産業用AIをめぐる4つの迷信を暴く
人工知能（AI）は、現代生活のほとんどすべての領域に広がっています。AIが最適な通勤経路を推奨し、移動中は音楽やポッドキャストを提案し、一日中数えきれないほど多くのアプリケーションとマシンを稼働させ、帰宅後にストリーミングする番組や映画もやはりAIが提案しています。
AIは生活に浸透しています。
産業用AIは、メーカーにおける施設のモニタリングと予防的メンテナンスプログラムを通じてアップタイムの最大化に貢献し、生産損失や欠陥を識別しています（Cavallo）。また、AIの推測機能により、学習と需要予測モデルの作成が可能です（Koev）。
ところが、AIは産業用オートメーションの使用例における広汎な普及に達するのには苦戦しています。多くの企業がまだ基本事項に取り組んでおり、AIによって有意義な見返りが得られるかどうかについては懐疑的です。
IBMが2022年に発表した全世界のAI普及インデックスレポートによると、調査に参加した企業の34% – 世界各地の約2,550社 – が、AIの専門知識がないため実装できずにいると回答しています（IBM）。AIの採用を妨げているその他の要因としては、コスト（29%）、ツール／プラットフォームの不足（25%）、難易度の高さと拡張能力（24%）、データの複雑性（24%）が挙げられています。
この記事では、これらの障壁について検証し、製造と物流におけるAIについてのよくある誤解を一掃します。’
#1 用語はどれも特に変わりはなく、重要ではない。
AIの選択肢を探索する前に、このテクノロジのさまざまな形式、機能、そして実現可能性について理解することが必要不可欠です。’一見したところ重複していたり同義語のように思える用語があるかもしれませんが、AIのさまざまなニュアンスを理解することは、このテクノロジが自分のニーズに適しているかどうかを判断するための第一歩です。
アルゴリズム：コンピュータが目標を達成するのに役立つ一連の指示および計算。「学習」アルゴリズムは、試行錯誤と学習の方法論を使用して、人間の介入なしに生産プロセスを最適化します。
人工知能：画像認識や自然言語処理などのテクノロジを利用し、人間には難しいタスクを自動化によって実行するため、人間による意思決定の模倣を試みるコンピュータ技術の集合。
ディープラーニング：複雑で高度にカスタマイズされたアプリケーションを自動化するよう設計されたAIテクノロジ。グラフィックプロセシングユニット（GPU）を介して処理が行われるので、大容量の画像セットを迅速かつ効率的に解析し、微妙な欠陥を検出したり、許容される異常と許容されない異常を区別したりすることが可能です。
エッジラーニング：使いやすさを追求して設計されたAIテクノロジ。事前に登録済みのアルゴリズム集合を使用し、デバイス上で、すなわち「エッジで」処理が行われます。このテクノロジは簡単に設定できます。従来のディープラーニングを用いたソリューションと比べて、非常に少量の画像セット（わずか5～10個の画像）と短い登録期間しか必要としません。
マシンラーニング：人によるプログラミングを使わず成果を向上させるコンピューティングプロセス。マシンラーニング アルゴリズムは、成功を追求し、何百万回もの失敗を避けるような学習成果を生み出すためにコンピュータに教え込みます。
マシンビジョン：対象物特有の特徴を特定するルールベースのアルゴリズム。マシンビジョンツールは、人の目よりもはるかに高速に機能しますが、AIでこれらのツールの精度と有効性を劇的に向上させることができます。’
#2 AIは人間の仕事を奪い、従業員の間で不信感を呼び起こす。
テクノロジの出現によって人間が仕事を奪われるという迷信は、車輪が発明された時代から存在していたかもしれません。真実はそれより少し複雑です。
AIを含む産業用テクノロジの進歩は、まったく何もないところから着想が生まれることはめったにありません。これらのテクノロジは、性能、効率性、品質、機能の改善を目指して設計されています。’内燃機関や蒸気機関が事実上、馬や馬車に取って代わった理由や、電報の出現によって手渡しの手紙に代わる新しいコミュニケーション手段が利用されるようになった事情は、簡単に理解できます。’これらの革新技術は、それ以外の形式のテクノロジの後継になりました。エンジンによって馬や馬車が駆逐されたのは事実ですが、このテクノロジで大量輸送が可能になった結果、物流、移動、輸送に変化が起こり、まったく新しい産業が成立しました。AIについても同じことが言えます。AIで仕事がなくなるというよりも、企業では従業員がAIと一緒に働き、より高い生産性を達成し、今までにない可能性を切り拓きつつある状況が見られます。
AIは些末な反復的タスクを減らし、それ以外の創造的な業務や、高度なスキルを必要とする業務に取り組めるよう労働者に力を与えます。2018年、ニューヨークに拠点を置くある慈善団体がデータ入力作業にAIを導入したところ、同団体の年間離職率は42%から17%に減少しました（Knight）。
このテクノロジは製造および物流業界で広く応用され、現在の人手不足やその他の慢性的な問題を解決しています。AIをロボットと組み合わせると、物体の回避や表面マッピングなどのタスクが容易になる可能性があります。AIをマシンビジョンシステムと組み合わせると、部品の有無検出や検査など、必須ではあっても反復的な品質保証タスクを実行できます（Gow）。
AIを利用して些末な業務を実行することで、より集約的なタスクにリソースを再配置し、現場スタッフの作業負担を減らして彼らを支援できます。
