コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは？ー製造業の視点からー

© 2017 IBM Corporation
⽇本アイ・ビー･エム株式会社
グローバルビジネスサービス事業本部
IoT&ビジネストランスフォーメーション
理事寺⾨正⼈
コグニティブ・ファクトリーの実像と
IoT時代に求められるデータ・サイエンティストとは？
ー製造業の視点からー
本書に含まれる情報は、貴社内部のご検討、評価の⽬的のために提供されるものです。貴社内でのご使⽤,複製、開⽰はこの⽬的のために必要な範囲でのみお願いいたします。
貴社との間で正式な契約が成⽴した場合には、それに従ってこれをお取り扱い願います。なお、貴社にて既に取得されている情報については、これらの制限は及びません。

アジェンダ
• IoTを活⽤したスマートファクトリー
• コグニティブファクトリー
〜⾃然⾔語と画像解析による匠の業の伝承
• 求められるデータ・サイエンティスト像
2

”製造業をめぐる現状と課題への対応” 平成28年3⽉経済産業省製造産業局
インダストリー4.0

IoT 国際競争⼒指標総務省情報通信国際戦略局 2017/3/10
出所：総務省 http://www.soumu.go.jp/main_content/000471574.pdf
スマートフォンなど
の情報端末が含まれ
るICT市場における
スコアは低い
スマート⼯場などが
含まれるIoT市場に
おけるスコアは⾼い

インダストリー4.0で⾔及されてきたトピック
作業者
• ⼈が出来る作業は、機械・ロボットで
• ⼈と機械・ロボットとの共⽣
• 熟練⼯の技術伝承
設備
• IoT・センサーデータによる設備監
視および故障予知、不良予知
• 多能⼯ロボット、設備のAI化に
よる⾃律運営
⽣産⽅式
• リアルタイム、ダイナミックな
⽣産⽅式
• MESの⾒直し
• ⼯場のネットワーク化
部品
• マスカスタマイゼーションへの対応
• 3Dプリンターによる部品製造
• 低労働資本に頼らない⽣産
• マスカスタマイゼーション
インダストリー4.0

どのように進んできいて、これから、どこに⾏くのか？
6
イ
ノ
ベ
シ
ョ
ン
度
合
い
• 設備の遠隔監視
• 設備の故障予知
• 製造不良予知
各種センサーからデータを
集めリアルタイムに分析
IoT/Smart Factory
• ⼈⼯知能、コグニティブの活⽤
• 多能⼯ロボット、設備のAI化
• テクノロジーによる熟練⼯の技術伝承
⼈の知の継承と
学習する⼯場
Cognitive Factory
• MESの⾒直し
• スケジューラーの⾒直し
• バリューチェーン・部⾨間連携
インダストリー3.0の
⾒直し・再構築・進化

7
イ
ノ
ベ
シ
ョ
ン
度
合
い
IoT/Smart Factory
• 多能⼯ロボット
学習する⼯場
Cognitive Factory
• MESの⾒直し

IoTを機軸としたSmart Factoryとは
センサー
センサー
センサー
センサーセンサーセンサーセンサー
アナリティクス・AI
IoTによるデータ収集
⾄る所にセンサーが埋め込まれた製造現場
設備故障予知
製造品質予知
状況可視化
フィードバック

インダストリー4.0において、IoTにより把握する情報
9
部品・半製品製造設備・製造⼯程作業者製品(市場)
セ
ン
サ
で
把
握
出
来
る
情
報
セ
ン
サ
の
技
術
・
種
類
• ラインの通過状況
• 位置状況
• できばえ
(良品状態）
• 各部品ID・ロットID
• 位置センサー
• 画像・動画
• 部品の固体認識
(指紋認証技術の
応⽤）
• 稼働状況
• 製造環境・条件
• 稼動センサー
(回転数等）
• 速度センサー
• 振動センサー
• 負荷・圧⼒センサー
• 温度センサー
• ⾳センサー
・・・・
• 作業場所(安全含む)
• 作業動線
• 作業効率
• 健康状態
• 位置センサー
• 加速度センサー
（腕の上げ下ろし回数
・スピード等）
• 画像・動画、⼈感
• ⽣体センサー
• 稼動状況
• 使⽤環境・条件
• 使われ⽅
• 稼動センサー
(回転数等）
• 温度センサー
• 使われている機能を
把握するセンサー
・・・・

