データ活用でAI製造イニシアチブ（主導）の将来に備える方法

人工知能（AI）の定義

AIは、問題解決能力をシミュレートする技術のグループであり、言語やコンテキストの理解、複雑な注意（複数の情報ストリームを同時に分析・合成する）などの認知機能を実行します。
その結果、AIはパターンを識別し、推論を行い、タスクを自動化し、テキストや画像などを作成することができます。これらは手作業ではほぼ不可能な速度と方法で実行されます。

AIは大きく分けて「伝統的なAI（Traditional AI）」と「生成AI（Generative AI）」の2つのカテゴリに分類できます。これらはお互いに補完し合う特徴を持っています。それぞれの特徴と役割について簡単に説明します。

伝統的AIとは？

Traditional AI（伝統的なAI）、またはdeterministic AI（決定論的AI）は、事前にプログラムされたルールとアルゴリズムを使用して意思決定を行います。製造業、物流、その他の精密な計算や予測が重要な産業で広く利用されています。Traditional AIシステムは、明確に定義された問題を解決し、反復的なタスクを遂行することに優れていますが、新しい要件に対応するためには新しいルールが必要です。

・エキスパートシステムは特定の分野の専門知識を模倣します。これには、コスト、製品品質、製造可能性 (材料の選択、製造プロセスなど)、持続可能性に関して製品設計を改善するための自動推奨を行うaPrioriに機能が含まれています。

・デシジョンツリーは、一連のルールに基づいて次のステップを決定します。たとえば、aPrioriでは、コストの外れ値に優先順位を付けたり、製品設計リスクの重大度を評価したりするために、デシジョンツリーを部分的に使用します。

・自然言語処理（NLP）は、人間の言語を理解し生成するために使用されます。NLPシステムは、検索エンジン、チャットボット、機械翻訳システムで利用されています。

Generative AIとは？

Generative AI（生成的AI）アルゴリズムは、大量のデータセットを分析してパターンを学び、新しいコンテンツを生成します。具体的には、生成的AIモデルはソフトウェアコード、画像、テキスト、その他の人間の創造性を模倣したユニークな出力を作成できます。

ChatGPTは最もよく知られている生成AIの例かもしれません。これは、大規模言語モデル（LMM）タイプのAIです。LMMは、機械学習と深層学習を使用して、画像や音声認識、物体検出、自然言語処理を行います。データ量はLMMの成功に不可欠です。TechTargetによると、通常のLLMは10億以上のパラメータ（トレーニングを通じて新しいコンテンツを生成する方法を推論するために使用される変数）を持っていると推定されています。

aPriori は AI を活用したインサイトを提供します

aPrioriでは、創業以来、Traditional AIの機能を活用してきました。分析エンジンは3D CADモデルのジオメトリを自動的に評価し、コスト、炭素排出量、製造可能性（DFM）の最適なルーティングステップを推奨します。さらに、aPrioriの顧客はすでにaPrioriが作成したデータを利用して、生成的AIや機械学習プロジェクトを最適化しています。

現在、企業が従来型 AI を導入しているか、生成型 AI を導入しているかにかかわらず、明らかなことが 1 つあります。それは、データが新たな金であるということです。

2. 良質なデータがAI成功の鍵（カタリスト）

AIの真価を発揮するためには、高品質なデータを集中管理し、クロスファンクショナルなチームがアクセスおよび共有できるようにすることが重要です。

AIの潜在能力を最大限に引き出すためには、高品質なデータを集中化し、共有することが重要です

MITテクノロジーレビューによると、「普遍的な産業データの欠如は、主流の製造業者の間でAIを展開する上で大きな障害となっています。これは、製造データがしばしば特定の業界分野や企業の運営に特化しているためです。」

そのため、信頼性の高い AI モデルを構築するために利用できる業界全体の関連データは多くありません。たとえば、産業機器メーカーと家電ブランドでは、設計と生産に対するアプローチが大きく異なります。しかし、金融サービス部門には、業界のサブセグメント(消費者向け銀行業務や資産管理など)全体で使用できるデータがあり、自動化された顧客サービスやその他のアプリケーションに関連するAIモデルを構築できます。

利用可能な業界全体のデータの不足を補うために、個々のメーカーは、従来ローカライズされていた（社内の）データを一元管理して、堅牢な AI モデルを作成できます。この戦略では、3D CADモデルを中心として使用します。3D CAD モデルには、製品の機能や形状に関する広範なデータが含まれる可能性があるためです。

