ハノーファーメッセ2025で見た生成AI活用ユースケース.pdf

by 濱田孝治

Embed

Start on current slide

Slide 1

Slide 1 text

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）

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（2017年9月入社）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 • 取得済みAWS認定：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

みなさんの生成AI利用頻度を教えて下さい 3

Slide 4

Slide 4 text

4 みなさんの生成AI利用頻度 •1ヶ月に1回 •1週間に1回 •2〜3日に1回 •毎日

Slide 5

Slide 5 text

5 みなさんの生成AI利用頻度 •1ヶ月に1回 •1週間に1回 •2〜3日に1回 •毎日

Slide 6

Slide 6 text

6 みなさんの生成AI利用頻度 •1ヶ月に1回 •1週間に1回 •2〜3日に1回 •毎日

Slide 7

Slide 7 text

7 みなさんの生成AI利用頻度 •1ヶ月に1回 •1週間に1回 •2〜3日に1回 •毎日

Slide 8

Slide 8 text

8 ハマコーの利用頻度と利用用途利用頻度：毎日 • 事業計画の策定の方向性壁打ち • 製造業関連ニュースの収集とリサーチ • VibeCodingによるアプリケーション作成 • 3Dモデルの作成 • Grafanaによるデータ分析

Slide 9

Slide 9 text

デモものづくり白書、IPA DX動向2025を NotebookLMに解説してもらおう！ 9

Slide 10

Slide 10 text

10 ものづくり白書

Slide 11

Slide 11 text

11 IPA DX動向2025

Slide 12

Slide 12 text

12 ものづくり白書解説 by NotebookLM（Google）

Slide 13

Slide 13 text

13 本日お伝えしたいこと • 製造業における現在のAI活用ユースケースを学んでもらう • AIに関する最新のキーワードを把握してもらう

Slide 14

Slide 14 text

14 Agenda • ハノーファーメッセ2025の様子とAI活用ユースケース • AI活用の未来と関連技術 • 最後に

Slide 15

Slide 15 text

15 ハノーファーメッセ2025の様子と AI活用ユースケース

Slide 16

Slide 16 text

16 Agenda • ハノーファーメッセ2025の様子とAI活用ユースケース • AI活用の未来と関連技術 • 最後に

Slide 17

Slide 17 text

17 ほとんど全てここに書きました https://dev.classmethod.jp/articles/hannover-messe-2025/

Slide 18

Slide 18 text

18 会場マップ

Slide 19

Slide 19 text

19 会場規模（ホール9 上段から）

Slide 20

Slide 20 text

20 会場マップの丸の位置からみた景色

Slide 21

Slide 21 text

21 会場マップの丸の位置からみた景色

Slide 22

Slide 22 text

22 Siemens ドイツを代表する総合電機メーカー

Slide 23

Slide 23 text

23 Siemens ドイツを代表する総合電機メーカー

Slide 24

Slide 24 text

24 Siemens ドイツを代表する総合電機メーカー

Slide 25

Slide 25 text

25 Siemens 展示の核：産業用コパイロットとインダストリアルメタバースの融合設計から、製造、運用に至るまでの製品サイクル全体をカバーするデジタルツインと、それを加速させる生成AIの統合。中心は「Siemens Industrial Copilot」

Slide 26

Slide 26 text

熟練エンジニアが、オートメーション設計プラットフォーム「TIA Portal」上で、自然言語（日本語）を使い「コンベアAからコンベアBへ部品を移送するラダーコードを生成して」と指示。 Industrial Copilotが数秒でコードを生成し、さらに「このコードに、部品が落下した場合の安全停止シーケンスを追加して」と依頼すると、即座に修正案を提示。これにより、従来数時間かかっていたプログラミング作業が数分に短縮。 26 Siemens AIユースケース生成AIによるエンジニアリングの高速化生成AIによるエンジニアリングの高速化 ref:https://www.siemens.com/global/en/company/insights/unlocking-the-power-of-generative-ai-siemens-industrial-copilot.html

Slide 27

Slide 27 text

27 シュナイダーエレクトリック展示の核：サステナビリティとエネルギー効率を最大化するAI コア戦略であるサステナビリティを軸に、AI がいかにエネルギー効率の最適化と自律的な運用に貢献できるか

Slide 28

Slide 28 text

EcoStruxureプラットフォーム上で、工場のエネルギー消費データをリアルタイムで分析。 AIが電力価格の変動、天気予報（太陽光発電量予測）、生産計画を読み取り、「3時間後に電力価格が高騰するため、非緊急の生産タスクを前倒しで実行し、蓄電システムからの放電に切り替える」という運用計画を自動で立案・実行。これにより、エネルギーコストを15%削減するシミュレーションを展示しました。 28 シュナイダーエレクトリック AIユースケース AIによるエネルギーマネジメントの自律化 AIによるエネルギーマネジメントの自律化 https://www.hannovermesse.de/en/news/news-articles/new-habitats-for-ai

