生産システムの運用を支える人と機械(計算機)の知的協働

「システム学を考える会・境界と関係性を視座とするシステムズアプローチ調査研究会 合同講演会」で話題提供した際のスライドの抜粋です．

Transcript

1. ⽣産システムの運⽤を⽀える ⼈と機械（計算機）の知的協働 2020年12⽉13⽇（⽇） システム学を考える会・境界と関係性を視座とするシ ステムズアプローチ調査研究会 合同講演会 ⽔⼭ 元 ＠⻘⼭学院⼤学 理⼯学部 経営システム⼯学科
2. ⽬次 • どういうシステムを • どのように概念化することで • どのような疑問や課題が浮かび上がってきて • それらにどのようにアプローチしようとしているのか • の試⾏錯誤（研究事例） • まとめ 1 Hajime Mizuyama
3. （広義の）⽣産システムとその運⽤ • ⽣産システムとは， – 原材料，部品，製品などの対象物に， – 加⼯機，搬送機，作業者などの資源によって， – 加⼯，組⽴，運搬などの作業を施し， • 対象物の形状，位置などの属性を順次変化させていくことで，価値 を⽣み出すシステムである． • 同じ構成のシステムであっても，その性能（⽣産率，コスト，納期 遵守率など）は，運⽤の巧拙に⼤きく依存する． • ⽣産システムの運⽤とは，いつどの資源でどの対象物にどの作業を 実施するかについての意思決定である（作業開始のトリガーとなる 作業指⽰，その前提となる作業スケジューリングなど）． 2 Hajime Mizuyama
4. ⼈と機械（計算機）の知的協働 • 運⽤の意思決定を，数理的な最適化問題として定式化し，計算機で 処理できるようにする試みは，従来から広く⾏われてきた． • 完全に計算機任せにはせず，対話的にパラメータを調整しながら求 解を繰り返したり，得られた解を⼈⼿で調整することも多い． • 現場での実際の作業指⽰は，職⻑さんや作業者の⽅⾃⾝の判断に委 ねられていることも多い． • その場合でも，計算機によって加⼯・編集された情報の提⽰など， 何らかの意思決定⽀援機能が提供されていることもある． • シンプルなディスパッチングルールやカンバンなどの，機械的な ルールやロジックによって運⽤されている現場も多い． • その場合でも，状況に応じて，パラメータの調整やルールの⾒直し が必要になる． 3 Hajime Mizuyama
5. 運⽤の意思決定における機械と⼈の対⽐ 機械の意思決定 • 数理的な最適化アルゴリズム を利⽤することができる • 明確に定式化された問題以外 は扱いづらい • 必要な情報を事前に明⽰し， 収集しておく必要がある • 外部との境界条件はハードな 制約条件として扱われる ⼈の意思決定 • 暗黙的なルールやヒューリス ティックに頼ることが多い • 曖昧な問題や主観的な問題も そのまま扱えることがある • どのような情報でもその場で 拾い上げて利⽤できる • 境界条件を交渉可能なソフト な制約条件として扱える 4 双⽅に⻑所と短所があり，優劣を⽐較することよりも，状況に応じて 適材適所で組み合わせて活⽤することを考えるべきである．
6. 問題の設定と解決としての理解 運⽤の意思決定とは， – 解くべき問題のクラスを設定し， – 状況に応じてその問題のインスタンスを構成し， – ある解法を適⽤してその問題を解決することである，と考える． ⼈の貢献の源泉は， – ある種の難しい問題に対してある程度有効に機能する暗黙的な ヒューリスティック解法 – センサが設置されていない情報の五感による取得 – ブラックボックス関数によるインスタンスの補完 – 解くべき問題のクラス⾃体が未定義あるいはブラックボックス であるような状況への対処 5 Hajime Mizuyama
7. ⼈の貢献の2重構造 6 Hajime Mizuyama 与えられた 問題インスタンスの （近似的な）解決 問題のクラスやフレームワークの設定 意思決定サイクルやホライズンの調整， 対象モデルの粒度やスコープの調整， ⽬的関数や制約条件の調整， 解空間の創造的拡張，など 問題のインスタンスの構成 現場状況の実時間五感センシング， コミュニケーションによる情報獲得， 暗黙的な知識や主観的な情報の反映， インフォーマルな予測の利⽤，など