製品ライフサイクル全体にわたるステークホルダー—エンジニアリングから調達まで—は、コスト、カーボンフットプリント、製造プロセスなどの側面を含む膨大なデータセットを生成できます。この充実した3D CADデータセットは、リアルタイムでさまざまなシナリオをシミュレートすることができ、製造およびサプライチェーンの意思決定の予測性と効率を向上させます。

aPriori は、PTC とのパートナーシップを通じて、豊富な 3D モデルデータが設計段階を超えて拡張して製造プロセスを最適化し、製品の二酸化炭素排出量とコストの削減を支援することで、このアプローチを強化しました。

PTC の最高戦略、マーケティング、サステナビリティ責任者であるキャサリン・ニッカー氏は、製品データが設計を超えて拡張することの重要性を強調しています。彼女は最近の aPriori ポッドキャストで次のように述べています。「3D モデルから始まるモデルベースのエンタープライズについて話す人はたくさんいます。多くの企業が 3D CAD を設計の効率化ツールとしてのみ使用し、そのモデルの豊富なコンテンツを製造やサービスに活用していないのは、ある意味衝撃的です。3D CAD モデルは、データが下流のプロセスにスムーズに流れるため、サステナビリティの取り組みもサポートします。」*

AIの成功のために正確なデータを設定する

また、データの品質も重要です。AI のパイオニアであり、Coursera の共同創設者である Andrew Ng 氏は、AI に対するデータ中心のアプローチを提唱しており、これには、大規模な AI システムの構築を成功させるために必要な情報を定義および標準化するための体系的なプロセスが必要です。「原則と [ツールの使用] を通じてこれをより体系化することで、多くのチームがより多くの AI システムを構築するのに役立ちます」と Ng 氏は述べています。 重要なのは、一貫性のあるデータを使用する AI システムによって、精度とスケーラビリティが向上することです。

実際の過去の製品データとシミュレーションされたインサイトを組み合わせることで、このデータプールを充実させ、AIモデルが情報に基づいた意思決定を行うために必要な包括的な視点を提供することができます。ここでは、社内データセットがどのように互いに補完し合い、AIの視野を広げ、新たなレベルの革新（イノベーション）精度を提供する方法を紹介します。

履歴データとシミュレーションデータ/インサイトを活用する方法

製造業者の実際の過去データには、その人気製品の設計ファイル、最も高い利益率を持つ製品、そして最も利益を生む自社生産能力やサプライヤーが含まれることがあります。また、会社所有の工場や生産ラインに関する詳細なパフォーマンスデータも含まれることがあります。
実際の製造業者の履歴データは、コストや生産量などのタイムラインを提供しますが、その情報だけでは、時間やお金、顧客満足度を損なっている領域を特定するのは難しいかもしれません。たとえば、見積もりと支払い情報しか持っていない場合、特定の部品に対して過払いしているかどうかを判断するのは難しいでしょう。

製造情報を効果的に活用するためには、これらのアプリケーションやシステムとの統合が重要です。製品データを完全に管理することで、メーカーは台湾の工場での作業員の賃金を即座に調整したり、インフレ圧力を反映して原材料費データを更新したりすることができます。

これらのアプリケーションや他のシステムとの統合は、すべての製造情報を効果的に活用する上で中心的な役割を果たします。製品データを完全に管理することで、製造業者は台湾工場の現場労働率や、インフレ圧力を反映した原材料費データを即座に調整することができます。

重要なのは、実際の履歴データとシミュレーションアプリケーションから得られるインサイトの間に生じる不一致の理由を理解している製造業者は、複数の種類のデータから最も正確な情報とパラメータに基づいた精密なAIモデルを構築できるということです。

aPrioriがAIのインテリジェントな基盤を提供する方法

aPrioriの製造インサイトプラットフォームは、AIを3D CADモデルに適用し、収益性、製造可能性、および持続可能性のオプションを向上させるための変更を自動的に推奨します。aPrioriのインテリジェンスにより、ユーザーは複数の変数を同時にシミュレートし、設計、サプライチェーン、および製造の複雑性が増す中でデータ駆動型ドリブンの意思決定を行うことができます。従来は製品コストの測定、報告、および削減に数週間から数ヶ月かかっていた作業が、aPrioriのAI技術を使用することで、数秒で行えるようになりました。

企業は、aPrioriの自動化された製造インサイトを使用して、信頼性の高いデータを使って迅速に反復を行います。データへのアクセスの自由と速度を手に入れることで、製品開発チームは多様なオプションをシミュレートし、新しいソリューションやアプローチを特定してビジネス価値を高めることができます。

