Share with        Manufacturing accounts for a significant portion of energy consumption. Natural energy resources, fossil especially, leave us harmful emissions, greenhouse gases and waste that create pollution to the environment. Moreover, these limited resources are already under strain leading to shortages, increased prices, and unstable supply.        While automation is becoming the norm for modern […]

Share with現在、製造業は生産性向上やコスト削減、品質向上等様々な課題に大きなプレッシャーに直面しています。 従来の製造業ではリアルタイムのデータがほとんど使用されません。一方、データ駆動型製造では、機械や生産ラインから収集されたデータを用いて、生産プロセスを分析・最適化します。これにより、経験や直感に頼らず、現実的な情報に基づいた意思決定が可能になり、業務の改善につながります。 データ駆動型製造とは？ 既存技術がかつてない速さで消えていく中、新たなイノベーションが生まれ、現代の製造業は迅速に適応できなければなりません。データ駆動型のアプローチは、製造業者が重要なデータを収集・活用して、企業経営の正確かつタイムリーな意思決定が可能となります。 データ駆動型製造は、次の3つの主要な要素に依存します。 データ収集: 生産のすべての領域からデータを収集することから始めます。これには、機械内のIoTセンサーや、生産ラインの記録エンジニアリング変更(ECN) および原材料仕様の変更などの外部データから得た全ての情報が含まれます。いわゆる「ビッグデータ」と呼ばれる大量の情報の中から存在するため、データを収集して保存するためのビッグデータと呼ばれる大量の情報の中から、自社にとって有益な情報を収集・保存・すばやく見出せるような堅牢な管理システムが必要になります。 リアルタイム分析: 製造業者は、生成されるデータを加工・処理をし、理解するためにリアルタイム分析を必要とします。 これにより、製造現場の実績状況をリアルタイムで把握することです。これにより、パフォーマンスの問題が起こる前に、問題を迅速に収束させることができ、問題解決にあたる体制を実現できます。 人工知能 (AI): AI技術は、機械学習を用いて大規模なデータセットを調査することで、データをより深く分析するのに役立ちます。AIはデータのパターンを識別し、自動的にクリーニングを行うことが可能、未来の状況を予測できます。GenAI は、エンジニアがChatBot技術の活用により、ビッグデータと対話できるようにします。 エンジニアが分析をサポートするために必要な知識・データを素早く効率的に検索・活用することができます。 データ駆動型のアプローチによる企業のメリット データ駆動の活用により、市場における競争力を高めることができます。リアルタイムデータを効果的に活用することで、製造現場の機械や装置のパフォーマンスの詳細な情報を注意深く把握することが可能となります。データ駆動の活用により、製造メーカーに対するメリットは次のとおりです。 予測メンテナンス: データ分析により、設備が故障してから修理を行う事後保全とは異なり、故障の兆候を検知して適切なタイミングで予防保全を行うことができます。また、設備停止によるダウンタイムを未然に防止してコストの節約を実現でき、設備稼働時間も向上させることができます。 労働生産性の向上: 製造現場のデータを監視することにより、ワークフローの遅延や問題が見える化になり、工場では従業員に必要なスキルを身につけさせるための個別化されたトレーニングプログラムを設計することで、作業効率が向上やエラーが減少します。 不良削減：材料使用や生産された製品の数と不良品の数に関するデータ駆動による生産手順の改善は、不良品を削減し、廃棄物を減らすことにつながります。また、リソースの効率化や生産性の向上にも寄与します。 データ駆動型製造システムを始める際の実践方法 データ駆動型製造システムを自社に導入するのに、すべてを一括に変更することではなく、慎重かつ着実に物事を進めていく必要があります。ここではシステム化を始めるにあたり、いくつかの簡単な手順を紹介します。 データ収集と分析: 生産プロセスで重要な生産ラインからの情報源を探索および発見し、データを収集および分析するための強力なシステムを構築することです。これには、機械内のIoTセンサーや、生産記録、QC記録、更にはエンジニアリングによるECNや材料変更等などの外部要因から得た全ての情報も含まれます。 次に、データを安全に収集して保存する方法を見つける必要があります。これは、データを収集するためのハードウェアまたはソフトウェアを購入することを意味する場合があります。情報が入手できたら高度な分析ツールを使用してパターンと傾向を探すことにより、製造プロセスをより深く理解できるようになります。 