工場、製造生成AI/AI導入と活用書籍
 
No.2310
生成AIによる業務効率化と活用事例集
工場・製造プロセスへのIoT・AI導入と活用の仕方

☆劇的な生産性向上、安全性とコストの両立、多品種・変量生産への対応を実現!
☆熟練技術者が持つ勘やコツ 「匠の技」をAIにどう学ばせるか! 次世代に確実に継承する方法とは!

既存工場、製造現場への生成AI/AI導入と活用の仕方
‐異常検知、技能伝承、品質・生産管理、ヒューマンエラー、自動化・省人化‐

発刊予定日 : 2025年9月末  体 裁 : A4判 約500頁  定 価:88,000円(税込)  ISBN:978-4-86798-091-0


 
■試読を希望される場合は下記からお申し込みください

■ 執筆者(敬称略)

(株)ファーストオートメーション 伊藤 雅也 (株)保全ラボ 木村 愛
(株)東京ファクトリー 池 実 (株)保全ラボ 清岡 大輔
MODE, Inc. 道間 健太郎 新潟国際情報大学 阿部 淑人
日本アイ・ビー・エム(株) 前田 岳志 (株)ブライトヴォックス 笠原 亮介
アビームコンサルティング(株) 橘 知志 中京大学 青木 公也
東京電機大学 荒川 俊也 山口大学 藤田 悠介
(一社)AI・IoT普及推進協会 阿部 満 九州工業大学 中西 慶一
(株)SparkPlus 吉田 隼輔 九州工業大学 小森 郁花
(株)SparkPlus 藤生 拓真 九州工業大学 徳永 旭将
(株)SparkPlus 本田 純平 鈴木宣二技術士事務所 鈴木 宣二
大阪成蹊大学 小山田 耕二 (株)Japan IT Produce 長谷川 徹
(株)ビジー・ビー 中野 克平 帝京大学 三橋 郁
(株)テクノア 倉内 貴成 トリニティプログラム 野中 帝二
(株)テクノア 西村 恭範 日本電気(株) 杢田 竜太
(株)設備保全総合研究所 相原 章吾 (株)船井総合研究所 松川 史生
(株)設備保全総合研究所 上野 将平 AIVALIX(株) 中山 太洋
出光興産(株) 秋山 成樹 AIVALIX(株) 大島 虎太郎
東京理科大学 野口 怜 AIVALIX(株) 田中 勇吾
東京理科大学 松尾 裕一 (株)日立製作所 松本 茂紀
コンサルソーシング(株) 松井 順一 (株)日立製作所 原田 邦彦
アスプローバ(株) 上村 義孝 (株)日立製作所 矢嶋 雄太
AI CROSS(株) 上原 岳士 竹内技術士事務所 竹内 利一
(株)DATAFLUCT 上大迫 真隆 福岡大学 辻 聡史
三菱重工業(株) 松田 達也 TSF自動化研究所 村山 省己
三菱重工業(株) 松村 一毅 オーエーセンター(株) 吉武 太志
三菱重工業(株) 福田 博樹 (株)三菱総合研究所 齋藤 達朗
(有)アイ・リンク・コンサルタント 加藤 忠宏 (株)MEマネジメントサービス 添田 英敬
(株)計数技研 竹内 宏佑 シーメンス(株) 堂谷 春菜
(株)Argopilot 相馬 知也 (株)デリバリーコンサルティング 三国 晋章
(株)LINK.A 太田 桂吾 アルム(株) 平山 京幸
電気通信大学 曽我部 東馬 (株)Domona 高見 守
(株)東芝/九州大学 山口 晃広 (株)オーテック 小川 大佑
愛媛大学 一色 正晴 中央大学 大草 孝介
大阪公立大学 川合 忠雄 富士通(株) 金 堅敏
アステリア(株) 黒柳 開太郎    

■ 本書のポイント


異常検知、不良品検出、外観検査
1.「いつもと違う」をリアルタイムで検知!
      情報を迅速に判断・対応につなげる仕組みの作り方!
2.判定根拠を可視化できる異常診断AI技術!
3.異常兆候の早期検知,保全判断の標準化,文書作成の自動化!
4.生成AI、CG技術を応用した効率的な学習用データセット作成!
5.正確なラベル付け(アノテーション)作業の負担を軽減!

品質・生産管理、生産計画、需要予測
1.暗黙知であった需要予測を形式知化し目覚しい効果を出す方法!
2.生産計画の効率化と柔軟性を両立!
3.適切に発注量や生産量を調整し、在庫と欠品を最小化!
4.需要予測精度の向上による過剰生産の抑制と廃棄物削減!

技術・技能伝承
1.熟練技術の属人化を解消!
      AIとIoTを活用した暗黙知の見える化,円滑な技術継承!
2.経験に裏打ちされた判断基準,思考プロセスをモデルとして表現!
3.熟練者の豊富な経験,微細な感覚を組織の共有財産へ転換!

ヒューマンエラー
1.エラー発生前の微細な変化,隠れた異常パターンを自動検出!
2.作業マニュアルや監視映像からのリスク指標生成!
3.人間では見落としがちな危険要因の抽出や安全対策の立案!

■ 目  次

第1章 既存工場、製造現場に適した生成AI/AI技術の選び方

第2章 データ収集への環境構築と分析の進め方

第3章 生産管理、生産計画への活用

第4章 異常検知、不良品検出への活用

第5章 外観検査自動化への活用

第6章 ヒューマンエラーへの活用

第7章 暗黙知の可視化と技術・技能伝承への活用

第8章 協働、産業ロボット導入と活用

第9章 工場、製造現場の自動化/省人化とスマートファクトリー


◇第1章 既存工場、製造現場に適した生成AI/AI技術の選び方性◇

【第1章のポイント】
★生成AIが適用可能なタスクをどう洗い出すか!
★生成AIと人間が役割を分担し、協働する現場環境の構築!



第1節 製造業における生成AIの役割と選び方と導入のポイント
1.生成AIの役割
 1.1 生成AIとは
 1.2 製造業における生成AIの活用事例
2.生成AIの選び方
 2.1 適用可能なタスクの明確化
 2.2 データの種類と量
 2.3 導入コストと運用負担
 2.4 拡張性とカスタマイズ性
3.生成AIの導入ポイント
 3.1 PoC(概念実証)の実施
 3.2 従業員の教育とAIリテラシー向上
 3.3 データセキュリティとコンプライアンス対応
 3.4 AI活用の効果測定と継続的改善
まとめ

第2節 工場、プラントなど製造現場の見える化の目的と方法について
はじめに
1.見える化の目的と本質
 1.1 見える化は手段である
 1.2 見える化が成果につながらない原因
2.現場による見える化格差の実態
 2.1 生産方式による違い
 2.2 近年のデジタル化の進展
3.見える化に必要なデータの種類
 3.1 定量情報
 3.2 定性情報
4.写真を活用した現場の見える化
5.Proceedクラウドの仕組みと導入事例
 5.1 仕組み
 5.2 導入事例
6.データ蓄積とAI活用への布石
おわりに 〜生成AI時代の現場力再構築〜