現在、数百の主要な製造業者がaPrioriのシミュレーションエンジンを通じて数千の設計および製造シナリオを作成しています。これにより、生成AIや機械学習能力を使用してさらなる分析に利用できる膨大なデータが生成されています。イートン社などの顧客は、aPrioriのシミュレーションデータを利用して、AIによる生成型製品設計やその他のアプリケーションを推進しています。

aPrioriのAIモデリングに利用可能なデータには、製品コスト、炭素フットプリント、重量、材料、製造プロセスデータなどが含まれます。

速度と生産性の向上

・aPrioriを使用すると、製造業者は既存のシステムから新しいインサイトをワンクリックで引き出すことが出来ます。aPrioriのデジタルスレッドは、複数のデジタルツインを結び付けて、プロダクトライフサイクルマネジメント(PLM)システムにおける製品データ(製品重量、公差情報、カーボンフットプリントデータなど)の「信頼できる唯一の情報源」を確立します。対照的に、スプレッドシートデータの手動分析は時間がかかり、古くなったり不正確であったりする可能性があり、重要な情報が欠落していることがあります。

・チーム間のコミュニケーションを合理化するにあたり製品データを一元化しても、関連するチームがサイロ化している場合、価値は限られてしまいます。aPrioriのコワーキングアプリケーションであるaP Workspaceは、ユーザーがタスクを割り当てて管理できるようにすると同時に、製品設計、コストエンジニアリング、調達、持続可能性、製造の各チーム間のトレーサビリティを提供します。

急速なイノベーション

・メーカーは、データドリブンな意思決定を行うために必要な最新情報のコスト、DFM、サステナビリティデータへのアクセスに苦労することがよくあります。aPrioriは四半期ごとに、世界約90の地域で最新の製造、人件費、材料費データを提供しています。さらに、aPrioriは440以上の製造プロセスモデルを継続的に改良し、拡張し続けています。

・数千のシナリオを実行し、コスト、製造可能性、持続可能性を最適化するのにどれくらいの時間がかかりますか？スプレッドシートや他の従来のプロセスを使用すると、数週間かかることがあります。しかし、aPrioriの自動化により、製造業者は複雑なシナリオをリアルタイムで比較することができます。

Eaton社 aPrioriとAIを適用して製品設計を加速

イートン（Eaton）社は、消費者および産業用途向けのインテリジェントな電力管理ソリューションを提供するグローバル企業であり、競争力を維持するために今後10年間で30億ドルの研究開発（R&D）投資を行います。さらに、同社はAIを活用して新製品開発を加速しながら、高品質を維持しています。

Eatonの生成AI機能は、aPrioriの製品設計データの歴史的データと、同社のシミュレーションソフトウェアポートフォリオ全体の洞察を組み合わせたものです。Eatonの生成AIモデルは、aPrioriの自動化されたコストおよびDFMインサイトからのデータを使用して、重要な製品要件を分析に組み込んでいます。また、他のシミュレーションツール（例：Ansys）からの情報も使用しています。

その会社は、詳細なモデルベースの設計仕様と特性を作成するためにこれらの情報を組み合わせ、生成的AIの開発をサポートします。

イートン社は、ジェネレーティブAIを活用することで、数分以内に数千の設計反復を実行し、トップ5のデザインを提案します。その後、提案されたデザインに対して高精度なシミュレーションを実施し、品質を確保しつつ出力が関連する要件に一致することを確認します。

イートン社のAIドリブン型製品イノベーションは、aPriori Insightsによって可能に

• ・自動照明器具の設計時間を87%短縮
• ・液体対空気熱交換器の重量を80%削減
• ・高速ギアの設計時間を65%短縮

EatonがAIをどのように活用して「ゼロリードタイム」エンジニアリングの実現を加速しているかについて説明

正確なデータで AI の成功に向けた準備を整える

企業文化が「インフォームド・エスティメーション（知見に基づく推測）」から「データ駆動のインサイト」へとシフトする際、いくつかの重要な反応が見られるでしょう。特に製造業では、データが散在していることが多く、これは大きな課題となります。以下に、そのシフトがどのように企業文化に影響を与えるかについて考察します。

データ駆動型モデルにシフトし、製造インサイトやAIなどのソリューションを活用することで、クロスファンクショナルなチームが共通の製品製造情報にアクセスできるようになります。しかし、既存データへのアクセスを解放することは解決策の一部に過ぎません。 企業は、さまざまなツールやアプリケーション（例：ソフトウェアベースのコストモデリングの推奨、製造プロセスのCO2eフットプリントなど）を使用して、自社の仮定をテストし、改良します。