製造業のクラウド活用最適解〜AI，DXを加速するデータ基盤の作り方〜

by 濱田孝治

Embed

Start on current slide

Slide 1

Slide 1 text

製造業のクラウド活用最適解〜AI, DXを加速するデータ基盤の作り方〜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（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 Xアカウント @hamako9999

Slide 4

Slide 4 text

4 製造業関連ブログ「クラスメソッド濱田 or ハマコー」

Slide 5

Slide 5 text

5 最初に製造業におけるAIやデータ活用に関する質問をさせてください！！全部で3問貴重な機会なので億劫がらずにどうぞ！！

Slide 6

Slide 6 text

6 Q1 すでに自社で何らかのデータをクラウド上に上げ始めて居る方

Slide 7

Slide 7 text

7 Q2 そのデータを"見える化"のさらに先分析・予測・AIまで活用している方

Slide 8

Slide 8 text

8 Q3 データがバラバラ・サイロ化していてどこから手をつけるか悩ましいと感じている方

Slide 9

Slide 9 text

9 ここまで製造業におけるデータ活用の現在地がいくらかほの見えたのではと思います

Slide 10

Slide 10 text

10 製造業で扱うデータは多種多様

Slide 11

Slide 11 text

11 本日お伝えすること私の経験 • ハノーバーメッセ2026で見た現地の情報 • 顧客と共に試行錯誤した経験今日お伝えするのは・教科書的な理論 → ✘ ・ハマコーの主観 → ○

Slide 12

Slide 12 text

12 Agenda • ハノーバーメッセ2026に見る世界の最新潮流 • 段階的なデータ基盤の作り方 • 実践事例株式会社ロッテ浦和工場

Slide 13

Slide 13 text

13 ハノーバーメッセ2026に見る世界の最新潮流

Slide 14

Slide 14 text

ハノーバーメッセ皆さんご存知でしょうか？ 14

Slide 15

Slide 15 text

15 4月20日〜24日、同僚の田中と行ってきました

Slide 16

Slide 16 text

16 ハノーバーメッセとは（定量的に）項目概要開催時期 2026年4月20〜24日（5日間）／ドイツ・ハノーバー規模世界50カ国以上から、来場者約13万人。製造業として世界最大級の産業見本市今年の中心テーマ Industrial AI（産業AI） — 例年の「AIもある」から、会場全体がAIへ振り切れた

Slide 17

Slide 17 text

17 ハノーバーメッセとは（主観的に）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 Foundation、Open Data Space）の展示規模

Slide 18

Slide 18 text

18 現地でみた製造業AIの最前線

Slide 19

Slide 19 text

以下のカテゴリーにわけてお伝えします Opening Ceremony AWS Microsoft Siemens SAP OPC Foundation 19

Slide 20

Slide 20 text

20 Opening Ceremony

Slide 21

Slide 21 text

21 Opening Ceremony https://dev.classmethod.jp/articles/hm26-pressday-opening/

Slide 22

Slide 22 text

22 Opening Ceremony 会場

Slide 23

Slide 23 text

23 Opening Ceremony 会場プレス入口

Slide 24

Slide 24 text

24 インダストリー4.0の提唱者 Wolfgang Wahlster氏と

Slide 25

Slide 25 text

25 Opening Ceremony 会場内

Slide 26

Slide 26 text

26 Opening Ceremonyの登壇者 Friedrich Merz 氏 • ドイツ連邦共和国首相 Luiz Inácio Lula da Silva 氏 • ブラジル連邦共和国大統領 Dorothee Bär 氏 • ドイツ連邦研究・技術・宇宙大臣 Julie Sweet 氏 • Accenture 会長兼CEO Dr. Gunther Kegel 氏 • ドイツ電気・デジタル産業連盟（ZVEI）会長 Belit Onay 氏 • ハノーバー市長（開催都市ホスト）

Slide 27

Slide 27 text

27 Opening Ceremonyのメッセージ産業AIのEU規制緩和（EU AI Actからの切り出し）の推進「Made for Germany」を掲げた8,000億ユーロの巨額投資事業の「Reinvention（再発明）」の必要性とグローバルな連携強化