ボトルネックと改善点の特定: データが入ると生産を遅らせたり製品の品質に影響を与えたりする製造プロセスのボトルネックに焦点を当て、業務運用における影響を与えている領域を特定することが重要です。製造業者は、ワークフローの主要業績評価指標 (KPI)を示すリアルタイムデータを表示するツールを使用してダッシュボードを作成できます。これにより、機械動作の改善や材料の流れを加速させる、もしくは異なる生産ユニット間のコミュニケーションを改善するなど、何の業務を改善する余地があるのかを表面化させて簡単に活用できるようになります。 BIツールとデータ技術ツールの統合: ビジネスインテリジェンスツールを適正に統合することで、複雑なデータ分析から得られた情報をより高度な意思決定や実行計画変換の支援が行えるようになりました。生産ニーズと予算に合ったBIツールを選択し、大量のデータを収集し・加工して視覚的なグラフやレポート、トレンドの発見、効率的な戦略の策定などの高度なデータの分析を容易にしてくれます。 継続的な監視と業務改善: データ駆動型製造システムを自社に導入するにあたっては一度きりのことではなく、継続的な改善を必要とするプロセスです。効果的な監視システムを確立することにより、主要業績評価指標 (KPI)を追跡し、改善を繰り返すことで、最適化された機能や業務フローを維持できます。 まとめ メーカーとしてデータを最大限に活用することで、業務効率の向上、迅速な意思決定につながることが期待できます。アメリカ国立技術標準研究所(NIST)もDX戦略を重視しています。したがって、データ駆動型製造システムは製造業界にとって真のゲームチェンジャーであると言えます。 Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

Share with新型コロナウイルス感染症の発生以来、産業用ロボットは世界中で着実に実用化が進んでおり、労働力不足が継続的に成長し続けていることが、 Statistaウェブサイトのデータ（２０２３年）によると、５年先、世界の産業用ロボット市場は１０４億１０００万ドルに達すると予想されます。 ２０２５年の創刊号では、MEGA Techは近い将来製造業を担う産業用ロボット、すなわちAI技術の進歩を活用して人型ロボットの開発・高度化の動向をご紹介したいと思います。 AIを搭載した新しいロボットの革新 AIまたは人工知能は、産業用ロボット業界に革命をもたらし、人間がやってきたさまざまなタスク　をロボットが代わりに遂行できるようになっています。AI によって産業用ロボットを溶接、組み立て、検査などの複雑な作業を自動的に正確かつ効率的に実行できるようになり、高精度の向上かつ人的エラーを削減することができます。 また、AIを導入することで、柔軟な生産環境で変化するタスクに適応でき、例えば設備の異常を事前に予知する等の設備保全によってダウンタイムを削減できる。リアルタイムなデータ解析を通じてサプライ チェーン管理の最適化に役立ちます。 例：産業用ロボット有名なものには、DELTAロボットが医薬品からエレクトロニクスや食品産業に至るまで様々な業界で使用されています。多関節ロボットは、製造、物流、食品、農業などの分野で最も一般的な産業用ロボットです。ヒューマノイド（人型ロボット）は、異なる環境・工場や物流などの条件下で労働者の代替として機能するように設計されているロボットです。 産業用ロボットにおける興味深いAIロボット活用例は、KUKAという会社です。 製造、自動車、航空宇宙、防衛などの様々な業界にソリューションを提供できるように、生成AIを活用しChatGPTと組み合わせて適切な仕様にロボットプログラミングすることが可能です。 「ほとんどのロボットプログラミングする仕事は依然として熟練者や専門家の仕事だけです」と、シミュレーションプラットフォーム プログラムマネージャーのローランドリッター氏は述べています。 KUKA は次のように述べています。「これが、人間の音声コマンドをプログラムコードに変換するAIチャットボットを独自に開発している理由です。 AIモデルは、ワークピースを 1つずつ拾い上げてテーブル上にU字型に配置するなど、ロボットが目的の動作を実行できるようにするコードを作成します。 AIモデルは利用可能なすべてのロボットプログラムを使ってトレーニングされます。次のステップに、 KUKAはこのAIチャットボットをロボット ユーザーのお客様に提供し、従来のプログラミングの代わりに自分らの音声を使用することによって、ロボットプログラミングが最短の時間で実現にします。 以前は、ロボットに特定のステップを実行するよう命令するプログラムを作成するエンジニアによる対応が欠かせないものでしたが、ロンドンにある Google の子会社であるDeep Mindでは、コマンドやプログラムを作成する必要がなくなりました。このサッカーロボットは、独自の動作スキルを学習できます。初めてサッカーをする6歳児のように、最初からボールを追いかけ、時間が経つにつれて、ゴールを決めるためにドリブルして相手を避ける方法やスキルを学びます。今度、人間からロボットに対する命令は、「できるだけ多くのゴールを決めなさい」という一文に短縮されました。 【未来の職場】人型ロボットが同僚になる日は近い 工場、生産、物流で働く労働者を見つけるのは非常に困難です。