習：従来型AIはデータから学習し、多くの場合、特定のデータパターンを探すように訓練される。ルールやアルゴリズムを使用して学習する。従来型AIは予測や分類タスクの精度を最適化する。生成AIもほぼ完全に訓練されたデータから学習し、受け取るコンテンツや入力に基づいて動作を適応させる。生成AIは現実的で文脈に適した出力を生成することを最適化する。
• 適応性：従来型AIは各新しいアプリケーションごとに訓練される必要がある。パターンを検出し、検出している特定のパターンを学習する必要があるからだ。生成AIは提供されたデータから、さらには過去に生成した結果からも学習し適応する。生成AIがより適応性を高めるために使用するメカニズムは強化学習—生成AIに適用されている従来型AIのアプローチ—である。生成AIの強みは柔軟なコンテンツ生成にある。
製造業における従来型AIの例
• 予知保全：従来型AIは大量の設備データを分析して運用パターンを検出する。そして設備が将来起こしうる故障を予測し、適切なタイミングで適切な保守を行えるようにする。
• 画像ベースの品質管理：ルールベースの分類を用いた従来型のコンピュータビジョンは、従来型AIモデルを使用して画像ベースの品質検査からのデータを処理し、合格/不合格の検査結果を判断し、欠陥の根本原因を特定し、修正のための最適な行動方針を見つける。最新のビジョンシステムでは、これらの従来型AIモデルとのハイブリッドアプローチで、生成AIモデルをますます活用している。
• 生産スケジューリング：AIは注文、制約、運用条件に関するデータを使用して、変数が変化するにつれてリアルタイムで生産スケジュールを作成・更新する。
• サステナビリティ：AIは製造施設全体のデータを分析することで、エネルギーと公共設備の使用を最適化しながら、施設からの廃棄物や排出物を最小限に抑える。すべてリアルタイムで行われる。
製造業における生成AIの例
• トレーニング資料：生成AIはマニュアル、標準作業手順書（SOP）、技術図面、作業指示書を処理して、トレーニングガイド、演習、認定資料などの新しいコンテンツを生成する。
• シフトレポート：生成AIはシフト中の生産、品質、材料活動からデータを収集し、それを分析・要約して必要なシフトレポートや引継ぎ資料を生成し、次のシフトのために最も重要な項目を強調表示する。
• レシピと仕様書：新しい製品バリエーションが生産される際、生成AIは既存のレシピと仕様書を取り込み、必要な製品変更を適用し、それに応じてドキュメントを更新する。その後、それらのレシピと仕様書を必要とする人々やシステムに配布する。
• 品質保証（QA）テスト：製品テストが失敗した場合、生成AIはより詳細なテストを可能にする新しいテストプロトコルを作成し、問題の分類や問題が本当に存在するかどうかの判断を支援できる。問題が特定された場合、生成AIは根本原因と修正を最終的に特定するためのテストプロトコルを生成できる。また、生成AIは故障パターンを分析し、カスタマイズされたテスト手順を含む仮説を生成し、複数のソースからのデータを統合した詳細な根本原因分析レポートを作成することもできる。
連携して働く
この時点で、従来型AIと生成AIはどちらも非常に理にかなっており、製造業で明確な役割を持っているが、交差したり重複したりすることはあまりないように思えるかもしれない。
しかし、それは真実からはほど遠い。確かに、それぞれが独自の場所を持ち、それ自体で非常に強力だが、両者が連携して働くときに最大の価値を発揮する。
例えば、設備保全では、従来型AIが設備の異常を検出し、その後、生成AIが技術者のスキルレベルに合わせたコンテキスト化された保守指示を生成する。生産スケジューリングでは、生成AIが生産スケジュールのバリエーションを作成し、従来型AIがどのオプションが効率性を最適化するかを評価する。
連携することで、それらは製造業に対して、個別に提供できる以上の膨大な価値を生み出すことができる。
結論
この議論を通じて、従来型AIと生成AIが類似点を共有しているものの、その動作方法において根本的に異なり、異なるタスクに最適化されていることで、異なる目的と出力をもたらすことを探ってきた。
パート2では、従来型AIと生成AIがどのように連携して、オペレーターや保守担当者に必要なときに必要なものを正確に提供するかについてより深く掘り下げる。また、デジタルツイン技術、データ分析、サステナビリティ、生産性、品質管理にもたらす付加価値も強調する。
各タイプのAIがどのように機能し、互いにどのように補完し合うかを理解することで、製造業者はイノベーションの推進、効率性の向上、変化する需要への適応のために両方をより効果的に活用できるようになる。
