事例に見るスマートファクトリーへの道筋〜工場データをAI Readyにする実践ステップ〜

「スマートファクトリー実現には段階がある」　段階的なアプローチと食品メーカーでの実践事例から、「小さく始めて大きく育てる」方法を解説します。

Transcript

1. 事例にみるスマートファクトリーへの道筋 工場データをAI Readyにする実践ステップ 製造ビジネステクノロジー部 スマートファクトリーチームマネージャー 濱田 孝治
2. 2 濱田孝治（ハマコー）製造ビジネステクノロジー部 スマートファクトリーチーム マネージャー 製造業向けAI・クラウドソリューションの企画 導入支援 ブログ, SNS • 「クラスメソッド 濱田」で検索 • はてなブックマーク累計 約15,000個 • Xアカウント：@hamako9999 コミュニティ運営 • JAWS-UG コンテナ支部運営 • Grafana Meetup Co-organizer, Grafana Champion AWS認定関連 • SAP, DOP, DBS, SOA, SAA, DVA, SCS, CLF, AIF, MLA, MLS • AWS APN Ambassador 2020 執筆書籍 • みんなのAWS • SoftwareDesign 2022年11月号 コンテナ特集
3. 3 書いているブログ「クラスメソッド 濱田」
4. 4 書いているブログ「クラスメソッド 濱田」
5. 5 皆さん 製造業のデータ活用 進んでますか？
6. 6 製造業で扱うデータは工場だけではない
7. 7 なぜ今このテーマなのか https://dev.classmethod.jp/articles/slug-dUmVZyAAFgew/
8. 8 re:Invent 2024から2025で変わった点 データ活用のアプローチ：集約型から分散連携型へ 2024年（DWH集約・可視化） • データを全て意味づけし、物理的な一つのデータソースに集約する方 向性 2025年（エージェントによる連携） • データを必ずしも一箇所に集めるだけでなく、エージェントに「どの データがどこにあるか」を教えることで、分散したデータソース（サ イロ化されたデータ）をAIが横断的に活用するアプローチ
9. 9 なぜ今日このテーマでお話するか 生成AI・Agentic AIの進歩で、製造業のデ ータ活用の可能性が急拡大しています。 一方で、「AI Ready」な基盤がないと恩 恵を受けられないのも事実。 今こそ、今後を見据えた取組を始めるタイ ミング。
10. 10 Agenda • 実践「小さく始めて大きく育てる」 • 顧客事例「株式会社ロッテ 浦和工場」 • 現代のAI活用の方向性 • クラスメソッドの支援
11. 11 実践 小さく始めて大きく育てる
12. 12 AI Readyの3要素 • サイロ化されていない、必要なときにアクセスできる アクセス可能（Accessible） • 異なるソースのデータが関連付けられている 統合済み（Integrated) • 正確性・鮮度が担保、メタデータが整備されている 品質担保（Quality）: AI Ready = これら3要素がすべて揃った状態
13. 13 マニュファクチャリングチェーンと関連データ 引用：日本能率協会コンサルティング https://www.jmac.co.jp/glossary/ma/manufacturingchain.html
14. 14 マニュファクチャリングチェーンと関連データ チェーン 役割 主なデータ例 エンジニアリングチ ェーン 製品の企画〜設 計〜開発 CAD/CAEデータ、BOM（部品表）、技術仕 様書、試験・検証データ、設計変更履歴 サプライチェーン 調達〜物流〜販 売 発注・納期データ、在庫データ、物流・配送 データ、需要予測、サプライヤー評価 プロダクションチェ ー ン（製造） 生産計画〜製造 〜品質管理 設備稼働データ（PLC/センサー）、生産実 績、品質検査データ、作業日報、環境データ （温度・湿度）、エネルギー消費量 これら全てを一度にやるのは非現実的 → どこから着手するか？
15. 15 どこから着手するか？ 判断軸 典型的な着手パターン • 課題の緊急度 • データの取得しやすさ • 効果の見えやすさ • 経営インパクト 設備稼働データ → 可視化 → 予知保全 品質データ → 不良率改善 エネルギーデータ → カーボンニュートラル すべてをやろうとせず 自社の課題と照らし合わせて最初の一手を決めることが重要
16. 16 参考：IoT 7つ道具（日本能率協会） とかく現場課題の抽出だけに頼ると、見えているものにフォーカス する傾向が強いが、より網羅的に今の状態をチェックするのに有用
17. 17 小さく始めて大きく育てる AI Readyなデータ基盤を 作ること自体は手段。 現場が本当に価値を感じて いるかが重要であり、それ が全てのプロジェクトの推 進要素となる。 1 スコープを 絞る 2 現場に触っ てもらう 3 フィードバ ックを得る 4 方向を修正 する 5 横展開 現場のフィ ードバック が羅針盤
18. 18 顧客事例 株式会社ロッテ 浦和工場
19. 19 顧客事例：株式会社ロッテ様
20. 20 ロッテ浦和工場の課題と取組後の姿
21. 21 システム構成 • PLC Data to Cloud でPLCデータをAWS 上に収集 • データベース構築、 Grafanaで数十個のダ ッシュボード • 紙帳票をデジタル化 （タイムライン型UI を新規設計） • アジャイル開発で現 場要望を迅速反映
22. 22 ダッシュボード例
23. 23 タイムライン帳票例
