初参加のハノーバーメッセで感じた世界最大級イベントの熱気とAI活用の未来

by 濱田孝治

Slide 1

Slide 1 text

初参加のハノーバーメッセで感じた世界最大級イベントの熱気と AI活用の未来 2025/5/14 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マネージャー • 独立系SIerを経て2017年9月クラスメソッド入社ブログ, 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 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

3 はじめにこれだけ覚えておいてもらえれば @hamako9999

Slide 4

Slide 4 text

4 Agenda •クラスメソッドの製造業における取組の紹介 •現地のリアルな雰囲気と熱気 •製造業におけるAI活用の最前線ユースケース

Slide 5

Slide 5 text

5 クラスメソッドの製造業における取組の紹介

Slide 6

Slide 6 text

6 AWSの日本最優秀SIパートナー https://classmethod.jp/news/20250508-aws-partner-awards

Slide 7

Slide 7 text

7 製造業のお客様向けソリューション一覧 https://classmethod.jp/segment/manufacturing/

Slide 8

Slide 8 text

8 製造業のお客様向けソリューション一覧

Slide 9

Slide 9 text

9 PLC Data to Cloudの代表的なアーキテクチャ

Slide 10

Slide 10 text

10 可視化部分イメージ：設備監視

Slide 11

Slide 11 text

11 製造業向けアジャイル支援サービス https://classmethod.jp/services/insource/manufacturing-agile-support/

Slide 12

Slide 12 text

12 研修によるティーチングや伴走型開発も実施

Slide 13

Slide 13 text

13 AI駆動開発支援サービス https://classmethod.jp/services/aidd/

Slide 14

Slide 14 text

14 製造ビジネステクノロジー部の顧客事例

Slide 15

Slide 15 text

15 現地のリアルな雰囲気と熱気

Slide 16

Slide 16 text

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

Slide 17

Slide 17 text

17 会場マップ

Slide 18

Slide 18 text

18 会場規模（ホール9 上段から）

Slide 19

Slide 19 text

19 会場マップの丸の位置からみた景色

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 王者シーメンスドイツを代表する総合電機メーカー

Slide 22

Slide 22 text

22 王者シーメンスドイツを代表する総合電機メーカー

Slide 23

Slide 23 text

23 王者シーメンスドイツを代表する総合電機メーカー

Slide 24

Slide 24 text

24 SAP ERPを中心としたデータ活用

Slide 25

Slide 25 text

25 SAP ERPを中心としたデータ活用

Slide 26

Slide 26 text

26 AWS 実家のような安心感（個人の感想）

Slide 27

Slide 27 text

27 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 28

Slide 28 text

28 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 29

Slide 29 text

29 Microsoft サービスに深く根ざしたIndustrial CopilotとAI

Slide 30

Slide 30 text

30 Microsoft サービスに深く根ざしたIndustrial CopilotとAI

Slide 31

Slide 31 text

31 Google Manufacutring Data Engine

Slide 32

Slide 32 text

32 行ってみた率直な感想テーマも会場も参加している人も本当に本当に本当に幅広い

Slide 33

Slide 33 text

33 製造業におけるAI活用の最前線ユースケース

Slide 34

Slide 34 text

34 結論以下が実現するのも夢物語ではなくなってきたのかも？自己修復型生産ライン動的需要応答型サプライチェーン知識継承型スマートファクトリー

Slide 35

Slide 35 text

35 例：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 36

Slide 36 text

36 AI関連でのニュースこのあとテクノロジーで関連するキーワードを紐解きながら説明していきます

Slide 37

Slide 37 text

37 製造業におけるデータ活用の潮流と課題感

Slide 38

Slide 38 text

38 re:Invent2024で参加したワークショップ ref: https://dev.classmethod.jp/articles/workshop-deigital-thread/

