製造業の現場では、AIを活用することで業務効率化・品質向上・安全性向上など、さまざまなメリットを期待できます。とくに近年では、AIによる画像・音声・言語などの学習技術が高まり、実用的なレベルまで開発ができるようになりました。
一方で、製造業の現場では人手不足や業務属人化、設備投資の遅れなどに危機感を感じられている方も多いのではないでしょうか。
本記事では、製造業の現場でAIを活用するメリットや具体的な業務事例、企業事例まで解説いたします。「人手不足を解消したい」「ヒューマンエラーをなくしたい」「最新のAI技術を導入したい」と考えている経営者やご担当者の方は、ぜひ参考にしてください。
製造業が抱えている課題
日本の製造業は世界トップレベルの技術力と品質を誇り、長年にわたって日本の経済を支えてきました。
しかし近年では、下記のような課題が顕在化しています。
・人手不足
・業務属人化
・設備投資の遅れ
人手不足
少子高齢化による労働人口の減少と、労働時間の見直しにより、各企業では深刻な人手不足に直面しています。
実際に株式会社パーソル総合研究所の調査によると、2030年には国内全体で約644万人の人材不足が発生すると言われています。これは別名「203年問題」と言われているものです。
製造業の現場では、すでに人手不足の課題は深刻化しています。2017年に経済産業省が製造業に向けて実施したアンケート調査によると、人材確保の状況について「大きな課題となっており、ビジネスにも影響が出ている」と回答したのは32.1%。前年の2016年の調査では22.8%でしたので、大幅に増加したことが伺えます。
女性社員や外国人労働者の雇用推進など、以前よりも整備が進んだ企業も増えてきました。しかし、これからの人手不足の時代では「潜在的な労働力をいかに確保していくか」が重要になります。そのためには、まずはさまざまな人が働けるように労働環境の見直しが各企業には求められるでしょう。
業務属人化
とくに製造業の現場では、熟練工の経験や勘に頼った「属人化」された業務が依然として多く存在します。加えて、各企業では設計/デザインや研究開発などの技能人材が不足しているため、業務属人化の傾向は今後ますます強くなることが予想されるでしょう。
品質のバラつきや技術継承の困難さといった、さまざまな問題を引き起こす可能性があります。そのため、マニュアルを作成したり、ITツールを導入して自動化したりなど、誰でも同じ品質で取り組めるような仕組みづくりが必要です。
設備投資の遅れ
近年では、AIやIoTなどの技術革新が急速に進み、製造業の生産方式にも大きな変革が求められています。しかし、多くの日本企業では設備投資の遅れにより、これらの技術を十分に活用できていない状況です。
しかし、積極的な設備投資にはIT技術への対応が求められます。各企業では社員のITスキルを向上させるための研修や、大学/研究機関と連携したオープンイノベーションなど、さまざまな取り組みが重要になります。
製造業でAIを導入するメリット
製造業でAIを導入する下記のメリットについて解説いたします。
・業務効率化
・離職率低下
・品質向上
・技術継承
・競争力向上
・安全性向上
業務効率化
AIを活用することで、一部の業務は自動化されます。たとえば手入力で行っていたデータの入力や記帳作業などの定型業務は、RPA（ロボティックプロセスオートメーション）の活用により自動化が可能です。ノーコードのツールを導入すれば、誰でも簡単にロボットによる自動化システムを作成できます。
これにより、ただ作業時間を削減するだけでなく、ミスや手戻りの発生を防ぐことができます。定型業務が増加しても、スタッフを増やすことなく対応できるため、人手不足の解消やコスト削減にも役立つでしょう。
離職率低下
一部の業務が自動化されることで、社員の負担削減につながります。とくに煩雑な業務や、心身の疲弊を伴う業務を担当していた部署では、離職率の低下が期待できます。また定型業務が自動化されることで、本来の業務に割く時間が増え、パフォーマンスの向上が見込めるでしょう。
その他にも、AIによるデータ分析を活用することで、労働環境の改善を図ることも可能です。勤務状況やストレスチェックなどのデータから、従業員の働き方やストレス具合を可視化して、事前に対策を検討することができます。
