なぜAIは文脈がなければ機能しなくなるのか:製造データ活用準備ガイドブック

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.
メーカー各社はAIに多額の投資を行っているにもかかわらず、多くの取り組みは初期のパイロット段階を過ぎると行き詰まってしまう。モデルは洞察を生み出し、ダッシュボードは色鮮やかに表示されるが、チームは行動を起こすことを躊躇してしまう。現場や制御室では、その出力結果が実際の業務の進め方とはかけ離れていると感じられることがよくある。
Operations Calling では、ZSとAWSのリーダーたちが一堂に会し、製造業がAIを大規模に導入するためにデータをどのように準備しているかについて議論しました。製造戦略、クラウドアーキテクチャ、現場の運用といった幅広い視点から検討した結果、一貫した傾向が浮かび上がりました。それは、AIが機能しないのはモデルが不十分だからではなく、ITシステムとOTシステム全体で共有される運用上のコンテキストが基礎となるデータに欠けている場合に機能しなくなるということです。
このブログでは、なぜ「コンテキスト」が製造業向けAIにとって欠けていた前提条件なのかを解説します。また、組織が生の信号やサイロ化されたシステムから、スケーラブルで「ヒューマン・イン・ザ・ループ」型の意思決定支援を支えるAI対応アーキテクチャへと移行する方法を示す、実践的なデータ準備ガイドラインの概要を紹介します。
製造業におけるAIにとって、「コンテキスト」とは一体何を意味するのか
製造現場では、すでに機械、システム、アプリケーションの至る所にデータが存在しています。課題は、そこから意味を抽出することです。コンテキストとは、そのデータが何を表しているのか、そしてなぜそれが特定の意思決定において重要なのかを説明するものです。
「AIの性能は、そのデータの質次第ですよね? しかも、データだけではありません。データそのものを超えて、データの文脈まで及ぶのです。文脈こそがすべてなのです。」— スラージ・パイ、ZS プリンシパル
機械が稼働していることを把握することと、その機械がどのプロセスを、どの製品のために、どのような条件下で実行すべきかを把握することは別物です。資産、プロセス、製品との関連性がなければ、AIシステムはシグナルを検出することはできても、具体的な行動を支援することは困難です。
コンテキストは、役割や問いによっても異なります。オペレーター、品質責任者、サプライチェーンプランナーにとって重要なことは、たとえ同じ基礎データを見ていたとしても、それぞれ異なります。そのため、コンテキストは推測したりハードコーディングしたりすることはできず、設計する必要があります。
最後に、コンテキストは機械によって生成されるだけのものではありません。専門家たちは、システムではカバーしきれない重要な部分を、依然として人間の判断が補っていることを強調しました。AIを実際の業務で機能させるためには、システムデータと人間の判断の両方を考慮に入れる必要があります。
製造データのリディネスを理解する
製造データのレディネスとは、運用データが定義・構造化・連携され、ITシステムとOTシステムの両方で確実に活用できるようになっている状態を指します。
実際には、データは以下の条件を満たした時点で準備完了となります:
- 資産、プロセス、および製品が明確に定義されている。
- それらの間の関係がモデル化されている。
- 命名規則は標準化されています。
- データがシステム間を移動する際も、コンテキストはデータに紐付けられたままとなります。
これにより、運用、品質管理、エンジニアリング、あるいはエンタープライズシステムなど、どこに表示されても、同じデータが同じ事象を表すことが保証されます。
ISA-95やUnified Namespaceといった標準規格は、構造的な出発点を提供します。こうした基盤があれば、新しい分析やAIのユースケースは、プロジェクトごとにコンテキストを再構築するのではなく、共有モデルを基盤として構築することができます。また、新しいユーザーがデータを利用するたびに、手動で説明を行う必要もなくなります。コンテキストはすでに組み込まれているからです。
データが準備でき次第、新しいダッシュボードや分析ツール、AIツールはそれを即座に活用できます。しかし、データが準備できていない場合、チームはデータの真の意味を解明することにほとんどの時間を費やすことになります。
製造業におけるコンテキスト成熟度の段階
コンテキストは一度に現れるものではありません。それは層を成して形成されていくものであり、ほとんどのメーカーは同時に複数の層で事業を展開しています。重要なのは、現在コンテキストがどこに存在しているのかを理解し、過剰な設計を避けつつ前進するために何が必要なのかを見極めることです。