アジリティ・ロボティクスのCEO、ペギー・ジョンソンは「現在、アメリカでは100万件以上の求人があり、未だに働き手が見つからない』と述べました。ここはDigit （桁） 機敏性を備え、 AIによって訓練されて仕事の動作を可能とする人型ロボットが誕生した場所だという。 現在、Digitは多くの物流サービス会社で働いています。 アマゾンのジョンソン氏も「アジリティーは、実際に仕事をすることで報酬を得る人型ロボットを導入した最初の企業であり、ロボットは2年以内に利益を得ることができると見積もっています。 今のDigitは依然として人間の安全を守るためのフェンスの中で作業するが必要ですが、2025年末までに人型ロボットが人間と一緒に作業できるようになることを望んでいる」と述べました。 Digitは人間のように2本の足と2本の腕で動くロボットです。 自由度 （ DOF ）16 （脚: 5DoF x 2、腕: 3 DoF x ２） 床から立ち上がり、ボックスを持ち上げることができ、最大１６kg の重量をサポートできます。Lidarセンサーで動作し、深度を測定できる４台のIntel RealSense製のカメラを使用します。アブソリュートエンコーダ、 2 つのマルチスレッド Intel i7 CPU […]

Share withロボティック・オートメーションと人工知能のダイナミックな融合により、ビジネス・プロセスは根本から再構築されています。このアプローチは、繰り返し作業を自動化することで運用を合理化し、人間の労働者がより複雑な課題に集中できるようにします。最終的には、サービス提供を加速し、やり取りを簡素化することで、顧客体験を向上させます。インテリジェント オートメーションは、ロボティックプロセスオートメーション (RPA) の技術と、機械学習、ディープラーニング、高度な分析、自然言語処理などの人工知能 (AI) のさまざまな分野に依存しています。これらの主要技術を組み合わせることで、データ分析、意思決定、環境との相互作用が可能な自律システムを作成できます。これらは、在庫管理から顧客サービスまで、企業のあらゆるレベルに適用できる。 ベインの研究によると、自動化に最も多額の投資を行っている企業は、新しい破壊的技術の採用によるコスト削減において、他の企業を上回っています。リーダー企業とラガード企業の間に差は拡大しており、リーダーがIT予算に占める投資の割合を増やすにつれて拡大するでしょう。リーダー企業は、ラガード企業に比べ、平均して約4倍の金額を生成AIに投資することを計画しています。 成功する自動化プログラムには、企業全体の展開、テクノロジーの組み合わせ、価値創造、そして従事するスタッフが含まれます。たとえば、UPSが自動化と人工知能(AI)のスケールアップに成功してきた長い歴史を考えると、UPSがコンタクトセンターに生成AIを実装した成功結果をまもなく発表すると予想されていました。UPSは、一般に公開されている大規模言語モデル(LLM)を活用して、毎日受信する50,000件を超える顧客の電子メールの一部への応答を自動化するメッセージ応答の自動化(MeRA)のシステムを開発し、電子メールの処理時間を50%短縮しました。同社は、MeRAを営業、人事(HR)、財務などの機能に拡張する予定です。 ベインが世界中のオートメーション業界の経営者を対象に行った最新の調査によると、自動化に最も多額の投資を行った企業は、達成したコスト削減額と、生成AIを含む新しいより破壊的なテクノロジーの採用において、ラガード企業を上回っています。より広範な投資により、彼らはビジネスを迅速に変革することができます。この点で、リーダー企業とは、過去2年間でIT予算の少なくとも20%を自動化に割り当て、平均22%のコスト削減を実現した企業と定義されます。対照的に、IT予算の5%未満を自動化に投資している企業は出遅れている企業に分類され、これらの企業は平均で8%弱の節約を達成しています。 2023年、自動化をリードしている企業はプロセスコストを22%削減することができましたが、ラガード企業は8%の削減にとどまりました。これらのリーダーラガード企業の上位 25% は、平均 37% のコスト削減に成功しました。また、回答者は、価値の低いタスクを削減し、プロセスの完了を迅速化し、サービスの品質と精度を向上させることの利点を強調しました。さらに、リーダーラガード企業とラガード企業の差は拡大しています。自動化のリーダーは、学習曲線に沿って急速に進歩し、長期的な優位性を確保します。リーダー企業は自動化のためのIT予算の割り当てを増やす計画を立てている一方で、ラガード企業はより慎重な姿勢を維持する意向であるため、このギャップはさらに広がると予想されます。この調査によると、リーダーの45%が2022年の29%から2024年に投資を大幅に増やすことを目指しているのに対し、同じことを計画しているのは出遅れた企業の17%に過ぎず、2022年の14%からわずかに増加しています。 これらの企業が自信を持って従来の自動化やAIを超えて、生成AIに多額の投資を行う原動力は何でしょうか?その答えは、自動化によってすでに実現している測定可能なコスト削減やその他のメリットにあります。ほとんどの調査参加者は、現在、3つの異なるフェーズで生成AIを適用しているか、適用する予定です。最初のフェーズでは、新しいマーケティングコンテンツの作成など、以前は不可能だったタスクにテクノロジーを活用しています。