1. ホーム
  2. 統計解析・品質管理
  3. 導入事例
  4. JUSEパッケージ活用事例シンポジウム

第29回 JUSEパッケージ活用事例シンポジウム「IoT時代の統計的方法を活用したビジネスソリューション」を終えて(ルポ記録:大澤秀磨(株式会社日本科学技術研修所 数理事業部))

1. はじめに

2019年12月4日(水)に渋谷区千駄ヶ谷のSYDホールにて第29回JUSEパッケージ活用事例シンポジウムが開催された.今回も非常に多くの聴講者が参集し,会場は満席となった.

シンポジウムは,弊社(株)日本科学技術研修所の宮久保による事務連絡から始まり,司会は,立教大学の山口和範先生が務められた.

開会に際し,弊社社長の代表取締役社長である齋藤愛子から挨拶があった.まず第29回目となった回数に触れ,長年のご愛顧に対する感謝を伝えるとともに,今年度発売したStatWorks/V5機械学習編へ興味を持っていただきたい旨を述べた.また,今回登壇していただく方々について,簡単ではあるが紹介させていただいた.ロビーでの展示,商談コーナー,活発な質疑等で有意義な一日にしていただきたい,と締めた.

司会の山口先生からは「今の時代にふさわしい事例,講演が揃ったと思う.質疑を多く行いたい」とのコメントを頂戴した.

2. 記念講演
「IoTで激変する日本型ビジネスモデルの実現 ~AIをいかに活用するか~」


大野 治氏
報告資料(367MB)

本シンポジウムの記念講演は,サムコンサルタントの大野治氏にお願いした.大野氏は元(株)日立製作所の執行役常務であり,著作には「俯瞰図から見える 日本型IoTビジネスモデルの壁と突破口」「俯瞰図から見える日本型“AI(人工知能)"ビジネスモデル」などがある.弊社社長の斎藤とは30年来のご縁があることもあり,講演を引き受けて下さった.講演テーマは「IoTで激変する日本型ビジネスモデルの実現~AIをいかに活用するか~」であった.

IoTとはInternet of Thingsの略であるが,これは日本を中心とする東アジアで通用する用語である.IoTは仕組みを表した言葉で,仕組みに着目している点は日本らしいといえる.ドイツを中心とした西欧ではインダストリー4.0(Industry4.0),アメリカではIIC(Industrial Internet Consortium)という言葉が主に使われる.ドイツのインダストリー4.0は,20年先を見据えた国家プロジェクトとして推進されている.インダストリー4.0が目指すのは「スマート工場」である.「スマート工場」はあらゆるものがつながる工場でもある.企業,領域を横断したITの活用により,あらゆる種類の製造機器を最適化し,生産性を向上させる.「スマート工場」を実現するのが,産業用IoTである.リアルタイム性,広域性を備えた「Software Defined Infrastructure(ソフトウェア制御されたインフラ)」と表現するとその本質が見えてくる.

IoT活動に参画している主要企業は名の知れた企業ばかりであり,まさに「つわものどもの戦い」といえる.これらの企業群は,大きく3つのグループに分けることが出来よう.インダストリー4.0を進めるドイツ企業を中心としたグループ,IIC加盟グループ,グーグルなどのように独自路線で推進するグループである.各グループは対立,分断されているわけではなく,重複もある.とりわけ国際標準化活動では協調歩調をとっている.インダストリー4.0は製造を主対象にしており,IICは運用サービスを主対象にしているという違いはある.

AI(人工知能)に明確な定義はないが,1950年に「チューリング・テスト」の概念が提唱され,1956年のダートマス会議で「AI」と命名されたことからその歴史は始まっている.AIは過去2度のブームと2度の冬の時代を経て,現在は実用期を迎えている.1次ブームでは「論理」を,2次ブームでは「知識」をキーワードに挙げることができる.「論理」での記述は限定的であり「知識」は整理しきれなかった.現在の第3次ブームでは「学習」をキーワードとして挙げることができ,その成功要因はビッグデータの取得が可能となったことと,統計学を基礎にしたアルゴリズムの発見である.AIに関する用語は氾濫している.AIと応用技術と用途の関係,事例について整理し,自分の領域に使えるものを見極め,学ぶことが肝要である.

