製造業における生成AI活用のユースケースと関連技術要素（RAG,MCP）の解説

Slide 1

Slide 1 text

製造業における生成AI活用のユースケースと関連技術要素（RAG,MCP）の解説 2025/6/18 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 会社のブログを良く書いてます（週一程度）

Slide 4

Slide 4 text

みなさんの生成AI利用頻度を教えて下さい 4

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 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 9

Slide 9 text

9 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 10

Slide 10 text

デモものづくり白書解説 NotebookLM（Google） 10

Slide 11

Slide 11 text

11 ものづくり白書

Slide 12

Slide 12 text

12 みなさんがものづくり白書で興味があることは？ •製造業の投資動向 •デジタル技術の導入・活用 •経済安全保障

Slide 13

Slide 13 text

13 ものづくり白書解説 by NotebookLM（Google）

Slide 14

Slide 14 text

14 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 • デモを通じて「そろそろ行けそうか？」と肌で感じてもらう

Slide 15

Slide 15 text

15 Agenda • クラスメソッドとサービス紹介 • ハノーファーメッセ2025の様子とAI活用ユースケース • AIの進化の歴史 • デモ：自然言語によるデータ分析 • デモ：自然言語による3Dモデル作成 • AI活用の未来と関連技術

Slide 16

Slide 16 text

16 クラスメソッドとサービス紹介

Slide 17

Slide 17 text

17 Agenda • クラスメソッドとサービス紹介 • ハノーファーメッセ2025の様子とAI活用ユースケース • AIの進化の歴史 • デモ：自然言語によるデータ分析 • デモ：自然言語による3Dモデル作成 • AI活用の未来と関連技術

Slide 18

Slide 18 text

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

Slide 19

Slide 19 text

19 財務ハイライト

Slide 20

Slide 20 text

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

Slide 21

Slide 21 text

21 製造業のお客様向けソリューション一覧

Slide 22

Slide 22 text

22 PLC Data to Cloud

Slide 23

Slide 23 text

23 可視化部分イメージ：品質管理パネル例 • 保管温度 • 温度トレンド • 原材料歩留まり • 充填重量トレンド • 殺菌温度推移 • 異物検知回数 • 日別異物検知数 • 現在製造ロット情報

Slide 24

Slide 24 text

24 可視化部分イメージ：設備監視レポート例 • OEE（総合設備効率） • サイクルタイム • 生産状況 • 時間損失内訳 • OEE構成要素トレンド • OEE改善推奨事項 • アクチュエータ基準値超過 • アクチュエータ動作時間

Slide 25

Slide 25 text

25 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 26

Slide 26 text

26 研修によるティーチングや伴走型開発も実施

Slide 27

Slide 27 text

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

Slide 28

Slide 28 text

28 製造ビジネステクノロジー部の顧客事例

Slide 29

Slide 29 text

29 ハノーファーメッセ2025の様子と AI活用ユースケース

Slide 30

Slide 30 text

30 Agenda • クラスメソッドとサービス紹介 • ハノーファーメッセ2025の様子とAI活用ユースケース • AIの進化の歴史 • デモ：自然言語によるデータ分析 • デモ：自然言語による3Dモデル作成 • AI活用の未来と関連技術

Slide 31

Slide 31 text

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

Slide 32

Slide 32 text

32 会場マップ

Slide 33

Slide 33 text

33 会場規模（ホール9 上段から）

Slide 34

Slide 34 text

34 会場マップの丸の位置からみた景色

Slide 35

Slide 35 text

35 会場マップの丸の位置からみた景色

Slide 36

Slide 36 text

36 Siemens ドイツを代表する総合電機メーカー

Slide 37

Slide 37 text

37 Siemens ドイツを代表する総合電機メーカー

Slide 38

Slide 38 text

38 Siemens ドイツを代表する総合電機メーカー

Slide 39

Slide 39 text

39 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 40

Slide 40 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。 40 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 41

Slide 41 text

41 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 42

Slide 42 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。 42 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 43

Slide 43 text

43 BECKOFF

Slide 44

Slide 44 text

44 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 45

Slide 45 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。 45 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 46

Slide 46 text

46 SAP ERPを中心としたデータ活用

Slide 47

Slide 47 text

47 SAP ERPを中心としたデータ活用

Slide 48

Slide 48 text

48 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 49

Slide 49 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。 49 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 50

