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〜

by 濱田孝治

Slide 1

Slide 1 text

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

Slide 2

Slide 2 text

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

Slide 3

Slide 3 text

3 書いているブログ「クラスメソッド濱田」

Slide 4

Slide 4 text

4 書いているブログ「クラスメソッド濱田」

Slide 5

Slide 5 text

5 皆さん製造業のデータ活用進んでますか？

Slide 6

Slide 6 text

6 製造業で扱うデータは工場だけではない

Slide 7

Slide 7 text

7 なぜ今このテーマなのか https://dev.classmethod.jp/articles/slug-dUmVZyAAFgew/

Slide 8

Slide 8 text

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

Slide 9

Slide 9 text

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。

Slide 10

Slide 10 text

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

Slide 11

Slide 11 text

11 実践小さく始めて大きく育てる

Slide 12

Slide 12 text

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

Slide 13

Slide 13 text

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

Slide 14

Slide 14 text

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？

Slide 15

Slide 15 text

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

Slide 16

Slide 16 text

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

Slide 17

Slide 17 text

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

Slide 18

Slide 18 text

18 顧客事例株式会社ロッテ浦和工場

Slide 19

Slide 19 text

19 顧客事例：株式会社ロッテ様

Slide 20

Slide 20 text

20 ロッテ浦和工場の課題と取組後の姿

Slide 21

Slide 21 text

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

Slide 22

Slide 22 text

22 ダッシュボード例

Slide 23

Slide 23 text

23 タイムライン帳票例

Slide 24

Slide 24 text

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

Slide 25

Slide 25 text

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

Slide 26

Slide 26 text

26 現代のAI活用の方向性

Slide 27

Slide 27 text

27 顧客事例における AI活用の方向性

Slide 28

Slide 28 text

28 AI活用への未来展望

Slide 29

Slide 29 text

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

Slide 30

Slide 30 text

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

Slide 31

Slide 31 text

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

Slide 32

Slide 32 text

32 AI Readyの前提条件にクラウド利用は必須なのか？

Slide 33

Slide 33 text

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

Slide 34

Slide 34 text

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。

Slide 35

Slide 35 text

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/

Slide 36

Slide 36 text

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/

Slide 37

Slide 37 text

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

Slide 38

Slide 38 text

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）

Slide 39

Slide 39 text

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

Slide 40

Slide 40 text

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

Slide 41

Slide 41 text

41 クラスメソッドの支援

Slide 42

Slide 42 text

42 PLC Data to Cloudはリニューアルします

Slide 43

Slide 43 text

43 SmartFactory AI Baseソリューション一覧

Slide 44

Slide 44 text

44 SmartFactory AI Baseソリューション一覧

Slide 45

Slide 45 text

45 SmartFactory AI Baseシステム構成

Slide 46

Slide 46 text

46 SmartFactory AI Base 導入までの流れ

Slide 47

Slide 47 text

47 SmartFactory AI Base 導入までの流れ

Slide 48

Slide 48 text

48 まとめ

Slide 49

Slide 49 text

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