Slide 29

Slide 29 text

29 BECKOFF

Slide 30

Slide 30 text

30 BECKOFF 展示の核：制御レベルに深く統合されたリアルタイムAI クラウドを介さず、機械のコントローラー（PLC）上で直接AI推論を実行することの優位性を強調。リアルタイム性が求められる高度なマシン制御にAIを組み込むデモが中心。

Slide 31

Slide 31 text

高速で流れてくる形状が不揃いな部品を、ロボットアームがピッキングするデモ。 AIビジョンシステムがコントローラー上でリアルタイムに部品の形状と向きを認識し、最適な掴み方を瞬時に判断・実行。クラウドとの通信遅延がないため、サイクルタイムを従来比で30%向上。 31 BECKOFF AIユースケースコントローラー上で完結するAIビジョン制御コントローラー上で完結するAIビジョン制御 https://www.beckhoff.com/en-us/company/news/multimedia-ai-and-automation-hannover-messe-press-preview.html

Slide 32

Slide 32 text

32 SAP ERPを中心としたデータ活用

Slide 33

Slide 33 text

33 SAP ERPを中心としたデータ活用

Slide 34

Slide 34 text

34 SAP 展示の核：ビジネスプロセスと連携したインテリジェント・サプライチェーン製造現場の物理的なモノの動き（OT）と、 ERPが管理するビジネスデータ（IT）をAIでシームレスに連携させることで、サプライチェーン全体の最適化とレジリエンス向上の実現に向けた訴求。

Slide 35

Slide 35 text

SAPのビジネスAI「Joule」が、地政学リスクに関するニュースフィードと、輸送遅延データをリアルタイムで分析。「主要サプライヤーA社の拠点がある地域で大規模ストライキが発生。部品Bの納入が7日間遅延する可能性85%」と警告。さらに、「代替サプライヤーとしてC社とD社を推奨。C社に切り替えた場合の追加コストと、生産計画への影響シミュレーションはこちらです」と、具体的な代替案と影響分析を提示。管理者がワンクリックで代替案を承認すると、関連する発注や生産計画が自動で更新。 35 SAP AIユースケース生成AIによるサプライチェーン寸断リスクの自律的回避サプライチェーン寸断リスクの自律的回避 https://go4.events.sap.com/hannovermesse/en_us/home.html

Slide 36

Slide 36 text

36 AWS 実家のような安心感（個人の感想）

Slide 37

Slide 37 text

37 AWS e-Bike工場による製品製造ライフサイクル全般のクラウド活用

Slide 38

Slide 38 text

38 AWS マルチベンダーで実現する自律移動ロボット（AMR）デモ

Slide 39

Slide 39 text

39 AWS 展示の核：製造業向けに特化した、スケーラブルなAIビルディングブロック自社で完成品を作るのではなく、製造業の顧客やパートナーが独自のAIソリューションを迅速に構築・展開するための、包括的かつ柔軟なクラウドサービス群の展示。

Slide 40

Slide 40 text

AWS IoT Coreで世界中の工場から設備データを収集。 AWS IoT TwinMakerで作成したデジタルツイン上で、設備の稼働状況を可視化。Amazon Lookout for Equipment（AI異常検知サービス）が、センサーデータの僅かな異常パターンを学習。「3日以内にコンプレッサーC-102のベアリングが故障する兆候を検知」とアラートを出し、自動でメンテナンスチームに通知。 40 AWS AIユースケース IoTとデジタルツインによるリモート監視と異常検知 IoTとデジタルツインによるリモート監視と異常検知 https://aws.amazon.com/jp/blogs/industries/experience-the-future-of-smart-manufacturing-at-hannover-messe-2024/

Slide 41

Slide 41 text

41 AI活用の未来と関連技術

Slide 42

Slide 42 text

42 Agenda • ハノーファーメッセ2025の様子とAI活用ユースケース • AI活用の未来と関連技術 • 最後に

Slide 43

Slide 43 text

43 AI関連でのニュースハノーバーメッセ2025の会期前後に AI界隈で非常に大きなパラダイムシフトが発生

Slide 44

Slide 44 text

44 近年よく見るキーワード MCP A2A

Slide 45

Slide 45 text

45 さらなるAI活用の未来の形 MCPとA2Aの産業界への実装について

Slide 46

Slide 46 text

46 The Industrial AI Podcast https://aipod.de/

Slide 47

Slide 47 text

47 The Industrial AI Podcast Colin Masson https://open.spotify.com/episode/1akdmbHfJHOMPu2ohktiRq MCPとA2Aは、現場での活用に最適か？要約：MCPとA2Aプロトコルが工場データの活用に革新をもたらす可能性について議論。AnthropicがオープンソースとしてリリースしたMCPは、産業機器データのコンテキスト化を可能にし、それをAIと接続。GoogleのA2A拡張機能は複数の AIエージェント間の連携を実現します。