第3節 生成AIとIoTが切り拓く製造業の未来 ― BizStack Assistantによる現場革新と生産性向上
はじめに
1.MODEについて
2.BizStackについて
3.生成AIを活用したBizStack Assistant
4.BizStack Assistantの技術・開発
5.デジタルツインと生成AIの進化
6.生成AIの将来の展望
おわりに

第4節 製造現場、既存工場におけるAI導入の進め方と組織変革
はじめに
1.モノづくりにおけるデジタルトランスフォーメーションとは
 1.1 モノづくりにおけるDX(デジタルトランスフォーメーション)とは
 1.2 モノづくりにおける3つのリソース
 1.3 モノづくり変革におけるデータの利活用の必然性
2.モノづくりDXの実現に必要不可避なデータの利活用
 2.1 モノづくりにおける取得すべきデータとは
 2.2 モノづくり変革のための3要素とデータの利活用の例
3.AI導入のポイント
 3.1 AIによる異常検知
 3.2 予測・予知モデルの作成方法(4つのAIの学習方法)
 3.3 予測・予知モデルの実装方法
 3.4 予測・予知モデルの実装例
4.DX実現による組織変革
 4.1 製造現場との共創による価値創出と暗黙知の定量化
 4.2 製造現場のキーパーソンの育成
 4.3 製造業におけるデジタルトランスフォーメーションのその先にあるもの
おわりに

第5節 生成AI、AIの活用推進に必要な組織変革と経営層の巻き込み方
はじめに
1.AIの理解
 1.1 日本のAI活用の現状
 1.2 業界別のAI・生成AIの活用領域
 1.3 AI活用の思考方法
2.AIやデータ利活用の課題
 2.1 データ品質・量の課題
 2.2 技術的な課題
 2.3 倫理・法規制の課題
 2.4 人材・組織の課題
3.組織変革の必要性
 3.1 3つの変革の視点
 3.2 業務プロセスの変革
 3.3 意思決定プロセスの変革
 3.4 組織構造やマネジメントの変革
4.組織変革の5つの要素
 4.1 実践にむけた5つの要素
 4.2 データ活用戦略
 4.3 AI・データ利活用促進・知見収集
 4.4 AI・データのマネジメント
 4.5 データ活用基盤の構築
 4.6 AI・データ利活用人材の育成
5.組織変革アプローチ
 5.1 変革アプローチ
 5.2 推進体制作り
 5.3 経営層の巻きこみ
まとめ

第6節 生成AIが製造業に与える影響および人間との協働に関するポイント
はじめに
1.生成AIが得意なこと,人間が得意なこと
2.生成AIと人間はどう協調すべきか?
3.製造業における生成AIとの協働
 3.1 効率化と自動化の推進
 3.2 品質管理の高度化
 3.3 コスト削減への寄与
まとめ

第7節 製造、生産現場へのAI/IoT導入における計画書作成のポイント
はじめに
1.製造、生産現場へのAI/IoT導入における全体設計の重要性
2.製造、生産現場へのAI/IoT導入における計画書作成プロセスの標準化
 2.1 現状把握と課題の見える化
 2.2 あるべき姿の定義
 2.3 ギャップ分析
 2.4 PoC設計
 2.5 本格導入
3.効果測定とKPI設計
4.従業員教育と現場への浸透
5.長期運用における課題と留意点
 5.1 システムの維持管理
 5.2 データ蓄積と活用の継続
 5.3 運用人材の確保と組織体制
 5.4 費用対効果の持続的検証
 5.5 外部変化への対応力
6.プロジェクトマネジメントの要点
 6.1 プロジェクト体制の構築
 6.2 WBS(Work Breakdown Structure)の作成
 6.3 ステークホルダー管理
 6.4 進捗・品質・リスクの管理
 6.5 コミュニケーション戦略
 6.6 成果物とレポート
おわりに

第8節 製造現場の業務効率化に向けた生成AI導入と活用のポイント
はじめに
1.AIが活用しやすい形式にデータを整備する
2.AI導入の目的と解決したい課題を明確にする
3.生成AIの特性とAIを取り巻く環境を理解する
終わりに


第9節 製造現場への大規模言語モデル(LLM)導入とプロンプト設計のコツ
1.LLMとは何か、なぜ製造現場で必要とされるのか
2.科学的方法とカイゼンのつながり
3.LLMをどう導入し、現場で使っていくか
4.LLMが変える製造現場の未来


◇第2章 データ収集への環境構築と分析の進め方◇

【第2章のポイント】
★本当に「必要なデータ」をどのように見極めるか!
★コストを抑えつつ、効率的にデータ収集を進めるポイント!



第1節 製造現場におけるデータの種類と活用人材の姿
はじめに
1.製造現場で生まれるデータ
 1.1 数値で表されるデータ(量的データ)
 1.2 言葉のデータ(質的データ)
  1.2.1 設備の点検と異常時の記録
  1.2.2 ユーザーレビュー(アマゾン等のレビュー)
  1.2.3 カスタマーサービスの受電内容
  1.2.4 修理時の故障記録と履歴
2.生成AIによる分析
 2.1 分類(トピックモデリング)
 2.2 固有表現抽出
 2.3 感情分析
3.生成AIで量的データと質的データを組み合わせる
4.生成AIを操る人材のあり方
おわりに

第2節 必要なデータの見極めとコストを抑えた効率的なデータ収集のポイント
はじめに
1.なぜデータ活用は「課題ドリブン」でなければならないのか
2.必要なデータを見極める具体的なステップ
 2.1 現場の「生の声」に耳を傾ける
 2.2 課題の構造化と仮説の設定
 2.3 仮説検証に必要なデータを特定する
 2.4 「スモールスタート」で効果検証から始める
3.コストを抑えた効率的なデータ収集環境の構築
 3.1 既存設備への「後付け」を基本とする
 3.2 目的に応じたセンサー・デバイスの選定
 3.3 データ収集・蓄積基盤の選択
 3.4 導入・運用を考慮したツールの選定
4.データ分析と改善活動への接続
 4.1 分析の第一歩は「意味のある可視化」
 4.2 仮説検証と要因分析
 4.3 改善策の立案・実行・効果測定(PDCAサイクル)
おわりに

第3節 設備保全領域における生成AIの活用 ? EMLink開発の現在と未来
はじめに
1.製品開発の背景
 1.1 アセット・マネジメントクラウド『EMLink』の開発
 1.2 『EMLink』の主たる特徴と機能群
 1.3 技術スタック
2.生成AIを活用した機能群『EMLink Intelligence』の開発
 2.1 設備保全領域における生成AIの利活用
 2.2 『EMLink Intelligence』の開発
 2.3 技術アーキテクチャ
  2.3.1 リレーショナルデータベースとtext-to-SQLエンジンの利用
  2.3.2 メンテナンス・ドメイン特化オントロジとRAG利用
  2.3.3 構造化JSONガバナンスとアクション・ランチャ
  2.3.4 セキュリティと拡張性
 2.4 設備管理×生成AI活用による優位性
  2.4.1 現場固有データと生成AIをワンパッケージ化
  2.4.2 ノーコード text?to?SQL による高速分析
  2.4.3 “提案で終わらない”実行力を有するアクション直結型エージェント
3.今後の展望