さらに,産業用IoTにより「工場のスマート化」が進んでいる.素材メーカから消費者まであらゆるものがつながっている.調達側は,複数の取引先企業と統一されたデータでやり取りを行いたいが,それにはデータの標準化やサプライチェーンの統合などが必要である.リアルタイムでのデータ取得まではできるケースも多いが「つなぐ」ことが難しい.一企業でできる領域は限られており,国を挙げた取り組みが必要である.

なお,日本が遅れているものとして「製品のサービス化」「AI研究」が挙げられる.日本人はサービスそのものに価値を見出そうとしない傾向があり「サービスは無料」という感覚が根強い.プラットフォームのような俯瞰的な見方に弱い.またAI分野への投資については,投資額で米国に比べ政府で2割以下,民間では1割以下である.AIに関する論文投稿数も中国の31%,米国の30%に対し,日本は4%である.

今後日本企業が事業をIoT化するためには,自社の事業ポジション,自社製品における「最適化」の定義,どのような戦略で攻めるのかを明確化する必要がある.その上で経営の仕組みを世界のスピードに合せなければならない.日本でIoTやAIの導入が遅れている原因は①システム環境の壁,②データ定義の壁,③データ連携の壁,④会社・組織の壁,⑤技術・スキルの壁,⑥運用上の壁という6つの壁にある.この壁を突破した先で何をやりたいのかをまず明確にしなければならない.この壁を打破するには現場の人だけでは難しい.個人にできることは限られているため,会社内外で協力していく必要がある.システムや組織に潜在している問題を掘り起こし,一つひとつ潰していく泥臭い作業を遂行しなくてはならない.

また「モノ」から「コト」への潮流,工場・製品のスマート化への潮流においてはAIがサービスの差別化にますます大きな役割を果たすと考えられる.AI抜きではIoTが成り立たないし,AIが威力を発揮するのはIoTの中核としてAIが用いられた場合である.AIを賢く育てるには,AIの優秀な教師となる技術者や職人が必要であり,技術者が生産現場で全体を俯瞰したシステム設計ができていないことに言及し,締められた.

質疑応答では会場から「必要なAI人材の人数,レベル,規模感は?」「AIやIoTと人がどのように向き合うか?」といった質問が出た. これらに対し「少数の超エキスパートがまず必要であるが,そこから全体に必要なバランスが自然と決まってくるのではないか」「AI(機械学習)によるモデルが検証されないまま利用されている実態はあるが,賢く利用するためにはフィードバックと検証が必要である.社会全体で検証していくためのリテラシーが重要である」と回答されていた.

3. 事例報告 事例1
「ダイカスト部品におけるドリル加工の抜け際バリの低減 」


野寄 貴康氏
報告資料(723MB)

(株)アーレスティプリテック 野寄貴康氏から「ダイカスト製品におけるドリル加工の抜け際バリの低減」についての報告がなされた.

本事例ではドリル加工の際に生じるバリ(機械加工後のかどのエッジの残留物)を抑えるための改善を行っている.加工バリの規格に対して工程能力指数Cp≧1.67を目標として,バリ高さの平均とバラツキの両方を抑える対策を模索した.

要因解析には特性要因図を用い,取り上げた各要因に対し2水準をとり,L16直交表実験を行った.実験により得られた水準を採用し,バリへの対策を施したドリルを作成した.効果を確認できたため,量産ラインへ展開した.これまで約10,000台を加工したデータを分析したところ,Cp≧1.67を大幅に上回り,目標を達成した.今後も継続して加工を行い,バリの出方を見極めていくと述べられた.

バリという普遍的なテーマに対し,王道のQCストーリーに則って改善を進め,成果を上げた良い事例である.バリの高さ,バラツキのどちらか一方ではなく両方を抑える方法を模索している.

