設備のAI予防保全 失敗しない鍵とは

目次

1. はじめに
2. 製造現場の課題、ささやかれ始めた予防保全の限界
3. 注目されるAIによる予防保全（予知保全）と導入における注意点
4. 予防保全におけるアノテーションの役割とボトルネック
5. 熟練技術を要するアノテーションを支える代行サービスの役割
6. まとめ
7. ヒューマンサイエンスのアノテーションサービスの特徴

1. はじめに

製造業の予防保全はAIやIoTが登場する以前から長年取り組まれてきた課題です。
設備が故障等によって停止してから保全、修理対応するのでは生産計画や品質、納期に大きな影響を与えるばかりでなく、設備停止は製造現場で忌み嫌われる様々なロスを発生させます。そのため、製造現場では古くから、TPM（Toal Productive Maintenance）活動に代表されるような全員参加型の予防保全活動が取り組まれ成果を上げてきました。ただ近年ではその限界も見え始め、AI化を行う取り組みが進み始めています。今回は近年見え始めた、人による予防保全の限界、AI化のメリットと導入の注意点、AIとの付き合い方などを解説していきたいと思います。

2. 製造現場の課題、ささやかれ始めた予防保全の限界

昨今の製造現場においては、それら予防保全を成立させていた熟練工の減少や若手の人材不足で暗黙知が形式知化されず引き継がれない、といった課題が浮き彫りになっています。また熟練工から作業を引き継いでも、点検が単なる「チェック作業」になり、点検はできるが判断が出来ない、などといったことに加え、設備の高度化や複雑化も進み、人間の経験則では因果関係が見えない「異常の兆候」を標準化できず、結果、設備の突発停止が増える、といったことも散見されているようです。

設備の日常・定期点検項目がマニュアル、チェックリストなどで形式知化されて引き継がれていても、難度の高い点検領域では、同じ点検項目でも担当者によって判断結果が微妙に異なることもあり、やはり熟練工が長年経験を通じて培われた感覚や設備ごとの癖を理解しているからこそ可能であったこと、言い換えれば、非常に形式知化しづらい暗黙知的な経験を有していたからこそ可能であったことが、熟練工やそれを引き継ぐ若手の減少ともに、予防保全の限界も見え始めています。

3. 注目されるAIによる予防保全（予知保全）と導入における注意点

AIはこうした「見えなかった熟練技術者の判断」を次世代に伝え、人をサポートする有効な手段として期待され、現在も開発・導入が進んでいますが、予防/予知保全も例外ではなく、現場が抱える課題を解決するものとして、各企業でAI化の取組みが進んでいます。センサーによる常時監視、異常検知アルゴリズム等、人が常に張り付かなくても、設備の状態を継続的に見守ることが可能になっており、その結果、設備の突発停止リスクを下げ、人の点検では見逃されがちな小さな変化や兆候の早期発見、熟練工減少の補完を可能にし、過剰な点検や部品交換の削減、保全作業の優先順位付けや保全コストや作業負荷の最適化など、AIによる予防保全は、限られた人員で安定的な稼働を維持するための補完手段として、その導入成功事例も多く見受けられるようになりました。

ただ、注意すべきことは、予防/予知保全AIを導入すればそれで完結する訳ではありません。実際の現場では設備の使い方や、稼働条件、設置環境、保全ポリシー（どこからを異常とするか）等それぞれ異なります。そのため、そのような汎用的AIを導入した当初は順調に進んでも、上記のような条件に変更が生じると、AIが出すアラートの信頼性が途端に低下し、実用に耐えなくなるケースも多く見受けられます。どのようなAIにも必要とされるのと同じように、自社独自の熟練工のノウハウをAIの判断基準に介在させ、状況に応じてアップデートすることが必要になり、またそれらを自社で行うことが必要になることも多くあります。

言い換えれば、予防/予知保全AIを継続的に実用に耐えるものとするためには、設備の使い方や、稼働条件、設置環境、保全ポリシーに応じて、以下のような熟練工の判断をアップデートし、それぞれの状況に応じたAIの教師データを準備し、追加学習させることが必要になります。

●どの状態を「異常」と呼ぶのか
●どの変化を「兆候」とみなすのか
●どの段階で対応すべきか

そのために必要になるのが、熟練工の経験や暗黙知をデータに落とし込んでいくアノテーション作業です。
アノテーションとは、単なるラベル付け作業ではなく「この状態はなぜ異常なのか」「データの変動に対してどこからが注意すべき兆候なのか」といった判断を、例えば「正常」「注意」「異常兆候」などに区分して、データにラベリングを行う作業です。

4. 予防保全におけるアノテーションの役割とボトルネック

設備の購入先から提供されている予防/予知保全のAIには当てはまらないケースも存在しますが、結局のところ、自社の設備や使い方に合った、実用に耐えうるAIを開発または購入して育てていくためには、熟練工の技術や経験が落とし込まれた高品質かつ比較的大量の教師データが欠かせません。しかし現実は、同じ設備でも使い方や設定値が違う、ラインや工程によって基準が変わる、過去の蓄積データや故障データそのものが少ない等の課題もありデータを準備することは容易ではありません。加えてそのデータには熟練工の経験やノウハウが詰まった判断をデータに落とし込むことが必要となりますが、熟練工の技術や経験は言語化されず曖昧なことも多く、熟練工が持つ判断基準をアノテーションの作業仕様に落とし切れずに作業を進めると、結果的にAIが「熟練工の感覚」を再現できなくなることも起こりえます。