第4節 プラントデータの一元化による製造業務の効率化と生成AI、AIの活用
はじめに
1.プラントデータ一元化による取り組み
 1.1 当社製造技術部門の課題
 1.2 「集まるしくみ」の実現に向けた取り組み
 1.3 CDF(Cognite Data Fusion)の導入と構築
 1.4 CDF導入による成果
2.AI活用の取り組み
 2.1 「気付けるしくみ」の実現に向けた取り組み
おわりに

第5節 予測AI/生成AIを製造現場で活用するためのデータ収集、選定、拡張、蓄積
はじめに
1.データ社会と製造業を取り巻く現状
 1.1 超ビッグデータ社会の加速とデータ活用ニーズ
 1.2 AI技術の急激な進展と生成AIの台頭
 1.3 日本の製造業を取り巻く現状
2.製造現場の視点で見るデータ活用とAI導入
 2.1 従来の統計的工程管理とビッグデータ分析の違い
 2.2 自?程完結と製造ビッグデータ活?
3.製造現場における予測AI/生成AI導入の進め方
 3.1 予測AIと生成AIの違い
 3.2 予測AI導入の考え方
 3.3 生成AI導入の考え方
  3.3.1 生成AI 動作の基本
  3.3.2 RAG
  3.3.3 ファインチューニング
 3.4 「PoC止まり」を防ぐために
4.AI導入に向けたデータの収集、選定、拡張、蓄積
 4.1 データ収集/選定の考え方
 4.2 データ不足に対する対応方法
 4.3 データの構造化と蓄積
5.製造現場におけるデータ活用人材の確保と育成
 5.1 データ活用人材に必要なスキル
 5.2 データ活用の育成モデル例
おわりに


第6節 デジタルツインを実現するためのキー技術と製造現場での活用
はじめに
1.デジタルツインの歴史と定義
2.デジタルツインのモデルと特性
3.デジタルツインのキー技術
 3.1 IoT技術
 3.2 ネットワーク・通信技術
 3.3 データ融合・同期技術
 3.4 モデリング・シミュレーション・最適化技術
 3.5 可視化・AR/VR技術
 3.6 アーキテクチャ
4.製造現場での活用事例
 4.1 部品生産の監視と改善におけるDT利用
 4.2 部品製造プロセスにおけるダウンタイム削減のためのDT利用
 4.3 製造プロセスにおける危険とリスクの特定による安全性の向上のためのDT利用
 4.4 バーチャルコミッショニング(Virtual Commissioning; VC)におけるDT利用
 4.5 予知保全(Predictive Maintenance; PdM)におけるDT利用
 4.6 DTを活用したチーム間協力の改善


◇第3章 生産管理、生産計画への活用◇

【第3章のポイント】
★AIによる需要予測、資源の最適配分、生産計画の自動調整!


第1節 変化・変動に強い生産管理の仕組みづくりとデジタル技術活用術
はじめに
1.生産計画の課題と活用術
 1.1 変化・変動下での生産計画の課題
 1.2 生産計画の精度と信頼を高める活用術
  1.2.1 需要予測精度を高める高レスポンス化
  1.2.2 需要予測へのAIの活用
2.人手不足の課題と活用術
 2.1 人手不足からの作業生産性低下
 2.2 作業生産性を高める活用術
  2.2.1 バラツキの見える化で習熟スピード加速
  2.2.2 時間の見える化で行動変容を引き出す
  2.2.3 内訳の見える化で的を射た改善と指導
3.工程の複雑化・連動化の課題と活用術
 3.1 工程の脆弱性の高まり
 3.2 工程の実行管理力を高める活用術
  3.2.1 エンドポイントの掌握による管理のリアルタイム化
  3.2.2 管理単位統一による統合管理スピードのアップ
4.管理システムの課題と活用術
 4.1 異なる管理システム間の壁
 4.2 異なる管理システムを連携するノーコード活用術
  4.2.1 スピル関数によるノーコード化で集計分析の現場化
  4.2.2 EXCELとRPAで異システムの連動化

第2節 AIを活用した生産計画の立て方と製造現場のムリ・ムダ・ムラの最小化
1.計画業務の課題とAI導入の背景
2.製造業の計画業務
3.製造現場を変えるAI技術
4.AIが変える計画業務
 4.1 従来手法とAI活用による需要予測(SCM、MRP)/商品のムリ、ムダの削減
 4.2 従来手法とAI活用による基準生産計画(MPS)/製造ムラの削減
 4.3 従来手法とAI活用による詳細計画(APS)/製造のムリ、ムラ、ムダの削減
  4.3.1 詳細計画(APS)におけるAI最適化の研究と適用
  4.3.2 詳細計画(APS)で適用されやすいアルゴリズムとは
  4.3.3 詳細計画(APS)のAIの適用例とは
  4.3.4 従来の詳細計画(APS)とAI最適化計画との違い
まとめ

第3節 AIを活用した需要予測の効果最大化と運用のポイント
はじめに
1.AI需要予測の効果の最大化
 1.1 AI需要予測の用途
  1.1.1 在庫最適化
  1.1.2 要員計画最適化
  1.1.3 営業プロモーション最適化
  1.1.4 ダイナミックプライシング
 1.2 効果を最大化する
  1.2.1 優れたアルゴリズム
  1.2.2 良いデータ
 1.3 目標ROIの設定
2.運用者の負担の低減
 2.1 AI導入後の落とし穴と対策
 2.2 運用設計で抑えるポイント
3.生成AIが需要予測に与える影響
4.AI需要予測の手法と何を選ぶべきか
おわりに

第4節 AIを用いた需要予測の高度化
はじめに
1.なぜ需要予測が必要なのか
2.AI需要予測と従来の需要予測
3.需要予測の導入事例1(惣菜製造業)
4.需要予測の導入事例2(冷凍食品製造業)
最後に

第5節 製造現場へのAI導入と活用の仕方
はじめに
1.三菱重工業株式会社 民間機セグメント 江波工場について
2.なぜ当社がDX、AIを推進したのか
3.AIによる生産材料の最適需要予測
 3.1 そもそもシール(Sealant)とはなにか
 3.2 なぜ熟練作業者の暗黙知による予測ではダメだったのか
 3.3 シールの最適需要予測構築にむけたアプローチ
 3.4 AI開発
4.まとめとして:DX活用拡大にむけて

第6節 生成AI・ChatGPTを活用した生産管理の効率化、運用のポイント
はじめに
1.材料の物的特性の分析と取扱い用途の識別
 1.1 顧客支給品の分析
 1.2 用途
 1.3 取扱いについて
2.原価計算から見積りへのワークフロー
 2.1 個別原価計算と標準原価計算
 2.2 部品展開から原価計算、見積もりまでの計算フローと情報共有法
 2.3 要点(標準原価計算/時間管理/規模的リスク)
3.待ち行列理論:生産ライン数の計画
 3.1 ピーク時の需要と生産量
 3.2 2台以上のティーバッグ包装機械を購入した場合
 3.3 生産機械2台購入計画にあたって(M/M/2モデルの適用)
4.PERT:工程計画
 4.1 PERT図の作り方
 4.2 CSV形式でのプロンプト
 4.3 CSVデータ作成上の留意点(プロンプトのデータの形式と整え方)
5.経済発注量計算,安全在庫
 5.1 経済発注量(EOQ : Economic Order Quantity)
 5.2 安全在庫
6.資源配分と生産計画
 6.1 問題の提起
 6.2 解
 6.3 線形計画法のまとめ
まとめ