品質向上
検査作業や品質管理を自動化することで、人為的ミスの削減と品質の安定化を実現します。また、データ分析によって、品質に影響を与える要因を特定し、改善策を講じることができます。
品質の維持向上は、製造業では欠かせない取り組みです。人間によるチェックには限界がある一方で、AIによるチェックには限界がなく、むしろ回数を重ねるごとにその精度を高めることができます。音・視覚・嗅覚など、さまざまな学習データをベースにすることで、人間よりも正確な品質管理が可能になります。
技術継承
AIを活用することで、熟練工の技術や経験をデータとして蓄積し、誰でも再現できるようにします。これは、技術継承の困難さという課題解決に貢献し、技術力の維持向上に役立ちます。
また、AIにより自動化された業務では「人から人へ」の技術継承も不要になります。採用コストや教育コストの削減につながり、ビジネス活動の継続にも貢献するでしょう。
競争力向上
AIの導入による業務効率化・離職率低下・品質向上などの恩恵は、企業の競争力向上につながります。これらの取り組みを通じて、コスト削減・製造期間の短縮・高品質な製品の提供が可能になり、市場では競合他社と比較して優位なポジションを築くことができるでしょう。
とくに近年では、グローバル化が進んだことで日本国内だけでなく、海外企業の存在感も非常に高まっています。これからますます市場競争が激しくなることが予想されるため、各企業には競争の地盤を固めることが求められます。AIの活用に一歩踏み出すか否かが、数年後の成否を左右するといっても過言ではないでしょう。
安全性向上
AIを活用して異常検知や予知保全を行うことで、安全性の向上が期待できます。危険な作業をロボットに置き換えることで、労働災害の防止に役立つでしょう。
また、過去の事故やミスに関するデータをAIに学習させることで、再発防止が可能です。人間による再発防止ではヒューマンミスのリスクがありますが、AIによる学習ではそのリスクを最小限に抑えることができます。
製造業でAIを活用する業務事例
製造業でAIを活用する代表的な業務事例について解説いたします。
・需要予測
・製品開発
・異常検知
・作業自動化
需要予測
需要予測とは、商品の製造・販売の需要を予測することで、製造業のビジネスでは欠かせない取り組みです。将来の需要を正確に予測することで、生産管理・人員配置・設備投資などの意思決定に役立てることができます。
需要予測には「算術平均法」や「移動平均法」などのさまざまな方法があり、Excelやスプレッドシートでの算出が可能ですが、AIを活用することでより高い予測精度で算出ができます。
また、従来までの需要予測はスキルの高い限られたメンバーのみができる、極めて属人性の高い業務であることが一般的でした。しかし、AIを活用することで、データの「集計」と「分析」にかかる工数を大幅に削減できるため、属人的な業務にならず、比較的客観的なシミュレーションの算出が可能です。
もちろん需要予測はあくまで予測に過ぎません。しかし、精度の高い予測データがあることで意思決定を素早く行い、競合他社と比べて優位にビジネスを進めることができます。
製品開発
企画開発まで担う製造業では、製品開発の工程でAIを活用することができます。たとえば先述したような需要予測の場面ではもちろん、その他にも生成AIを活用した製品アイデアのブレインストーミングや市場調査、デザインモックアップの作成などが挙げられます。
企業が持つデータや、SNSで発せられた消費者の声などをAIが学習して、最適なアイデアや結果を提案します。生成AIを活用することで、アイデアを出す時間を削減できたり、網羅的にアイデアを出し切れたりなど、さまざまなメリットが考えられます。現在、メーカー・小売・商社など、業種業界を問わず、多くの企業で生成AIの導入が始まりました。
異常検知
AIを活用することで、製造現場での異常検知に役立てることができます。たとえば、データの異常を感知して急な変化が起こったタイミングや原因を特定したり、画像データから不良品を検出したり、障害物を検知したりなど、さまざまな場面での活用が期待できます。