⽇本における同様の取組みの広がり－故障予知
故障コードから、故障原因⾃動判
別し、故障発⽣時の原因究明の
迅速化とコスト削減
EVの⾞載通信ユニットを通じた
EVバッテリー性能情報
建機の稼働データや設備情報の収
集・分析による⾞両・部品の診断
モデルの策定
船舶エンジンのセンサー解析による
異常検知とメンテナンス提案
鉄道の軸箱、⻭⾞箱などの異常を
早期検知
化学プラントの配管の内⾯腐⾷の
原因の特定と予測モデルの構築
製油所内のビッグデータを解析し、
操業トラブルを防⽌
⾵⼒発電のプロペラから発電のた
めの減速機のセンサー解析による
故障予知
通信業において、予測モデルによ
り、サーバーの不具合やその要因
の特定にかかる時間を短縮した
IoTを活用
した
故障予知
の広がり
プリンター・機器のモニタリング
と故障予知、交換時期の提案

• 塗装品質(⾊味・鮮映性)の不良要因の
特定
⾃動⾞
• 組⽴⼯程における⼯程内キズの不良要
因の特定
• 組⽴⼯程におけるドア閉じ性の不良要
因の特定
• センサーの特性不良、絶縁/キレ不良、
素⼦先端剥離の要因分析と予測モデル
構築
電機
• 塗⼯、乾燥プロセスにおける最適製造条
件の特定
• LCD⽣産⼯程における装置相関分析によ
る不良予測
• ⼆次電池の品質因⼦分析
• フォトマスクと品質因⼦分析
• タービンハウジング不良改善、焼き⼊れ
硬さ制御、航空機⽤シャフト機能改善の
要因分析と予測モデル構築
鉄鋼
• 燃焼の安定・最適燃焼値の導出
⽕⼒発電
IoTを活⽤
した
製造不良
要因特定の
広がり
⽇本における同様の取組みの広がり－製造不良要因特定・予知

やってみて分かったこと、⽇本企業の現在地
§ 統計解析⼿法を活⽤した、製造品質分析は、従来から多くの製造企業が⾏っていた
§ しかしながら、統計解析を得意とする「⼀ご担当者」が実施しているケースが多
かった
§ 初⼼者でも扱いやすい統計ツール(IBM SPSS等)で、体系的・明⽰的に分析モデ
ルを構築することで、⼈に属した品質管理ノウハウが形式知化され展開し、「点を
⾯にする」ことで効果が全体に広がる可能性をご認識頂けた。
その結果、数多くの企業でセンサービッグデータの解析・予知を取組み始めている
§ 今後、さらに「点を⾯にする」ために・・・
§ 定常的な業務運営に落とし込む
§ 他⼯程・設備、他⼯場、グローバルに展開 ⇒共通基盤化
§ 分析を持った⼈材を育成し、組織化する

アジェンダ
13

14
イ
ノ
ベ
シ
ョ
ン
度
合
い
IoT/Smart Factory
• 多能⼯ロボット、設備のAI化
学習する⼯場
Cognitive Factory
• MESの⾒直し

世界的なインダストリアル IoTイニシアチブの『各動き』
価値の源泉：⼯場
キーワード：マス・カスタマイゼンーション（ロット１）
ターゲット：⼯場の未来の標準系
価値の源泉：⼈の知識
キーワード：オープン戦略とクローズ戦略
ターゲット：現在の未来の⽣産⼿法への
効率的な移⾏
価値の源泉：データ
キーワード：ビッグデータ、⼈⼯知能
ターゲット：産業⽤IoTによるビジネス⾰新

⽇本製造業の現場では技術継承が⼤きな課題
16
⽇本の設備管理現場の例
（出所）経済産業省調査データ

匠の知の継承
⼈の動き
匠・熟練⼯と初⼼者の
動きや姿勢の違いは？
匠の知の継承
匠・熟練⼯は、⽇々どの
ようなチェック、判断、
対応をしているか？
（匠の⽂章から抽出）
⾃然⾔語
作業⽇報過去トラブル
報告書
匠・熟練⼯は五感(画像、
⾳、匂い等）でどのよう
に判断しているか？
五感

増⼤化する⾮構造化データ
構造化データ
出所: IBM Global Technology Outlook zetta：10の21乗。 1zettabyteは1兆年分の朝刊（写真含）に相当するデータ量
⾮構造化データ
現在⾃然⾔語
画像

n IBM 基礎研究部⾨が４年間をかけてコンピューター・
システムWatsonを研究開発
n ⽶国の⼈気クイズ番組 Jeopardy ! で歴代最強チャンピ
オン２⼈と対戦し勝利
IBM Watson
アメリカで1964年から9000回以上続いているＴＶの⻑
寿クイズ番組
ケン・ジェニングスさん連勝王(74連勝)
ブラッド・ラターさん賞⾦王約3億円
ワトソン初挑戦
Watson in Jeopardy!ｖ
動画
https://www.youtube.com/watch?v=Wq0XnBYC3nQ
20
IBM Watson – クイズ番組に参加し歴代最強チャンピオンに勝利！