Slide 50 text

50 AWS 実家のような安心感（個人の感想）

Slide 51

Slide 51 text

51 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 52

Slide 52 text

52 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 53

Slide 53 text

53 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 54

Slide 54 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。 54 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 55

Slide 55 text

55 AIの進化の歴史「予測するAI」から「創造するAIへ」

Slide 56

Slide 56 text

56 Agenda • クラスメソッドとサービス紹介 • ハノーファーメッセ2025の様子とAI活用ユースケース • AIの進化の歴史 • デモ：自然言語によるデータ分析 • デモ：自然言語による3Dモデル作成 • AI活用の未来と関連技術

Slide 57

Slide 57 text

57 改めて整理ハノーファーメッセではAIがほぼ全てのブースでサービスに組み込まれていたこの流れを全体俯瞰するために AIの進化の歴史を振り返っておきたい

Slide 58

Slide 58 text

58 最初に皆さんは以下の違いを説明できますか？従来のAIと生成AIの違い機械学習とディープラーニング

Slide 59

Slide 59 text

59 製造業におけるAIの昔と今従来のAI活用 • 分析、予知保全、品質管理が中心 • 主に従来の機械学習（ML）モデルが役割を担う • 顕著な改善をもたらしたが、分析が主目的生成AIの登場 • 単なる分析を超え「創造」や「複雑な問題解決」を可能に

Slide 60

Slide 60 text

60 AIの歴史的変遷

Slide 61

Slide 61 text

61 AI関連の言葉の定義 AI（人工知能）： • 人間の知的振る舞いをコンピュータで実現する科学技術の総称機械学習（Machine Learning, ML）： • AIの一分野。データから自動的に学習し、パターンやルールを見つけ、予測や判断を行う技術 • 人間が明示的にプログラムせず、データ駆動で学習ディープラーニング（Deep Learning） • 機械学習の一手法。人間の脳神経を模倣した「ニューラルネットワーク」を多層化したモデル（DNN）で学習 • 「深い」層構造で、複雑・抽象的な特徴を自動抽出・学習

Slide 62

Slide 62 text

62 LLMの発展の主要因技術的ブレークスルー（Transformer）がLLMの発展を後押し Transformerアーキテクチャ（2017年） - 並列処理可能、長い文脈の効率的処理、大規模モデル訓練の実現 •注意機構（Attention Mechanism）文章内の重要部分への焦点化、文脈理解の向上、自然な文章生成 •事前訓練と転移学習 - 大量テキストでの事前訓練後に特定タスクへ微調整、効率的な高性能モデル構築その他の重要な要因 •計算資源の向上 - GPU性能の飛躍的向上 •大規模データセットの利用可能性 - 訓練用データの充実 •分散計算技術の発展 - 大規模モデルの訓練を可能にする技術

Slide 63

Slide 63 text

63 視覚でDeepLearningやTransformerを理解する https://www.youtube.com/watch?v=KlZ-QmPteqM&t=4s

Slide 64

Slide 64 text

64 生成AIによる製造業ユースケースの変遷製造領域従来のML（概要と限界）生成AIによる変革（概要と強化された能力）製品設計・開発過去データに基づくパラメータ最適化、性能予測（新規性の創出は限定的）新規デザインコンセプトの自動生成、要件に基づく多様な設計案提示、仮想プロトタイピングの高速化、材料選定支援品質管理画像認識による欠陥検出・分類（原因特定や対策提案は困難）欠陥検出に加え、原因分析、改善策提案、未知の欠陥パターンの学習用合成データ生成予知保全センサーデータに基づく故障時期予測（具体的な保守手順の提示は限定的）故障予測に加え、詳細な保守指示書の自動生成、故障シナリオのシミュレーション、複雑な要因を考慮した保守計画の最適化サプライチェーン最適化過去データに基づく需要予測（突発的な変動への対応や複雑なシナリオ分析は困難）需要変動シミュレーション、リアルタイムでの生産・在庫・物流計画の動的最適化、サプライヤーとの交渉支援、契約書ドラフト作成プロセスエンジニアリング既存プロセスのパラメータ調整による効率化（抜本的なプロセス革新は困難）新規プロセスフローの設計提案、デジタルツイン上での多様な生産シナリオシミュレーションと評価、運用手順書の自動生成ナレッジマネジメント・トレーニング文書検索、FAQシステム（文脈理解や専門的アドバイスは限定的）対話型AIによる専門知識の提供、技術マニュアルの自動要約・解説、熟練者の暗黙知の抽出と共有、個別化されたトレーニングコンテンツ生成

