Panasonic Industryは、製造におけるAI活用は、既製のモデルやツールを選ぶことから始まるのではなく、信頼できる業務データ基盤の構築から始まると考えている。MONOist Japanに掲載された記事によると、同社は10年以上にわたり、生産ラインのデータとそれに関連する知識を、業務改善に活用できる構造へと変換してきた。
この取り組みは、1969年に設立され、製品の一つとしてアルミニウム電解コンデンサーを生産している同社によるものである。これらの部品は、電気自動車、AI用途、通信インフラなどの分野で使用されている。この文脈で同社は、生産性の改善には、製造ラインの違いへの対応、リソースの確保、需要量の変化への対応が必要だとしている。
AIに先行したデータ整備
約10年前、2010年以前に導入された旧式の生産設備のおよそ半数は、データを直接収集できなかった。そのためPanasonic Industryは、データを提供できる設備を導入し、既存の生産ラインにプログラマブルロジックコントローラー、すなわちPLCを設置する取り組みを進めた。
記事によると、このプロセスによって600を超える生産ラインからデータを収集できるようになった。標準化の対象は一般的な指標だけにとどまらず、生産品質、設備の不良率、製品不良、数量に関連する不良に加え、生産効率などの業務指標も整理できるようになった。
測定から業務知識へ
同社は、データ収集自体を最終目的とは見なしていない。すべての設備からデータを利用できるようにすることで、稼働条件の分析や問題の原因特定が可能になり、設備や工程のパフォーマンス比較もできるようになる。Panasonic Industryは、データと従業員が蓄積してきた知識を結び付けており、実務上の課題は、従業員が行うことと工程のパフォーマンスの変化との関係をどのように理解するかだと考えている。
記事によると、同社は、現場の経験を再利用可能な形式へ変換し、特定の個人に依存したままにしない業務知識の枠組みの構築に取り組んでいる。この点は、顧客ごとに製品仕様や生産方法が変わり、数千もの調整・運用手順が必要になる可能性がある製造環境において、特に重要である。
実際に何が変わるのか？
実際の転換は、AIを独立したツールとして使用することから、設備データや業務知識と統合して活用することへの移行にある。記事では、Panasonic Industryが業務を支援するため、AIエージェントを含む技術の活用を始めたと説明している。ただし、この取り組みは、データ基盤を整備し、パフォーマンス指標を標準化した後に行われた。
ここで最も重要な点は、AIがデータの欠如や定義の不整合を補うものではないということである。設備データにアクセスできない工場や、故障や生産品質を統一的な方法で記述する仕組みを持たない工場は、AIモデルを選ぶ段階に入る前から制約に直面する。一方、Panasonic Industryの場合、600を超える生産ラインのデジタル化によって、工程分析や知識自動化の拡大に向けた基盤が整えられた。
記事は、すべての生産上の問題が解決されたことや、AIエージェントが人間の専門知識に取って代わったことを示してはいない。しかし、明確な道筋を提示している。それは、設備からデータを収集し、標準化し、現場の知識と結び付け、その後、製造工程にAIを活用するというものである。この道筋の有効性は、データの品質、知識モデリングの精度、そして結果を運用上の意思決定に変換する前に従業員が検証できる能力に左右される。