#3 産業用AIには、何千もの画像と大容量データセットが必要である
この誤解の実体は、エンジニアの口癖の1つである“それは場合による”で要約されます。
AIは、さまざまな方法で応用できる非常に多くのタイプのテクノロジを含んだ広範な分野です。溶接線の異常検出や、繊維製品の縫製パターンの解析など、AIで複雑なアプリケーションに対応するには、広範囲に及ぶモデリング、開発、試験が必要です。そのため、大量のデータを使用するディープラーニングベースのソリューションが有力候補となります。
一方、より単純な形式のAIで、欠陥検出や分類／仕分けなど、同じようなタスクに対応することも可能です。たとえばエッジラーニングテクノロジは、登録に必要な画像はわずか5～10個で、現場のスタッフでも導入することができ、経験は一切不要です。
まず、オペレータが用途に基づいてシステムを登録します。たとえば部品検査のシナリオでは、許容される部品と欠陥のある部品の画像をシステムに指定します。
エッジラーニングテクノロジは少数の画像に基づき、高度なアルゴリズムを活用して、許容される部品と許容されない部品の違いを識別します。良好な部品と不良品を見分けるようシステムを登録した後、製造ラインにソリューションを導入できます。
#4 AIソリューションを実装するには、博士号とデータサイエンティストのチームが必要である
AIの開発、設計、試験には高度なスキルセットが必要ですが、最新のAIを使用すると、現場のスタッフが数分でソリューションを導入できます。
コグネックスのエッジラーニングソリューションは、内蔵照明、オートフォーカスレンズ、強力なセンサを搭載したスマートカメラの内部で実行されます。これら全部が連携し、正確な検査機能を提供します。
マシンビジョンやAIに関する専門的な知識が不要なので、ラインエンジニアが必要なタスクに関する既存の知識を利用して、このテクノロジを登録できます。高度な画像処理ハードウェアおよびエッジラーニングを用いるソフトウェアは、画像の重要な部分を識別し明確化することにより、従来のディープラーニングアプローチと比べて演算負荷を削減します。
AIは一時的な流行でもなければ、特定の市場向けの特殊なテクノロジでもありません。産業分野において、非常にさまざまな形で役立つ広大な分野です。テクノロジが進化するにつれ、さらに使いやすくなります。AIは製造と物流の現場で実際に使用され、品質管理の能率化や、製品追跡記録の改善を実現し、生産プロセスの早い段階で欠陥の識別を可能にしています。
データとパターンを解析し、実行すべき措置について指針を示すことにより、特定のタスクを自動化する、専門のAIが使用されています（Autor、Mindell、Reynolds）。たとえば製造および物流業務で、部品を検査し、特定のコンポーネントの有無を確認し、パッケージを仕分けする、専門のAIが応用されています。
具体的に言うと、エッジラーニングは迅速な導入を前提に設計されています。許容される部品と許容されない部品を少数の画像のみで区別し、1台のデバイスですべての処理を実行します。ラインエンジニアがわずか数分で実装できるテクノロジであり、ワークフローを合理化し、製品品質を改善し、効率性を向上させることでオペレータを支援します。
上記のAI製造および手続きに関する研究および情報の提供元：
- Cavallo, Christian. （2022年）。製造におけるマシンラーニングとAI。取得元：https://www.thomasnet.com/articles/engineering-consulting/machine-learning-for-manufacturing/
- Koev、Asparuh（2022年9月29日）。物流における人工知能（AI）の影響トップ5。取得元：https://supplychaingamechanger.com/the-top-5-impacts-of-artificial-intelligence-ai-in-logistics/
- IBM（2022年5月）。IBMによる全世界のAI普及インデックス2022年版。取得元：https://www2.deloitte.com/cn/en/pages/consumer-industrial-products/articles/ai-manufacturing-application-survey.html
- Knight. （2020年3月14日）。最も退屈な事務作業にAIで対応。取得元：https://www.wired.com/story/ai-coming-most-mind-numbing-office-tasks/
- Gow. （2022年8月28日）。労働力不足で衰退しつつある米国の製造業。AIで復活させる方法。’取得元：https://www.forbes.com/sites/glenngow/2022/08/28/the-labor-shortage-is-killing-american-manufacturing-heres-how-ai-can-bring-it-back-to-life/?sh=7c6185407374
- Autor, Mindell, Reynolds. （2022年1月31日）。‘AIの未来は働き方の未来’である理由。取得元：https://mitsloan.mit.edu/ideas-made-to-matter/why-future-ai-future-work
