人工知能(AI)の技術開発と活用では、日本は米国や中国に後れを取っていると見る向きがある。確かに、政府や企業がAI分野の研究開発や設備導入に費やす投資額を見る限り、うなずける話だ。そんな中、世界のAI開発をリードする日本のベンチャー企業がある。Preferred Networks(以下、PFN)だ。製造業におけるAI活用に、いち早く乗り出した同社には、最先端のものづくりの課題と、それをAIで解決するための知見が着実に蓄積されている。そこで同社 取締役 最高技術責任者の奥田遼介氏に、同社が肌感覚で感じる製造業でのAI活用の現状とこれからの展望を聞いた。(聞き手=伊藤元昭)

――製造業でAIの活用に対する関心が高まっています。PFNは、こうした潮流の最前線にいる企業です。AIに大きな注目が集まる現状をどのように見ていますか。

奥田氏 正直に言えば、バブルっぽい部分を感じます。“AI”という言葉が、無条件に価値あるものとして記号化され、語られる傾向はあると思います。ただし、その一方で、製造業をはじめとする様々な分野の企業に、高い関心を寄せてもらえるのは、深層学習(ディープラーニング)や機械学習を扱ってビジネスをする私たちにとって、ありがたいことだとも感じています。

 製造業は、もともと機械化が他業界よりも進んでいた分野です。さらに、ここにきて生産ラインにIoT(Internet of Things)の概念を取り入れる動きが始まり、多種多様な機械がネットワークにつながるようになって、製造業でAIを活用する素地がいよいよできつつあるように思います。

Preferred Networks  取締役 最高技術責任者 奥田遼介氏
Preferred Networks  取締役 最高技術責任者 奥田遼介氏
(撮影:栗原克己)

人手が頼みの企業はAIの活用が下手

――製造業でAIを活用する企業と数多く接していることと思います。AIを上手に活用している企業に共通する特徴はあるのでしょうか。

奥田氏 AIを活用するには、機械化が前提になります、ここで企業文化が大きく影響しているように思います。これまで人材の力を頼みに仕事を回してきた企業では、なかなか機械化が進みません。こうした企業の場合、いざAIを活用しようとすると、どこを機械化すればよいのかから議論を始めなければなりません。一方、業界の中で後発の企業では、人材不足などを背景に機械化に積極的に取り組む傾向があります。機械化が進んでいれば、AIのアルゴリズムを実装するところから始めることが可能です。

 ただし、現状では積極的な企業においても、すべての工程が機械化されているわけではありません。つまり、あらゆる工程にAIが実装できる状況にはなっていません。例えば検査は、自動化が進んでいない工程の1つです。中国の製造業では自動化を進める企業が多く、AI導入に積極的な企業が多いのですが、いまだに検査工程については、数千人単位の人を配置して目視で検査している企業が少なくありません。

――日本企業は、人の有効活用を最優先に考えるところが多いように思えます。まず、機械化にもっと慣れる必要がありそうです。

奥田氏 AIを導入する企業だけでなく、それを支援する企業のレベルアップも必要でしょう。生産ラインは、高度な装置を複雑に組み合わせて構築します。単純に装置を並べて、つなげさえすれば、ライン全体が円滑に稼働するわけではありません。ライン全体が想定通りに稼働するように仕上げるためには、ライン全体のエンジニアリングを手掛けるいわゆるSIerの存在が欠かせません。生産ラインにAIを適用するには、SIerがAI活用の勘所を理解する必要があります。

 SIerの力を借りずに生産ラインを構築する方法として、いわゆる“ターンキー・ソリューション”を活用する方法があります。生産ラインの中に装置を組み込むだけで、すぐに機能するように装置を作り込む方法です。特定の条件や特定の物を対象とする検査システムを、“ターンキー・ソリューション”として提供することはできるかもしれません。しかし、様々な検査に対応できる汎用システムを、生産ラインに組み込んだ場合には、複雑なツールセットを高度に使いこなせるSIerの助けが必要になるでしょう。

