製造業から注目を集めるAIだが、その導入が進展しているかと言えば、必ずしもそうとはいえない。PoCの段階から、実際に現場で使えるものにするのに大きな壁があるというのが実情だろう。三井化学は、「現場で使えるAI」という観点で取り組みを進めており、製造現場の外観検査を含めてさまざまな事例が生まれている。この取り組みを支えているのがMathWorksの技術計算ソフトウェア「MATLAB」である。

» 2020年12月16日 10時00分公開

[PR／MONOist]

　製造業がデジタル技術の導入を進める中で最も注目を集めているのがAI（人工知能）だろう。AIを用いた自動化は、業務の効率化や煩雑な業務からの解放を可能にするとともに、より創造的な業務への集中によるイノベーションや付加価値の創出につなげられる。コスト競争力が強化され、競争力の源泉も生み出せるのだ。

　ただし、実際に製造業におけるAIの導入が進展しているかと言えば、必ずしもそうとはいえない。特に、PoC（概念実証）の段階から、実際に現場で使えるものにするのに大きな壁があるというのが実情ではないだろうか。

　この状況に対して「現場で使えるAI」という観点で取り組みを進めているのが三井化学だ。多様な化学製品を製造する同社でAI活用に取り組んでいる、研究開発本部生産技術研究所先端解析グループ主席研究員の前川真太朗氏に話を聞いた。

AIはあくまで課題解決のツールの一つ

　三井化学は、モビリティ、ヘルスケア、フード＆パッケージング、基盤素材などの分野で化学製品を提供するB2B企業だ。国内に製造拠点6箇所、研究所1箇所、営業拠点4箇所を持ち、海外の関連会社や拠点と連携しながら、用途、目的に応じた製品をグローバル展開している。

　現在の、いわゆる「第3次AIブーム」は、2010年代中盤に機械学習の手法の一つとしてディープラーニングが注目されたことが契機となっている。三井化学は、このような形でブームとなる以前からAI活用に取り組んできた。前川氏は「当社の研究開発や生産技術におけるAI利用の取り組みは、今回のAIブームの15年以上前から始まり、それ以降も継続的に進められてきました」と語る。

三井化学研究開発本部生産技術研究所先端解析グループ主席研究員の前川真太朗氏

　前川氏が所属する生産技術研究所の先端解析グループは、「基盤技術開発による差別化技術の獲得」と「開発技術の活用によるコア事業の競争力強化」というミッションを掲げている。AIや自動化技術は、このうちの基盤技術開発に含まれる。また、先端解析グループは三井化学の事業、生産、研究に対して横断的に関わる部署でもあり、同社の将来を担う重要部門にもなっている。

　前川氏自身は、約2年前にAI開発を担当する以前は、製造スタッフや高分子合成、計算化学などを10年以上にわたってするなど化学エンジニアとしてのキャリアを積み重ねてきた。「それまでは計算化学の専門家としてFORTRANを活用していましたが、機械学習のプログラミングの経験はありませんでした。現在はAI開発という業務のためにPythonを利用していますが、できればAIに関わるプログラミング自体にできるだけ工数を掛けたくないと考えています。AIはあくまで課題解決のツールの一つに過ぎません」（前川氏）という。

三井化学におけるAI・自動化技術開発の取り組み（クリックで拡大）

外観検査システムのAIによる自動化を1年で実現

　三井化学はさまざまな分野でAIの活用を進めている。それらの中から、前川氏が担当したシート状製品の外観検査システムにおける自動化を例に、AIにどのように取り組んでいるのかを見てみよう。

　従来の同製品の外観検査システムはカメラを使った異物監視を行っていた。製品内に異物を検知するとアラームを出し、担当者が現場に出向いて製品を解体し、異物の有無を確認するというものだったが、この検知方法では誤検知が多く、アラームが多く発せられることが課題になっていた。また、規格を満足している製品の破棄や、アラームの度に現場に出向く運転員の作業負担の増加なども起こっていた。

製品外観検査システムの自動化におけるAI導入の背景と目的（クリックで拡大）

　これらの課題を解消するために導入を決めたのがAIだ。前川氏は「私自身は、AIを開発する上でディープラーニングや機械学習をあまり使わない方がいいと思っています。これは、現場にそれほどのデータの蓄積がない中で多くのデータを必要とすることや、ルールベースのアルゴリズムと比べて現場に実装する上での説明が難しいことなど幾つか課題があるからです。この事例では、ルールベースでは達成できない高い精度が必要だったためディープラーニングを採用しましたが、データ収集や説明性の問題については現場としっかり連携をとって説明するようにしました」と強調する。

　実際に、このAIを用いた外観検査システムは、2019年夏に開発をスタートしてから1年で完成しているが、モデル開発に2カ月、現場実装用アプリ開発は1カ月で済んでいる。最も時間をかけたのは、現場とのすり合わせを含めた開発の方向性を固める期間であり、9カ月を費やしている。「データのアノテーション（ラベル付け）は先端解析グループのメンバーで行いましたが、そのために現場の熟練技術者に密着して製品の良否判定についての指導を仰ぎました。ここで工数をかけてしっかりデータを作り込むことで、その後の工程で問題を出さずに済みます」（前川氏）。

