AI時代のデータ分析をどうAIに任せるか？工程データから最適化の手がかりを掘り起こす

工程データは「見る」ためのものではない、改善の手がかりだ
データから目指すのは「省人化」と「ムダ・ムラ・ムリの排除」
不良の「早期発見」は、センサーデータの異常検知から
不良が起きたら「変化点」を探る
多変数を同時に操る「条件最適化」でムラをなくす
データを活かす土台づくりが、省人化の前提
問いを立てるのは人、任せるのは集計と発見
もっと具体的に：工程データをAIに任せる実践提案
まとめ
出典・参考
あわせて読みたい

工程データは「見る」ためのものではない、改善の手がかりだ

製造現場には今、かつてないほどの工程データが蓄積しています。PLCやセンサーが刻む温度・圧力・振動・電流値、MESが記録する指図数や停止理由コード、検査機が吐き出す寸法や外観画像。しかし多くの工場では、それらが「各部門のシステムに散在し、数日前の過去データ確認で終わっている」状態にあります。

八千代ソリューションズの2025年調査（n=500）によれば、100人未満の小規模製造業でDXを「計画も検討もしていない」が41.5％に達しています。でも、データを持て余している工場こそ、AIに任せる価値が大きい。なぜなら工程データの本来の役割は「可視化して安心する」ことではなく、工程のムダ・ムラ・ムリを排除し、不良を早期に見つけ、発生時に何が変わったかを突き止める手がかりを得ることだからです。

データから目指すのは「省人化」と「ムダ・ムラ・ムリの排除」

工程データをAIに任せる目的を一言で言えば、現場の無駄を減らし、人の手を別の価値ある仕事へ回すことです。日本総合データの解説では、工程ごとの稼働データや作業時間を分析してボトルネック工程を特定し、レイアウト変更や作業手順の見直しでリードタイム短縮・在庫削減につなげる例が示されています。トヨタ生産方式のような「流れ」を、データに基づいて科学的に改善するイメージです。

具体的な指標がOEE（設備総合効率）です。設備の停止時間（停止ロス）、性能低下（速度ロス）、品質ロスをデータで可視化し、OEEを低下させる真の原因を特定します。例えば「チョコ停（瞬断停止）」や「段取り替え時間」が実は大きなロスだったと分かれば、対策の優先順位が明確になります。サイバネットの ThingWorx DPM の事例では、IoTで集めた設備データをダッシュボード化し、損失データの分析とリアルタイムなクローズドループで、従来の「属人的な改善」を組織的な仕組みに変えています。

不良の「早期発見」は、センサーデータの異常検知から

不良を減らす第一歩は、不良になる前に気づくことです。設備の振動や温度、電流値をAIが分析し、「通常とは異なる変化」を検知することで、故障や不良の予兆をつかみます。NTTコミュニケーションズの解説では、ベルトコンベアの速度超過や異常振動を即座にアラートし、誤作動による不良やライン停止を未然に防ぐ例が挙げられています。ある電力会社では点検の検知精度が期待を上回り、2名体制から1名体制へ削減に成功しました。これがまさに「省人化」です。

製品自体の不良も、画像認識AIによる外観検査で早期発見できます。ある繊維メーカーではAI異常検知により目視検査する画像数を10分の1に削減し、検査員の確認漏れも減らしています（NTTコミュニケーションズ）。人の目に頼る検査をAIが肩代わりし、ヒューマンエラーを減らしながら検査工数を下げる、典型の「ムリの排除」です。

不良が起きたら「変化点」を探る

早期発見だけでなく、不良が実際に発生したとき「何が変わったか」を特定するのも工程データの役割です。統計的な「変化点検出」の手法があり、時系列データにおいて平均値や分散が急激に変化した時点を検出します。製造条件（温度・圧力・材料ロット・作業条件）と品質結果を紐付け、相関分析や要因分析で「どの工程のどのパラメータが最も寄与しているか」を統計的に特定します（日本総合データ）。

つまり「今の不良、いつから始まった？」「その時、どの条件が変わった？」に、データが即座に答えてくれるようになります。朝一番の温度変化、特定の材料ロット、作業者の交代――そうした変化点と不良の因果を裏付けることで、対策はピンポイントになります。