Slide 48

Slide 48 text

48 MCPとA2Aについて MCP（Model Context Protocol） • AIモデルやエージェントが外部データソース・ツールと接続するためのオープンスタンダード • 「AIのUSBポート」とも呼ばれる標準化されたインターフェース • AIとツール・データ間の接続を単純化し、M×N統合問題を解決 A2A（Agent2Agent Protocol） • 異なるAIエージェント間の通信・協調を可能にするオープンスタンダード • Googleが提唱した、ベンダーに依存しない相互運用可能なプロトコル • エージェント間の自律的な協調をサポート

Slide 49

Slide 49 text

49 OPC UA, UNS, MCP, A2Aの関係 •UNS（Unified Namespace）：OPC UAの上に構築され、個々の機械と直接通信する必要なく、工場内の機械とその能力（温度、圧力、流量など）を整理するレイヤー •MCP：AIエージェントがUNSに簡単に接続できるようにするプロトコル（OPC UAとも直接通信可能） •A2A：複数のAIエージェントが互いに通信し、MCPを通じてアクセスしたデータやツールを使ってタスクを調整するための拡張機能

Slide 50

Slide 50 text

50 OPC UA, UNS, MCP, A2Aの関係

Slide 51

Slide 51 text

51 産業用AIの将来これは単に新しいタイプのAIではなく、既存のAI分類（ML、ニューラルネット、コンピュータビジョン、生成AIなど）を適用し、組み合わせて特定のスキルやタスクに最適なツールを使用できるようにする建築的進化です。産業分野は以前、AI/ML技術の適用において先行していましたが、 ChatGPTの登場（2022年11月）以降、遅れをとっているという認識があります。しかし、生成AIと大規模言語モデルは、エンジニアリングの厳密さ、正確性、根本原因分析、説明可能性が必要な多くの産業用AIユースケースには適していません。エージェントベースのアプローチへの移行により、産業分野は再びリーダーシップを取り戻し、製造業のスキルギャップに対処し、次のレベルの生産性を達成する機会があります。

Slide 52

Slide 52 text

52 未来の製造業の形その先に見えてくるユースケース

Slide 53

Slide 53 text

53 ユースケース①：自己修復型生産ライン従来の課題: 設備故障は事後対応が基本で、早期発見できても人間の判断と介入が必要新たな可能性: •UNS: 全ての機器からのセンサーデータを統合し、リアルタイムで異常パターンを検出 •MCP: AIエージェントが過去の故障履歴と現在のデータを分析し、問題を診断 •A2A: 保守エージェントが部品調達エージェントと連携、自動的に部品発注・ロボット修理指示具体例：自動車組立ラインの溶接ロボットが振動異常を示した場合、AIが原因を特定（ベアリング劣化）し、部品在庫を確認、最適なメンテナンス時間を計算、必要に応じて代替生産ルートを確保しながら、次のシフト変更時に自動修理ロボットが対応する一連の流れが人間の介入なく実行される。

Slide 54

Slide 54 text

54 ユースケース②：動的需要応答型サプライチェーン従来の課題: 需要変動への対応は遅く、在庫過多や欠品リスクが高い新たな可能性: •UNS: ERPデータ、市場データ、生産能力データを統合 •MCP: AI需要予測エージェントが外部データ（天候、イベント、SNS）にアクセスして需要の急変を予測 •A2A: 需要予測エージェントが生産計画エージェント、サプライヤーエージェント、物流エージェントと連携具体例: 食品メーカーでは、大型スポーツイベント前のSNS分析から特定商品の需要急増を予測。AIが自動的に原材料発注を調整し、サプライヤーAIと納期交渉、生産ラインのスケジュール再構成、物流ルートの最適化を実施。これにより売上機会損失を防ぎつつ、過剰在庫リスクを軽減。

Slide 55

Slide 55 text

55 最後にまとめ

Slide 56

Slide 56 text

56 まとめ • 製造業におけるデジタル革新の波はAIを中心として非常に大きい • おそらく来年のハノーバーメッセでは、ほとんどのデジタルソリューションブースにMCPとA2Aが出てくる • データを整備して未来のAI活用に向けて備えることが非常に重要になってくるので、今からどのようなアプローチがとれるか検討するのが重要になってくる