今日、メーカーではどれだけ効率よくかつ一貫した高精度の製品を作り出すかが、競合に勝つための鍵となっています。しかし、原料の値段の高騰や熟練労働力の不足、賃金上昇になどの要因により、高精度の製品を生み出すことが難しくなっています。
幸いにも、機械学習や IoT テクノロジが効率性や生産性の向上を現実化しています。McKinsey & Company によると、AI は 1.2 兆円から 2 兆円の価値を製造業に生み出す潜在能力があると言われています。
メーカーは今までにないほど、画像や可聴周波数、温度、センサー テクノロジ (スマート マニュファクチャリング) などのありふれたデータにアクセスできるようになっています。また、手ごろに得られるコンピュータのおかげで製造業はこれらのデータを利用し、機械学習やディープ ラーニング モデルでコスト削減を可能としています。これによりメーカーはデータ サイエンスや機械学習のスキルを持った人材や、コスト削減を行うイノベーション ソリューション開発への投資することで、多くのベネフィットを得ています。ここでデータ サイエンティストが価値を生み出す 4 つの方法についてメーカー向けにご紹介します。
需要予測とサプライ チェーンの最適化
サプライ チェーン全体において、予測分析モデルは異なるマーケット戦略、セールス価格、ロケーションなど多くのデータ ポイントの需要レベルを特定するために利用されています。これはカスタマーの需要の分析を手助けし、結果として、サプライ チェーンに最適化する提案を可能としています。データ サイエンティストは売上データや気象データ、経済データなど多くの過去のデータによる特定の製品の需要を予測するために予測分析モデルを使用しています。そしてロジスティクス管理や交通およびウェアハウス管理はサプライ チェーンの最適化に利用されています。
データ サイエンティスは現在と未来の予測した在庫レベルの違いを分析した後、最適化モデルを作成し、メーカーから物流センター、そして店頭からお客様までの在庫の流れを正確に誘導するのに役立てています。これは集中保管と局所保管した在庫の最適なバランスを維持し、余分なコストを最低限にします。機械学習はメーカーおよびロジスティクス パートナーの効率性と収益性を向上させます。データ サイエンティストは常にさまざまなシナリオでテストを行い、理想の在庫レベルを確保し、ブランドの評判の向上を図っています。
品質管理
画像処理や異常検出は、製造業のワークフローに入る前に故障部品を迅速に検出および排除する機械学習のアルゴリズムの一種です。部品メーカーは組み立てラインに入ってきた部品の画像を撮影し、その画像を自動的に機械学習モデルにかけて欠陥部分を特定します。
高精度な異常検出アルゴリズムにより、1 ミリの単位で問題を検知します。予測分析は欠陥部品が再加工可能のものか、もしくは破棄しなければいけないものかを判断することができます。この時点においての破棄または再加工が必要な欠陥部品は、製造プロセスに入ってから見つかり、作り直しになるよりもコストがかからず、また、リコールによるコスト増加のリスクを軽減します。さらにこれはカスタマーの安全性、満足度、リピート率の確保につながります。
画像処理や分析モデルを採用するには、メーカーは数百もしくは数千以上の画像の一部に加え、それぞれが合格、不合格、A/B/C などのタグ付けされた情報を含む正確なデータ セットが必要となってきます。データ サイエンティストは許容誤差や潜在的なパフォーマンス、あらゆる欠陥が性能と安全性に及ぼす潜在的な影響専門知識をもってモデルを構築しなければいけません。
根本となる原因の分析
製品ライフサイクルの中で問題が起きた場合、製造プロセスの早期の段階で問題が発見されるか、もしくはカスタマーの手元に行ってからその問題が影響を及ぼしてしまうか、組織は正確な原因と解決方法を探し出すことが必要となってきます。これはブランドの評判もしくはカスタマーの安全性への危機を瀕することに繋がります。
製造段階に起きた問題の根本となる原因を突き詰めることは骨が折れるような作業です。根本となる原因の分析には膨大なテストのデータやセンサー測定、メーカー パラメータなどを使用しなければいけません。従来の方法で行うことは、とても大変なのです。
機械学習手法により根本となる原因の分析や、速度の解決を加速することができます。異常検出アルゴリズムは多くのセンサーやシステム データを効率よく分析することができます。さらに、従来の方法とは比べられないほどの量のデータの種類の分析に対応します。
例えば、製造段階に、根本となる原因の解析のための画像データを使用することで、企業は故障モードと根本的な製造手順の欠陥の可能性を関連づけることができます。もしカスタマーの手元に製品が渡った後に問題が出てきた場合、テキスト認識やソーシャル メディア上の自然言語処理により、これらのメモを分析プロセスに取り込むことを可能とします。これらのアプローチ方法は従来の方法に比べ、数カ月も早く根本となる原因の発見に導きます。そして、他の方法では発見できないような問題の診断も可能とするのです。
予知保全
機械学習はさらに正確で重要なものですが、さらにメンテナンスの改良提案を提供することもできます。アルゴリズムが過去の機械データとセンサー データを処理し、機械が故障する可能性のある時期を予測し、警告をすることで、メーカーは予防保守を適切な時に提供し、ダウンタイムのコストを回避することができます。
予測分析モデルは年に数回、メンテナンス スケジュールに沿ってアップデートを行うだけでなく、製造工場や供給者、サービス提供者、そして使っている製品から集めた数千以上のパフォーマンス データ ポイントから、学習し続けます。このモデルはコンディションの変更や新しいパフォーマンスの情報、メンテナンス スケジュールの更新に適応します。
ML による予測メンテナンスはメーカーの新しい設備や寿命を迎える機械の部品の買い替え時期や予算の計画建ての手助けになるうえ、無駄を排除することにもつながります。例えば、機械が壊れたり、パフォーマンスが落ちたりした際に、原材料が無駄になることがよくあります。予測分析は、メンテナンスの推奨によるコンプライアンスの改善を手助けし、製造システムの最適なパフォーマンス レベルの保持を実現します。そして、これは、エクイティや安全性を確保し、結果として時間と費用の節約となります。McKinsey & Company によると、予知保全はだいたい、機械のダウンタイムを 30% から 50% 削減し、機械の寿命を 20% から 40% ほど伸ばすと言われています。
オープンソースのテクノロジはイノベーション ソリューションを提供する
TensorFlow や scikit-learn、scikit-image のようなオープンソースのライブラリや
Pythonを採用することで、製造業における正しいスキル セットを持ったデータ サイエンティストが戦略的優位性を提供することができます。このような理由により、多くの製造業は単一のユース ケースのために設計されたポイント ソリューションではなく、オープンソースのライブラリやツールを組み込んでいるエンタープライズの機会学習プラットフォームへの価値に気が付いています。
参照: How Machine Learning Will Generate up to $2 Trillion in Value for the Manufacturing Industry