Slide 28

Slide 28 text

28 AWS

Slide 29

Slide 29 text

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

Slide 30

Slide 30 text

30 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 31

Slide 31 text

31 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 32

Slide 32 text

32 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 33

Slide 33 text

33 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 34

Slide 34 text

34 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 35

Slide 35 text

35 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 36

Slide 36 text

36 Microsoft

Slide 37

Slide 37 text

37 Microsoft：AIが「領域の壁」を越えた

Slide 38

Slide 38 text

38 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 39

Slide 39 text

39 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 40

Slide 40 text

40 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 41

Slide 41 text

41 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 42

Slide 42 text

42 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 43

Slide 43 text

43 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 44

Slide 44 text

44 Siemens

Slide 45

Slide 45 text

45 Siemens：AIが「エンジニアリングチェーン」を貫通

Slide 46

Slide 46 text

46 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 47

Slide 47 text

47 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 48

Slide 48 text

48 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 49

Slide 49 text

49 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 50

Slide 50 text

50 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 51

Slide 51 text

51 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 52

Slide 52 text

52 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 53

Slide 53 text

53 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 54

Slide 54 text

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

Slide 55

Slide 55 text

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

Slide 56

Slide 56 text

56 SAP

Slide 57

Slide 57 text

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

Slide 58

Slide 58 text

58 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 59

Slide 59 text

59 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 60

Slide 60 text

60 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 61

Slide 61 text

61 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 62

Slide 62 text

62 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 63

Slide 63 text

63 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 64

Slide 64 text

64 OPC Foundation

Slide 65

Slide 65 text

65 もう一つのテーマ巨大企業の根底に横たわる OPCという規格とその存在感

Slide 66

Slide 66 text

66 最初にOPCとは？「製造業の機器同士・機器と ITシステムを、メーカーを問わずに繋ぐためのオープンな通信規格」

Slide 67

Slide 67 text

67 なぜ今、OPC UAが「製造業の共通言語」なのか OPC = Open Platform Communications（元は OLE for Process Control） •元々はWindows COM/DCOMベースの規格（1996年〜）→ 2008年にプラットフォーム非依存の OPC UA に再設計 •Industry 4.0の提唱と合わせて普及が加速現在「OPC」と言えば実質「OPC UA」を指すことがほとんど

Slide 68

Slide 68 text

68 OPC Foundation：規格団体が構える巨大ブース

Slide 69

Slide 69 text

69 OPC Foundation：詳細はこちらのブログで https://dev.classmethod.jp/articles/hm26-opc-ua/

Slide 70

Slide 70 text

70 なぜ今、OPC UAが「製造業の共通言語」なのか認証・暗号化・証明書管理を標準で扱えるOPC UAは、欧州市場で必須選択肢に。 •主要ベンダーのブースで「OPC UA対応」が共通前提 •欧州での採用が加速 •EU CRA（Cyber Resilience Act）の本格適用が近い •セキュリティ非対応の製品は市場で受け入れられにくい •認証・暗号化・証明書管理を標準仕様で扱える

Slide 71

Slide 71 text

71 Open Process Automation（OPA） OPA：特定ベンダーに縛られないプロセスオートメーションシステム • 推進元：ExxonMobil（オイル＆ガス系の脱ベンダーロックイン） • 通信プロトコル：OPC UA を採用横河電機が2026年4月、世界初の OPA 向け OPC UA 認証取得

Slide 72

Slide 72 text

72 Open Process Automation（OPA） OPAブースの展示デモ： - 横河電機のコントローラー - Phoenix Contact のデバイス - メーカーバラバラでも OPC UA を共通言語に動作 - 制御アプリケーションはコンテナ化

Slide 73

Slide 73 text

73 OPC UA のセキュリティ Modbus（従来型） → OPC UA - 認証：プロトコル外 → 証明書ベース相互認証を標準装備 - 暗号化：なし → メッセージ署名・暗号化を標準装備 - 防御層：ネットワーク分離・FW頼み → プロトコルレベルで構築クラウド連携 - MQTTSによる暗号化は可能 - OPC UA はさらに鍵管理・体系的暗号化を持つ → 「ネットワークを守る」から「通信そのものを守る」設計。EU CRA 時代に効くセキュリティ設計