第2フェーズでは、注文処理など、現在のアプリケーションの既存のテクノロジーを置き換えます。第３フェーズでは、買掛金や売掛金など、既存のユースケースの強化に注力します。その根拠は、企業がすでにリソース、統合、従業員のトレーニングに投資しているユースケースをゼロから始めるのではなく、生成AIを適用して新しい可能性を探求することです。 自動化は多くの大規模な組織で主力となっていますが、その洗練度と成熟度は大きく異なります。自動化の導入が遅れている企業は、投資を増やし、仕事のやり方を変革する持続的な取り組みに取り組むことで追いつくことができます。従来の自動化テクノロジーから得られた洞察は、コストを効果的に管理し、顧客体験を向上させる新しい方法を提示するジェネレーティブなどの新しいテクノロジーの実装を成功させるための指針となります。 Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

Share with今日の急速に変化するビジネスの世界では適切な運用モデル、ツール、テクノロジーを備える事はビジネス変革に不可欠。そこでエンタープライズ リソース プランニング (ERP) システムはサプライ チェーン、在庫、財務管理など、ビジネスのあらゆる側面を管理するための集中プラットフォームを提供。ERP システムには組込まれたビジネス インテリジェンス、リアルタイム データ アクセスや統合された機械学習機能などの利点があり従来のシステムよりも優れている。これらのソリューションは小売、消費者製品、工業、エネルギーおよびに公共事業や防衛を含む政府等を含む様々なエリアに対応。ERP 導入タイプを選択する時は組織の規模、機能、調達ニーズ、業界固有の要件などの要素を考慮しなくてはならない。一部のプロバイダーは製造向けの資材所要量計画、プロジェクト管理、顧客関係管理 (CRM)、人事ソフトウェアなど、業界固有のモジュールを提供している。IBM によるとERP 導入オプションにはオンプレミス モデルとクラウド モデルがあると言う。 オンプレミスERPシステム オンプレミス ERP システムはその名の通り組織の独自のサーバーとコンピューター機器にインストールされたライセンスされたシステムでカスタマイズやアップグレードが可能で通常は組織のITチームがオンサイトで保守してビジネス ワークフローを合理化する。オンプレミスERPはシステムの完全な自律性を求める組織向けシステム。このビジネス管理ソリューションにより組織はオンサイトでデータ管理とセキュリティを処理する。 メリット: ソフトウェアはオンプレミスで実行されるのでソフトウェアのサブスクリプション コストは発生しない。これによりERPシステムのコストが短期的、長期的に削減され収益性が向上。組織は必要に応じてソフトウェアをカスタマイズ可能。オンプレミスのカスタマイズは実装プロセス中および実装プロセス後に実行可能。意思決定は組織自体に委ねられる。オンプレミス ソフトウェアでは全ての企業情報とデータがオンサイトに保持されるのでビジネスにとって非常に安全なソフトウェア システム。全てのデータ ストレージとハードウェアをオンサイトに配置することで組織はシステムのニーズに関わるソフトウェア ベンダーへの依存が不要となる。オンサイトの IT チームで全てが完結。 デメリット: ソフトウェアとコンピューター機器には多額の初期投資が必要。またソフトウェアは将来的に交換する必要が生じる可能性もある。組織はオンプレミス ERP を選択する前にこれらの費用を考慮する事が必要。ERPシステムはサイバーセキュリティのリスクを軽減し組織が最も効率的なソフトウェアを使用できる事を確実にするために定期的なアップグレードが必要。これらのアップグレードにはオフィスでの作業が必要で場合によっては接続速度が遅くなる事もある。社内でデータのバックアップやアップグレードを行うとファイルが破損し組織のデータがより大きなリスクに晒される可能性がある。 クラウドベースのERPシステム クラウドベースの ERP システムは特に中小企業の間で人気が高まっている。クラウドベースのソリューションはサードパーティ ベンダーによってリモートで管理されるためオンサイトで大規模な IT チームを配置する必要が減り継続的な課金モデルのため、SaaS (Software as a Service) と呼ばれている。またこのビジネス管理ソリューション専用のサーバーの用意も不要。組織が外出先で業務を行う場合や頻繁にリモート アクセスが必要な場合はクラウドが最適な選択肢だ。そして更にオンプレミス システムよりも初期費用が安く実装も迅速。 メリット: クラウドベースの ERP システムではハードウェアとソフトウェアへの多額の先行投資が不要。その代わりにと言っては何だが、企業は通常予算の面でより予測可能で管理しやすいサブスクリプション料金を支払う。これらのシステムは高い拡張性を備えているため組織はニーズの変化に応じて使用方法を簡単に調整可能。更にクラウドベースの ERP はインターネット […]