第7節 AIを用いた時系列データ解析と需要予測への活用
はじめに
1.過去データに基づく将来の需要予測
 1.1 データセット
 1.2 Prophetの時系列予測モデル
 1.3 Prophetでの予測結果と評価
 1.4 LightGBM
 1.5 予測モデルの構築と評価
 1.6 需要予測の分析基盤
 1.7 その他の予測ツール
  1.7.1 NeuralProphet
  1.7.2 sktime
2.需要予測の活用事例
 2.1 風力発電の風量予測
 2.2 金属鋳造工程での溶解金属温度の時系列予測


◇第4章 異常検知、不良品検出への活用◇

【第4章のポイント】
★生成AIやLLMなどを活用した検知後の対応支援とは!
★専門知識不要! 誰もが使えるワンプラットフォーム環境構築!



第1節 AI×IoTによる異常検知システムの構築と検知後のLLMの活用
はじめに
1.異常検知システムの全体像と構築のステップ
2.生成AIとLLMによる異常検知後の対応支援
3.設備保全スマート化の未来と生成AIの進化

第2節 生成AIによる学習データ作成と異常検知への活用
はじめに
1.データオーギュメンテーション
 1.1 データオーギュメンテーションの基本
 1.2 自然言語におけるデータオーギュメンテーション
 1.3 生成AIを使用しないデータオーギュメンテーション
2.生成AIによる自然言語データの生成
 2.1 プロンプトエンジニアリング
 2.2 RAG
 2.3 生成AIのデータオーギュメンテーションへの活用
3.異常検知への適用
 3.1 複数の生成AIの活用
 3.2 運用後の工夫
おわりに


第3節 AI技術を活用した異常検知、不良品検出と各手法の選び方
はじめに
1.表面検査におけるCNNの活用
2.CNNを用いた振動データなどの故障診断
3.オートエンコーダ(AE)による教師なし異常検知
4.RBM-DBNとSVMを融合したマルチモーダル診断
5.ReNom-LSTMを用いた時系列データの異常検知・予測
おわりに

第4節 異常診断AIを活用した異常検知、不良品検出と判定根拠の可視化
はじめに
1.分析対象とするデータの種類
2.判定根拠の可視化
3.異常データの希少性
4.時系列データから判定根拠を可視化する異常診断AI
 4.1 Shapelets学習法の概要
 4.2 半導体製造やローラー部品異常における適用事例
5.正常時系列データのみを用いて学習し判定根拠を可視化する異常診断AI技術
 5.1 One-Class Learning Time-series Shapelets (OCLTS)の概要
 5.2 変電所設備の出荷前試験における異常予兆検知への適用事例
おわりに

第5節 AIフレームワークを用いた画像ベースの異常検知手法とその活用
はじめに
1.技術解説と実験の全体像
 1.1 環境設定:データ整理と前処理
 1.2 教師あり転移学習:畳み込みネットワークとVision Transformer
 1.3 自己教師あり学習
 1.4 その他の最新技術
2.評価・考察・デプロイ
 2.1 評価指標と推論速度
 2.2 複数モデルの比較と可視化
 2.3 エッジデプロイ:Jetson/Edge TPU
おわりに

第6節 デジタルツインによる機器の異常検知と余寿命予測
はじめに
1.コンピュータモデル
2.物理モデルおよびデジタルツインの適用事例
 2.1 電磁ブレーキ
 2.2 3Dプリンター
 2.3 ジャーナル軸受
まとめ

第7節 明日から始める画像認識AIを活用した業務効率化・自動化の実現
    〜Asteria AIoT Suite (Gravio/SamurAI/IVAR)による製造現場での危険検知,品質担保の活用例〜
はじめに
1.AI&IoT活用の必要性と導入のポイント
 1.1 AI&IoT活用の必要性
 1.2 オートメーション化の鍵となる認識AI
 1.3 AI活用における課題と解決のポイント
 1.4 オートメーション化の実現に向けたAIとIoTの統合
2.AI/IoT統合活用サービス「Asteria AIoT Suite」
 2.1 「Asteria AIoT Suite」とは
 2.2 「Gravio(グラビオ)」概要
 2.3 「SamurAI(サムライ)」概要
 2.4 「IVAR(アイバー)」概要
3.Asteria AIoT Suiteで実現する製造現場での危険検知,品質担保の活用例
 3.1 ユースケース
 3.2 SamurAIにおけるAIモデル作成方法
 3.3 画像認識結果に応じた各種デバイスやサービスとの連携
おわりに

第8節 ポンプ設備への異常検知導入を事例としたAI技術による設備管理の可能性と展望
はじめに
1.設備保全の全体像とAI/生成AIの親和性
 1.1 設備保全の目的と分類
 1.2 設備保全における知能技術の概要とその適用領域
2.壊さないための活動とAI技術の活用
 2.1 保全活動の構成要素と業務分類
 2.2 各分類におけるAI/生成AIの適用可能性
3.ポンプ設備における異常検知導入プロセス
 3.1 事例設備の概要と前提条件
 3.2 故障モードと監視手法の選定
 3.3 測定体制と実行準備
 3.4 閾値設定と状態判定プロセス
 3.5 整備判断と改善へのフィードバック
 3.6 本節のまとめ
  3.6.1 設備保全業務の属人性とAIによる支援
  3.6.2 リスクベースメンテナンス(RBM)への期待
4.保全業務におけるAI活用の展望
 4.1 設備構造の進化とセンサ内蔵化
  4.1.1 センサ内蔵部品の普及とリアルタイム監視の標準化
  4.1.2 自律的な設備制御と異常予防の高度化
 4.2 設備保全の計画業務効率化
  4.2.1 保全計画立案における現状と課題
  4.2.2 AI技術による計画支援と自動化の可能性
 4.3 設備故障削減と精度向上
  4.3.1 故障原因の分析と改良設計の支援
  4.3.2 故障対策立案と検証精度の向上
 4.4 人材育成・業務品質向上への貢献
  4.4.1 現場教育とナレッジ共有の支援
  4.4.2 エージェンティックAIによる判断支援と作業最適化
5.今後、設備管理の分野で期待される技術
 5.1 エージェンティックAIによる統合判断と業務最適化
 5.2 デジタル化の推進と情報取得基盤の課題
6.本章の結論


◇第5章 外観検査自動化への活用◇

【第5章のポイント】
★深層学習による複雑な欠陥の検出や高度な品質管理の実現!