8. Industry 4.0 で何が変わるか？ • IOT：実時間でセンシング可能（したがって，計算機アルゴリズム に取り込むことが容易）な情報が広がる． • CPS：IOTでセンシングしたデータを統合することでシステム全体の 状況をより詳細な粒度で把握できるようになる． • Big Data：⼤量に蓄積されていく上記のデータの履歴に基づいて 様々な予測モデルが得られるようになる． • 機械（計算機）で処理可能な運⽤の意思決定が増える． • 機械（計算機）で処理可能な意思決定問題のスコープが広がる． • ⼈の役割はどうなるの？（ex. 完全⾃動化・無⼈化を⽬指すべきな のか，⼈の意思決定⽀援のあり⽅の⾼度化を⽬指すべきなのか？） 7 Hajime Mizuyama
9. ⽬次 • どういうシステムを • どのように概念化することで • どのような疑問や課題が浮かび上がってきて • それらにどのようにアプローチしようとしているのか • の試⾏錯誤（研究事例） • まとめ 8 Hajime Mizuyama
10. 単純な2層フレームワーク 9 Hajime Mizuyama 作業指⽰に基づき各作業を開始 遅れ，不良，故障などの 不確定事象が確率的に発⽣ ⽣産システムへの 作業指⽰（ex. 差⽴て） システム状態の 観測（ex. 進捗情報） 担当者は観測したシステム 状態に応じて次の作業指⽰ の内容やタイミングを決定 ⽣産システム運⽤の意思決定を捉える層 ⽣産システム内の物理資源や対象物 ⽣産システム運⽤の担当者 ⽣産システムの物理的な挙動を捉える層
11. システム状態の時間発展 ⽣産システムは，作業指⽰が与えられると，それに応じて（確率的 に）その状態を変化させていく． 10 システ ム状態 s0 観測 システ ム状態 s1 作業指⽰ システ ム状態 s2 システ ム状態 s3 システ ム状態 s4 マルコフ決定過程（MDP） システムの状態を観測し，それに応じて作業指⽰を作り出すエージェントと， その作業指⽰に応じて確率的に状態を推移させていくシステム 観測 作業指⽰
12. MDPを基盤とした認知フレームのモデル #1 11 Hajime Mizuyama 対象シス テムのダ イナミク スを表す 物理的な MDP 状態を⾏動 にマッピン グする政策 学習 ⾏動 観測 状態 介⼊
13. MDPを基盤とした認知フレームのモデル #2 12 Hajime Mizuyama 対象シス テムのダ イナミク スを表す 物理的な MDP 担当者 エージェ ントが認 識する主 観的な決 定過程 状態のス コープや 粒度，系 列⻑，⾏ 動集合， タイミン グなど 縮約された 状態の系列 を⾏動に マッピング する政策 学習 ⾏動 認知フレーム 観測 縮約 縮約され た状態 介⼊
14. 2層フレームワークの⼀般化 13 Hajime Mizuyama 作業指⽰に基づき各作業を開始 遅れ，不良，故障などの 不確定事象が確率的に発⽣ ⽣産システムへの 作業指⽰（ex. 差⽴て） システム状態の 観測（ex. 進捗情報） 複数の計算機アルゴリズム （機械）と担当者（⼈）の 知的協働 作業指⽰だけでなく，計画 やスケジュールなどの情報 資源も⽣成される． ⽣産システム運⽤の意思決定を捉える層 ⽣産システムの物理的な挙動を捉える層
15. 計算モジュールのネットワーク？ 14 Hajime Mizuyama 作業指⽰に基づき各作業を開始 遅れ，不良，故障などの 不確定事象が確率的に発⽣ ⽣産システムへの 作業指⽰（ex. 差⽴て） システム状態の 観測（ex. 進捗情報） 複数の計算機アルゴリズム （機械）と担当者（⼈）の 知的協働 作業指⽰だけでなく，計画 やスケジュールなどの情報 資源も⽣成される． ⽣産システム運⽤の意思決定を捉える層 ⽣産システムの物理的な挙動を捉える層 ?