Share withクラウド コンピューティングは10 年以上に渡ってデジタル変革の道のりで企業に革命をもたらしてきた事は否定できない事実である。未来志向の組織は柔軟性、効率性、回復力、ビジネス価値、競争力を高めながらより迅速に価値を実現するために業界クラウドの利点を活用している。業界クラウドの概念はビジネス プロセス、情報モデル、基盤となるテクノロジー インフラストラクチャのニーズが業界固有であるという単純な事実から生まれた。業界クラウドはクラウド プラットフォーム向けにネイティブに最新化され大規模に提供されるカスタマイズされたセクター固有の機能、製品、ツール、データを組み合わせる事でビジネス成果をより迅速に実現するのに役立つ。 業界クラウドは特定の業界または機能の特定のニーズを満たすように設計されたクラウド サービス (PaaS)、アプリケーション (SaaS)、およびにその他の関連クラウド ツールとリソースの専門的かつ最適化されたセットだ。そしてこれらはテクノロジーと運用モデルのさまざまな側面を統合しビジネス全体を前進させるアプローチを提供する。業界クラウド プラットフォームはクラウド プラットフォームを強力なビジネス プラットフォームに変えテクノロジー イノベーション ツールを強力なビジネス イノベーション ツールとしても機能させる。 ビジネス プロセス、情報モデル、メトリック、データおよび分析モデル、API、インフラストラクチャ、セキュリティなど様々なクラウド サービスが業界向けに構築され大規模的に提供されている。業界クラウドに移行するとアウトソーシングされたコモディティ機能を通じて規模の経済性を活用しながらビジネスを独自化し測定可能な成果を達成するシステム、サービス、プロセスを維持するという 2つの世界の最良の部分を活用してビジネス上の優位性を高める画期的な機会が得られる。業界クラウドではどの程度の高い専門知識があれば十分かを判断することが重要な課題だ。重要なのは既存の技術インフラストラクチャをクラウドにリフト アンド シフトする利点を活用しながら組織独自のニーズに対応しながら適切なバランスを見つける事だ。 産業現場の課題は困難なものだがクラウド コンピューティング、特にセキュリティとエッジ コンピューティングの進歩は大きく前進している。一部の産業現場では制御システムが安全かつ一貫してデータを交換できるようにするマシン間通信プロトコルなどが現場データ収集の標準をすでに採用している。マッキンゼーの分析によるとこれらの進歩でクラウドから最大限の価値を引き出すには産業企業はハイブリッド クラウド アーキテクチャを検討する必要があと言う。このアーキテクチャは3つのレベルでの検討が必要である。このアーキテクチャは現場からデータを抽出してクラウドで処理するために使用できるコンポーネントのベースライン セットを提供する。 これらの要素の多くは殆どの産業企業の CIO やエンタープライズ アーキテクトにとって馴染み深いものであるがこれを活用している人は殆どいない。エッジ コンピューティングとクラウド機能を産業サイトにもたらすためのインフラストラクチャへの投資は多額になる可能性があるためテクノロジー リーダーはクラウド サービスが最大の効果を発揮できるようにアーキテクチャを決定する必要がある。最も多くのサイトで使用できるものを定義し、クラウドとエッジ機能のアプリケーション開発スタックを標準化し、コスト効率の高いデータ転送標準を定義し、開発者やデータ サイエンティストを無駄なデータで圧倒しないデータ レイク戦略を開発することが重要である。 クラウド導入に関して殆どの企業は、回避者、移行者、探索者、戦略的価値創造者の 4 つの状態のいずれかに分類される (Bain & Co のレポートによる)。回避者とは依然としてパブリック クラウドを避け独自のデータ センターで運用している企業を指す。これは多くの場合認識されている規制要件、クラウド使用のリスクに関する懸念、またはクラウドの可能性に対する認識不足が原因である。殆どの企業が分類される移行者とは包括的な価値ベースのクラウド戦略なしに IT 部門にクラウドを委任している企業を指す。これらの企業は通常IT コストの削減と柔軟性の獲得を目的としてインフラストラクチャの観点からクラウドを追求している。探索者とはビジネスと IT が協力してクラウドからより多くの価値を引き出すという悪循環を打破しようとしている企業の事である。これらの取り組みは多くの場合強力な企業努力ではなく個人によって推進されている。個別の取り組みは孤立した成功事例を生み出す傾向があり組織全体で高いビジネス価値のインスタンスを生み出すことができる反復可能なエンジンではなく長い試行錯誤によって達成される事が往々にしてある。そして戦略的価値創造者とはクラウドがどのようにビジネス価値を生み出すかを深く理解している企業の事でありその価値には新たな収益源、顧客向けの新サービス、クラウドの価値が最大化される新技術の幅広い導入などが含まれる。 Article […]

