アナリストオピニオン

2023.09.06

待ったなしの技能伝承、工場におけるAI自動化を拒むハードルと押さえるべきポイント

技能伝承はどんな企業でも抱える深刻な問題である。とりわけ人材教育だけでは到底、勘や経験に基づく微妙な調整といった職人芸は身につかない。1つの現実解として2000年代からIoTやAIによる自動化が叫ばれているものの、上手くいっていないのが実情だ。本稿では製造業における工場でのAIの自動化に焦点を当て、自動化を拒むハードルと解決に向けた押さえるべきポイントについて触れてみたい。

深刻化する技能伝承、IoTやAIによる自動化をめざすも簡単ではない

【図表：技能伝承の問題の有無】

厚生労働省「能力開発基本調査」を基に、矢野経済研究所作成

厚生労働省が実施している「能力開発基本調査」の令和４年度における結果によると「技能継承に問題がある」とする事業所は41.2％。しかしながら、産業別でみると「建設業」（63.1%）、「学術研究,専門・技術サービス業」（60.1%）、「製造業」（59.5%）に上り、製造業などでは6割近くにおいて技能継承に不安を抱える状況となっており、事は深刻だ。同調査によると、技能継承のやり方にはマニュアル化や、ベテランを再雇用し技能伝承を実施するなど、さまざまな取組みがされているものの、なかなか順調にはいっていないとみられる。

さて、こうした技術伝承の1つのやり方としてIoTやAIを活用したものづくり変革がある。実際に、労働人口の減少やベテラン社員・熟練工の退職などを背景として2000年代から叫ばれている。……が、そう簡単にはいかないのが実情である。文章で表現すれば、工場機械等にIoTセンサーやIoTデバイスを導入、設置し、AIを活用して工場機械から収集されたデータを分析、制御を自動化する――といった一見簡単に見える話であるものの、物事はそう単純にはいかない。

そこで本稿ではどんなハードルが横たわっており、そうした課題を解決するためにどんなポイントを押さえるべきなのか触れてみたい。

【図表：技能伝承の取り組みの内容（複数回答）】

厚生労働省「能力開発基本調査」を基に、矢野経済研究所作成

自動化において立ちふさがる複数のハードル

工場では現在も多くの職人芸が生きている。まず1つ目のハードルは職人芸の可視化。AIなどを導入する場合には、そうした職人の勘や経験による「微妙な調整」などを再現する必要がある。AIに学習させるうえでは経験や勘を形式知化する必要があり、各種パラメータを取得、職人とともにモデル化のうえ、AIに落とし込んだ後、検証を重ねながら職人芸に近づけていくことになる。

しかしながら、ここで2つ目のハードル「データの取得できる工作機械と取得できない機械が混在」が現れる。AIにおけるパラメータの取得に際して、工場の工作機械は耐用年数が17～18年と言われ、場合によっては30年にも及び、長期間にわたって稼働している。当該機械のうち、新しい工作機械は元々、センサーなども内蔵されている一方、古い機械はセンサーなど実装されておらず、そもそもデータの取得が課題となることも多い。当然ながら工場内の全ての工作機械が同じ耐用年数ではないため、機械Aはセンサー非内蔵、機械Bはセンサー内臓など、さまざまな工作機械が稼働している。こうした混在した環境下で課題解決に挑むことになる。

こうした課題は一例に過ぎないが、どうだろうか。工場のIoT化やスマート工場などを実現するためには、乗り越えるべき課題は幾つもあることがお分かり頂けたのではないだろうか。

工場におけるAI導入において押さえるべきポイント

さて、工場においてAIを導入する上では、少なくても次の5つの質問に対する明確な答えを持つ必要がある。

【図表：AI導入において答えるべき質問リスト】

矢野経済研究所作成

■取組み①：人材教育
5つの質問に回答するためには筆者は少なくても3つの取組みが必要と考える。本稿では、自動車工場を例として、OEM（＝自動車会社）の取組みをベースに記載したい。まず1つ目のポイントは「人材教育」である。人材教育を通じて、①～③の質問に対する回答が可能となる。AI導入の前に前提として工場に関係なく問題発見能力（＝解決すべき問題の明確化）や問題解決能力を身に着けることで①は解決できる。
次に実際に工場のIoT化に際してボトルネックの探索（＝②）やボトルネックの解決に際してのデータの取得（＝③）に際しては、ベンダーの協力が必要となる。ここで重要なのは基本的にOEM各社は積極的にAIに係る専門人材を新卒、中途問わず採用活動を進めており、内製化の傾向にある点である。このためベンダーはAIを活用したソリューションやモデルを納入する際に、OEMとともに徹底した形式知化を通じたモデル化と併せて、導入後の運用や保守、その後の横展開の検討を含めて、OEM側で対応できるようにスキルトランスファーを行うことが必要となる。そうした意味でも「人材教育」があたる。

■取組み②：データ取得環境の整備
さて、問題発見能力や問題解決能力、ベンダーからのスキルトランスファーでスキルを身に着けたとしても、データの取得ができないのでは機能不全に陥る。冒頭でも記載の通り、工作機械の耐用年数は長く、センサー内臓であれば問題ないものの、内臓されていない機械も多くあるため、AIなどの導入に際しては、工作機械の状況によってはセンサー情報を取得するための環境整備が必要となる。
例として豊田自動織機は、工場にある射出成形機向けに、AI／機械学習を活用した自動補正システムを構築するうえで、工作機械に情報分析基盤を実装、データを取得するための環境として工作機械のIoT化をテーマとしたプロジェクトを進め、環境を整える取組みを進めてきた。
AIの活用に際しては、出来るところから始めることも可能であるが、豊田自動織機のようにデータ取得環境を整備することでその後の取組みを一気に加速させるやり方もある。

■取組み③：ホワイトボックス化
最後にベンダー経由でAIを導入したとしても最終的に自分たちで使いこなす必要がある。モデルがブラックボックスでは自社で精度を上げるべく、制御値をはじめとしたパラメータの調整などを行う必要が生じた際に導入ベンダーに依頼する必要があり、改善スピードが落ちることになる。そこでOEMは推論モデルのロジックなども含めて現場側で必要に応じて手を加えられるように、納得いくまで議論を重ねながらホワイトボックス化を進めている。
特に製造業は自動車に限らず製造物責任を課されているため、何かトラブルが発生した際には事業者側が説明する必要がある。ブラックボックスのAIでは何が起きたのか説明がしきれないため、AIをホワイトボックス化し、現場側である程度、手を加えられるように操作性を含めて取組まなければならない。

（山口泰裕）

【参考レポート】
「2023 自動車工場向けソリューションにおけるAI活用の実際」（2023年8月7日発刊）

関連リンク

■同カテゴリー
●[ICT全般]カテゴリ コンテンツ一覧
●[情報サービス/ソリューション]カテゴリ コンテンツ一覧