Slide 39

Slide 39 text

39 製造業に関わるデータは幅広い https://dev.classmethod.jp/articles/workshop-deigital-thread/

Slide 40

Slide 40 text

40 製造業におけるよくある困り事 https://dev.classmethod.jp/articles/workshop-deigital-thread/

Slide 41

Slide 41 text

41 製造業におけるよくある困り事 https://dev.classmethod.jp/articles/workshop-deigital-thread/ • 設計エンジニア: 「コンセプトから詳細設計段階に移行するために、主要な材料供給の課題を知る必要があります」 • サプライチェーン: 「パーツ#XYZが遅延しています。調達の問題はありますか？同様の品質スコアを持つ代替サプライヤーを検討できますか？」 • 事業開発: 「新しいRFQ（見積依頼書）が来ています。類似点を特定するために、過去のRFQ回答や仕様書にアクセスできますか？」 • 計画/購買: 「部品のリリース状況と変更記録を入手して、調達計画を立てられますか？」

Slide 42

Slide 42 text

42 これらサイロ化したデータをいかに活用していくのか？ https://dev.classmethod.jp/articles/workshop-deigital-thread/

Slide 43

Slide 43 text

43 解の一つになりうるのが UNS（Unified Name Space） IDF（Industrial Data Fabric）

Slide 44

Slide 44 text

44 UNS（Unified Name Space）とは？製造環境における「単一の信頼できる情報源」として機能するイベント駆動型のデータアーキテクチャ主要コンポーネント • MQTTブローカー：発行/購読型メッセージングの中心ハブ • Sparkplug：MQTTプロトコル上で動作し、メタデータを追加し自動検出や例外報告を実現 • データモデリング：ISA-95標準に基づく階層的なデータ構造 • エッジオペレーション：エッジに配置されたソフトウェアが機器に接続し、生データを変換・標準化

Slide 45

Slide 45 text

45 UNS（Unified Name Space）アーキテクチャ

Slide 46

Slide 46 text

46 UNSの特徴とAIモデルやエージェントと相性が良い理由 ①データの一元化と標準化 • 従来の課題：製造環境では、PLC、MES、センサー、ERPなど多数のシステムが独自のデータ形式を採用し、データサイロが形成されていた • UNSの解決策：全てのデータソースからの情報を単一の標準化された形式で集約 • AIへの影響：AIモデルは一貫した形式のデータにアクセスできるため、AIエージェントが複数のソースからのデータを統合する前処理が不要となる

Slide 47

Slide 47 text

47 UNSの特徴とAIモデルやエージェントと相性が良い理由 ②リアルタイム性の確保 • 従来の課題: 多くのデータは定期的なバッチ処理やエクスポート/インポートプロセスを通じて移動し、データのリアルタイム性が無い • UNSの解決策: MQTT/Sparkplugベースのイベント駆動型アーキテクチャにより、データの変更がほぼリアルタイムで伝播 • AIへの影響: AIエージェントは常に最新の情報に基づいて判断できるため、現実の状況とAIの認識のずれが最小限

Slide 48

Slide 48 text

48 UNSの特徴とAIモデルやエージェントと相性が良い理由 ③コンテキストの保持とメタデータの充実 • 従来の課題: データは文脈から切り離されることが多く、その価値や関連性が失われていた • UNSの解決策: Sparkplugによるメタデータの追加や、ISA- 95に基づく階層構造により、データに豊富なコンテキストを付与 • AIへの影響: AIモデルはデータポイントだけでなく、その意味や関係性も理解できるため、より高度な推論が可能

Slide 49

Slide 49 text

49 UNSの特徴とAIモデルやエージェントと相性が良い理由 ④拡張性と適応性の強化 • 従来の課題: 新しいデータソースやAIモデルの追加には、多くの場合カスタム統合が必要 • UNSの解決策: 標準化されたプロトコルとインターフェースにより、新しいデバイスやシステムの追加が容易 • AIへの影響: 生成AIでは事前学習無しに、新しいデータソースを容易に活用できる

Slide 50

Slide 50 text

50 UNSの特徴とAIモデルやエージェントと相性が良い理由 ⑤例外報告メカニズム • 従来の課題: すべての時系列データが定期的にポーリングされるため、データ量が膨大になり重要な変化の検出が困難 • UNSの解決策: Sparkplugの例外報告機能により、意味のある変化が発生した場合にのみデータを送信可能 • AIへの影響: ノイズの少ない重要なデータに集中できるため、シグナル検出が向上し、より効率的な処理が可能