第1節 外観検査のための画像処理技術 〜その動向と課題そして展望〜
はじめに
1.外観検査における画像技術
 1.1 画像認識技術の黎明期と変遷
  1.1.1 黎明期の画像認識技術
  1.1.2 機械学習とディープラーニング技術の進展
 1.2 画像入力・前処理技術
  1.2.1 画像の入力
  1.2.2 光源と照明
  1.2.3 画像の前処理
 1.3 深層学習技術の外観検査への適用
  1.3.1 画像の入力
  1.3.2 画像の前処理
  1.3.3 言語モデルの適用
 1.4 外観検査自動化事例
 1.5 自動外観検査技術の将来展望
  1.5.1 AI技術の深化:検査能力の質的向上と環境変化への強靭性
  1.5.2 センシング技術の革新:人間を超える知覚能力の獲得
  1.5.3 エッジコンピューティングと高速通信:分散協調型リアルタイム検査の実現
  1.5.4 デジタルツイン連携:仮想空間と現実空間の融合による製造プロセスの革新
  1.5.5 人とAIの協調:ヒューマン・イン・ザ・ループによる検査品質の最大化
  1.5.6 標準化とオープン化:導入障壁の低減とイノベーション加速
  1.5.7 持続可能性(サステナビリティ)への貢献:環境負荷低減と資源循環型社会への貢献
  1.5.8 グローバルサプライチェーンにおける品質保証:多様性と変化への対応
2.外観検査自動化システム開発とAI適用の検討
 2.1 企画・要件設計段階
 2.2 プロトタイプモデル製作段階
 2.3 ラボテスト段階
 2.4 フィールドテスト段階
おわりに

第2節 工場,製造現場における画像認識AIの自社開発と外観検査への活用
1.画像認識手法の概要
 1.1 背景
 1.2 機械学習を用いた画像認識技術
 1.3 一般的な物体認識の処理フロー
2.画像認識を用いた外観検査の開発方法
 2.1 機械学習による外観検査開発フロー
 2.2 入力画像データ
  2.2.1 正確なラベル付け
  2.2.2 大量データの収集
  2.2.3 Data Augmentation
 2.3 特徴量の設計
 2.4 機械学習アルゴリズム
3.欠陥検査の実例
 3.1 Z-scoreを用いた欠陥検査
 3.2 鋳造部品の画像検査アルゴリズム
  3.2.1 検査対象
  3.2.2 アルゴリズム
  3.2.3 結果
 3.3 深層学習を用いた欠陥検査
  3.3.1 検査対象画像
  3.3.2 検査方法
  3.3.3 検査結果

第3節 CG技術を活用した外観検査AIの効率的な学習データ準備
はじめに
1.学習に必要なデータセットの「質」について
2.テクスチャ系の検査画像生成
 2.1 テクスチャ合成手法による背景素地画像の生成
 2.2 キズ・欠陥像の生成と素地画像との合成
3.オブジェクト系の検査画像生成
おわりに

第4節 深層学習モデル構築のためのアノテーションの省力化
はじめに
1.アノテーションの課題と省力化技術
 1.1 弱教師あり学習
 1.2 半教師あり学習・自己教師あり学習
 1.3 能動学習
 1.4 モデルアーキテクチャの改良と言語モデルの活用
 1.5 異常検知モデル
2.多段階Multiple-Instance Learningによるモデルの構築
 2.1 Multiple-Instance Learningの適用
 2.2 多段階MILによる精緻化
 2.3 多段階推論による性能向上
 2.4 実験結果
3.異常検知モデルによるひび割れ検出
 3.1 基本的な考え方
 3.2 各モデルの概説
  3.2.1 Ganomaly
  3.2.2 PaDiM
  3.2.3 PatchCore
  3.2.4 FastFlow
  3.2.5 EfficientAD
 3.3 実験結果
まとめ

第5節 ディープラーニングによる外観検査AIの導入と運用におけるポイント
はじめに
1.外観検査AIにおけるドメインの理解
 1.1 ドメインとは何か
 1.2 製造現場におけるドメインの構成要素
 1.3 ドメインギャップとその対策
2.外観検査AIの技術分類と選択指針
 2.1 ゼロショット学習
 2.2 教師なし学習 (良品学習)
 2.3 教師あり学習
3.外観検査AIの精度向上のポイント
 3.1 導入前の要件定義と目標設定
 3.2 ドメインギャップの軽減方法
 3.3 ハイブリットアプローチの活用
おわりに


◇第6章 ヒューマンエラーへの活用◇

【第6章のポイント】
★微細な異常パターンを高精度に検出!
★導入が容易なインターロックシステムとは!



第1節 ヒューマンエラーの発生原因とそのメカニズム
はじめに
1.ヒューマンエラーの発生原因とは
 1.1 人はなぜミスをするのか
 1.2 人と機械との違いは
 1.3 人が犯しやすいポカミスとは
 1.4 人が認識するときに何が影響するのか
2.認知能力に影響する性格診断とはなにか
 2.1 エゴグラム・セルフテストとは
 2.2 エゴグラム・セルフテストの採点方法
 2.3 エゴグラム・セルフテストによる性格診断
3.ポカミスに対するポカヨケは
 3.1 再発防止ではなく未然防止策
 3.2 ポカミスを発生させない職場管理とは

第2節 機械学習によるヒューマンエラーの予兆検知
はじめに
1.機械学習によるヒューマンエラー予兆検知の概要
 1.1 基本アルゴリズムの種類と原理
  1.1.1 Isolation Forest
  1.1.2 One-Class SVM
  1.1.3 Autoencoder
 1.2 生成AIの補完的役割
  1.2.1 作業マニュアルや監視映像からのリスク指標生成
  1.2.2 ハイブリッドシステムによる即時対応
2.データ収集と前処理の詳細
 2.1 各種データソース
  2.1.1 作業ログデータ
  2.1.2 センサーデータ
  2.1.3 生体データ
 2.2 前処理手法
  2.2.1 ノイズ除去およびフィルタリング
  2.2.2 欠損値の補完
  2.2.3 正規化および標準化
  2.2.4 特徴量抽出
 2.3 データガバナンスと倫理的配慮
3.モデル構築と評価
 3.1 モデル構築の手法
  3.1.1 教師あり学習
  3.1.2 教師なし学習
  3.1.3 その他の手法
 3.2 モデル評価の指標
  3.2.1 精度と再現率のバランス
  3.2.2 モデルのロバスト性評価
 3.3 運用体制とフィードバックループ
4.製造現場における生成AI/AI導入と応用事例
 4.1 作業者の動作および生体データに基づく予兆検知
 4.2 設備操作時の予兆検知と安全管理強化
 4.3 統合プラットフォームによる全社的予兆検知体制
 4.4 導入時の課題と克服方法
5.他産業事例との比較および応用可能性
 5.1 先進的な意思決定支援システム(DSS)の活用
 5.2 異業種間での技術移転
 5.3 知見の共有による相乗効果
6.導入における課題と今後の展望
 6.1 導入時の課題
 6.2 今後の展望
おわりに

第3節 ヒューマンエラー回避用インターロックモジュラーロボットの活用
はじめに
1.安全確認の重要性とヒューマンエラーの限界
2.安全視認作業必須のインターロックシステム
 2.1 安全確認作業工程
 2.2 安全確認作業を強制させるハードウェア
3.簡易型ヒューマンエラー回避用インターロックシステム
 3.1 画像処理技術
 3.2 簡易機構モジュラーロボット
4.インターロックシステム使用時の作業効果と使用感の調査

第4節 生成AIを活用した現場のリスク低減
はじめに
1.製造現場や建設現場における安全面・プロジェクト進行上の課題
2.現場の過去書類データと生成AIを活用したリスク対策の仕組み
3.導入事例
 3.1 ナレッジ検索:大手建設会社
 3.2 作業指示書の内容チェック:大手製造業
 3.3 作業計画書のチェック:大手製造業
 3.4 見積作成時のベンダーへの交渉材料の抽出:大手製造業・建設業
4.将来の展望
 4.1 直近の未来:利用者の拡大
 4.2 より遠くの未来:用途の拡大
 4.3 利用の注意点
さいごに


◇ 第7章 暗黙知の可視化と技術・技能伝承への活用◇

【第7章のポイント】
★属人化していた「匠の技」を組織の共有財産へと転換!
  持続可能な技能伝承と継続的な改善を実現する方法とは!!