質疑応答では「実験と量産で何かチューニングはあったか?」「現行条件で行っているか?」といった質問が出た.これらに対し野寄氏は「実験と量産で素材の違いは若干あるが,大差ないとして特別なチューニングは行わなかった」「現行条件は実験の条件には入っていない」と答えられた.

会場からは「QCストーリーに沿っていて分かりやすい」とのコメントもあった.

本事例では,現象把握,実験データの解析をStatWorks/V5を用いて行なった.現状把握では,バリの高さのヒストグラムを示し,工程能力指数の確認を行っていた.またL16実験では,データプロットからバリの高さに効いている因子を示していた.量産前の効果の検証でも改めてヒストグラムを確認すること,また平均値に有意差があるかどうかの検定などで積極的にご活用いただいた.

会場からのコメントにもあったが,QCストーリーにそって改善を進め,バリという「永遠のテーマ(会場コメント)」に向き合い,量産での成果につなげたことは参考になる.

4. 事例報告 事例2
「商品A開発における生地の口どけ向上 」


伊藤 智徳氏
報告資料(579MB)

(株)中村屋 伊藤智徳氏からは「商品A開発における生地の口どけ向上」について報告がなされた.

本事例は,商品Aの生地の口どけを,製法を変えずに向上させるという課題に取り組んだ事例である.本事例では,特性要因図を用いて要因を整理し,系統図を用いて対策の検討を行った.そして,対策で取り上げる因子の特定と最適水準の決定を,L16直交表などを用いた.成果として,これまで経験,勘,感覚によってしか把握していなかった因子の効果を見える化し,資料として残せたこと,実験で見つけた水準が採用され売上につながったことを挙げられた.

本事例は「口どけの良さを表す指標」の検討が丁寧に行われており,問題解決ストーリーにそって理論的に進められている.

質疑応答では,会場から「今回扱わなかった要因があるか?」「口どけがテーマになっているが,リサーチの結果か?」といった質問が出た.それらに対し,伊藤氏からは「採算性から諦めた要因はある」「ワード分析はしている.口どけが落ちると,評価が大きく落ちることはわかっている」という回答がなされた.

会場から「実験計画の前に食感や口どけに効く物性を直接研究すると手戻りは少なくなると思う」という指摘がなされた.一方で「期間内に売上増という結果を出したという突破力は素晴らしい」とのコメントがあった.

本事例では,現象把握,実験データの解析でStatWorks/V5をご使用いただいている.上でも述べた通り,実験データの解析においては,StatWorks/V5の出力に対し技術的な考察を加えていること,確認実験を行って特性の再検討を行っていること等が特徴であり,見習うべき点である.SQC手法を用い,売上につなげることができた.

5. 新製品紹介
「技術者のためのStatWorks/V5 機械学習編の 機能および有効な使い方」


犬伏 秀生
報告資料(1.71KB)
発表資料(1.56MB)

(株)日本科学技術研修所の犬伏からはStatWorks/V5機械学習編の主な機能や使い方を紹介した.

本シンポジウムのテーマにもIoTとあるが,製造業の現場ではより多様で大きなデータを扱う機会が増えている.このようなデータへ対処するものとして,機械学習という解析手法群が注目を集めており,各所で成果が報告されている.しかし現場の技術者が手軽に機械学習を扱うことは難しい状況があった.StatWorksはもともと現場の技術者がSQC手法を扱えるよう開発され,機械学習も同様に扱いたいとのニーズに応えるべく開発に至った.

本製品の特徴

  1. 現場の技術者が手軽に扱えるよう,マウスで全ての操作が可能となっている.またPC単体で動作するため,サーバ・クラウドが不要である.
  2. プログラムは全てを自社で開発しており,内部での処理について適宜ユーザに自ら回答できる.
  3. StatWorksのコンセプトを引き継ぎ,豊富なグラフ機能で可視化している.解析ストーリーに沿った機能構成を継承し,既存ユーザには特に利用しやすい.

