製造業AIはここまで来た_濱田孝治_ハマコー_.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

ハノーバーメッセ皆さん行ってみたいですか？ 3

Slide 4

Slide 4 text

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

Slide 5

Slide 5 text

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

Slide 6

Slide 6 text

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

Slide 7

Slide 7 text

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

Slide 8

Slide 8 text

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

Slide 9

Slide 9 text

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

Slide 10

Slide 10 text

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

Slide 11

Slide 11 text

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

Slide 12

Slide 12 text

12 ハノーバーメッセとは

Slide 13

Slide 13 text

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

Slide 14

Slide 14 text

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

Slide 15

Slide 15 text

そこに行けば未来があると思いました 15

Slide 16

Slide 16 text

16 現地でみた製造業AIの最前線

Slide 17

Slide 17 text

以下のキープレイヤーのブース内容を紹介 AWS Microsoft Siemens SAP 17

Slide 18

Slide 18 text

18 AWS

Slide 19

Slide 19 text

19 AWS – ブース全体「Built for Industrial AI」

Slide 20

Slide 20 text

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

Slide 21

Slide 21 text

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

Slide 22

Slide 22 text

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

Slide 23

Slide 23 text

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

Slide 24

Slide 24 text

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

Slide 25

Slide 25 text

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

Slide 26

Slide 26 text

26 Microsoft

Slide 27

Slide 27 text

27 Microsoft：AIが「領域の壁」を越えた

Slide 28

Slide 28 text

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

Slide 29

Slide 29 text

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

Slide 30

Slide 30 text

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

Slide 31

Slide 31 text

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）

Slide 32

Slide 32 text

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

Slide 33

Slide 33 text

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

Slide 34

Slide 34 text

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

Slide 35

Slide 35 text

35 Siemens

Slide 36

Slide 36 text

36 Siemens：AIが「エンジニアリングチェーン」を貫通

Slide 37

Slide 37 text

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

Slide 38

Slide 38 text

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

Slide 39

Slide 39 text

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

Slide 40

Slide 40 text

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

Slide 41

Slide 41 text

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

Slide 42

Slide 42 text

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

Slide 43

Slide 43 text

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

Slide 44

Slide 44 text

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

Slide 45

Slide 45 text

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

Slide 46

Slide 46 text

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

Slide 47

Slide 47 text

47 Siemens - Innovation Hub：エージェンティックAI×カスタムシューズ

Slide 48

Slide 48 text

48 Siemens - Innovation Hub：エージェンティックAI×カスタムシューズ

Slide 49

Slide 49 text

49 SAP

Slide 50

Slide 50 text

50 SAP - ブース全体「Trusted Orchestration. Smarter Execution.」

Slide 51

Slide 51 text

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

Slide 52

Slide 52 text

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

Slide 53

Slide 53 text

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

Slide 54

Slide 54 text

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

Slide 55

Slide 55 text

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

Slide 56

Slide 56 text

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」

Slide 57

Slide 57 text

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？

Slide 58

Slide 58 text

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

Slide 59

Slide 59 text

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

Slide 60

Slide 60 text

60 AI活用の現実的な方向性

Slide 61

Slide 61 text

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？

Slide 62

Slide 62 text

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

Slide 63

Slide 63 text

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

Slide 64

Slide 64 text

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

Slide 65

Slide 65 text

65 顧客事例：株式会社ロッテ様

Slide 66

Slide 66 text

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

Slide 67

Slide 67 text

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

Slide 68

Slide 68 text

68 ミニマムで始めた先にあるAI活用への未来展望

Slide 69

Slide 69 text

69 取組む時の方向性

Slide 70

Slide 70 text

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？

Slide 71

Slide 71 text

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？

Slide 72

Slide 72 text

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

Slide 73

Slide 73 text

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

Slide 74

Slide 74 text

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

Slide 75

Slide 75 text

75 最後に

Slide 76

Slide 76 text

76 会期中ずっと思っていたことがある

Slide 77

Slide 77 text

77 我々は顧客と来るべきだった

Slide 78

Slide 78 text

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

Slide 79

Slide 79 text

ハノーバーメッセ2027 是非ご一緒しましょう！ 79