第1節 デジタル技術を用いた技術・技能伝承とその進め方
はじめに
1.これからの技術・技能伝承
 1.1 少子高齢社会での技術・技能伝承
  1.1.1 少子高齢社会での技術・技能伝承の考え方
  1.1.2 属人化を解消する
  1.1.3 共有知はデジタル化で習得期間を短縮する
  1.1.4 個人知はノウハウを共有する仕組みを作る
 1.2 暗黙知の見える化
  1.2.1 暗黙知見える化の考え方
  1.2.2 暗黙知見える化の進め方
  1.2.3 再現性を確保し形式知化する
2.デジタル技術を用いた伝承の進め方
 2.1 デジタル技術を用いた伝承の進め方
 2.2 デジタル技術を活用した伝承ツール
 2.3 デジタル技術を用いた伝承の成功ポイント
 2.4 デジタル化に潜む3っのリスク
  2.4.1 デジタル化に潜む3っのリスクに備える
  2.4.2 日々の気付きを共有する環境を創る

第2節 AIを活用した技術継承とその進め方
はじめに
1.近い将来の不都合な課題
 1.1 労働力人口の減少
 1.2 人材の流動化
 1.3 製品技術の複雑化
 1.4 製品開発の複雑化
2.生成AI/AI Agentを中心としたAIテクノロジーの進展
 2.1 LLM(大規模言語モデル)
 2.2 RAG (Retrieval-Augmented Generation)
 2.3 自律エージェント(AI Agent)
 2.4 ドメイン固有の生成AIモデル
3.AIと人が協調して労働の生産性を向上させるための3つの課題
 3.1 AI選定者の育成
 3.2 AI推進者を含む,導入マネジメント組織の編成
 3.3 AIの学習データの早急な蓄積
4.NECの考えるものづくり技術継承・強化のコンセプト
 4.1 技術継承のコンセプトを実現するための3つの解決策
5.AIを活用した技術継承への取り組み事例
 タイヤ開発における体系化が困難な匠のノウハウをAI化
 〜技能伝承とともに技術開発体制を強化〜
 5.1 従来の状況
 5.2 解決方法
 5.3 今後の展望
6.ものづくり技術継承・強化の進め方
 6.1 技術競争力継承・強化に向けた現状分析・構想企画フェーズの進め方(例)

第3節 AI・IoTを活用した職人技術,熟練技術の脱属人化と技術継承
はじめに
1.製造現場における暗黙知の課題とAI・IoT活用の必然性
2.熟練技術のデジタルデータ化:暗黙知を形式知へ
 2.1 各種センサーによるデータ収集
 2.2 作業者の動作データ
 2.3 設備・機械の稼働データ
 2.4 映像・画像データ
3.AIによる熟練技術のモデル化:技術の再現性を高める
 3.1 熟練技術の動作モデル
 3.2 品質予測モデル
 3.3 異常検知モデル
 3.4 技能評価モデル
4.AI・IoTを活用した技術伝承の仕組みづくり:次世代への継承
 4.1 デジタル教育コンテンツ
 4.2 リアルタイム指導システム
 4.3 技能伝承ナレッジベース
 4.4 遠隔作業支援システム
まとめ:AI・IoTが拓く,技術伝承の未来

第4節 消えゆく匠の技をどう継ぐか ─ 技能伝承の現在地とAIの可能性
はじめに
1.背景と課題の全体像
 1.1 なぜ技能伝承は今,危機なのか
  1.1.1 人口構造の変化:熟練者の大量引退
  1.1.2 産業構造の変化:個別対応・高品質化への要求
  1.1.3 社会的要請の変化:育成の“再現性”が求められる時代へ
 1.2 技能を継ぐとはどういうことか ─ 人・組織・技術の視点から
  1.2.1 熟練技能の構造:判断・感覚・経験則
  1.2.2 「現場の勘」はなぜ属人化するのか
  1.2.3 技能継承を支える組織設計とカルチャー
 1.3 AI導入のリアル ─ 現場で何が起きるか
2.ナレッジ化と活用インフラ
 2.1 ナレッジグラフによる知識の構造化
  2.1.1 RAGの進化とGraphRAGの必要性
  2.1.2 GraphRAGが製造現場にもたらす価値
  2.1.3 先進的アプローチ:スコアリング推論による意思決定支援
 2.2 生成AIを利用したデータ収集
  2.2.1 「匠の技」をどう引き出すか:データ収集の伝統的課題
  2.2.2 生成AIが拓く,新たなデータ収集の地平
  2.2.3 事例:生成AIインタビュアーによる技能抽出システム
  2.2.4 AI活用によるその他のデータ収集アプローチ
終わりに:データ収集の革新が拓く,持続可能な技能伝承

第5節 熟練技術継承へのAI・生成AI活用とポイント
はじめに
1.なぜ技術は伝わらないのか? ─ 技術導入・継承を阻む3つの「壁」
 1.1 立場の壁:立場による期待値のズレと目的の不一致 ―「誰のための技術か」が見えない
 1.2 認識の壁:技術に関する認識の曖昧さ ―「何を」「どこまで」伝えれば使えるのか
 1.3 文脈の壁:熟練者の思考プロセスと業務文脈への理解不足 ―「なぜそうするのか」が見えない
2.DX現場で求められる知識グラフの構造:材料開発の経験から見えた「繋ぐべき情報」
 2.1 「立場の壁」を越える知識グラフ:ステークホルダー間の期待と目的を繋ぐ
 2.2 「認識の壁」を越える知識グラフ:技術の本質的価値と課題を明確にする
 2.3 「文脈の壁」を越える知識グラフ:業務プロセスと暗黙知の可視化
3.技術導入・継承の壁を越える知識グラフとAIの実践的活用
おわりに


◇第8章 協働、産業ロボット導入と活用◇

【第8章のポイント】
★生成AIを活用したティーチング作業の自動化!
★手作業に起因する ばらつきや破損を大幅に減少!