また作業仕様だけでなく、アノテーションの作業段階においても、熟練技術の落とし込みが必要不可欠になりますが、自社で熟練工が自ら大量のアノテーション作業を行うには、コストや作業時間の捻出など、さまざまなボトルネックが存在します。

5. 熟練技術を要するアノテーションを支える代行サービスの役割

自社の熟練工でアノテーションを行ったり、教師データを準備したりするのが難しければ、アノテーションベンダーへ外注する手段が考えられます。ただアノテーションベンダーは比較的短期間に大量の教師データを確保することは期待できますが、当該設備等の専門技術を保有していることはほとんどありません。

ただ、経験が豊富なアノテーションベンダーの多くは、お客様とのコミュニケーションや、作業に対するお客様からのフィードバックを重ねることで、どんなアノテーションでも必ず存在する言語化されづらい曖昧なニュアンスや熟練工が持つ暗黙知を吸収し、言語・基準化できるものはそれを行い、それらを最適な方法で作業者へ展開・徹底することで、精度や品質を安定させるノウハウや経験、勘所を熟知しています。そういったプロセスを強みにしているアノテーションベンダーの外注・代行サービスを利用することで、かなりの精度で熟練工の技術を再現することが可能です。またどうしても社外に持ち出したり、伝達することが難しい熟練工の技術が必要な部分は自社で行い、それ以外をアノテーションベンダーに任せ、作業を分業してデータの質・量を両立させる手段もあります。

熟練工のノウハウや経験は比較的容易と思われるものでも、事前に全て言語化して仕様書などに落とし込むのは困難で現実的ではありません。それらノウハウや経験を引き継ぐためには、上段で述べたようなお客様の熟練工からのフィードバックを得るために、作業を小分けにして分納やサンプル納品等を行ったり、言語化が難しい判断基準や微妙なニュアンスはミーティングなどの場を設けて口頭ですり合わせたりする必要があります。そのため、やはり言語化されたアノテーション作業の仕様書通りに、ただ忠実に遂行するだけの代行サービスでは不十分です。

また必要とされるセキュリティレベルやコミュニケーションの密度など、状況によっては、お客様の指揮下で派遣スタッフとして従事することが必要なこともあります。これらは言い換えれば、お客様とコミュニケーションを密に連携し、寄り添いながら柔軟に解決・対応でき、それらのサービスを持ち合わせたアノテーションベンダーでないと実現や対応は難しいと言えます。

6. まとめ

これまで述べてきたように予防/予知保全AIは熟練工の技術の伝承において、継続的に取り組まれ、昨今ではスマートファクトリー化など、製造業が直面する人材不足等の課題解決の一つとして期待されています。その一方でそのような汎用的AIを導入すれば課題が解決し、それだけで完結する訳ではなく、他のAIと同じように使用条件等が変われば、追加学習など、AIそのものの保守も必要になります。またAIの学習に必要な教師データには、熟練のノウハウや経験が落とし込まれた高精度かつ比較的大量・多種のデータが必要になります。

このような現実を踏まえてAIの導入を図ることで、熟練工の経験やノウハウを次世代や社内に継承するAIの導入が成功に導かれます。

7. ヒューマンサイエンスの教師データ作成、LLM RAGデータ構造化代行サービス

教師データ作成数4,800万件の豊富な実績

ヒューマンサイエンスでは自然言語処理に始まり、医療支援、自動車、IT、製造や建築など多岐にわたる業界のAIモデル開発プロジェクトに参画しています。これまでGAFAMをはじめとする多くの企業様との直接のお取引により、総数4,800万件以上の高品質な教師データをご提供してきました。数名規模のプロジェクトからアノテーター150名体制の長期大型案件まで、業種を問わず様々なアノテーションやデータラベリング、データの構造化に対応しています。

クラウドソーシングを利用しないリソース管理

ヒューマンサイエンスではクラウドソーシングは利用せず、当社が直接契約した作業担当者でプロジェクトを進行します。各メンバーの実務経験や、これまでの参加プロジェクトでの評価をしっかりと把握した上で、最大限のパフォーマンスを発揮できるチームを編成しています。

生成系AI LLMデータセット作成・構造化、「AIに最適化するマニュアル作成・整備支援」にも対応

データ整理ためのラベリングや識別系AIの教師データ作成のみでなく、生成系AI・LLM RAG構築のためのドキュメントデータの構造化にも対応します。創業当初から主な事業・サービスとしてマニュアル制作を行い、現在では「将来的な生成AI・RAG導入・活用に向けての業務ナレッジ整備やマニュアル化の支援」も行っております。さまざまなドキュメントの構造を熟知している当社ならではのノウハウを活かした最適なソリューションを提供いたします。

自社内にセキュリティルームを完備

ヒューマンサイエンスでは、新宿オフィス内にISMSの基準をクリアしたセキュリティルームを完備しています。そのため、守秘性の高いデータを扱うプロジェクトであってもセキュリティを担保することが可能です。当社ではどのプロジェクトでも機密性の確保は非常に重要と捉えています。リモートのプロジェクトであっても、ハード面の対策のみならず、作業担当者にはセキュリティ教育を継続して実施するなど、当社の情報セキュリティ管理体制はお客様より高いご評価をいただいております。

内製支援

弊社ではお客様の作業や状況にマッチしたアノテーション経験人材やプロジェクトマネージャーの人材派遣にも対応しています。お客様常駐下でチームを編成することも可能です。またお客様の作業者やプロジェクトマネージャーの人材育成支援や、お客様の状況に応じたツールの選定、自動化や作業方法など、品質・生産性を向上させる最適なプロセスの構築など、アノテーションやデータラベリングに関するお客様のお困りごとを支援いたします。