製造業AIはここまで来た_濱田孝治_ハマコー_.pdf

Transcript

1. ハノーファーメッセ2025で見た AI活用ユースケース 2025/10/22 製造ビジネステクノロジー部 濱田孝治（ハマコー）
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. ハノーバーメッセ 皆さん行ってみたいですか？ 3
4. 4 みなさんのハノーバーメッセ行ってみたい度 •全然興味ない •ちょっと興味ある •めっちゃ興味ある •自腹でも絶対行く
5. 5 みなさんのハノーバーメッセ行ってみたい度 •全然興味ない •ちょっと興味ある •めっちゃ興味ある •自腹でも絶対行く
6. 6 みなさんのハノーバーメッセ行ってみたい度 •全然興味ない •ちょっと興味ある •めっちゃ興味ある •自腹でも絶対行く
7. 7 みなさんのハノーバーメッセ行ってみたい度 •全然興味ない •ちょっと興味ある •めっちゃ興味ある •自腹でも絶対行く
8. 8 みなさんのハノーバーメッセ行ってみたい度 •全然興味ない •ちょっと興味ある •めっちゃ興味ある •自腹でも絶対行く
9. 9 30分後 •全然興味ない •ちょっと興味ある •めっちゃ興味ある •自腹でも絶対行く
10. 本日お伝えしたいこと 2回目の参加で感じた ハノーバーメッセの魅力と AI活用への取組の方向性 10
11. 11 Agenda • ハノーバーメッセとは • 現地でみた製造業AIの最前線 • AI活用の現実的な方向性
12. 12 ハノーバーメッセとは
13. 今一度想いを馳せる ハノーバーメッセとはなんなのか？ 13
14. 14 ハノーバーメッセとは 製造業の 森羅万象が集まっている場所 • オープニングセレモニーの政治色の強さ • 世界を代表するプレイヤーの超大規模かつ異常 に数が多い展示 • 各国の国代表としての展示の多さ • 標準団体（Manufacturing-X、OPC UA Foundation、Open Data Space）の展示規模
15. そこに行けば 未来があると思いました 15
16. 16 現地でみた製造業AIの最前線
17. 以下のキープレイヤーのブース内容を紹介 AWS Microsoft Siemens SAP 17
18. 18 AWS
19. 19 AWS – ブース全体「Built for Industrial AI」
20. 20 AWS – ブース全体「Built for Industrial AI」 1,400㎡の大型ブース、25パ ートナー＋9 Amazonキオスク 会期中50以上のセッションを 連続開催 3つのソリューション領域：エ ンジニアリング／スマート製造 ／スマート製品
21. 21 AWS – AI-Powered Production Line（中央の動くライン） ブース中央に実際に動く製造 ラインを設置 ドリンクコースター製造の体 験型デモ AMR（自律移動ロボット）→ 協働ロボット → レーザー彫 刻機 → AI品質検査 → ヒュー マノイド の完全自律フロー
22. 22 AWS - The Complete Stack for Physical AI（5層） 1. Data — 現場データ取り込み 2. Training & Model Optimization — モデル学習（NVIDIA連携） 3. Simulation — Isaac Sim/Lab 4. Sim2Real & Edge Operations — IoT Greengrass + Jetson Thor 5. Agentic AI — Bedrock AgentCore + Strands Agents
23. 23 AWS - Agentic AIが既存システムを束ねる • 中央エージェントがMCP（Model Context Protocol）経由で疎結合 に接続 • MES／MOM／PDM／在庫管理を既存のまま叩く • 「置き換える」のではなく「上から束ねる」アプローチ
24. 24 Smart Products and Services — Kiroで組み込みアプリを構築 • HVAC（空調機器）のコンパ ネを想定したミニデバイス • 中身の組み込みアプリの開発 をKiroを用いて実施 • 産業機器のテスト/デバッグ は一般的なITアプリケーショ ンに比べて手間が多いが、そ れをKiroを用いて短縮化する 内容 • ワークショップも公開されて いて誰でも体験可能
25. 25 AWS - Zoomlion事例：自社製造×AWS Marketplace • Zoomlion（中聯重科）：中国の建機・産業機械メーカー • 自社製造現場でロボットを多用、AI開発環境としてAWSを採用 • 構築した製造管理システムをAWS Marketplaceで販売 • 他のお客様がワンクリックで導入・スモールスタートできる流通モ デル