IBM Watsonを製造業に活⽤すると… Cognitiveによる匠の技術伝承
作業⽇報
過去トラブル
報告書
操作マニュアル
熟練技能者
のノウハウ
ヒヤリハット
報告書
外部データ
技術論⽂
Source：IBM
⾮構造データ = 熟練⼯のノウハウ
知識
DB
オペレータ
商品技術
保守作業者
環境スタッフ
⾳声
合成
⾳声
認識
現場作業員
操業ガイダンス
安全確認
設備保全
製造仕様設計
環境
突発対応
保守作業者

Watsonによる匠エンジニアの知識活⽤⽀援 (天然資源調査・設備産業)
22
§過去30年間に蓄積された、設備設計・
運転・メンテナンスに関する”⽂章・
Lessons Learned”に基づき、Watson
が各拠点のエンジニアからの質問に回答
Watson

IBM Watson Visual Recognition
IBM WatsonのVisual Recognitionの機能を利⽤することで、従来より容易に画像認識技術
を利⽤したソリューションが提供できるようになりました。
追加の実画像学習により、複雑な判定ロジック・アルゴリズム開発なしで画像認識を進化
させることができます。
従来
技術
ディープ・ラ
ーニングに
基づく
画像認識
( W atson
Visu al
Recog n iti
on )
正規化・補正
特徴検出アルゴリズム
アルゴリズム開発：対象に合わせた
ロジックの組み合わせを試行錯誤で設計
二値化
平滑化
エッジ検出
判定アルゴリズム
= ハスキー
= ダルメシアン
= それ以外学習：入力と結果を
与えるのみ
システムが特徴
を学習
人間が特徴検
出方法を開発
学習 Visu al
Recogn ition
専門家
一般作業者
管理者
観察
額が黒：
眼を検出し、その
間の色を判定
ぶち：輪郭の中の空
間周波数が(ξ、η)
耳の形：テンプレ
ートとマッチ
開発開発
ハスキー
ダルメシアン
・・・

匠の知の継承
⼈の
動き
匠・熟練⼯と初⼼者の動き
や姿勢の違いは？
匠の知の継承
匠・熟練⼯は、⽇々どの
ようなチェック、判断、
対応をしているか？
（匠の⽂章から抽出）
⾃然⾔語
作業⽇報過去トラブル
報告書
匠・熟練⼯は五感(画像、
⾳、匂い等）でどのよう
に判断しているか？
五感

⼈の動作分析に関連取り組み例
nEYE Tracker 分析(視線解析)
l視線の動きによって、疲れているか、疲れていないかを判
断
l疲労が増加すると視線はより反射的になる
n⼯場の作業員の動作・姿勢分析
(ネジ締め等）
l⼯場の作業員の⽅に加速度センサーや地磁気センサーをつ
けて、ネジ締めとかの動作・姿勢等の分析をして、初⼼者
と熟練者の違いを⾒る

©2017 IBM Corporation27
§ 設備・機器のセンサーデータの取組みと⽐較して、「⾮構造
化データの活⽤」は、⽇本企業に脈々と受け継がれる「熟練
⼯のノウハウ」を活かした「⽇本企業らしい」取組みである
との意⾒が多かった
§ Smart Factoryとして⼯場の⾃律化が進んでいく中、⽇本
企業としては、熟練⼯に属するノウハウ(暗黙知含む)をいか
に形式知化して伝承していくかが重要な課題である
やってみて分かったこと、⽇本企業の現在地

アジェンダ
28

IoTとコグニティブが進む中での⼈の役割とは？
nIoT、コグニティブにより「分析・洞察」の領域のみならず、「顧客対⾯業務」や「コラボレー
ション」の領域までのIT化を⾒据えている
出典）ＩＢＭ、ＣＥＢ：ＡＰＱＣ分類を利⽤
経理＆⼈事⽣産＆
サプライチェーン
カスタマー
サービス
営業＆
マーケティング
商品開発
業務処理
顧客対⾯
分析・洞察
ｺﾗﾎﾞﾚｰｼｮﾝ
従
来
の
シ
ス
テ
ム
化
の
対
象
こ
れ
か
ら
の
シ
ス
テ
ム
化
の
対
象