バブルが沈静化してからが本番

――AIブームはいずれ沈静化するでしょう。その後、製造業を巡るAI活用の状況はどのように変わると思いますか。

奥田氏 現状では、投入するコストに対する効果が不明確なままAIに投資している傾向があります。とりあえずやってみよう、と投資に踏み切るケースです。ブームが沈静化すれば、こうした案件は減るのではないでしょうか。AIの応用分野の中には、確かにやってみないと効果が得られるか否かが分からないものもあります。そうした案件は、ブームが過ぎるとなかなか認められないという状況になるかもしれません。実は、私たちAI活用を支援する企業としては、そこからが本番だと考えています。

 製造業は、きちんとコストを管理する企業が多い業界です。たとえAIの導入によって工数を80%削る効果が得られたとしても、導入に際してのコストが高すぎて採算が合わないのならば手を出さないという企業が多いはずです。

 ところが現状では、そこをごまかしてしまっているケースがまだあるように思えます。現在行われているプロジェクトの多くは概念実証(Proof of Concept:PoC)の段階で、その先のプロジェクトで投資を回収できるという見込みがあるのかもしれません。だからといって、採算を度外視したプロジェクトを続けていると、本格導入の前にAIに失望する人を増やすことになりかねません。

(撮影:栗原克己)
(撮影:栗原克己)

最適解が最先端にあるとは限らない

――AIのような新しく高度な技術の活用には、相応のコストがかかるでしょう。成果なく、いつまでも多額の資金を出し続けるわけにはいかないですね。

奥田氏 実際にプロジェクトを始めてみると、深層学習のような高度な技術を使わなくても解決できる課題があることに気づく場合がたくさんあります。機械学習の基本的な要素を丁寧に適用することで解決できるケースです。

 最先端の手法を使うことが、あらゆる課題の最適解ではありません。実際、PFNでは検討を重ねた末に深層学習を使わず、最小二乗法のような極めて基礎的な統計処理手法を採用して課題解決する場合もあります。むやみに高度な技術を投入するようなことはしません。

 当然、私たちがフォーカスしたいのは深層学習のような最先端の技術です。しかし、最先端技術の効能を知っているからこそ、もっと簡単で費用対効果の高い方法も、自信を持って提案できるのだと思います。高度な手法だけ、あるいは簡単な手法だけ知っていたのでは、課題解決の最適手法を見極めることはできません。解決につながる可能性のあるすべての手法を俯瞰したうえで、お客様にとって最も適した手法を一緒に考えることが重要だと思っています。

壊れにくい機械の故障を予測する難しさ

――PFNは、産業用ロボットなどで有名なファナックと提携し、製造業で名が知られるようになりました。約3年経過した両社の取り組みの中で、どのような成果が得られましたか。

奥田氏 ファナックと最初に取り組んだのは、バラ積みされた製品を取り出すための画像認識技術の開発でした。ファナックの手法とPFNの深層学習技術を組み合わせて、ワークの取り出し順序の決定精度を高めることができました。

 ただし、バラ積み取り出しはキャッチーなテーマではありますが、生産ラインの中でそれほど多く使われている作業ではありません。実際の生産ラインでは、同じような作業の繰り返しにロボットが使われる場合が多いです。こうした工程の効率化が、より重要なテーマになります。そこで、より多くのロボットで使われる機能の開発を目指して、関節などロボットの可動部分に組み込む減速機の異常診断にも取り組んできました。ロボットに無茶な動きをさせると減速機を破損してしまいます。壊れるまで徐々に減速機に疲労が溜まるのですが、深層学習を使い、その疲労を推論して故障時期を予測します。すでに、かなり正確な予測が可能になっており、商品化に向けてこの技術の検証を進めています。

――産業用ロボット向けのAI活用で苦労している点はありますか。

奥田氏 実際に開発に取り組んでみると、様々な難しさがあって、挑戦しがいがあります。例えば、故障予測では、精度向上が最重要の開発テーマですが、精度の向上を図るには故障に至るまでの挙動についてのデータを集める必要があります。ところが、ゼロ・ダウンタイムを目指すファナックの製品はなかなか壊れないので、このデータが思うように手に入りません。

 よく壊れる製品を対象にすれば、データが簡単に集まります。しかし、壊れない製品の中から壊れる兆候を見つけるのは大変な仕事です。まず限られたデータを的確に収集するためにはファナックが蓄積してきた技術や知見が不可欠です。さらに、そこにPFNの技術を組み合わせ、壊れないケースのデータを上手に活用することで高精度な異常診断が可能になります。