搭載手法

  1. ものづくりで有用と思われる手法群を搭載している.
  2. 機械学習自体は予測を主目的とする手法群であるが,本製品は要因の検討でも使用することを念頭においた手法を搭載している.
  3. 機械学習を多変量解析の拡張として理解できるよう位置づけている.

活用場面

  1. 中規模データの分析
    1,000変数×100,000サンプル以内のデータを手軽に分析でき,ものづくりの現場で問題解決できる数値データの多くをカバーしている.
  2. 機械学習教育
    教育を行うための環境構築が容易である.マウス操作で実習でき,トヨタグループ様の機械学習セミナーや日科技連の機械学習セミナーでも今後使用される予定である.

発売間もない機械学習編についてその特徴や機能を紹介した.機械学習の活用の一助になれば幸いである.

6. 事例3
「数値化した画像データの機械学習手法による解析~SVMとランダム・フォレストの適用~」


山田 芳幸

(株)日本科学技術研修所 山田芳幸が「数値化した画像データの機械学習手法による解析」について報告した.

機械学習を活用し,検査員が行っているある装置の目視点検を検査員なしで自動化することを試みた事例である.機械学習システムが,検査員の知見を活かしつつ画像データからパターンを抽出する.そして熟練した検査員と同等の点検能力を発揮することを目標とする.

扱った画像データは320pixel×320pixel×3色で,その次元は320×320×3となる.そのため,検査員の知見を活かすことで,このデータの次元を小さくし,解釈可能性と,予測精度の向上を図った.その結果,熟練の検査員の精度(約95%)には届かないものの,中堅検査員ほどの精度(約85%)を達成した.

画像解析にはDeep Learningが利用されることが多いが,計算コストや小数データの扱い,解釈可能性の点で問題がある.そこで本事例ではあえてDeep Learningではない機械学習手法を用いて画像解析を行っている.データの前処理に,人の知見を活かす工夫を行っている.また本事例は品質管理学会公募研究会「製造業のためのビッグデータの解析あり方研究会」の活動で使用された事例でもある.

質疑応答では,会場から「不要な情報を削除しているが,うまくいかない場合もあると思う.うまくいかなかった場合の次の一手は何か?」「画像データの変換で困ったことは何か?」といった質問が出た.それらに対し,山田から「手持ちデータから線形結合等でデータを増やす,追加ヒアリングを行うことを考えていた」「明るさを取り除くことなどには,その判断も含めて試行錯誤があった」と回答した.

会場から「熟練者の技能を数値化することは多くの企業にとって関心のあるテーマである」「画像データの扱いは参考になった」とのコメントがあった.

本事例では機械学習手法としてサポートベクターマシン(SVM)とランダム・フォレストを用いて解析を行っている.StatWorks/V5は画像データを直接扱うことはできないが,適切に数値データへ変換することで解析することができる.また,機械学習手法で画像データを解析すること,実務でどのようにStatWorks/V5機械学習編を活用しえるかを示すことができた事例となった.今後の業務の参考にしていただければ幸いである.

7. 特別報告
「品質・技術力向上につなげるSQCと機械学習のよりよい使い方について」


渡邉 克彦氏
報告資料(722MB)
発表資料(3.36MB)

トヨタ自動車(株)の渡邉克彦氏からは「品質・技術力向上に繋げるSQCと機械学習のよりよい使い方について」との題で,特別報告がなされた.

トヨタ自動車(株)では約70年間,SQC(統計的品質管理)を問題解決ツールとして活用してきた.SQCでは原理原則に基づいた仮説を構築し,検証することが重要である.原理原則を忘れ,SQCのみに頼ると,誤った判断に陥ることもある.機械学習も基本的にはSQCと同じデータ分析であり,原理原則で説明できること,一般化できることがモノづくりでは重要である.その上で,両者の手法群をどのように使い分けていくかについて,見解を示された.