多変数を同時に操る「条件最適化」でムラをなくす

不良を減らし、品質のバラつき（ムラ）を抑えるには、最適な製造条件をデータから探す条件最適化AIが有効です。半導体や化学のように調整可能なパラメータが多い工程で効果が出やすく、過去の工程条件と品質結果の関係を学習して、不良が出にくい条件を探索します。

より大規模な実例がENEOSとPreferred Networksの取り組みです。石油化学プラントで物理知識を取り入れた制御AIを導入し、13の運転因子を常時監視し、9つのバルブを同時に操作することで、手動を上回る効率運転を確認したと公表されています。人の手では追いきれない多変数の最適化をAIが担い、運転のムラを最小化した結果です。また、ベテランの暗黙知を学習データに取り込めるため、属人化していたノウハウを定量化し、世代交代後も品質を維持できます（OptiMax）。

データを活かす土台づくりが、省人化の前提

ここで忘れてはならないのが、AIに任せる前のデータ整備です。工程データは「設備の動作が変わったタイミングでポンポンと非同期に飛んでくる状態変化の記録」であり、そのままでは意味を持ちません（日本総合データの工場ダッシュボード解説）。生産計画やシフト情報と照らし、「これは段取り中の停止か」「異常による停止か」と意味付けする集計層が必要です。

実務の流れは次の4層です。

収集（IoT）：設備やセンサーからデータを集める
蓄積（データレイク／DWH）：生データをそのまま蓄積し、分析しやすい形に整理・統合する
処理・分析（AI／ML）：蓄積データを機械学習モデルで分析する
可視化・活用（BI）：ダッシュボード等で見える化し、改善に役立てる

この土台がないと、現場の担当者がUSBメモリでデータを回収し、手作業でつなぎ合わせる「集計作業員」になってしまいます。グラフを作る頃にはデータは数日前のもの、という事態では、リアルタイムな早期対策も省人化も到底できません。取得から可視化までの自動化が、改善のスピードを支えます。

問いを立てるのは人、任せるのは集計と発見

分析自体も、「データサイエンティストに頼む」から「現場の人が普通の言葉でAIに聞く」へ変わりつつあります。Text-to-SQL（自然言語からのSQL生成）により、専門知識がなくても「今週の出荷遅延を教えて」といった指示で分析が可能になり、データ活用の民衆化が進みます（NTTデータ）。GoogleのGeminiを使ったBigQueryのSQL生成や、Power BIのCopilot（レポート自動生成）も同様です。

ただしNTTデータは、どのデータを結合するか、どのKPIで評価するかといったデータサイエンスの知見は人間側に必要とも指摘しています。AIに丸投げではなく、「何を改善したいか」という問いを人が持ち、集計と発見をAIに任せる。その役割分担が、現場改善を加速させます。

もっと具体的に：工程データをAIに任せる実践提案

ここまでの事例を踏まえ、現場ですぐ動かせる具体的なAI活用提案を3つ挙げます。

提案1：工程ごとに「見るべきデータ」を決めてAIに常時監視させる

抽象的な「データ活用」ではなく、工程の物理に即した監視項目を決めます。例えば射出成形ならシリンダ温度・型温・射出圧、溶接なら電流・電圧・ワイヤ送給速度、組立なら締付けトルクのばらつき、をAIが常時監視します（NTTコミュニケーションズの解説では、ベルトコンベアの速度超過や異常振動を即座にアラートする例が示されています）。わずかな偏差が不良の予兆になり得るため、変化点検出で「いつからおかしくなったか」を即座に特定します。先の変化点調査を、具体的なセンサーメニューに落とし込んだものです。

提案2：AIエージェントによる24時間の自動監視と「朝イチ変化点レポート」

人がいない夜間もセンサーデータをAIが監視し、異常を検知してアラートを出します。さらに翌朝、前日の「どの設備で・どのパラメータが・いつ変わったか」を自動でレポート化します。電力会社の事例（点検を2名→1名に削減）は、この「人に代わって見続ける」ことの成果です。属人化していた「ベテランのカンによる異常発見」を、AIの常時監視に置き換えられます。