Slide 74

Slide 74 text

74 証明書管理の運用解＝GDS（Global Discovery Server） - 工場単位で構成可能 - ライン単位でも構成可能 - CA of CA（工場の上の親玉）階層も組める - 信頼リスト配布・有効期限更新を一元化 → 大規模工場・複数拠点を抱える製造業の現実解

Slide 75

Slide 75 text

75 OPC UA for AI：情報モデルとAIの親和性 OPC UA は単なる通信プロトコルではない： - データ構造を「情報モデル」として標準化 - センサーの生データ - タグ付け・意味付けされた構造化データ → 生成AIがデータの「意味」を理解できる

Slide 76

Slide 76 text

76 Cloud Library / Cloud Initiative Reference Architecture クラウド時代の取り組み： - OPC UA Cloud Library - UA Cloud Initiative Reference Architecture 公開されている構成例： - MES / ERP - 時系列データベース - 可視化（Grafana 等） → ワーキンググループに主要クラウドベンダーが総揃い → OPC UA は「OT内で閉じる規格」ではなく、クラウドエコシステム前提で進化

Slide 77

Slide 77 text

77 Cloud Library / Cloud Initiative Reference Architecture ワーキンググループの一覧

Slide 78

Slide 78 text

78 OPC UA via REST：IT基盤からもそのまま叩ける OPC UA via REST（プロトタイプ）： - REST API 経由で OPC UA データにアクセス - AWS の API Gateway、ロードバランサー、認証・認可、監視と接続可能 - IoT Core / SiteWise 以外の一般的なIT基盤からも素直に扱える - 現時点ではプロトタイプ段階 → ITエンジニアにとっての OPC UA の敷居が一気に下がる可能性

Slide 79

Slide 79 text

79 Digital Product Passport with OPC UA：トレーサビリティの規格化 Digital Product Passport（DPP）： - 欧州主導のトレーサビリティ規制 - 「どこで・誰が・どのように」作ったか - 原材料からカーボンフットプリントまで紐付け - SAPブースでも大きく展示されていた機器側からの情報拾い上げ： - プロトコル層に OPC UA が選択肢 - 製造記録・品質データを OPC UA で上位に流す → そのまま DPP対応のインフラとして使える

Slide 80

Slide 80 text

80 OPC UA Field eXchange（FX）：コントローラーがフラット通信 OPC UA Field eXchange（FX）： - コントローラー同士が「フラットに」OPC UA で通信 - Pub/Sub の UDP でセッション問題を解消 - 従来：階層構造（上にボスが居る） - FX：フラットネットワーク（ボスがいない世界観）ブース展示の事実： - 三菱、オムロン、富士電機など日本の主要 PLC ベンダーも対応 → 日本の現場で使われているPLCも、すでに FX 対応が進んでいる

Slide 81

Slide 81 text

81 OPC UA Safety：機能安全領域への拡張 - Safety 通信を OPC UA の枠組みで扱う - 確実性・冗長性を満たす - OPC UA の情報モデル・セキュリティ機能と統合 - 従来のベンダー固有プロトコルからの脱却 → 「製造業の通信規格を1本に統一する」野心が Safety まで及ぶ → セキュリティ・情報モデル・クラウド・ AI・FX・Safety、全てがOPC UAの傘の下に

Slide 82

Slide 82 text

82 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 83

Slide 83 text

83 世界を代表する巨大プレイヤーが製造業のあらゆる分野での AI実践活用に本気で向き合い始めた

Slide 84

Slide 84 text

84 マニュファクチャリングチェーンの全体像引用：日本能率協会コンサルティング https://www.jmac.co.jp/glossary/ma/manufacturingchain.html

Slide 85

Slide 85 text

85 マニュファクチャリングチェーンの全体像引用：日本能率協会コンサルティング https://www.jmac.co.jp/glossary/ma/manufacturingchain.html 各社濃度の違いはあれど、展示内容にはほぼ全てこれらが含まれていた AIを基盤として

Slide 86

Slide 86 text

86 世界を代表する巨大ベンダーが、同じ未来を向き始めた •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 87