16. 情報資源や知識資源の 状態や挙動を捉える層 というよりむしろ？ 15 Hajime Mizuyama ⽣産システム運⽤の意思決定を捉える層 物理資源や対象物の状態や挙動を捉える層
17. 担当者視点で⾒ると？ 16 Hajime Mizuyama 物理資源や対象物 情報資源や知識資源 他者A 他者B
18. 時間発展モデルの⼀般化（内外反転） 17 観測 介⼊ 観測 介⼊
19. 担当者の認知フレーム 18 世界をどのように認識 して，それをどう変え ようとするのか？ 作業指⽰， スケジュール， 他者への働きかけ， など 観測 介⼊ システム状態の 捉え⽅に応じた ⼊⼒変数群
20. 担当者に何を配るか？ • 答え（解）を配る． 問題（インスタンス）を⽣成し，それを解く． • 解くべき問題（クラス）を配る． 解くべき問題（クラス）を構成する． • 解くべき問題を認識するための環境（認知フレームの基底）を配る． 19 Hajime Mizuyama
21. ⽬次 • どういうシステムを • どのように概念化することで • どのような疑問や課題が浮かび上がってきて • それらにどのようにアプローチしようとしているのか • の試⾏錯誤（研究事例） • まとめ 20 Hajime Mizuyama
22. 認知フレームを基礎づける要因 世界をどのように認識して • 状況認識のスコープや粒度， 状況変化の予測モデルなど • 可能な介⼊の⼿続き的知識や その効果の予測モデルなど 各担当者の意思決定に有⽤な知 識・スキルの本質は何か？ 知識・スキルの習得や実適⽤を効 果的に⽀援する⽅法は？ どう変えようとするのか • 状況についての選好，効⽤関 数，達成したい⽬標など • 他者モデル，他者の反応を考 慮した戦略など 担当者間に⽣じ得るゲーム的状況 とはどのようなものか？ 有効な協⼒・協調を引き出すため にはどうすればよいか？ 21
23. Research Questions の4象限 22 知識・スキルの 習得や実適⽤の⽀援 協⼒・強調を引き出す メカニズムデザイン 知識・スキルや その習得過程の解明 ゲーム的状況の 理解と帰結の予測 ⽣産システム の運⽤ 科学的視点 Scientific analysis ⼯学的視点 Engineering design 各エージェントの 知識・スキル Micro -> Macro システム全体の 環境・制度 Macro -> Micro
24. ⽬次 • どういうシステムを • どのように概念化することで • どのような疑問や課題が浮かび上がってきて • それらにどのようにアプローチしようとしているのか • の試⾏錯誤（研究事例） • まとめ 23 Hajime Mizuyama
25. ⾏動科学と計算科学の相互補完アプローチ ⾏動科学的アプローチ • 担当者が意思決定を⾏う現実 の状況の本質をシリアスゲー ムの中で再現する． • そのシリアスゲームを⼈にプ レイしてもらい，そこでの⾏ 動データを収集する． • 得られた⾏動データを分析す ることによって，担当者の意 思決定を基礎づける規範につ いての仮説を得る． 計算科学的アプローチ • 担当者の意思決定を基礎づけ るある種の規範をアルゴリズ ムで表現する． • それを計算機上で駆動させ， どのような振る舞いが⽴ち現 れてくるかを観測する． • 得られた振る舞いを現実と対 ⽐することなどで，当該意思 決定を基礎づける規範につい ての考察を深める． 24 Hajime Mizuyama
26. 相互相補アプローチの全体像 25 (a) 対象システムのエージェントベースモデルを作成 (d) 上のゲームのプレイ ログを収集し分析 (e) シミュレーション実 験とその結果の分析 (f) 上の(d)と(e)の結果を⽐較・検討することによる知⾒の導出 (b) 上のモデルに基づく シリアスゲームの開発 (c) 上のモデルに基づく シミュレータの開発 知⾒(f)に基づきモデル(a) を改善し，分析を繰返す 知⾒(f)の実際への活⽤
27. 相補的活⽤の例 ⾏動科学的アプローチ シリアスゲームにおけるプレイヤ の⾏動のデータ化と分析 計算科学的アプローチ 計算機でのシミュレーション実験 の実施とその結果の分析 26 数理的な仮説 被験者実験 予想通りの/予想 に反する結果 計算機実験
28. 相補的活⽤の例 ⾏動科学的アプローチ シリアスゲームにおけるプレイヤ の⾏動のデータ化と分析 計算科学的アプローチ 計算機でのシミュレーション実験 の実施とその結果の分析 27 被験者実験 ⾏動パターン/ ルール 計算機実験 形式化/⼀般化/ 定量化