Slide 65

Slide 65 text

65 RAGについて最近RAGという言葉をあまり聞かなくなったようなきがしませんか？

Slide 66

Slide 66 text

66 一昔前はこんなことがよくあったと思います LLMに分析を頼んでもデータが2年前だ！サンプルコードを見ても、使われているライブラリが廃止されているやつだ！

Slide 67

Slide 67 text

67 最近のAIクライアントではWebリサーチがあたりまえになりつつある

Slide 68

Slide 68 text

68 Claudeに聞いてみるとこんな回答が得られます

Slide 69

Slide 69 text

69 Geminiに聞いてみるとこんな回答が得られます

Slide 70

Slide 70 text

70 RAGについてこのあたりにもRAGは根付いています

Slide 71

Slide 71 text

71 RAG（Retrieval-Augmented Generation）とは RAGとは、生成AI（LLM）に情報を渡して、より正確で信頼性の高い回答をさせる技術 • 嘘をつく（ハルシネーション） • 情報が古い • 社内のことを知らない

Slide 72

Slide 72 text

72 RAG（Retrieval-Augmented Generation）とは RAGのプロセスは大きく2つのステップで構成 1.検索（Retrieval）質問をすると、LLMに回答を生成させる前に、信頼できる情報源を検索し、関連性の高い情報源をみつける 2.拡張・生成（Augmented Generation） 1でみつけた関連情報を、「カンニングペーパー」として、もとの質問と一緒にLLMに渡して回答を生成

Slide 73

Slide 73 text

73 RAG（Retrieval-Augmented Generation）とは Gemini、Claude、ChatGPT、NotebookLMなどのリサーチ機能は、RAGを一般ユーザー向けの製品に組み込んだもの社内システムでの閉じられた業務データの利用では、これまでとおなじくRAGを利用したLLMの利用は必要となる。ただ個人的には、NotebookLMがある程度の容量のデータを元に回答生成してくれる時代になったので、一からRAGのシステムを作るのではなく、世にある製品をつかうというのも、一つの考え方ではあると思う

Slide 74

Slide 74 text

74 デモ：自然言語によるデータ分析

Slide 75

Slide 75 text

75 Agenda • クラスメソッドとサービス紹介 • ハノーファーメッセ2025の様子とAI活用ユースケース • AIの進化の歴史 • デモ：自然言語によるデータ分析 • デモ：自然言語による3Dモデル作成 • AI活用の未来と関連技術

Slide 76

Slide 76 text

76 MCPとは 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を持つ • AIとツール・データ感の接続を単純化し、M✕N統合問題（M個のAIアプリがN個のツールに接続しなければならない）を解決する

Slide 77

Slide 77 text

77 MCPの図示化 MCPとは何か〜AIエージェントの為の標準プロトコル〜 https://blog.cloudnative.co.jp/27994/

Slide 78

Slide 78 text

78 Grafana MCP server Grafana Labs公式でGitHubに公開済 • 主な機能 • Search for dashboards • List and fetch datasource information • Query datasource • Query Prometheus metadata • Query Loki metadata • Search, create, update and close incidents https://github.com/grafana/mcp-grafana

Slide 79

Slide 79 text

79 Grafana MCP server DeepWikiもあるので参考に https://deepwiki.com/grafana/mcp-grafana

Slide 80

Slide 80 text

80 環境構築までの手順はほとんどここに書いてます https://dev.classmethod.jp/articles/connect-grafana-cloud-with-mcp-server/

Slide 81

Slide 81 text

81 デモの様子ここに着目

Slide 82

Slide 82 text

82 MCP経由でGrafanaを見るときの着目点生成AIならではの「洞察」の出力 • ダッシュボードを人間が見ているだけでは気づかないような、複数グラフからの「洞察」をプロンプト次第で出力可能 • 過去時点と現在のデータの比較による検証なども、別途自分で時間範囲を設定してグラフを並べなくてもできる問いかけ次第では、専用のダッシュボードを利用しながら人間がデータの関連を検証していたことと、ほぼ同様のことが、自然言語でできるかもしれない。