第1節 製造現場への産業用ロボット,協働ロボット導入の進め方
はじめに
1.ロボット導入のメリット,デメリット
 1.1 産業用ロボットと協働ロボットの違い
 1.2 ロボット導入のメリット
 1.3 ロボット導入のデメリット
2.ロボット導入のプロセス
 2.1 ロボット導入のプロセス
  2.1.1 事前検討
  2.1.2 企画構想
  2.1.3 仕様定義
  2.1.4 設計(基本・詳細)
  2.1.5 製造・納入前テスト
  2.1.6 運用開始後の保守点検
 2.2 ロボットに何をさせるか
3.ティーチングの進め方
 3.1 ティーチングとは
  3.1.1 オンラインティーチング
  3.1.2 オフラインティーチング
 3.2 ティーチングの手順
4.生成AIの活用
 4.1 生成AIでできること
 4.2 音声認識機能の活用
5.ティーチングへの生成AIの活用
 5.1 少量多品種対応
 5.2 ティーチングの時間・コストの削減
 5.3 複数のロボットによる作業

第2節 協働ロボット活用へのひも状ToF・自己容量複合センサ
はじめに
1.協働ロボットの安全対策に用いられる主なセンサ
2.ひも状ToF・自己容量複合センサ
 2.1 原理およびセンサ構造
 2.2 基礎特性
 2.3 近接から接触までの連続測定
 2.4 ロボットに巻き付けたセンサ
おわりに
謝辞

第3節 産業用ロボットよる自動化ラインの構築とその進め方
はじめに
1.自動化を実現するための課題と対策
 1.1 付加価値生産性と自動化
  1.1.1 自動化の成否を判断する方法
  1.1.2 自動化に必要なロボット化・IoT化
 1.2 自動化に必要な生産準備プロセス
  1.2.1 製品開発から量産までの主要プロセス
  1.2.2 コンカレントエンジニアリングの重要性
 1.3 自動化に必要な設備対策
  1.3.1 稼働率と可動率の管理
  1.3.2 機械停止の調査と対策
 1.4 自動化に必要な標準化設備
  1.4.1 全数検査による品質保証
  1.4.2 安全基準に対応した安全対策
  1.4.3 自動化に対応した設備仕様統一
2.自動化を実現するためのプロセスと自動化の評価法
 2.1 製品開発部門としてやるべきこと
  2.1.1 製品開発の販売戦略を立てる
  2.1.2 生産工程のプロセスを取りまとめる
 2.2 生産技術部門としてやるべきこと
  2.2.1 工程計画を立て工程を設計する
  2.2.2 工程設計を取りまとめ設備仕様に反映する
 2.3 設備設計部門としてやるべきこと
  2.3.1 完成度の高い自動化設備を設計する
  2.3.2 設備仕様を設備設計に反映し具現化する
 2.4 自動化で失敗しない設備投資計画
  2.4.1 FCFで試算し投資可否を検討する
  2.4.2 FCFで投資回収期間を評価する
3.自動化の前にやるべき改善とロボットによる自動化レイアウト設計
 3.1 ジャストインタイムでモノを造る方法
  3.1.1 モノの流れを「乱流」から「整流」に変える
  3.1.2 「ロット生産」から「1個流し生産」に変える
  3.1.3 「設備改善」でリズミカルな作業に変える
 3.2 生産性の高い自動化レイアウト設計方法
  3.2.1 「レイアウト改善」で高効率な生産ラインに変える
  3.2.2 加工工程の自動化レイアウト設計
  3.2.3 組立工程の自動化レイアウト設計

おわりに

第4節 ロボットを活用した製造現場,工場の自動化とレイアウト設計
はじめに
1.生産ラインの自動化レベルの定義とあるべき姿
 1.1 生産ラインの自動化レベルの定義
 1.2 作業手順と自動化レベル
2.加工工程の自動化レベルと自動化レイアウト設計
 2.1 加工工程の自動化レベルの定義
  2.1.1 「自動化レベル2」
  2.1.2 「自動化レベル3」
  2.1.3 加工工程の「着々化」レイアウト設計
  2.1.4 「自動化レベル4」
  2.1.5 「自動化レベル5」
 2.2 加工工程の自動化レイアウトの事例
  2.2.1 機械加工ラインの自動化システム
  2.2.2 加工ラインの自動化レベル4の事例
  2.2.3 生産性向上に役立つ「IoT活用」の取組み事例
  2.2.4 モニタリングによる品質不良対策事例
3.組立工程の自動化レベルと自動化レイアウト設計
 3.1 組立工程の自動化レベルの定義
  3.1.1 「自動化レベル2」
  3.1.2 「自動化レベル3」
  3.1.3 組立工程「着々化」レイアウト設計
  3.1.4 「自動化レベル4」
  3.1.5 「自動化レベル5」
 3.2 組立工程の自動化レイアウトの事例
  3.2.1 組立ラインの自動化システム
  3.2.2 組立工程の自動化レベル4の事例
  3.2.3 「ロボット」による工程集約型組立システムのレイアウト設計
  3.2.4 リモートモニタリングの設備購入仕様書の作成法
4.ロボットを活用した自動化レイアウト設計の実践的手法
 4.1 ロボットを活用した自動化レイアウト設計の演習課題
  4.1.1 「自動化レイアウト設計」の検討方法
  4.1.2 「3D動作シミュレーション」の活用による演習
 4.2 自動化レイアウト設計の検討手順
  4.2.1 自動化レイアウトを出来高で評価する方法
  4.2.2 自動化レイアウトをサイクルタイムチャートから試算する方法
  4.2.3 自動化レイアウト設計の改善効果の検証
  4.2.4 ロボット削除に伴う部品分離・切り出しの対策
おわりに

第5節 ネジチョコ事業における,製造業DXの進化
はじめに
1.ネジチョコ事業の背景と開発経緯
2.製造工程へのロボティクス導入による生産性向上
3.生産・在庫管理のデジタル化と一元管理システム
4.生成AIの活用例:創造業務への展開
5.導入後の成果と今後の展望

第6節 「特化型ロボット」を用いた人との共生・共創によるものづくり
はじめに
1.人との共生・共創で新しい価値を生み出すAIロボティクス
2.AIロボティクスの技術進化と活用が進む3つの領域
 2.1 ロボット基盤モデルの登場
 2.2 バーチャルシミュレーションの高度化と一般化
 2.3 ハードウエアの進化
3.実装が進む特化型ロボットとロボットが共創パートナーとなる未来のものづくり


◇第9章 工場、製造現場の自動化/省人化とスマートファクトリー◇

【第9章のポイント】
★人間の介入を最小限に抑え、自律的で適応的な生産環境の構築!
★AIシステムを導入するだけでなく『使いこなす人材』をどう育成するか!