人間による目視チェックとは異なり、人的ミスを防ぐことができるほか、チェックする分の人件費を削減することが可能です。また、製造ラインにあるすべての製品を検査できるため、製品が流通する前に検知して、企業としての安全性向上に努めることができます。
作業自動化
作業自動化の例としては、とくに定型業務におけるRPA（ロボティックプロセスオートメーション）が挙げられます。パソコンを通じて行う業務のうち、比較的単純な業務であればAIを活用して自動化することができます。具体的には入力/転記作業、チェック作業、レポーティング作業などが該当します。
また、近年では工場の自動化（ファクトリーオートメーション）に取り組む企業も増えています。人間の作業時間は1日約8時間ほどですが、AIは24時間365日の対応が可能です。とくに生産処理・検品・運搬などの業務では、AIのほうが処理速度・精度が高い傾向にあるため、AIに任せたほうがより安定した稼働を実現できると考えられるでしょう。
製造業でAIを活用した企業事例
実際に、製造業でAIを活用した企業事例についてご紹介いたします。
各企業でAIを導入した背景や具体的な技術内容についてご紹介いたしますので、ぜひ参考にしてください。
トヨタ自動車九州
トヨタ自動車九州株式会社では、レクサスの生産検査ラインにAI技術を導入しました。株式会社スカイディスクと共同開発をして「車内で異音が発生しないか」を確認するため、品質検査部門で取り入れています。
もともとトヨタ九州宮田工場では、異音検査は人間により行われていたため、個人の聴力に影響を受けやすい工程でした。しかし、将来的には検査員の高齢化が危惧されており、以前から検査工程のAI化が検討されていました。
本取り組みでは、異音を検知するために「集音マイク」を選定し、収集した音のデータをデータベースに保存。さらに熟練検査員の経験をAIに学習させることで、実際に運用ができるレベルまで品質を安定化させることに成功しました。
同社では、今後は他の検査工程への展開も検討されています。
参照：AI異音検査システムを共同開発｜新着情報｜トヨタ自動車九州株式会社
横河電機株式会社
横河電機株式会社では、化学プラントの自動制御にAIを活用する実証実験を行い、35日間の自律制御に成功しました。もともと手動制御のみでしか対応できなかった部分を、AIに強化学習させることで、AIが制御できることを確認されたようです。
本取り組みにおける「制御」とは、化学反応を伴うものであり、高い信頼性が求められるものです。経済産業省の令和2年度「産業保安高度化推進事業」にも採択されるほどの、高いレベルでの信頼性が担保された取り組みになります。
同社では、共同開発をしたJSR株式会社と協力をして、プラントの自律化・AI化に向けたさらなる取り組みを検討されているようです。
参照：【横河電機/JSR】世界初 AIによる自律制御で化学プラントを35日間連続制御 | YOKOGAWA
株式会社ダイセル
株式会社ダイセルでは、東京大学と共同で開発したAI技術をもとに、自立型生産システムを開発しました。
今回の取り組みでは、PCM（最適運転条件導出システム）とAPS（高度予知予測システム）の2つのアプリケーションを取り入れています。
・PCM：安全・品質・生産量・コストなど、各指標をリアルタイムで予測
・APS：PCMで予測した計画からのズレを先回りして検知/修正
同社では、過去に蓄積してきたデータや日々得られるノウハウを活用し、本システムを導入することで、年間100億円程度のコストダウンを見込んでいるようです。
サッポロビール株式会社
サッポロビール株式会社では、ビールやRTD（低アルコール飲料）の出荷で活用するための「AI需要予測システム」を導入しました。具体的には、商品を発売する約16週間前から需要を予測し、受注状況や販売状況などをもとに出荷量の予測を行います。
実際に2023年3月までの6ヶ月間で検証を行ったところ、最終的な予測精度は「人だけの場合」よりも約20%上昇しました。同社では2020年10月からモデル作成に着手をして、育成・運用などのチューニングを経て、より高い精度での予測を実現することを目的とされています。
同社では、今後も関係会社からのスキルトランスファーを通じて、AIを活用した人材の育成と協働を実現されることを検討されているようです。
