re:Growth 2025 大阪で「 製造業における生成AIと フィジカルAIのユースケース紹介」というタイトルで登壇しました #AWSreInvent #cmregrowth
こんにちは、クラスメソッド製造ビジネステクノロジー部の田中聖也です。
2025年12月10日(水)に開催されたAWS re:Invent ふりかえり勉強会「クラスメソッドre:Growth 2025 大阪」に「製造業における生成AIと フィジカルAIのユースケース紹介」というタイトルで登壇しました。
登壇資料
資料概要
登壇資料は以下二つのブログを合わせたような内容です
- 「Build Agentic AI Solutions for Industrial Predictive Maintenance」というセッションに参加しました
- re:Invent2025で体感したフィジカルAIの現在
製造業で生成AIを使うことの難しさ
実務レベルで使えるようにするには「質の高いデータを収集する仕組み作り」が非常に大切になってきます。
質の高いデータ とはデータの使い方、業務内容で変わってきます。設備保全の場合だと、故障内容から交換する部品を教えてくれたらベストだと思います。そのためには、設備の故障履歴データが必要となってきます。単に「異音がしたのでプーリーを交換した」といったような「現象と結果」だけを書いたような故障履歴データでは、ベストな回答ができるような生成AIは作成が難しと考えています。なぜなら、実際の設備保全業務では、機械的に部品を外して少しづつ動かしてみたり、ラダーの動きを見ながら機械・電気複合的に故障の原因を突き止めていきます。また、異音といっても「どんな音なのか」が重要となってきます。よって、データを活用してベストな回答を求めるのであれば、故障履歴を記載するフォーマットを変更して、関係者に修理プロセスを含めてフォーマットに記載するようにお願いする必要があります。
同じような内容で大橋さんが記事を書いています。
目的を持ってデータを収集する
DXという言葉を見るとダッシュボード表示、見える化が王道ですが、そもそもなぜデータを収集するのかをしっかりと考える必要があります。個人、部署、工場の単位で業務が楽になるために何のデータを収集して、どう活用するのかといったことをしっかりと意識して、データを取集し続ける仕組みが必要かと思います。