IoTデータに基づくモデリングの作業 – データ解析視点での必要スキル
分析企画
最適条件の確認
F-検定、ｔ-検定などの評価
学習データ、検証データでの確認
最適条件の推定
決定⽊と散布図で条件洗出しや
技術的検証による原因推定など
品質特性の特徴抽出
良品サンプル抽出
クラスタリングでの分類など
⼯程品質状況の分類
時系列変化、ヒストグラム、散布図など
データの加⼯と構造化
⽤語統⼀、異常値除去、品質規格・分布・Cpkによる
分類など
データの紐付け
製品（Sei＃）、⼯程（投⼊時刻、測定時刻など）
•データ取込
•データ結合
•分析⽅針
•データ俯瞰
•データ加⼯
•構造化⽅針
•データ項⽬選択
•分析条件設定
•分析⼿法
•⾒える化
•分析⼿法
•結果整理
•分析評価⽅針
•評価結果解説
•分析⼿法
•分析結果評価
分析作業

どんな⼈がデータを⾼度活⽤できるのだろうか？
n⼀般的には「統計⼒に優れた⼈」を思い浮かべるが、実際のところは、それでは有効に機能しな
いということがわかってきている
データサイエンティストの優秀度
Source：IBM

事例）某製鉄メーカーデータサイエンティスト育成プログラム研修内容例
第1回第2回第3回第4回第5回第6回第7回
ロジカルシンキング
思考⼒
強化
統計⼒
強化
表現⼒
強化
ビジネス
スキル
強化
三段論法相関と因果 MECE
ラテラルシンキング
前提を疑う、
ロジカルに出てこない
案を考える
要約
平均、中央値
標準偏差
推定
サンプルサイズ
設計、検定
相関
クロス集計、
単回帰
多変量
重回帰
集約Ⅰ
クラスタリング
集約Ⅱ
主成分分析
空⾬傘
トレーニング
空⾬傘
トレーニング
プレゼン
トレーニング
プレゼン
トレーニング
▼中間発表最終発表▼
グラフ使⽤
の原則
ピラミッド
ストラク
チャーに
よる構造化
ビジネス
で使⽤する
フレーム
ワーク
ストーリー
テリング
これから
必要な⼈材
財務基礎
システム
シンキング
プレゼン
パワーアップ
アドバンスト
統計
ツール
研修
33

データサイエンティストの⼈材像(役割)
1. 各ユーザ組織のビジネス状況を理解して、解決
すべき問題/実現すべき課題をユーザへ提案し、
合意を得る。
2. 分析技術およびデータの深い理解を駆使して、
それら問題を解決/課題を実現するための変⾰
プログラムを構築する。
3. 各ユーザ組織への変⾰プログラム導⼊をリード
し、ビジネスに成功をもたらす。
4. (社内)コンサルタントとして活動し、ユーザ(分
析結果の利⽤者)の協⼒を引き出しつつ、全体を
マネージする。
5. 分析のための有効な基盤整備(データ,プロセス,
ツール等)に貢献する。
6. データ活⽤について、⾃らの能⼒開発に努めつ
つ、社内の啓蒙・育成活動をリードする。
各分析プロジェクト
基盤整備、啓蒙活動、⼈材確保・育成
４
１
２
３
６５

スマートファクトリーグランドデザインのアプローチ
「経営」の
要請
（必要性）
「技術」の
可能性
スマートファクトリー
グランドデザイン
③ そのシステムは、どのような技
術の導⼊を必要とするか？
② そのテーマは、どのような
システム・データを必要とする
か？
① 事業運営・競争差別化にあたり
、どのような姿の実現が必要と
なっているか？
ビジネスからのアプローチ
① AI・IoTの技術の発達によって
、どのような技術が利⽤可能に
なっているか？
② その技術によって、どんな
システムが仕様可能になっている
か？
③ そのシステムによって、どのよ
うな
業務、ビジネスモデルが実現可
能になるか？
テクノロジーからの
アプローチ

まとめ
§ IoT・センサーデータに基づく、設備故障予知、品質予知は
多くの企業が取組み始めたが、企業として『⾯の活動』と
して展開していく必要がある
§ コグニティブシステムを活⽤した⾮構造データの活⽤による
匠の業の伝承は⽇本企業らしいインダストリー4.0としての
可能性・期待が⼤きい
§ データ・サイエンティストは数理解析のスペシャリストで
あるのみならず、テクノロジーを後ろ盾として、企業変⾰を
リードできる姿を求めている

コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは？ー製造業の視点からー

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは？ー製造業の視点からー

Similar to コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは？ー製造業の視点からー (20)

More from The Japan DataScientist Society

More from The Japan DataScientist Society (19)

コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは？ー製造業の視点からー