デジタルトランスフォーメーション
分析とKPI

データと知識:スマートマニュファクチャリングの2つの基盤

Nishika Makwana
データと知識:スマートマニュファクチャリングを支える2つの基盤(図解)

AI Summary

Operations Calling 2025 showcased how modern manufacturing depends on open ecosystems, with dozens of partners demonstrating integrated AI, hardware, and software solutions. The event emphasized that collaboration and interoperability—not single all-in-one systems—are key to scalable, future-ready operations.

工場での研修中、ベテランのオペレーターが新入社員にこう言った。「機械から振動音が聞こえるはずだ。」
「何も聞こえません」と研修生は答えた。
「いや、体で感じるはずだ」とベテランは説明した。「これは、ここで30年間働いて培った直感なんだ。」

DeepHowのCEO、シヴァ・ラクシュマナン氏が共有したこのやり取りは、世界中の製造現場で起きている状況を如実に表しています。一方で、経験豊富な労働者が退職するにつれ、数十年にわたる業務上のノウハウが失われつつあります。他方で、膨大な生産データが相互に連携していないシステムの中に閉じ込められたままとなり、最も重要な意思決定に活用することができません。

「Operations Calling 2025」では、DeepHow、Hexagon、NVIDIAの各社の業界リーダーが一堂に会し、AIがスマートファクトリーをどのように変革しているかについて議論しました。議論の焦点は、ある重大なギャップに当てられました。それは、多くの製造企業がデータインフラか知識の収集のいずれかに重点を置いているものの、その両方に取り組むことはほとんどないという点です。本記事では、なぜこれらの基盤を同時に構築して初めてAIが機能するのか、そしてその第一歩をどのように踏み出すべきかについて探ります。

『ファウンデーション・ワン』――知識の危機

なぜ実務知識が失われつつあるのか

製造業におけるスキルギャップは、単に人材不足という問題にとどまらず、経験豊富な労働者が離職することで生じる「頭脳流出」の問題でもあります。業界の予測によると、2030年までに最大3,000万件の製造業の雇用が埋まらない可能性があると言われていますが、より深刻な危機は、暗黙知の喪失にあります。つまり、文書化されることなく、しばしば言葉では表現することさえできない、何十年にもわたる業務上の直感の喪失です。

自然移管の崩壊

何十年もの間、専門知識は長期にわたる徒弟制度を通じて受け継がれてきました。しかし、次の2つの要因により、そのモデルは崩壊してしまいました:

  • 勤続年数:製造部門の平均勤続年数は5年未満にまで低下しており、ベテラン社員が後継者を十分に育成する前に退職してしまうことを意味している。
  • 複雑性:現代の業務では、許容誤差が厳しくなり、機器もより高度化しているため、「SOPに従う」ことと、実際に「正しく行う」こととの間の隔たりが広がっている。

「ノウハウ」のギャップの定義

「この知識は本質的に暗黙的なものであり……簡単に文書化できるものでも、ましてや簡単に説明できるものでもありません。」― DeepHow CEO、シヴァ・ラクシュマナン

知識はマニュアルに書かれているものではありません。それは、生産を円滑に進めるために必要な実務上の直感なのです:

  • 感覚的な兆候:センサーが作動する前に、トラブルを告げる振動を察知すること。
  • 機械のニュアンス:気難しい機械をスムーズに稼働させ続けるための、特定のセットアップ手順を習得する。
  • 「Tribal Shortcuts」:どのエラーコードが実際に重要なのか、またどの回避策が繰り返し発生する問題を解決するのかを知る。

例えば、これは子供に自転車の乗り方を教えることに例えることができます。物理的な原理を説明することはできますが、子供がそれを理解するには、実際に目で見たり、肌で感じたりする必要があるのです。

「知識とは、頭の中に収まっている状態のことです」と彼は説明しました。「ノウハウとは、それを他者に伝達する段階のことであり、それは決して簡単なことではありません。」 ― DeepHow CEO、シヴァ・ラクシュマナン

この「ノウハウ」を体系的に記録する手段がなければ、30年かけて築き上げた専門知識は、たった1回の退職面談の間に事実上失われてしまうことになる。

「ファウンデーション・ツー:製造業においてデータだけでは不十分な理由」

製造現場では、PLC信号や時系列データから、映像データやセンサーの計測値に至るまで、驚くほど多様なデータが生み出されています。しかし、いくつかの根本的な課題があるため、こうした膨大なデータはしばしば活用されずに終わってしまいます:

  • 「サイロ化」の問題:データが特定の部門内に閉じ込められてしまうことが多く、その結果、統一された戦略ではなく、その場しのぎの連携しか行われない。
  • 「価値のギャップ」:データを持っていることと、それを活用することは別物です。データが他の分野に役立つ知見へと変換されて初めて、価値が生まれるのです。
  • 文脈の危機:汎用AIには、現地の工場の工程や機械に関する具体的な「ノウハウ」が欠けている。
  • 「ゴミを入れれば、ゴミが出る」:高速GPUやデータセンターも、高品質で関連性の高いデータが供給されなければ、何の役にも立たない。

「当社のソフトウェアを通じてであれ、現場に設置したデバイスを通じてであれ、私たちは膨大な量のデータを収集しています……データを持つことと、そのデータを活用できることは別問題です。」 — ヘキサゴン、製造ソフトウェアポートフォリオ担当プロダクトマネジメント責任者、ヒレン・クンボジカル

解決策:目標は、単なるデータ収集にとどまらず、情報が構造化され、アクセス可能であり、かつ文脈に応じて十分な意味を持ち、リアルタイムの意思決定を推進できるようなデータ戦略へと移行することです。