データ可視化,層別,情報の集約,予測,分類,外れ値検出,因果分析の7つの観点から,SQCと機械学習の各手法をとりあげ,その使い分け方を提案された.

質疑応答では,会場から「回帰で因果分析することを述べていたが,実験計画法重視の立場との違いについてどのように考えているか?」「人間がしっかり考えるところではSQCを,そこから外れてくるところでは機械学習を使うといった捉え方でよいか?」といった質問が出た.それらに対し,渡邉氏は「実験しきれない場合がある.蓄積してきたノウハウを総動員し,回帰からも結果を引き出すことも必要と考えている」「機械学習を使う局面でも,考えることを重視すべきである」という回答がなされた.

総合司会の山口氏は「SQCの中に機械学習というツールを取り込むことが出来る,という捉え方でよいのではないか」とコメントされた.

本講演では,StatWorks/V5に搭載されているSQC手法と機械学習手法の両者のよりよい使い方について提案していただいた.現在,SQCと機械学習をモノづくりの現場でどのように使い分け,両立していくのかについて語られることはまだ少ないが,そのため本報告は大変貴重なものであった.

8. エキスパート賞受賞講演
「品質工学をコアとした設計品質リーダ育成の取り組み」


鶴田 明三氏
発表資料(1.29MB)

第16回JUSEパッケージ活用事例エキスパート賞は株式会社ジェダイトの鶴田明三氏が受賞された.「品質工学をコアとした設計品質リーダ育成の取り組み」とのテーマでご講演をいただいた.

まず自己紹介として氏の経歴について語られたが,三菱電機株式会社に入社後,生産技術の現場や研究所で電気製品の製造プロセスの改善,生産性向上,設計改善,およびそれらのマネジメントに従事し,設計品質リーダとして多くの技術者を教育された.その後,株式会社ジェダイトを設立し,業務経験を活かした開発・設計コンサルティングとして活躍されている.

鶴田氏は特に人材育成を重視しており「品質設計リーダスクール」を運営している.本スクールでは設計品質の課題抽出,解決を自ら行い,組織を牽引できるリーダの育成を目的としている.当スクールではテーマの設定に時間の50%を使い,残り50%で実践を行うなど,目的意識をもったテーマ設定の重要性を説いている.また受講生が立てるテーマや目標は金額で定量化することを求めている.

したがって,受講生は「いつまでに,何ができて,どのくらい儲かるか」という観点で課題に取り組むことになる.事業規模にもよるが,一人1,000万~1億円/年程度の効果試算が多い.

なお,StatWorks/V5を用いて成果を上げた事例もでてきた.最後に,周囲を巻き込み,会社単位で大きな成果を出すことの重要性について述べられた.

9. おわりに

皆様のご協力により,1日に渡り「IoT時代の統計的方法を活用したビジネスソリューション」について議論を深めることができたことに感謝を申し上げたい.

産学から多彩な人材が集い,旬の記念講演や特別報告,さらに実践的な事例,新製品の紹介などを通じ,皆様にとって,業務に役立つ情報交換の場となれば幸いである.

なお,2020年度は本シンポジウムを開催してから30回目の節目の年である.今後は今回,ご参加いただけなかった方々にも呼びかけ,次回には直接会場へ足を運んで頂き,この雰囲気を体感し,活発な意見交換や交流をおこなっていただければと思う.


展示ブース:日本科学技術研修所,ニュートンワークス(株)殿,(株)日科技連出版社殿


ルポ記録:大澤秀磨(株式会社日本科学技術研修所 数理事業部)


要旨集の販売について
シンポジウムの発表内容を掲載した冊子
これまでに開催された各シンポジウムの発表要旨集を販売しております.ただし在庫がない場合もございますので,あらかじめご了承下さい.ご希望の方はセミナー事務局までお問合せ下さい.
お問い合わせ窓口へ

イベント案内や製品などの最新情報をお届けします

メールマガジン
最新の製品アップデート情報やセミナー・イベントなどのお知らせを,eメールでお送りします