24. 24 得られた成果（After） • 紙帳票の約50%を電子化 • 設備1台単位での生産性評価が可能に • 温度異常を瞬時に検知するアラーム機能 とスマホへのオンコール • 現場作業者が複数設備対応や別業務に時 間配分可能に
25. 25 成功要因 小さく始める ガーナチョコレート1ラインから開始 現場との協働 IT部門と工場担当者とオペレーターで スクラムチーム 内製化を見据える ノウハウ習得を並行で推進 迅速な意思決定 プロダクトオーナーの元不確実性を許容 完璧を求めない
26. 26 現代のAI活用の方向性
27. 27 顧客事例における AI活用の方向性
28. 28 AI活用への未来展望
29. 29 データ分析AIチャットボットは実装済み データがあればこのような実装は非常に楽になってきている 生産設備ダッシュボー ドに格納された全デー タを対象に、AIチャ ットボットによる分析 機能を提供
30. 30 データ分析AIチャットボット：分析例 別ラインのデータ、前 年度比較なども、独自 ダッシュボードをわざ わざ利用せずとも、グ ラフ作成が可能
31. 31 システム構成（分析用チャットボット追加） Grafana MCP Server 既存APIの MCP化 全体分析用 チャットボット AIの機能進化と関連ツールの充 実により、応答の精度向上と共 に実装難易度が劇的にさがって いる
32. 32 AI Readyの前提条件に クラウド利用は必須なのか？
33. 33 （改めて）AI Readyの3要素 • サイロ化されていない、必要なときにアクセスできる アクセス可能（Accessible） • 異なるソースのデータが関連付けられている 統合済み（Integrated) • 正確性・鮮度が担保、メタデータが整備されている 品質担保（Quality）: AI Ready = これら3要素がすべて揃った状態
34. 34 （改めて）AI Readyの3要素 • サイロ化されていない、必要なときにアクセスできる アクセス可能（Accessible） • 異なるソースのデータが関連付けられている 統合済み（Integrated) • 正確性・鮮度が担保、メタデータが整備されている 品質担保（Quality）: AI Ready = これら3要素がすべて揃った状態 これらの要件が満たされていれば、AI Ready。 整備された業務フローで管理されたExcel もAI Readyなデータソースとなりうる。
35. 35 近年AI利用が拡大したユースケース（Excel） https://dev.classmethod.jp/articles/started-excel-agent-from-20260213/ https://dev.classmethod.jp/articles/excel-agent-reference-own-excel/ https://dev.classmethod.jp/articles/excel-agent-analyze- sensordata-sql-server-via-mcp/
36. 36 近年AI利用が拡大したユースケース（Excel） https://dev.classmethod.jp/articles/claude-in-excel-excel-markdown/
37. 37 近年AI利用が拡大したユースケース（Google Workspace） Google Workspace CLI（gws） • Google公式からリリース • 対応サービス：Drive, Gmail, Calendar, Sheets, Docs, Chat, Meet, Forms, Slides • スプレッドシートやドキュメントに保存され ているデータをAIエージェントからシームレ スに活用可能 2026年3月4日リリース
38. 38 https://dev.classmethod.jp/articles/google-workspace-cli-gws-launch-try-claude-code/ 「JSONベースの入出 力でAIエージェント との連携を想定した 設計になっているだ けあって、Claude Codeとの相性もばっ ちりでした。 自然言語で指示する だけでGoogle Workspaceの操作が そのまま実行できる のは便利」 近年AI利用が拡大したユースケース（Google Workspace）
39. 39 「見える化」の先にAI活用がある 最初からAI活用を目指していたわけではなく、設備稼働の見え る化と異常アラート発報、帳票記録の省力化の取組の過程で、 将来的なAI活用の土台が自然にできていた
40. 40 明日からできること まずは自社の現在地を把握するところから全てが始まる 1 Step 1 現状を棚卸しする 成熟度レベルの確認、データの所在を整理 2 Step 2 課題を言語化する 活用できていないデータ、ボトルネックを特定 3 Step 3 仲間を見つける IT部門と現場の対話、経営層への説明準備
41. 41 クラスメソッドの支援
42. 42 PLC Data to Cloudはリニューアルします
43. 43 SmartFactory AI Baseソリューション一覧
44. 44 SmartFactory AI Baseソリューション一覧
45. 45 SmartFactory AI Baseシステム構成
46. 46 SmartFactory AI Base 導入までの流れ
47. 47 SmartFactory AI Base 導入までの流れ
48. 48 まとめ
49. 49 みなさんへのキーメッセージ 1. 段階的に進める: スマートファクトリー 化は一足飛びではなく段階的に 2. AI Readyな基盤を作る: AIの前にデー タを活用できる状態を 3. 小さく始めて大きく育てる: 最初の成功 体験が次の投資を生む