26. 26 Microsoft
27. 27 Microsoft：AIが「領域の壁」を越えた
28. 28 Microsoft：AIが「領域の壁」を越えた Fabric IQ / Work IQ / Foundry IQ：データ層・現場層・AI開発 層の3層基盤 フィジカルAI：ヒューマノイド × Hexagon検査ロボの統合デモ Azure IoT Ops × Omniverse：情報AI × 物理AI × OT が一つに →情報・物理・OTという「面」をAIが 一気通貫で動作
29. 29 Microsoft - ブース全体「産業インテリジェンスの解放」 • テーマ：産業インテリジェン スの解放 • 4つのヒーローデモゾーン： 製品ライフサイクル／工場運 営／人間×エージェント／サ プライチェーン • パートナー総動員： Hexagon、Advantech、 Siemens NX、Ansys、 NVIDIA、Krones
30. 30 Microsoft - 3層のIQアーキテクチャ 層 役割 Work IQ エンジニア・オペレー ターの協働を理解 Fabric IQ 製品・設備・サプライ チェーン・財務を理解 Foun dry IQ 運用手順・暗黙知・組 織知識を理解
31. 31 Microsoft - フィジカルAI（Hexagon × Siemens NX） • Siemens NXで設計 → エー ジェントがCAM展開 • ヒューマノイドがワークを CNCに運搬 • Hexagonロボットが良/不良 判定 • エッジ側にAIが入って自律 的に判断・動作（クラウド指 令なし）
32. 32 Microsoft - Microsoft IQ for Manufacturing × Copilot Studio シフト引き継ぎのデモ： • 前シフトが「歩留まり低下」 「メンテ必要」をCopilotに 引き継ぎ • 次シフトが「シフトブリー フ」を依頼 → サマリーが自 動生成 • 「振動が大きい」アラートに 対しCopilotが根本原因分析 • Copilot Studio（ローコー ド）上で動く＝現場の人が触 れる
33. 33 Microsoft - エージェント型サプライチェーン（Fractal） • Microsoft Foundry上のAIエージェ ントがシグナルを常時モニタ • 内部：POと出荷紐付け、サプライヤ ーキャパシティ • 外部：船舶位置データ・港湾混雑・ 気象・需要シグナル • アラートではなくプランA/B/Cを生 成 → 人間が選ぶ
34. 34 Microsoft - Krones × Industrial Copilot：4時間→30分 ボトリングのチェンジオーバー（段取り替え）： • 従来：4時間 → 改善後：30分 • AnsysシミュレーションをNVIDIA GPUで実行 • Copilotが裏でシミュレータを呼び出し、機械設定を自動提案
35. 35 Siemens
36. 36 Siemens：AIが「エンジニアリングチェーン」を貫通
37. 37 Siemens：AIが「エンジニアリングチェーン」を貫通 Teamcenter（PLM）＋ TIA Portal + Industrial Copilot：設計 から制御プログラミングまでをAIが支援 バーチャルコミッショニング：90%のバグを物理製造前に検出 ポップアップファクトリー：必要なときに、必要な場所で、必要なも のを作る AIが設計 → 製造 → 保守という軸を貫 通
38. 38 Siemens - ブース全体「CPGをショーケースに」 CPG（消費財）業界の3つのチ ャレンジを起点に • バリエーションの多さ（SKU 爆発） • トレンドが変わりやすい（短 サイクル） • 各国の規制対応 → データ統合 → 標準化 → ソ フトウェアディファインド → AIの4レイヤーで提案
39. 39 Siemens - データのサイロを崩す「Teamcenter」 Teamcenter：PLMのデータバ ックボーン 各部門のツール・システムを一 元化 「みんなが同じ1つのデータを 見て話す」 アイデア → 設計 → 製造要件 → 品質 → レシピを直列に積み 上げ
40. 40 Siemens -ラボから生産への加速 — デジタルツインで時間を圧縮 デジタルツインのフル活用 • レシピ完成後のプロダクショ ンライン構築のリードタイム 短縮 • ビューラーのミキサーをデジ タルツイン化し、中の環境を シミュレーション、マシンパ ラメータを最適化