「適切なデータがなければ、これらのエージェントはうまく機能しないだけでなく、正しい情報を提供したり、より良い意思決定を行ったりすることもできません……」。— ヴェンカット・グマタム、Amazon Web Services パートナー・ソリューション・アーキテクト
ステージ1:資産レベルのコンテキスト
この段階では、データは個々の機械、生産ライン、またはセンサーに紐付けられています。
機器の状態(稼働中、停止中、または故障中)や、サイクルタイム、温度、出力数などの基本的な指標を確認できます。このデータから、その時点での資産の状態を把握することができます。
しかし、そのデータからは、その機械が正しい製品を生産しているか、適切なプロセスパラメータに従っているか、あるいはその特定の作業における性能要件を満たしているかといったことは分かりません。データは当該資産自体に限定されているからです。
ITとOTの統合は、ほとんどの場合、ここから始まります。つまり、機械を接続し、信号を収集することです。これにより可視性は確保されますが、運用上の意味を完全に把握できるわけではありません。
ステージ2:プロセスのコンテキスト
この段階では、データはマシンが実行しているプロセスステップに関連付けられます。
どの操作が実行中か、ワークフローのどの段階にあるか、そのステップに対して定義されたセットポイントや制限値を確認できます。パフォーマンスデータはもはや単なる機械の信号ではなく、プロセスが本来どのように動作すべきかという基準に基づいて評価されるようになりました。
これで、その操作が想定された範囲内に収まったかどうかがわかりました。
まだ完全には把握できていないのは、このパフォーマンスが特定の製品、注文、またはロットにどのような影響を与えるかという点です。このデータはプロセスの挙動を反映していますが、製品への影響の全容までは示していません。
ここで、疑問は「何が起きたのか?」から「期待通りに動作したか?」へと移っていく。
ステージ3:製品およびバッチのコンテキスト
この段階では、データが特定の製品、レシピ、またはバッチに関連付けられます。生産実績、逸脱、品質結果などを、その時点で生産されていた製品に遡って追跡することが可能です。
これにより、プロセスの挙動が、単に機械だけでなく、特定の注文やロットにどのような影響を与えるかを把握することが可能になります。これは、規制が厳しい環境や多品種生産の環境において特に重要であり、こうした環境では、同一の設備で要件の異なるさまざまな製品が製造されることがあります。
ステージ4:部門横断的なコンテキスト
この段階では、現場のデータが品質、エンジニアリング、サプライチェーンの各システムと連携します。機械で発生した問題は、スクラップ、遅延、手直し、出荷遅延といった影響と関連付けることができます。
データはもはや、単に各ラインの稼働状況を示すだけのものではありません。運用上の問題がビジネスにどのような影響を与えるかを明らかにしてくれるのです。
ここで、意思決定は単なる機械の修理という枠を超えます。チームは、より広範な影響を把握し、特定の分野にとどまらず、部門をまたいで行動することができるようになります。
ステージ5:人的要素
高度に自動化された環境であっても、依然として人はプロセスの一環です。オペレーターはメモを記録し、シフト交代時に問題点を説明し、例外事態に対処し、計画通りに進まない場合には判断を下します。
システムはすべてを捉えられるわけではありません。何が起きたかだけでなく、なぜ起きたのかを説明できるのは、多くの場合、人間の知見です。優れたデータアーキテクチャでは、この知見を無視すべきものではなく、貴重な運用データとして扱います。
「すべての製造現場において、あらゆる側面がデジタル化されるわけではない。依然として、データや製造プロセスの要素を収集する人間が関与している。」— ZS プリンシパル、スラージ・パイ氏
AIの導入準備状況は、データが意味を失うことなくこれらの層をどれだけ円滑に通過できるかにかかっています。必要な背景情報が整っていない段階で組織がAIを導入しようとすると、問題が生じます。
過剰な設計を避けつつコンテキストを設計する
AIの不具合を防ぐには、まず意図的なデータ設計から始める必要があります。その目的は、完璧なモデルを作ることではなく、実用的なモデルを作ることです。
まずは定義の統一から始めましょう。資産、プロセス手順、製品、主要なエンティティを明確に定義し、システム間で一貫性を保ちます。運用、品質管理、およびエンタープライズツールにおいて、同じ用語が同じ意味を持つよう、共通の命名規則を採用します。