Slide 83

Slide 83 text

83 デモ：自然言語による3Dモデル作成

Slide 84

Slide 84 text

84 Agenda • クラスメソッドとサービス紹介 • ハノーファーメッセ2025の様子とAI活用ユースケース • AIの進化の歴史 • デモ：自然言語によるデータ分析 • デモ：自然言語による3Dモデル作成 • AI活用の未来と関連技術

Slide 85

Slide 85 text

85 FreeCAD 無料オープンソースCADソフトウェア • マルチプラットフォーム対応（Windows, Mac, Linux） • C++とPythonで開発されている • 商用利用可能（個人利用、ビジネス、政府機関など、どこでも）

Slide 86

Slide 86 text

86 FreeCAD入門の様子はこちらから https://dev.classmethod.jp/articles/freecad-entry/

Slide 87

Slide 87 text

87 FreeCAD MCP（しろくまさん、感謝！！！！） https://zenn.dev/firstautomation/articles/33e950c2409dba

Slide 88

Slide 88 text

88 FreeCAD MCP（GitHub） https://github.com/neka-nat/freecad-mcp 設定方法もこれみればほとんどわかります

Slide 89

Slide 89 text

89 例「星のカービィ」

Slide 90

Slide 90 text

90 使う上での注意点完全に自然言語のみで作り上げていくのは難しいのでコツが必要 • プロンプトで3DCAD用の基本的なパラメータを先に聞いて、そこを埋めていくほうが断然スムーズサイコロの3Dモデルを作成したいです。私から3Dモデル作成において必要なパラメータを聞いてから作業を進めてください。サイコロのサイズ：50mm 角の丸み具合：少し丸め数字の表示：彫り込み（凹）、数字はドット（目）で表現

Slide 91

Slide 91 text

91 AI活用の未来と関連技術

Slide 92

Slide 92 text

92 Agenda • クラスメソッドとサービス紹介 • ハノーファーメッセ2025の様子とAI活用ユースケース • AIの進化の歴史 • デモ：自然言語によるデータ分析 • デモ：自然言語による3Dモデル作成 • AI活用の未来と関連技術

Slide 93

Slide 93 text

93 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

Slide 94

Slide 94 text

94 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 95

Slide 95 text

95 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 96

Slide 96 text

96 製造業におけるデータ活用の潮流と課題感

Slide 97

Slide 97 text

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

Slide 98

Slide 98 text

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

Slide 99

Slide 99 text

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

Slide 100

Slide 100 text

100 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 101

Slide 101 text

101 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 102

Slide 102 text

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

Slide 103

Slide 103 text

103 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 104

Slide 104 text

104 UNS（Unified Name Space）アーキテクチャ

Slide 105

Slide 105 text

105 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 106

Slide 106 text

106 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 107

Slide 107 text

107 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 108

Slide 108 text

108 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 109

Slide 109 text

109 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 110

Slide 110 text

110 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 111

Slide 111 text

111 IDF（Industrial Data Fabric） HighByte

Slide 112

Slide 112 text

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

Slide 113

Slide 113 text

113 IDF（Industrial Data Fabric） LITMUS

Slide 114

Slide 114 text

114 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 115

Slide 115 text

115 オープンソースIIoTプラットフォーム FREEZONEX

Slide 116

Slide 116 text

116 オープンソースIIoTプラットフォーム FREEZONEX

Slide 117

Slide 117 text

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

Slide 118

Slide 118 text

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

Slide 119

Slide 119 text

119 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 120

Slide 120 text

120 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 121

Slide 121 text

121 近年よく見るキーワード MCP A2A

Slide 122

Slide 122 text

122 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 123

Slide 123 text

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

Slide 124

Slide 124 text

124 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 125

Slide 125 text

125 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 126

Slide 126 text

126 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 127

Slide 127 text

127 OPC UA, UNS, MCP, A2Aの関係

Slide 128

Slide 128 text

128 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 129

Slide 129 text

129 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 130

Slide 130 text

130 未来の製造業の形その先に見えてくるユースケース

Slide 131

Slide 131 text

131 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 132

Slide 132 text

132 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 133

Slide 133 text

133 最後にまとめ

Slide 134

Slide 134 text

134 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