41. 41 Siemens – マルチベンダーをつなぐPLC統合制御 ガイドツアーの中盤で大きなイ ンパクトがあったのが、ピック アンドプレイスのデモエリア ロボットがオレンジ（みかん） を掴んでピックする様子を、イ ンラインのビジュアルインスペ クションを使って制御
42. 42 Siemens – マルチベンダーをつなぐPLC統合制御 「シーメンスのPLCがマルチ ベンダーのロボットを束ね る」 という思想 現場には様々なロボットメー カーの機器が存在 ベースになっているのは PROFINET協会が定めるロボ ットコントロール規格で、 PROFINET経由で特定のコマ ンドを叩くと、メーカーが違 っても同じ枠組みで動作可能
43. 43 Siemens - TIA Portal × Industrial Copilot PLCエンジニアリング環境のAI 支援： • PLCラダーの自動生成 • HMI画面の自動生成 • 仕様書 → プログラム雛形 → エラーをCopilotにフィード バック • バーチャルコミッショニン グ：実機なしで試運転完了
44. 44 Siemens - ポップアップファクトリー 必要なときに、必要な場所で、 必要なものを作る • ワールドカップ会場で一時的 にジュース需要が急増 • 既存工場から配送 vs スタジ アム近くにコンテナ工場 • AIが需要予測 → サプライチ ェーンスイートでコスト比較 • メタバース／デジタルツイン で設備配置を確認
45. 45 Siemens - 顧客事例：PepsiCo / ポテトチップス / Natura 企業 改善 結果 PepsiCo 既存工場アップグレード の意思決定をデジタルツ インで 設備投資10〜15%削減 ／スループット20%向上 ／90%のバグを事前検 出 ポテトチップス事例 生地のデジタルツイン＋ Industrial Copilot 生産能力10%向上／エ ネルギー7%向上／廃棄 物13%削減 Natura（ブラジル） エッセンシャルオイル抽 出最適化
46. 46 Siemens - Innovation Hub：エージェンティックAI×カスタムシューズ 来場者の足型を実演スキャン： • 足の形状・圧力分布をスキャ ン • エージェンティックAIが CADソフトNXに「ソール設 計して」と指示 • NXのCopilotが個別最適なソ ール形状を自動生成 • そのまま製造工程へ投入 → 「自律型工場」の解＝エージ ェンティックAI
47. 47 Siemens - Innovation Hub：エージェンティックAI×カスタムシューズ
48. 48 Siemens - Innovation Hub：エージェンティックAI×カスタムシューズ
49. 49 SAP
50. 50 SAP - ブース全体「Trusted Orchestration. Smarter Execution.」
51. 51 SAP - ブース全体「Trusted Orchestration. Smarter Execution.」 題材はジンジャーショット（エ ナジードリンク） • 複数の仮想企業を横断するシ ナリオ：プロセス製造／ディ スクリート製造／サプライヤ ーCNC • ブースを左から右へ歩くと、 サプライチェーンの上流から 下流を辿る動線 • ERPとMES、Business Network、PLMまで自社フル スタック
52. 52 SAP - Operations and Insights（経営の見える化） • 2拠点工場（ミキシング側／ パッケージング側）を一元監 視 • 外部シグナルを取り込みAIが アラート化 • 「Asian Shipment Delayed」が Critical に自動 スコアリング • 財務（売上・利益）と現場 KPI（OEE・在庫）が同じ画 面
53. 53 SAP - マルチエージェント基盤（Joule＋40以上のエージェント） シナリオ：原材料の輸送遅延4〜 6週間 → 経営インパクト1,800 万ドル • Inventory Balancing Agent （EWM内蔵） • Supplier Discovery Agent （Business Network内蔵） • Trade-off Analyst（全エージ ェントを統合） • → プランA／B／Cを生成 → 「Accept All Tasks」で担当 者にタスク配信
54. 54 SAP - SAP Digital Manufacturing × Uhlmann（実機） ドイツUhlmannの本物のパッケ ージング機が動いている • 「SAPはMESもやっている」 （20年前に買収、現在クラウ ドMES化） • S/4HANA → SAP Digital Manufacturing → 実機 のデ ータ連携 • 通信規格はOPC UAで標準化