Slide 87 text

87 段階的なデータ基盤の作り方

Slide 88

Slide 88 text

88 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 89

Slide 89 text

89 結論めいたものを先に言います「製造業データ活用の最適解」とは高価な製品を一式そろえることでも一気に全社展開することでもない。現場価値を起点に、段階的にAI Readyなデータ基盤を育てるプロセスである。

Slide 90

Slide 90 text

90 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 91

Slide 91 text

91 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 92

Slide 92 text

92 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 93

Slide 93 text

93 （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 94

Slide 94 text

94 段階的とは？データ基盤構築の3フェーズフェーズ状態主眼 Phase 1: 可視化データを集めて「見える」状態に現場の困りごとを解消、小さな成功体験 Phase 2: 統合・分析複数ソースを関連付けて分析全体最適、相関の発見 Phase 3: 新サービス創出 / AI活用予測・最適化・自律化、外向きの価値予知保全・品質予測・ナレッジ活用経産省「DX推進指標」の成熟度レベル（0〜5）でいえば、多くの企業がレベル1〜2で停滞している。自社の現在地を把握し、次の1段を明確にすることが出発点

Slide 95

Slide 95 text

95 どこから着手するか？判断軸 • 課題の緊急度 • データの取得しやすさ • 効果の見えやすさ • 経営インパクト問いかけ • 今最も現場が困っていることはどこか • すでにデジタル化されているデータはあるか • 成果を定量的に示しやすい領域はどこか • コスト削減・売上向上に直結するのはどこか

Slide 96

Slide 96 text

96 どこから着手するか？判断軸 • 課題の緊急度 • データの取得しやすさ • 効果の見えやすさ • 経営インパクト問いかけ • 今最も現場が困っていることはどこか • すでにデジタル化されているデータはあるか • 成果を定量的に示しやすい領域はどこか • コスト削減・売上向上に直結するのはどこか典型的な着手パターン設備稼働データ → 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

Slide 97

Slide 97 text

97 製造業の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 98

Slide 98 text

98 手段の目的化を防ぐには？

Slide 99

Slide 99 text

99 手段の目的化を防ぐ指針 • 最初から大きなROIを求めない。小さな成功体験を積み重ねる • 現場のフィードバックが、手段の目的化を防ぐ羅針盤

Slide 100

Slide 100 text

100 AI Readyなデータ基盤を作ること自体は「手段」現場フィードバック型のアプローチ 1. スコープを絞る（1ライン・1設備から） 2. 早い段階で現場に可視化を見せる 3. 「使える/ここが足りない」の声を集める 4. 次に取るデータ・見せ方を調整 5. 成功パターンを横展開

Slide 101

Slide 101 text

101 よくある失敗パターン失敗何が起きるかフィードバックがあれば最初から全社展開複雑すぎて頓挫 1ラインの成果が次への後押しに ROIを先に求めすぎ投資判断できず停滞手触りある成果がROIの証拠に IT部門だけで推進現場の協力が得られない最初から現場と組むので分断しない

Slide 102

Slide 102 text

102 実際の具体的な事例でご紹介

Slide 103

Slide 103 text

103 ロッテ浦和工場における事例

Slide 104

Slide 104 text

104 顧客事例：株式会社ロッテ様

Slide 105

Slide 105 text

105 ロッテ浦和工場の課題と取組後の姿

Slide 106

Slide 106 text

106 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 107

Slide 107 text

107 生産設備ダッシュボード例：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 108

Slide 108 text

108 生産設備ダッシュボード例：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 109

Slide 109 text

109 ダッシュボード例

Slide 110

Slide 110 text

110 タイムライン帳票例

Slide 111

Slide 111 text

111 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 112

Slide 112 text

112 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 113

Slide 113 text

113 まずはミニマムな取組だったけれど AI活用の方向性が見えてきた

Slide 114

Slide 114 text

114 AI活用への未来展望

Slide 115

Slide 115 text

115 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 116

Slide 116 text

116 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 117

Slide 117 text

117 まとめみなさんへのメッセージ

Slide 118

Slide 118 text

118 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 119

Slide 119 text

119 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 120

Slide 120 text

120 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 121

Slide 121 text

121 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 122

Slide 122 text

122 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