(撮影:栗原克己)
(撮影:栗原克己)

勘と経験が頼りの作業にはデータがない

――深層学習や機械学習を製造業の現場に実装してみて意外だったことはありましたか。

奥田氏 製造業では、人の勘と経験に頼っている部分が、思いのほか多いことに驚きました。同じ装置を使っても、特定の人以外できない作業がたくさんあるのです。

 もちろん、その人の技術をベストプラクティスとして共有・継承しようと試みてはいるものの、日本の製造業のレベルを長期間にわたって保ち、さらに先を目指すためには、同じ作業を誰でも再現できるようにしておく必要があります。ところが、技能を機械化しようにも、その技能を持つ人がどのように装置を操っているのかが、その人自身の中で暗黙知となっていて説明できないことがあります。当然、学習用に使えるデータなどあるわけもなく、最初からデータを取り直す必要があります。

 このデータを集める作業はとても大変です。何十年もかけて習得した技能をどのようにデータ化すればよいのか的確に定義する必要があります。また、そもそも技能を持つ人がいて、現時点で何の問題もなくこなせている作業なので、コストをかけてデータを取ることに現場の理解が得にくい点も問題です。

(撮影:栗原克己)
(撮影:栗原克己)

企業の壁を越えたAI活用を簡単に

――ファナック以外のパートナーとも、産業用AIの開発に取り組む可能性はありますか。

奥田氏 PFNのパートナーは、1業界1社が基本です。例えば、自動車業界ではトヨタ自動車、工作機械やロボットではファナックをパートナーとしています。ファナックとは、「FIELD(FANUC Intelligent Edge Link & Drive) system注1)」 と呼ぶIoTオープンプラットフォームの開発にも取り組んでいます。私たちの技術は、このFIELD systemを通して、様々な製造業のアプリケーションに展開することができます。

 深層学習や機械学習は、実装するだけですぐに成果が得られるという技術ではありません。このため、私たち単独では、ユーザーに付加価値を提供できません。ファナックがPFNの技術を利用し、具体的なデータをそろえることで、初めて私たちの技術が効果を発揮するわけです。つまり、高い信頼を得ているパートナーを通じてPFNの技術を届けることが、結果として広く活用してもらうための早道になると考えています。

注1)FIELD systemは、ファナックと米Cisco Systems、ロックウェル オートメーション ジャパン、PFN、NTT、NTTコミュニケーションズ、NTTデータの7社を主要メンバーとして開発された。

 FIELD systemには2つの狙いがあります。1つは、当然、より多くのユーザーに使ってもらうこと。そして、もう1つがパートナーの輪を広げていくことです。今では、様々な企業がIoTプラットフォーム事業を手掛けるようになりましたが、ことオープン化によるパートナーの広がりに関しては、FIELD systemが頭1つ抜けていると思います。

 FIELD systemは、着々と進化しています。2016年に開催された工作機械の展示会「JIMTOF2016」で、ファナックはFIELD systemを介して自社製の装置同士が連携するデモンストレーションを披露しました。2年後に開催された2018年の「JIMTOF2018」では、ファナックの装置だけでなく他社のシステムも、FIELD system上で連携して動作する様子を見せています。FIELD systemはエコシステムを実現することを目指しており、ファナック製以外のロボットも同じフレームワークにつなぐことで、さらにユーザー価値を高めるという大きな構想もあります。

製造業のビジネスモデルに変革を起こす

――製造業の分野で、PFNは最終的にどのようなことを実現しようとしているのでしょうか。

奥田氏 工場の生産性向上を、ブレることなく追求していきます。その実現のアプローチは大きく2つあります。1つは自動化の追求です。もしかすると完全自動化工場も実現できるかもしれません。もう1つは、「人と機械の協調」です。

 かつて産業ロボットは安全柵で人と隔てられた領域の中にしか設置できませんでしたが、安全に関する法令や規格の改定を受けて、最近では一定の条件を満たせば人と同じ領域に設置できるようになりました。これは、高い生産性を追求するうえで有利です。人がかかわる工程とロボットを使った工程が別々の領域にあると、二つの工程の間で非効率なワークの受け渡しが発生しますが、同じ領域に人と機械が共存できれば、こうしたプロセスを排除できます。さらに、人と一緒に作業する産業用ロボットにAIを適用して、より効果的に協調するようにすれば、作業効率を一段と高めることができるでしょう。