55. 55 SAP - 企業を越えるオーケストレーション（DMG MORI × Business Network） 包装機の補修部品をサプライヤ ー企業のCNCで製造： • Uhlmann包装機の部品が摩耗 → センサーで予兆検知 • AAS（Asset Administration Shell）でパーツ情報をスキャン • SAP Business Network経由で サプライヤーに連携 • サプライヤー側 S/4HANA → MES → DMG MORI CNC • 企業を越えてスペアパーツが削り 出される → Factory-X／Catena-Xに対応済み
56. 56 SAP - フィジカルAI × 設備保全（4足ロボット） ミキシング設備の異常傾向シナリオ： 1. システムがデータドリブンに異常傾 向を検知 2. AIエージェントが4足ロボットに検 査指示 3. ロボットが該当設備まで物理的に移 動 4. 搭載カメラで外観検査、過去データ と照合 5. 必要に応じてメンテナンスオーダー 自動発行 → 「指示の受け手は人でもロボットで もいい」
57. 57 改めて俯瞰する ハノーファーメッセは どうだったのか？
58. 58 世界を代表する巨大ベンダーが 同じ方向を向き始めた
59. 59 世界を代表する巨大ベンダー4社が、同じ方向を向き始めた •製造業のあらゆる領域（プロダクションチェーン、 サプライチェーン、エンジニアリングチェーン）に 対して、未来を見せようとする強い意志がある •自社だけでは出来ない部分は積極的にパートナーの 機器やソフトウェアと連携 •その統合手法の核となる技術が間違いなくAIエージ ェント
60. 60 AI活用の現実的な方向性
61. 61 こう感じている方もいるのでは？ 巨大企業のデカい話 ばかりしてましたが 我々はどこから取組 むのが良いのか？
62. 62 AWS re:Inventにおけるインダストリーブースの流れ 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
63. 63 AWS re:Inventにおけるインダストリーブースの流れ 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
64. 64 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
65. 65 顧客事例：株式会社ロッテ様
66. 66 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
67. 67 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
68. 68 ミニマムで始めた先にあるAI活用への未来展望
69. 69 取組む時の 方向性
70. 70 取組むときに意識しておきたい方向性 Q：日本の製造業は全体最適を意識せず各部門の個別最適だから、 結局無駄になると言われている。ものづくり白書にもそう書いて あった。やはりトップダウンでの改革が絶対必要なのか？
71. 71 取組むときに意識しておきたい方向性 Q：日本の製造業は全体最適を意識せず各部門の個別最適だから、 結局無駄になると言われている。ものづくり白書にもそう書いて あった。やはりトップダウンでの改革が絶対必要なのか？ A：全体最適だろうが個別最適だろうが、無駄になるものは単に 「現場の課題を解決していない」から。 ハードルも高くなるので別に全体最適にこだわらなくても良いの では？
72. 72 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。 大きくなればなるほど、こ の方向性の修正が難しい。 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
73. 73 小さく始めて大きく育てる 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 ここのコストが高い（時間 がかかる、お金がかかる、 都度ベンダー見積もりが必 要、自社で対応できない） ものの導入は、将来的に足 かせになる可能性があるの で、要注意
74. 74 取組の方向性としての結論 個別最適だろうがなんだろうが それが本当に現場の役に立つものであれば ミニマムでも良いのでどんどん導入し修正を 繰り返していくのが良い それが未来のAI Readyな製造業を 作っていくと感じています
75. 75 最後に
76. 76 会期中ずっと思って いたことがある
77. 77 我々は顧客と来るべきだった
78. 78 刺激を受けて 毎日ビールを飲みながら あれやこれや製造業の未来を 語りたかった
79. ハノーバーメッセ2027 是非ご一緒しましょう！ 79