Share withスマート ファクトリーはデジタル投資の集大成であり、最先端のテクノロジーが集結して生産プロセスを変革する。これらは高度に自動化され相互接続されておりモノのインターネット (IoT)、人工知能、ロボット工学、積層造形技術、リアルタイム データ分析を活用して運用を最適化する。東南アジアの先進的製造業起業家の殆どはシンガポールをその拠点としているがこれは特にシンガポール政府によるインダストリー 4.0 の発展に対する強力な支援と高度な熟練労働力の努力の結果。同地域では自治体だけでなく大企業もスマートファクトリーの推進を主導している。 タイの製造業はスマートファクトリーの概念を採用し始めている。このような動きは主に大規模な多国籍企業や複合企業の影響を受けている。同国は労働集約的な工場からより洗練された生産方法に重点を移しつつる。主な変化には伝統的な部門の進化、部品メーカーとの緊密な連携、航空整備や医療観光などの新興産業への政府支援による投資、スマートファクトリー向けのインフラ改善への投資などが含まれる。政府はまた税制優遇措置により中小企業がより競争力のある製造慣行を採用するよう奨励している。 東南アジアは低コスト、専門スキル、そして西洋市場およびにアジア市場への比較的自由なアクセスを兼ね備えているため新しい工場の立地先の主な候補だ。生産性調整後の賃金率の観点からインドネシア、マレーシア、フィリピン、タイなどの ASEAN 諸国は世界で最も競争力のある国にランクされている。ボストン コンサルティング グループ (BCG)はASEAN の製造業の生産高は 2030 年までに更に年間 4,000 億ドル増加して 6,000 億ドルになると推定している。しかしアジア太平洋地域の製造業の45%以上はイノベーション、熟練した労働力、テクノロジーの欠如や不足のため競合他社を追い抜くのに苦労していると報告されている。ロックウェル・オートメーションのレポートによればアジア太平洋地域の製造業者の44%が来年までにスマート製造を導入する予定との事だ。しかしスマート製造の導入に対する最大の障壁はテクノロジーの導入と変更に対する従業員の抵抗やテクノロジーを管理および装備するためのスキルセットの欠如およびにスマート製造の実装の価値と投資収益率の明確な定義の欠如だ。その結果APACの製造業者の88%はテクノロジーの導入により雇用を維持または拡大する考えだ。 Precedence Research によると世界のスマート製造市場は2023 年には16% という驚異的なCAGRで成長すると予測されている。世界のスマート製造市場規模は 2022 年現在では2,263 億米ドルと評価され2032年までには9,855 億米ドルに達すると予想されている。市場の成長は高度なモデリング、センシング、制御、シミュレーション機能を備えた接続されたサプライ チェーンと知識ベースの製造に対する需要の増加によって推進される。モノのインターネット (IoT) 革命の到来により製造部門では自動化とデジタル化という形で大きな変革が起こった。更にクラウド テクノロジー、産業用モノのインターネット (IIoT)、産業分析が市場の適切な成長に重要な役割を果たす事が予想される。 アジア太平洋地域のスマート製造市場規模は2022年は837 億 3,000 万米ドルと推定され2032 年までには3,646 億 1,000 万米ドルを超え2023 年から 2032 年にかけて 15.9% の CAGR で成長すると予測されている。アジア太平洋地域は最大の市場シェアを有しておりその数字は2022 年には約 37% となり2023 年から 2032 […]

Share with人工知能 (AI) がより高度になるにつれてこれらの革新的なテクノロジーを採用したいという組織の野心も高まっている。拡大する願望を考慮すると組織にとっての課題は最良の結果を達成するためにAIをどのように拡張できるかという事だ。その答えは組織が機械学習オペレーション (MLOps) を採用し実装する必要があるという事に他ならない。これは価値を提供しデータを活用するために複数の部門が協力する機能横断的な機能だ。コラボレーションはデータ主導の分析ソリューションから価値を生み出すという共通の目標に向かってビジネス プロダクト オーナー、データ エンジニアリング、データ サイエンス、IT、インフラストラクチャなど、組織のあらゆる側面にわたって行われる。 データ変換はMLの重要な側面だ。MLを完全に展開するにはデータが正しい形式でなくてはならない。MLを効果的に行うには大量のデータが必要であり収集、管理、保存には時間が掛かる。AIモデルには適切に管理され適切に変換された高品質のデータが必要だが実際には困難な場合がある。金融サービス業界などの確立された企業では多くの場合大量のデータがレガシー形式で保存されている。このため最新のMLモデルに統合して使用することが困難なのだ。 例えば企業データの従来の形式は利用が難しい非構造化テキストを含むデータベース、ファイル、システムだ。組織によってはMLモデルに使用されるデータは複雑で乱雑であり欠損値、外れ値、その他の異常が存在する。データ変換にはこのデータのクリーニングと前処理が含まれるがこれには時間がかかる場合がある。 機械学習オペレーション (MLOps) を実装する場合組織はソリューションを設計し文化をサポートするための専門知識を必要とする。これは新しい分野であり多くの組織では必要なスキルセットを備えたスタッフが不足している。技術人材の需要は今後5年間続くと考えられ業界全体でMLOpsエンジニアとITアーキテクトの需要が特に高まる事が予想される。Deloitte のデータによると26%の組織でMLOpsエンジニアが不足しており28%の組織でより多くのITアーキテクトが必要との事だ。これはAI 機能を拡張するためのMLOpsを開発するために必要な技術スキル セットにギャップがある事を示している。