参照：AI需要予測システムの本格運用開始 | ニュースリリース | サッポロビール
株式会社デンソー
株式会社デンソーでは、自動車メーターの表示検査にAIソリューション「Impulse」を導入し、異常検知が可能な動画検査システムを取り入れました。
市販のカメラで撮影した動画からPoC（概念実証）を行い、カメラの視野（角度・ピント・明るさ）を調整しつつ、さまざまなデータをもとにAIでの分析を実現。従来まで検査員の目視ベースで行っていた検査を自動化し、目視では捉えられなかった異常値まで検知を行えるようになったようです。
目視検査でかかっていた時間を限りなくゼロにし、業務効率化や品質安定化の実現を実感されています。
参照：株式会社デンソー様 | 事例紹介 | ブレインズテクノロジー株式会社
株式会社ブリジストン
株式会社ブリジストンでは、AIを活用したタイヤ成型設備「EXAMATION（エクサメーション）」を導入。ゴムなどの原材料を精錬する成形工程の自動化を実現しました。
タイヤに使用されているゴムは、暑いと伸び、寒いと縮む特性があるため、従来までは人間による細かい調整が必要とされていました。そのため、多くの人手がかかり、生産工程のボトルネックになっていたのが実情です。
本取り組みでは、設置された数百ものセンサーからゴムの位置や形状を把握し、異常があった場合には警告音が鳴る仕組みを導入しています。異常音が鳴った場合のみ検査員が確認すれば良いため、生産性は大きく向上できることが見込まれています。
参照：ブリヂストン､国内生産でも勝てる｢AI工場｣ 売れ筋タイヤを次々生み出す秘密兵器 | 素材･機械･重電 | 東洋経済オンライン
キユーピー株式会社
キユーピー株式会社では、原料検査装置にAI技術を導入し、運用の検証をスタートしました。具体的には、惣菜の原料となるカット野菜の検査工程で、画像解析メカニズムを取り入れて、混入物の有無を確認します。
従来の方法では、混入物がある（＝不良）の状態をAIに学習させるのが一般的でしたが、不良のパターンは無限にあり、同社ではあえて混入物がない（＝良品）状態をAIに学習させました。この学習により「良品」以外の状態はすべて「不良」として検出できるようになり、検査精度が飛躍的に向上したようです。
同社では、2016年からAIを活用した開発に着手。2018年8月から、ベビーフードで使用する冷凍食材の検査装置として本格的に導入されています。今後はグループ内での展開を進めるほか、同様の課題を抱えている原料・食品メーカーへの提供も検討中のようです。
参照：AIを活用した原料検査装置をグループに展開 | ニュースリリース | キユーピー
アステラス製薬
アステラス製薬株式会社では「人×AI×ロボット」を統合した医薬品創製プラットフォームを構築し、医薬品候補化合物の取得までにかかる期間を、最短で約70%短縮することに成功しました。
同社では、ロボット「Mahol-A-Ba」を開発し、研究者が行う細胞培養・分化作業を再現。実際に分化した細胞の活性や薬理作用の評価もロボットが行います。集められた膨大なデータをAIが解析、最終的には人が判断＆フィードバックを行うことで、精度の向上につなげています。
作業にあたる研究者は「Mahol-A-Baの導入により、従来に比べて100倍から1,000倍規模の実験を同じ時間でできるようになった」と語ります。
参照：アステラスのDX戦略シリーズ Vol.2：人×AI×ロボットの協働で創薬を加速 | アステラス製薬
製造業でAIを導入する方法
製造業におけるAIの導入は、多くの場合、下記のステップで進められます。
- 目的設計
- 導入計画
- テスト
- 実装
- 運用・改善
1. 目的設計
まずはAIを導入する目的の設計から始めます。目的を設計するためには、現状の業務における「課題」を特定することから始めましょう。生産性向上・コスト削減・品質向上・人手不足の解消など、課題を洗い出し、具体的に「どこで・どれくらいの問題が発生しているのか」を明確にします。
そして課題を定義したら、次に目的/目標を設計します。AIを導入することで「何が・どれくらいの状態になることが理想なのか」を定量的に定めることで、後で振り返りがしやすくなるでしょう。