Slide 51

Slide 51 text

51 これらUNSの実装プレイヤーが現地で複数存在感を出していた

Slide 52

Slide 52 text

52 IDF（Industrial Data Fabric） HighByte

Slide 53

Slide 53 text

53 IDF（Industrial Data Fabric） HighByte 現地展示：AWS上でのHighByteの実装例

Slide 54

Slide 54 text

54 IDF（Industrial Data Fabric） LITMUS

Slide 55

Slide 55 text

55 IDF（Industrial Data Fabric） LITMUS https://litmus.io/ja/blog/embracing-the-unified-namespace-architecture-with-litmus-edge UNSの解説はこれが非常にわかりやすい

Slide 56

Slide 56 text

56 オープンソースIIoTプラットフォーム FREEZONEX

Slide 57

Slide 57 text

57 オープンソースIIoTプラットフォーム FREEZONEX

Slide 58

Slide 58 text

58 オープンソースIIoTプラットフォーム FREEZONEX https://supos.ai/

Slide 59

Slide 59 text

59 FREEZONEXのGitHubリポジトリのDeepWiki作成済 DeepWikiでfreezonexで検索

Slide 60

Slide 60 text

60 FREEZONEX/Factory-Agent FREEZONEX/Factory-Agent Factory Agentは、産業システムが大型言語モデル（LLM）を活用してリアルタイム監視、意思決定、自動制御を実現するオープンソースフレームワークです。このフレームワークは、オペレーションテクノロジー（OT）のデータソース、情報テクノロジー（IT）システム、現代のAI 機能の間を、MQTTブローカーと通信するカスタムNode-REDノードの集合体を通じて接続します。 https://deepwiki.com/FREEZONEX/Factory-Agent

Slide 61

Slide 61 text

61 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 62

Slide 62 text

62 近年よく見るキーワード MCP A2A

Slide 63

Slide 63 text

63 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 64

Slide 64 text

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

Slide 65

Slide 65 text

65 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 66

Slide 66 text

66 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 67

Slide 67 text

67 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 68

Slide 68 text

68 OPC UA, UNS, MCP, A2Aの関係

Slide 69

Slide 69 text

69 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 70

Slide 70 text

70 リスナーへのアドバイス事業会社はベンダーに以下の質問をすべき • 統合名前空間（UNS）のために何を使用しているか • 統合名前空間とOPCと相互作用するMCPサーバーの提供に向けて何をしているか • エージェント間（A2A）の次のステップとエージェントのオーケストレーションについてどのように考えているか主要プレイヤーがこれらのプロトコルと標準をサポートしていることで、産業用AIのニーズに対応するための協力が進んでいきます。

Slide 71

Slide 71 text

71 未来の製造業の形その先に見えてくるユースケース

Slide 72

Slide 72 text

72 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 73

Slide 73 text

73 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 74

Slide 74 text

74 ユースケース③：知識継承型スマートファクトリー従来の課題: 熟練作業者の退職によるノウハウ喪失、新人教育の長期化新たな可能性: •UNS: 作業手順、センサーデータ、品質結果の関連付けと蓄積 •MCP: AIが熟練者の作業パターンを学習し、データから暗黙知を形式化 •A2A: 知識エージェント、トレーニングエージェント、支援ロボットエージェントが連携具体例: 精密機械メーカーでは、熟練技術者の動作を複数のセンサーで捉え、その判断と手技をAIが学習。新人作業者がARグラスを装着すると、AIが作業をリアルタイムで分析し、熟練者レベルの指導を提供。さらに協働ロボットが自動的に最適な補助を行い、作業効率と品質を向上。蓄積された知識は継続的に更新され、組織全体で共有される。

Slide 75

Slide 75 text

75 未来の製造業の形はてさて来年のハノーバーメッセはどうなっていることやら… 楽しみですね！！

Slide 76

Slide 76 text

76 最後に

Slide 77

Slide 77 text

77 まとめ • 製造業におけるデジタル革新の波は非常に大きい • 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活用に向けて準備することが非常に大事になってくる