次に、重要な関係性をモデル化します。機械のイベントをプロセスの各ステップに紐付けます。プロセスの各ステップを製品やバッチに結びつけます。運用上のイベントを品質管理システムやサプライチェーンシステムに連携させます。考えられるあらゆるシナリオではなく、優先度の高いユースケースに必要な関係性にのみ焦点を当ててください。
ISA-95やISA-88といった規格は、青写真としてではなく、参考基準として活用してください。これらの規格がもたらす構造的な明快さを参考にしつつ、自社の業務の実態に合わせて適宜調整してください。
最後に、将来的な拡張を見据えた設計を心がけましょう。オントロジーを活用すれば、新しい製品、ワークフロー、またはサイトが追加された際にも拡張可能な形で、エンティティや関係を定義することができます。これにより、データを厳格な階層構造に縛ることなく、構造化された状態を維持できます。
メーカーがこのアプローチを採用すれば、AIシステムはデータが境界を越えるたびにそのデータを再解釈する必要がなくなります。新しいユースケースは、並列モデルを構築するのではなく、共有された基盤の上に構築されます。こうしてコンテキストが拡張され、複雑さが増してもAIは引き続き機能し続けるのです。
「ヒューマン・イン・ザ・ループ」による能動型AIへの備え
製造業におけるAIの第一波の多くは、ダッシュボード、予測、推奨事項を通じた洞察の創出に重点が置かれていました。エージェント型AIは、その期待を一変させます。これらのシステムは単にデータを分析するだけでなく、アクションを実行し、ワークフローを起動し、システム間で意思決定を調整することができます。
「今後、私たちは『アイアンマン』のような世界へと突入しつつあります。そこでは、私たちがシステムと対話し、システムも私たちと対話するようになるでしょう」— ヴェンカット・グマタム、Amazon Web Services パートナー・ソリューション・アーキテクト
こうした変化により、データ準備のハードルが高まります。AIが「提案」から「実行」へと移行するにつれ、文脈の不備がリスクとなります。エージェントは、何が起きたかだけでなく、どこで起きたのか、なぜそれが重要なのか、どのような制約が適用されるのかを理解する必要があります。こうした基礎的な理解がなければ、自動化は信頼性のあるものではなく、脆弱なものになってしまいます。
だからこそ、「ヒューマン・イン・ザ・ループ」設計が不可欠なのです。エージェント型システムは、人間が意思決定を検証し、例外処理を行い、データが不完全な場合に判断を下すことで、その真価を発揮します。これらのシステムは、オペレーターやエンジニアに取って代わるのではなく、文脈を可視化し、意思決定を迅速化し、責任の所在を人間に留めることで、彼らを補完するように設計されています。
「結局のところ、人間が関与する(human-in-the-loop)形で、意図的かつ計画的な設計がなされていなければならない」— ZS プリンシパル、スラージ・パイ
ITおよびOTのリーダーにとって、エージェント型AIへの備えとは、単にエージェントをいち早く導入することではありません。それは、最初からシステムと人間の協働を前提とした運用モデルとデータ基盤を設計することにあります。適切な文脈が整っていれば、エージェント型AIは業務の実用的な延長線上に位置づけられます。それがなければ、どんなに先進的なモデルであっても、信頼を得るのは困難です。
Tulip が、大規模なデータコンテキストを実現する方法
Tulip 実際の作業が行われる現場の状況を把握することで、製造データの準備態勢を支援します。「Frontline Operations 」プラットフォームとして、Tulip は、人的入力、機械データ、プロセスワークフローを単一の環境に統合し、データが作成される時点で運用上の意味付けを組み込むことを可能にし、後から再構築する必要をなくします。
Tulip は、現場のプロセスをデジタル化することで、資産、運用、製品の表現方法を標準化すると同時に、各拠点の実際の状況を反映できる柔軟性も維持します。エンジニアは、硬直的なトップダウン型モデルを強いることなく、より広範なITおよびOTアーキテクチャと整合するワークフロー、データ収集、命名規則を定義することができます。
このように文脈に応じたデータは、その後、エンタープライズシステム、分析プラットフォーム、クラウドサービスへと流れ込み、事業部門や拠点を超えて一貫した構造を必要とするAIのユースケースを支えます。その結果、実際の業務に根ざし、時間の経過とともに適応可能であり、現場での実行と企業全体の意思決定の両方をサポートするように設計された、「ヒューマン・イン・ザ・ループ」型AIのためのスケーラブルな基盤が構築されます。