第1節 自動化/省人化への優先順序の決め方,費用対効果の考え方
1.自動化で何を狙うのか?
 1.1 自動化することが目的になっていないか
 1.2 自動化することで生産性は向上するのか
  1.2.1 資本装備率
  1.2.2 資本生産性
  1.2.3 資本生産性
 1.3 自動化は人と設備の最適な組み合わせで考える
2.自働化を進める前にするべきこと
 2.1 標準化の重要性
 2.2 製品の固定変動分析と材料標準化の考え方
 2.3 工程・作業レベルの標準化の検討
3.自働化を進める上で重要なこと
 3.1 自動化の優先順序
 3.2 設備投資の考え方
 3.3 自動化検討のステップと想定効果

第2節 「スマートファクトリー」実現へのデジタル,自動化技術活用のポイント
序章
シーメンスが描く最終的なスマートファクトリーの姿:Adaptive&Autonomous Plant
1.スマートファクトリーの進化 − 目指すべき最終形と各ステップ
 1.1 従来型工場
 1.2 接続された工場
 1.3 予測可能な工場
 1.4 自律型工場
2.AIと自律システムの役割
 2.1 AIによる自律的意思決定
 2.2 自己学習型機械と自己修正型機械
 2.3 データドリブン型機器とエッジ/クラウド コンピューティング
3.データドリブン意思決定と自律化
 3.1 AIによる需給予測と生産スケジューリング
 3.2 自律的意思決定のシフトとその価値
 3.3 自動化された意思決定の実現
4.サプライチェーンのデジタル化と自律化
 4.1 サプライチェーンの最適化とAI活用
 4.2 サプライチェーンの自律化
5.最後に
 5.1 スマートファクトリーの実現とは未来に向けた投資
 5.2 今着手することの重要性

第3節 スマート工場,スマートファクトリーを成功に導くために抑えるべきポイント
はじめに
1.スマートファクトリーの歴史
2.スマートファクトリーの現在地
 2.1 事例1:データ基盤構築と可視化による歩留まり向上
 2.2 事例2:セキュアなデータ分析環境の構築
3.AIを活用したスマートファクトリー
 3.1 AIナレッジセンター→ナレッジ活用力の向上
 3.2 AR/VR遠隔業務支援・技能トレーニング バーチャル工場見学→品質向上,安全管理
4.スマートファクトリーとデータリテラシー
 4.1 データドリブン,データリテラシーとは何か
 4.2 データリテラシー向上によるメリット
 4.3 データドリブンな組織を作るためのステップ
5.スマート工場・スマートファクトリーがもたらす価値 → 視点を未来

第4節 金属部品の切削加工における「製造AIと完全自動化」の意義と技術解説
1.製造業界での現場では今何が起きているか
2.「製造AIと完全自動化」の意義
3.完全自動マシニングセンタ「TTMC-タイプF」
4.進化する金属部品調達システム「MMOP」

第5節 工場・製造現場における生成AI活用とDX実現
はじめに
1.生産性向上の多様な目的
2.目的に応じた優先課題の相違
3.ツールとしての生成AI・デジタル活用
4.課題に応じた適切なツール選択と事例の活用
5.データ化・ルール化・標準化の重要性
6.生成AI・デジタル活用の事例
 6.1 事例:マツダのデジタルツイン実現
 6.2 事例:豊田自動織機の生成AI活用
 6.3 事例:シャボン玉石鹸のスマートファクトリー化への取組
7.定着のための人材育成と継続的改善
8.技術進化は日本の製造業にとって変革のチャンス
おわりに

第6節 工場へのDX/生成AI導入,推進と人材育成のポイント
1.当社が導入したデジタルツールの概略
 1.1 【IoT稼働モニタリングシステム】(iXacs, i Smart Technologies(株))2021年導入
 1.2 【エンゲージメント経営プラットフォーム】(TUNAG, (株)スタメン)2022年導入
 1.3 【タブレット端末】(monit, トランスミット(株))2023年導入
2.導入したデジタルツールの活用事例と効果
 2.1 製造ラインの生産性向上
 2.2 業務の標準化と情報管理コストの削減
 2.3 人財育成
3.製造業における生成AI活用への挑戦
 3.1 生産実績のレポート
 3.2 生産状況をモニタリングするデジタルツールの内製開発
 3.3 業務に関する問合せに回答するチャットボットアプリの内製開発
 3.4 その他
4.製造業におけるDX/AI推進と人材育成のポイント
 4.1 数多くのデジタルツールが販売されているがどのツールを選べばいいかわからない
  4.1.1 製造業における実績
  4.1.2 使いやすく,柔軟なユーザーインタフェース(UI)
  4.1.3 その他,契約や費用面での検討
 4.2 現場でも抵抗なく受け入れられ,継続的に効果が得られる自信がない
 4.3 社内のデジタル化やAIを推進する人材が社内にいない,どのように育成すればよいかわからない
  4.3.1 マインドセットの醸成
  4.3.2 手法の学習
  4.3.3 実践
  4.3.4 展開
最後に

第7節 センサデータを活用したスマートファクトリー実現への取り組み
はじめに
1.レトロフィットの考え方と導入ステップ
 1.1 現状把握
 1.2 課題抽出とKPI設定
 1.3 センサ選定
 1.4 エッジデバイス・通信規格の選定
 1.5 解析・モデル化
 1.6 ライン展開と継続的改善
2.センサ選定
 2.1 工場内でのヒトやモノの動きの把握
  2.1.1 UWB型屋内測位センサ
  2.1.2 Bluetooth型センサ
  2.1.3 映像(カメラ)型センサ
 2.2 製造機器自体の状態の把握
  2.2.1 音響センサ
  2.2.2 振動センサ
  2.2.3 電圧センサ
 2.3 製品出来栄えの予測
  2.3.1 映像(カメラ)型センサを用いた製品の出来栄え予測
3.エッジデバイス・通信規格選定
 3.1 エッジデバイス
  3.1.1 NVIDIA Jetson
  3.1.2 FPGA(Altera/Xilinxなど)
  3.1.3 シングルボードコンピュータ(RaspberryPiなど)
 3.2 通信規格
  3.2.1 Bluetooth Low Energy(BLE)
  3.2.2 Wi-Fi
  3.2.3 LoRaWAN
  3.3.4 Zigbee/Thread
4.解析・モデル化
 4.1 動線解析
  4.1.1 カーネル密度推定(KDE)による滞留ヒートマップ
  4.1.2 DTW+DBSCAN による動線クラスタリング
  4.1.3 グラフ中心性分析による経路ボトルネック評価
 4.2 異常検知/予測メンテナンス
  4.2.1 スペクトル包絡解析
  4.2.2 短時間フーリエ変換(STFT)+CNN
  4.2.3 ARIMA/SARIMA残差監視
  4.2.4 AutoEncoder/AnoGAN/拡散モデルによる教師なし異常検知
 4.3 品質予測
  4.3.1 勾配ブースティング木(XGBoostなど)
  4.3.2 統計的プロセス制御
5.ライン展開と継続的改善

第8節 AIエージェントと共に描く,インテリジェント製造の未来
はじめに:なぜ今、製造業の変革にAIエージェントが必要なのか?
1.AIの進化:AIエージェントの優位性
 1.1 AIエージェントの基本サイクルと構成要素
2.機械知能(CPS)の限界と進化
 2.1 課題1:フィジカル環境への対応力を持つAIモデルの未成熟
 2.2 課題2:CPSにおける双方向同期の制約
3.製造業を変革するAIエージェントのユースケースと先行導入事例
 3.1 AIエージェントのユースケース
 3.2 先行導入事例
4.インテリジェント製造の未来像