ビジネス リーダーの間ではビジネス プラクティスを再設計して単一ユース ケースだけでなくビジネス運営のあらゆる側面にMLOps機能を組み込む文化的な転換が必要なのだ。 MLOP機能に投資を考えている組織は多くのテクノロジーを利用できる。組織間でクラウド サービスが広く使用されているにもかかわらずオールインワン プラットフォームやその他の専門的なMLOpsプラットフォームなどの他のテクノロジーの実装も検討されている。しかし殆どの回答者がAIに焦点を当てているため必要な導入率には依然として遅れている。圧倒的に多くの組織が近い将来に幅広いテクノロジーへのさらなる投資を計画している。 レガシー テクノロジーのインフラはデータと技術的な限界およびに高い投資コストの背後にあるトップ 3 の課題の 1 つだ。これはテクノロジー、メディア、通信 (TMT) 業界で特に顕著であった。レガシー システムからの移行にはコストと時間がかかる場合があるがよりAIが成熟した組織に進化するためにはここを避けて通る事はできない。これはシステム障害を防ぐためのインフラストラクチャを整備せずにAIを導入する組織のリスクを示している。システム障害は重大な結果をもたらす可能性がある。システム障害によって最も影響を受ける部門は政府および公共サービスだ。この分野のなんと36%が現在のインフラストラクチャが現在の MLOps 技術要件を満たしていないと回答している。金融サービスでは大規模組織の3社のうち2社 (50 億米ドル以上) が現在のインフラストラクチャが要件を満たしていないと報告している。 AIは急速に発展しておりAI 機能を拡張しMLOpsで課題に対処する準備ができている野心的な組織は新興テクノロジーを活用することになる。組織はデータ変換、遅れているインフラストラクチャ、投資不足などの主要な障壁を克服して可能な限り最大限の MLOps 機能の開発を目指す必要がある。また組織は規制環境の重要性を認識しリスクを最小限に抑えその結果消費者や投資家の信頼を高める必要がある。多くのメリットを享受するにはMLの専門知識と人材が不可欠だが組織は今すぐ行動するべきである。MLOpsはAIの膨大な可能性を解き放ち組織を将来の成長に導く鍵を握っている。 Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

Share with2014年以来、予知保全とデジタルツイン技術の統合は多くの産業に注目されています。デジタルツインに基づく予知保全（PdMDT）は、ツイン間のリアルタイムなコミュニケーションに大きく依存しています。従来の予知保全と比較して、PdMDTの主な違いは、リアルタイムの知覚、調節、予測が可能であることです。データ解析に基づく従来の予知保全モードは、監視データの定性的分析を実現できます。ただし、分析から除外される機器のオンライン状態、環境パラメータ、および歴史的記録がまだ多く残っており、これが分析の精度に影響を与えています。 産業企業にとって最も難しい課題の一部は、複雑な製造ラインのスケジューリング、変更コストを最小限に抑えながらスループットを最大化し、顧客への製品の定時納品を確保することです。デジタルツインとAIは、複数の変数を一度に考慮して最適な解を特定する能力を持つことから、これに役立ちます。例えば、金属製造プラントでは、AIスケジュールエージェントが収量損失を20〜40％削減し、顧客への定時納品を大幅に向上させました。企業はAIスケジューリングエージェントが良い予測を行うための環境を整備する必要があります。歴史データや機械学習に依存することは単純に不十分であり、エージェントは将来の問題を予測することができません。その代わりに、組織は製造ラインと受注ブックのシミュレーションまたは「デジタルツイン」を構築することから始めることができます。その後、スケジュールエージェントがラインをスケジュールします。エージェントのパフォーマンスは、製品のコスト、スループット、定時納品に基づいて評価されます。 本質的に、PdMDTの知覚能力は関連する保全データ取得プロセスの結果です。埋め込みネットワークデバイス（センサーなど）や相互接続された通信デバイス（IoTや有線・無線ネットワークなど）は、対象機器に関連する動作状態、パラメータ、および環境条件を収集するのに役立ちます。このように、さまざまなソースから収集されたデータは、ノイズ低減、セグメンテーション、特徴抽出、および選択などの前処理操作に入ります。その後、このリアルタイムに前処理されたデータは、機械の障害知識ベース（機械の歴史的な保全情報を含む）と比較されます。 デジタルツインを考慮すると、物理世界とそのデジタル補足物との間には異なるレベルの接続性があります。”シャドウ”は物理オブジェクトとそのデジタルクローンとの間で自動化された片方向のデータフローを持っています。物理オブジェクトの状態の変化はデジタルオブジェクトの状態の変化をもたらしますが、その逆はありません。したがって、シャドウは自律的に物理的現実に変更を起こすことはありませんが、リアルワールドのデータを自動的に受信します。 このため、デジタルシャドウは実装が容易であり、このようなデジタル変換の旅における最良の選択肢です。デジタルクローンを動かすインテリジェントなアルゴリズムは、物理的相当物の特性と振る舞いを学習するためのトレーニングフェーズを必要とし、この種の学習は同様に人間の相互作用によってサポートされることがあります。そのため、シャドウはデジタルツインへのリスクを最小限に抑えた最高の入り口となります。 しかし、市場でよくあるデジタルツイン用語の誤用として、モデルまたはシミュレーションがあります。これは、既存または計画されている物理オブジェクトのデジタル表現であり、物理オブジェクトとそのデジタルクローンの間で任意の形式の自動化されたデータ交換や統合を使用していないものです。物理オブジェクトの状態の変化はデジタルの状態に直接影響を与えず、その逆もまた同様であり、したがって、不一致を避けるために定期的にモデルを手動で更新する必要があります。 Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