――工場におけるAIの活用を加速するうえでの課題は。

奥田氏 キーポイントは、AIを利用して製造装置やロボットを簡単に使えるようにすることだと思います。今の製造装置やロボットは、かなり複雑な作業ができますが、それを使う人には専門的な知識やスキルが欠かせません。また、ある仕事をしているロボットに別のことをさせようとすると、再設定のための時間が必要になります。

 ロボットを移動して、1時間程度の準備作業ですぐ使える。そんな状態にできれば、工場内での装置やロボットを柔軟に配置転換できます。生産品目ごとに行う配置転換や条件設定など生産ラインを立ち上げる作業が効率化できるため、工場の生産性は大幅に向上すると思います。また、同じモノを作り続ける少品種生産ラインから、製品の改善や市場のニーズに合わせて柔軟にモノを生産できる多品種生産ラインへと進化させることも可能になります。

(撮影:栗原克己)
(撮影:栗原克己)

――そうした生産ラインが実現すれば、製造業のビジネスモデルにイノベーションが起きるほどのインパクトがありそうです。

奥田氏 まさに、その通りです。ファブレス企業が自由な発想で設計した、いかなる製品でも、一つのファウンドリーで生産できるようになります。また、最小製造単位や製造期間といった、設計条件の縛りとなる要件もなくなります。これによって、製品の設計者は冒険的な取り組みもしやすくなるでしょう。

 工場の自動化は、お金さえかければ、今でも可能です。問題は、やみくもに自動化すると、立ち上げにかかるコストと時間が膨大になることです。自動化はできるが、自動化に要するコストに見合った売り上げが得られなくて踏み切れないでいる現場がほとんどだと思います。また、自動化に足る生産量を確保するため、冒険的な製品設計ができない状況があるようにも見えます。

「すべての人にロボットを」

――2018年10月に開催された展示会「CEATEC JAPAN」で、家庭用ロボットへの展開も始めることをPFNが発表しました注2)。製造業向けの取り組みは変わるのでしょうか。

奥田氏 製造業向けに関しては、力を緩めることなく取り組んでいきます。PFN社長の西川徹のビジョン「すべての人にロボットを」という言葉を聞くと、パーソナル・ロボットにフォーカスするように聞こえるかもしれません。しかし、すべての人の中には工場で働く人も含まれています。B2B向けとB2C向けは、用途が違っても技術的共通点は多いので、シナジーを生み出せると考えています。

注2)PFNは、CEATEC JAPAN 2018で、現在開発中のパーソナルロボットシステム「全自動お片付けロボットシステム」を公開した。規格化されていない環境である人間の生活空間の中での複雑に変化する状況に臨機応変の対応や人との自然なコミュニケーションができるロボットの実現を目指したものだ。CEATECでは、従来の物体認識・ロボット制御技術では困難だった「散らかった部屋の全自動お片付け」をデモした。乱雑に置かれた洋服、おもちゃ、文房具などを認識し、所定の場所に片付けることができるものだ。また、ロボットに対して口頭やジェスチャーで片付け指示を出すなど、直感的なコミュニケーションも可能である。

――パーソナル・ロボットは、どのような点が技術的に難しいのですか。

奥田氏 パーソナル・ロボットは、一人ひとりのニーズや居住環境に合わせて動く必要があります。また、生活空間はとても変化が大きい点が特徴です。こうした違いや変化に柔軟に対応できるロボットを開発する必要があります。ここに、深層学習や機械学習を活用します。

――確かに、一人ひとりの人は、生まれた時には大差ないのですが、年を経るにつれて、抱えている課題や体力など大きな違いが出てきます。パーソナル・ロボットが実現できる技術があれば、様々な産業分野のニーズに柔軟に対応できそうです。

奥田氏 例えば、今では聴覚障がいを持つ方も、スマホを使ってコミュニケーションできるようになりました。ほんの少し前には、聴覚障がい者向けのデバイスを専用に作る必要がありました。アプリケーションの入れ替えだけで、対応できるようになったことは大きな進歩だと思います。私たちは、こうしたスマホで実現しているような、違いや変化に簡単に対応できるロボット・プラットフォームを作っていきたいと思っています。

(撮影:栗原克己)
(撮影:栗原克己)