ビジョンと戦略の欠如：データ／AI活用によって何を達成したいのか、そのためにどのような戦略を取るのかが明確でないと取り組みの方向性が定まりません。例えば、稼働率を具体的に何％向上させるのか、そのためにどのプロセスを改善するのかといった明確な目標設定が必要です
プロジェクトの優先順位の不明確さ：限られたリソースをどのプロジェクトに投入すべきかの判断ができないと、効果的な成果が得られません。全ての課題に一度に取り組もうとするとリソースが分散し、どれも中途半端に終わってしまいます
組織文化や人材育成の遅れ：データ／AI活用に対する理解や協力が得られず、現場と経営層の間にギャップが生じます。人材育成が進まないと内製化も困難になり、外部依存から脱却できません。データリテラシーの向上やデータ活用を推進する組織文化の醸成が求められます

前編のまとめ

　製造業の現場でデータ／AI活用を成功させ、作業者や機械の稼働率向上を実現するためには、これらのデジタル怪獣を克服する必要があります。そのためには、明確なビジョンと戦略の策定、組織全体での取り組み、適切なガバナンス、人材育成と組織文化の醸成が不可欠です。

　次回の後編では、これらの怪獣を倒し、稼働率向上を実現するための全体的なアプローチと具体的な成功事例について詳しく探っていきます。データとAIを効果的に活用し、製造業が直面する多くの課題を乗り越えるための具体的な方法を考えていきましょう。（次回に続く）

筆者プロフィール

笹口和秀（ささぐちかずひで） DataRobot Japan, AI サクセスディレクター

主に建設業や製造、ユーティリティーの顧客へのAI戦略策定や組織／人材育成などに従事。併せて、脱炭素／GXへのAI活用／促進を担当。前職はコンサルティングファームのマネージャーとして事業戦略策定やDX新規事業立案などに従事。

・DataRobot https://www.datarobot.com/jp/

≫連載「製造業の生産性を飛躍させるデータ／AI活用の全貌」バックナンバー
AI活用が進む自動車業界、その継続的な運用に必要な「MLOps」とは
AIの活用が進む自動車業界だが、その使いこなしという意味では課題も多い。本稿は前後編に分けて、自動車業界が抱えるAI活用の課題を取り上げるとともに、その解決策として「機械学習モデル管理の重要性」（前編）と「コネクテッドデータの活用」（後編）という2つの観点で解説する。
自動車業界が取り組む要因分析、AutoMLによる自動化でさらなる加速へ
AIの活用が進む自動車業界だが、その使いこなしという意味では課題も多い。本稿は前後編に分けて、自動車業界が抱えるAI活用の課題を取り上げるとともに、その解決策として「機械学習モデル管理の重要性」（前編）と「コネクテッドデータの活用」（後編）という2つの観点で解説する。
機械学習で入ってはいけないデータが混入する「リーケージ」とその対策
製造業が機械学習で間違いやすいポイントと、その回避の仕方、データ解釈の方法のコツなどについて、広く知見を共有することを目指す本連載。第1回では「リーケージ」について取り上げる。
機械学習による逆問題への対処法、材料配合や工程条件を最適化せよ
製造業が機械学習で間違いやすいポイントと、その回避の仕方、データ解釈の方法のコツなどについて、広く知見を共有することを目指す本連載。第2回は、製造業で求められる材料配合や工程条件の予測に必要な、機械学習による逆問題への対処法ついて取り上げる。
教師データが足りないと「異常予測」は難しい、ならば「異常検知」から始めよう
製造業が機械学習で間違いやすいポイントと、その回避の仕方、データ解釈の方法のコツなどについて、広く知見を共有することを目指す本連載。第3回は、「異常予測」と「異常検知」について取り上げる。教師データ量の不足が課題になる「異常予測」に対して、「異常検知」は教師データなしでも始められることが特徴だ。