メーカー各社は実際にどのようにデータと知識を結びつけているのか

最も大きな進歩を遂げているメーカーは、抜本的な変革を追い求めているわけではなく、現場の知見と運用データを、実用的かつ拡張性のある方法で結びつける、的を絞った手法を取り入れている。

その様子は次のようになります:

パターン1:人々が仕事をしている最中に、その知識を把握する

プレイブック:

  • セットアップ、段取り替え、トラブルシューティング、点検など、実際の作業をその都度記録する
  • AIを活用して、非構造化コンテンツ(動画、音声、ジェスチャー)を構造化された指示に変換する
  • 暗黙知を、検索可能で再現性のあるデジタルガイドに変換する
  • チェック機能、翻訳機能、インラインサポートを組み込み、新入社員がすぐに活用できるようにする

その結果:

  • 専門家を現場から引き離すことなく、知識を可視化し、活用できるようになる
  • 1回限りの研修ではなく、チームはいつでも利用できる継続的な指導を受けられるようになります
  • シフト、役割、勤務地を問わず専門知識が共有され、文書化によるボトルネックが発生しません

パターン 2:データストリームをリアルタイムの意思決定支援に変える

プレイブック:

  • 機械の設定、カメラの映像、品質ログなどのマルチモーダルデータをすべて1つのインテリジェンス層に統合する
  • 自社の過去のデータ(プログラム、点検、結果)を用いてAIを学習させ、パターンを認識させる
  • 意思決定のその場でリアルタイムの指針を提供する:「問題点はこれです」だけでなく、「解決策はこれです」と伝える
  • これらの知見を活用して、オペレーターに代わって作業を行うのではなく、オペレーターを支援し、それによって「ヒューマン・イン・ザ・ループ」型のワークフローを支える

「インサイトはリアルタイムでなければならないですよね? レポートが出るまで2日も待つなんて……それじゃ具体的なビジネス価値とは言えません。」 — アルビン・クラーク、NVIDIA 製造・産業部門 グローバル・デベロッパー・リレーションズ・マネージャー

その結果:

  • オペレーターは、数時間後ではなく、その場ですぐに、状況に応じた適切なサポートを得ることができます
  • エンジニアは、根本原因の特定をより迅速に行えるようになり、継続的な改善のためのより強固な基準を得ることができます
  • 御社のシステムは、単にパフォーマンスを報告するだけでなく、その向上を支援するようになります

共通点

これらのアプローチは出発点が異なるかもしれませんが、効果を発揮する理由は同じです:

  • 彼らは汎用的なモデルではなく、現地の文脈を活用している
  • 知識を可視化し、データを活用可能にする
  • 彼らは、業務が行われる現場にインテリジェンスを組み込んでいる
  • そして、彼らは人々に情報を共有し、取り残さないようにしている

このようにして、メーカー各社は、すでに持っている基盤を結びつけることで、AIを現実のものにしているのです。

はじめに:実践的な道筋

始めるのに、完璧なデータや知識の完全な把握は必要ありません。実際に繰り返し発生している問題から着手し、その上で両方の基盤を並行して構築していきましょう。多くの製造業者は、次のようなシンプルな道筋をたどっています:

  • データのアクセス可能性や文書化されていないノウハウにおける不足点を評価する
  • 切り替え作業、トラブルシューティング、トレーニングなど、効果の高いユースケースを選んでください
  • 知識を収集し、データをつなぎ合わせ、一貫したワークフローの一部として統合する
  • 各チームに明確な責任範囲と、迅速に動けるための指針を与えましょう。人々が、自分が使うシステムに自分の専門知識が反映されていると実感すれば、自然とシステムが受け入れられ、改善も続いていきます。

Tulip が、これら2つの基盤の構築にどのように役立つか

Tulip 現場業務の現実を踏まえて設計された単一のプラットフォーム上で、データと知識を統合します。

Tulip のAI Composerを使えば、チームはコーディングを一切行わずに、静的なSOPや暗黙知を、わずか数分でインタラクティブなデジタル作業指示書に変換できます。ドキュメントをアップロードするだけで、システムが動作するアプリを生成するために必要な手順、画像、ロジックを自動的に抽出します。これは、専門家のワークフローをすべてのオペレーターが利用できるようにするための、迅速かつ再現性の高い方法です。

これに、Tulipに組み込まれたAIアシスタント「AI Agent」を組み合わせることで、オペレーターは業務の合間にオンデマンドで回答を得ることができます。トルク仕様の確認、機械のトラブルシューティング、過去のパフォーマンスの確認など、どのような問い合わせであっても、Copilotは実際のSOP、マニュアル、生産データから適切な知識を即座に抽出して提示します。

これらのツールを組み合わせることで、閉ループが形成されます。つまり、知識が収集され、アプリケーションへと変換され、リアルタイムデータによって充実させられ、必要な場所で利用可能になるのです。また、Tulip はより広範な製造エコシステムの一部であるため、そのインテリジェンスは単一のプラットフォームの枠を超えて広がります。DeepHow、Hexagon、NVIDIAといった革新的な企業とのパートナーシップを通じて、製造業者は、専門知識の収集、高度なシミュレーションおよびデジタルツイン機能、そして高速化されたAIインフラを、同一の業務ワークフローに統合することができます。

Tulip AIが人とプロセスの両方を支援し、オープンなエコシステムによってその知能があらゆる業務に拡大・展開される、より連携の取れたインテリジェントな工場の基盤を提供します。

業務のデジタルトランスフォーメーションを実現するにはTulip

アプリ群が、いかにして俊敏かつ連携のとれた業務運営を実現するかをご覧ください

デモを予約する
ある1日の様子を描いたCTAイラスト