Pythonで開発したモデルの現場実装で起きた4つの課題

　この外観検査システムへのAIの現場実装用アプリ開発は、その期間が1カ月と極めて短いことが大きな特徴になっている。そこで大いに役立ったのが、MathWorksの技術計算ソフトウェア「MATLAB」である。

　まず、AIのモデル開発そのものは、開発スタッフにはPythonのユーザーが多く、Pythonからのみ利用できるライブラリもあったためPython-Kerasを用いた。この段階でAIモデルの推論精度は現場の基準をクリアできていたという。

　しかし、Python-Kerasで開発したモデルを現場に実装する段階で「プログラムの実用性・利便性」「オフライン下での環境構築の難しさ」「実行速度」「メンテナンス性」という4つの課題が表面化してきた。プログラムの実用性・利便性や環境構築では、いくら詳細なマニュアルを用意してもPythonを動かすための環境セットアップは現場の負担になり、それが使いにくければ使われなくなってしまう。「現場の誰でも使えることが重要です。誰でも抵抗なく使える形にしないと、長期間運用してもらえません」（前川氏）。また、Pythonは実装時の実行速度が不足する問題があったり、バージョン2系と3系の間で後方互換性がないなど長期間での運用を考えた際のメンテナンス性にも不安があったりした。

製品外観検査システムにおけるAIの現場実装における課題（クリックで拡大）

　これらの課題を解決したのがMATLABである。MATLABには、Python-Kerasで開発したAIモデルをMATLABに移行するためのツール「Deep Learning Toolbox Importer for TensorFlow Keras Models」が用意されている。これを用いてMATLAB上に移行したAIモデルを、さらに「MATLAB Compiler」でGUIベースのアプリケーションを作成した。これによって、現場にPythonなどの環境を構築することなくAIモデルが導入できたという。

　Pythonで課題になっていた実行速度についても、MATLABに移行することで大幅に向上できることを確認した。例えば、NVIDIAのGPUを用いる場合であれば、Pythonと比べてMATLABの実行速度は7倍近くにまで向上することを確認している。これによって、現在稼働しているシステムのハードウェアを変更することなく、満足できるタクトタイムを実現できた。導入や稼働時にPythonのようにネットワーク接続している必要もないので、セキュリティ的にも安心できるという。

「Deep Learning Toolbox Importer for TensorFlow Keras Models」を用いたモデル評価例。NVIDIAのGPUを用いる場合は実行速度が7倍近くまで向上している（クリックで拡大）

　なお、このシート状製品の外観検査システムは、AIの導入によって従来比で工数を約8割削減できるという成果が得られた。これは、今までアラート対応に追われていた熟練技術者が、本来取り組むべき生産的あるいは戦略的な業務にリソースを割けることを意味している。

　AIによる外観検査の自動化は、製造の工数を減らしつつも製品の品質を一定に保つことにもつながる。検査を標準化することで熟練技術者以外でも検査ができ、製造現場における人材の手配もやりやすくなる。これらによって、製品の製造コストも適正化できるだろう。

さまざまなAIプロジェクトでMATLABが推進力に

　三井化学では、この他にもさまざまな形で製造現場へのAI導入を進めている。

　先述のシート製品とは別の製品になるが、品質保証項目の1つに形状安定性があり、これについて全製品の3次元形状を人が見て合否を判定し、確実に合格の製品のみを出荷するという検査工程があった。“目視による全数検査”は極めて多くの工数が掛かることからAIによる大幅な効率化を期待できるが、それ以外にも「顧客の求める品質に応えるという観点で、一律の判定基準による検査の自動化も求められていた」（前川氏）という。

　AI導入の際には、これまで人が目視で検査する際に用いていた3次元形状データを帳票データとして数値化し、これらのデータを基に機械学習を行った。これにより、検査工数の大幅な削減と一律の判定基準の確立という2つの目的を実現できた。

　また、研究開発品の品質評価にもAIを導入している。透明フィルム上の特定の欠点を低減することが求められたものの、透明なのでコントラストなく、欠点のサイズが1μmと小さいため自動検査装置では対応できないという問題があり目視に頼っていた。この目視検査の工程にAIを導入することで、検査時間を従来比で73％削減することに成功した。

　ここまでは外観検査の事例だが、事業部内で行っている解析業務の自動化などにもAIを適用している。解析業務は、どうしても一部のスキルのある人員に集中する傾向があるが、それによって「他の業務に時間を割けないことが事業部全体のボトルネックにもなっていた。前川氏は「この解析業務にもAIを適用し自動化を進めた。いわゆるRPA（Robotic Process Automation）になるだろう。約8割の業務効率化を実現し、そこから売り上げ増にもつなげることができた」と述べる。

　MATLABはこれらのAIプロジェクトを推進する力にもなった。「個人的な感想ではありますが、豊富に用意されている関数などを含めてプログラミング言語としてMATLABは使いやすいですね。また、製造業では長期サポートが重要になってきますが、製造業での採用実績も豊富なMATLABであればその点でも安心感があります」（前川氏）。

　AIシステムは、実際に現場に導入されて初めて機能するものだ。そのため、システムの開発では、当初から現場への導入をイメージする必要がある。この点、プログラミングから現場用のアプリ生成までを行えるMATLABは非常に良い選択となるだろう。MATLABを使うことで、AIの開発において本来割くべきことに時間と労力を投入できる。これによって、より価値の高いシステムが構築できるのだ。