29. ⽬次 • どういうシステムを • どのように概念化することで • どのような疑問や課題が浮かび上がってきて • それらにどのようにアプローチしようとしているのか • の試⾏錯誤（研究事例） • まとめ 28 Hajime Mizuyama
30. 試⾏錯誤中の主な研究事例 • 製鉄所の加熱炉前スラブヤード • 製鉄企業の社内サプライチェーン（ColPMan） • 飲⾷店の座席案内とフロアタスク（受注，配膳，下膳など） • ⾃動倉庫とRGV（Rail Guided Vehicle） • ⾷品サプライチェーン（1/3ルールと⾷品廃棄） • スケジューリングオークション 29 Hajime Mizuyama
31. 製鉄所の加熱炉前スラブヤードの事例 • 多品種のスラブ（鋼板⽤の鋼⽚）が⼭積みになった置場が複数あり， クレーンで積替えや加熱炉への装⼊を⾏う．この運⽤の意思決定は， クレーンオペレータに委ねられている． • スラブの置場はそれぞれLIFOバッファと⾒なせる．そこに，上⼯程 から確率的に新しいスラブが次々と到着してくる． • 各スラブには納期がある．加熱炉からの要求で，なるべく似たスラ ブをまとめて装⼊したい．加熱炉の後の圧延⼯程の段取り替え条件 も考慮する必要がある． 30 Hajime Mizuyama 加熱炉 圧延⼯程 クレーン スラブヤード
32. 加熱炉前スラブヤードの単純化モデル 31 機械 装⼊バッファ クレーン 中間バッファ 中間バッファ ⼊⼝ バッファ 待ち⾏列 ⾊がジョブのタイプを表す． 数値が納期までの残り時間を表す． ジョブが ランダム に到着 加⼯時間は⼀定， 段取時間はジョブのタイプ 順に⼤きく依存 納期遅れにはペナルティ
33. 担当者エージェントの強化学習モデル 32 ⽣産システムの物理層 （離散事象シミュレータ） 経験に基づいて 学習していく 状態価値関数： () 担当者エージェント 利得： 状態変数ベク トル： 事後状態価値を最⼤ にする⾏動を選択： ( ) 認知フレームのパラメータ 状態変数ベクトルの構成要素や粒度，状態価値関数で考慮する状態系列⻑， 利得の捉え⽅，考慮する事後状態の時間ステップや予測モデル，など
34. 学習の効果の⼀例：before #1 33 Hajime Mizuyama
35. 学習の効果の⼀例：after #1 34 Hajime Mizuyama
36. 結果の⼀例 35 Hajime Mizuyama ロスの推移 ゲームスコアの推移 先読みは有効である．特に，スラブの到着率が上がり，⽣産能⼒の余裕 が⼩さくなると，2⼿より3⼿先まで考えて意思決定した⽅が有効である．
37. 36 本社 顧客 下⼯程 ⼯場 上⼯程 ⼯場 素材 発注 素材 納⼊ 製品 発注 製品 納⼊ 商品 発注 商品 納⼊ 拠点間のコミュニケーション（情報共有） を変化させて，地震などの⾮定常的な変動 に直⾯した際のパフォーマンスを⽐較する． 製鉄企業の社内サプライチェーンの事例
38. ColPMan ゲーム 37
39. 飲⾷店のフロア業務の事例 #1 38 待合室 ダイニングフロア 異なる⼈数の顧客グループがランダムに到着する．隣接した空きテーブ ルを組み合わせて多⼈数グループを案内できる．待ち時間や順番抜かし は顧客の不満度につながる． 顧客の不満度を低く抑えながら店舗の回転率を向上させよう！ 座席案内ゲーム
40. 飲⾷店のフロア業務の事例 #2 39 1⼈のスタッフ（⻘丸）が６台のテー ブル（四⾓）を担当している． 同時に複数のタスク要求が発⽣し得 る．様々な制約を満⾜させながら， どの順番で処理するかを決める． 待ち時間からくる顧客の不満度を低 く抑えながら店舗の回転率を向上さ せよう！ 注⽂伺い，配膳，下膳，会計のタスクのシミュレーション
41. ⽬次 • どういうシステムを • どのように概念化することで • どのような疑問や課題が浮かび上がってきて • それらにどのようにアプローチしようとしているのか • の試⾏錯誤（研究事例） • まとめ 40 Hajime Mizuyama
42. まとめ • （広義の）⽣産システムの運⽤は，⼈と機械（計算機）の知的協働 によってなされていると考えることができる． • 今後さらに進んでいくデジタル化・スマート化の流れを受けて，こ の知的協働のフレームワークはいやおうなしに変化していくだろう． • Industry 4.0 時代の新しい知的協働のあるべき姿を追求していくため に，まずこの協働のメカニズムについての理解を深めていきたい． • 今回は，そのためのモデル化の試みとアプローチの概要を提⽰した 上で，具体的な研究事例を少し紹介した． 41 Hajime Mizuyama