また、目的/目標を具体的に定めたら、次にAIの導入範囲を検討します。全社的な導入なのか、特定部門への導入なのか、達成したい目的/目標や予算などを考慮したうえで、導入範囲を明確にする必要があります。
2. 導入計画
次に、具体的な導入計画に移ります。今回の取り組みで必要なAI技術（画像認識・機械学習・自然言語処理）を選択し、必要なデータの整備を行います。AIの学習材料となるデータには「正確さ」と「量」の2つの軸が求められます。学習段階で十分なデータ量を整備できなければ、AIの精度にも影響が出るため注意が必要です。
選定したAI技術を用いて、課題解決に特化したAIモデルを開発し、運用するためのシステムを構築します。そしてAIモデルの運用/管理・効果測定などの体制を整備したら、導入計画は完了です。
3. テスト
導入計画が完了したら、次にテストを行います。まずは小規模な範囲でAIモデルを運用し、効果や課題を検証。そして検証した結果を踏まえて、実際の業務環境でも運用をし、実用性を確認します。主に「期待通りの精度で課題を解決できそうか」「業務環境で運用するうえで問題はなさそうか」の2点を確認し、導入後にトラブルが発生する確率を最小限に抑えます。
テストでは、事前に明確な目的設計と計画を立てることが重要です。実際に運用する環境と近い条件下でテストを行い、実用性をしっかりと確認しましょう。
4. 実装
無事にテストが終わったら、実装の段階に入ります。全社または対象となる部門にAIを展開する前に、まずは入念な準備が必要です。運用を行うにあたって、マニュアルが必要な場合には「誰でも操作ができる」ことを前提としたドキュメントを作成しましょう。
また、実装前には現場担当者との擦り合わせが欠かせません。導入の目的を入念に説明し、実際の運用に向けて目線や温度感を合わせましょう。この段階での擦り合わせがうまくできなければ、システムが形骸化する恐れがあるため注意が必要です。
5. 運用・改善
運用後には定量的な指標に基づいて、AIを導入した効果を測定します。導入後の成果や直面した問題を可視化し、上層部や経営層への報告にも活用します。
また、AIモデルの精度向上やシステムの改善には、継続的なメンテナンスが必要です。精度の向上には、学習データの品質管理が欠かせません。定期的にデータの収集・処理・更新などを行いましょう。
システムが安定稼働しているかどうかを監視することも重要です。システムの稼働状況・パフォーマンス・エラーの発生状況などは、あわせて確認が必要になります。
まとめ
日本の製造業界では、人手不足・業務属人化・設備投資の遅れなど、各企業がさまざまな課題を抱えています。
とくに近年では、少子高齢化による労働人口の減少に伴い、人材確保に苦戦する企業が増えてきました。女性社員や外国人労働者の雇用促進など、各企業がさまざまな取り組みを進めていますが、人手不足の影響は想定以上に大きく、抜本的な解決策が求められています。
そこで、注目を集めているのが「AI技術」の導入です。人間が行っていた業務の一部をAIが肩代わりし、業務効率化・品質向上・安全性向上などに取り組みます。具体的には、需要予測・製品開発・異常検知・作業自動化などの業務が挙げられます。
実際に導入する際には、目的設計から導入計画、テスト、実装といった手順で進めます。また、運用開始後には、AIモデルの精度向上に向けた学習データの品質管理が欠かせません。データの収集・処理・更新などは定期的に行いましょう。
AIが学習できるデータの種類としては、画像・テキスト・音声など、さまざまな種類があります。とくに音声データの学習には、雑音やノイズを識別したり、同時発言や専門用語を聞き分けたりなど、特有の技術が求められます。
株式会社オルツでは、音声技術を中心としたAI活用・LLM開発・DX推進などのご支援が可能です。さまざまな業種業界に特化した音声認識エンジンAPIをご提供できるため、貴社のアプリケーションやシステムとの連動にもご活用いただけます。
また、AIによる高度な画像認識・画像解析のご支援も可能です。医療・製造・マーケティングに至るまで、さまざまな場面での実用化が進んでいます。
課題の抽出から実際の企画まで、各企業のご状況に寄り添いながらご支援いたしますので、少しでもご興味のある方は下記のフォームよりご連絡ください。