Share withデータ分析は生データを実用的な洞察に変換する。データを使用してその傾向を見つけ出し問題を解決するための様々なツール、テクノロジー、プロセスを含む。データ分析によりビジネス プロセスを形成し、意思決定を改善し、ビジネスの成長を促進させ得る。データ分析は企業が自社のプロセスとサービスをより可視化し、より深く理解できるようにするのに役立つ。これにより顧客エクスペリエンスと顧客の問題についての詳細な洞察が得られる。 アマゾン ウェブ サービス (AWS) によればビッグ データ分析ではデータ収集、保存、処理、クリーニング、分析という 5 つのステップに従って大規模なデータセットを分析するとの事だ。データ分析は生データを実用的な洞察に変換するステップでありデータ分析には以下の 4 つのタイプが有る。記述分析とはデータ環境で何が起こったのかまたは現在起こっている事を理解する事だ。円グラフ、棒グラフ、折れ線グラフ、表、または生成されたナラティブなどのデータ視覚化がその特徴だ。診断分析とは何かが起こった理由を理解するための詳細なデータ分析プロセスである。ドリルダウン、データ発見、データマイニング、相関などの手法がその特徴だ。 予測分析では履歴データを使用して将来の傾向について正確な予測を行う。これは機械学習、予測、パターン マッチング、予測モデリング技術によって特徴付けられる。各手法ではコンピューターはデータ内の因果関係をリバース エンジニアリングするようにトレーニングされる。規範的分析では予測データを次のレベルに引き上げる。何が起こるかを予測しその結果に対する最適な対応を提案する。様々な選択の潜在的な影響を分析し最適なアクションを推奨する。グラフ分析、シミュレーション、複雑なイベント処理、ニューラル ネットワーク、推奨エンジンがその特徴だ。 予測メンテナンスまたはメンテナンス分析は予測分析ケースの 1 つである。予知保全は実際に保守時期が到来した機器の保守のみを対象とする状態ベースの保守戦略であるのに対し予防保守は機器の状態に関係なく定期的に保守を行う計画ベースのアプローチである。このアプローチにより実際には長く機能し続けることができた部品が不必要に交換または修理されるため多くの無駄が生じる。 予防保守とは対照的に事後保守または事態修正保守は問題が発生した場合にのみ修理を行う事だ。これは最も明白な解決策のように思えるかもしれないが実際には非常にコストが掛かり混乱が生じる可能性がある。問題が検出された時には計画外のダウンタイムを回避するには手遅れになる可能性があることに注意する必要がある。予知メンテナンスにはこれは両方のメリットありデメリットは無い。データと分析を使用する事で必要に応じてメンテナンスを実行できるようになり予防メンテナンスに伴う無駄や事後メンテナンスに伴う計画外のダウンタイムを回避できる。 Research Nester によれば世界の予知保全市場は2022 年から 2031 年にかけて 31.9% の CAGR で成長し2031 年末までに 815 億 8,250 万米ドルの収益を獲得すると推定されている。 2021年の市場成長はダウンタイムとメンテナンスコストを削減するニーズの高まりに起因すると考えられる。予知保全は機器のメンテナンスに最適な時期を予測しこれによりメンテナンス手順の費用対効果も高まり機械の故障時の時間とリソースの無駄が削減される。大きな規模の工場では年間平均 323 時間の生産性が失われている。売上の損失、罰金、従業員のダウンタイム、生産ラインの再起動にかかる平均コストは1 時間あたり532,000 米ドルまたは施設あたり年間 1 億 7,200 万米ドルだ。 アジア太平洋地域の予知保全市場は世界の他の地域の中でも特に2031年末までに239億8,520万米ドルという最大の市場収益を保持すると予測されている。この地域の市場は予測期間中に35.4%という最高のCAGRで成長すると予想されている。アジア太平洋地域の市場は2021 年に11 億 8,380 万米ドルの収益を上げた。この市場成長は主に企業内でのデジタル化の急速な浸透によるものと考えられる。アジア太平洋地域の大手企業と中堅企業の約 70% がデジタル変革戦略を導入しており台湾がその先頭を走っている。 アジア太平洋地域の予知保全市場は世界の他の地域の中でも特に2031年末までに239億8,520万米ドルという最大の市場収益を保持すると予測されている。この地域の市場は予測期間中に35.4%という最高のCAGRで成長すると予想されている。アジア太平洋地域の市場は2021 年に11 億 […]