半年かかる鋼材の割れやすさ判定を数分に、現場主導のAI分析

高炉の中は直接のぞくことができず、複雑で大規模な製鉄プロセスの制御は長年、熟練者の緻密な感覚に支えられてきました。その担い手が減っていくなかで、品質を落とさず供給を続けられるのかという問いが差し迫っていた、というのが出発点です。

編集部の見立てでは、この困りごとの本質は「人が足りない」ことよりも、判断の根拠が個人の頭の中にしか残らない形をしていた点にあります。勘や経験そのものは精度の高い資産ですが、装置の中が見えない工程では、なぜその判断に至ったのかを他者が検証する手段がありません。検証できないものは引き継ぐことも改善することもできず、担い手が減った瞬間に一気に失われる。暗黙知を形式知にするという方針は、技能伝承の言い換えというより、判断を検証可能な形に置き直す作業だったのではないでしょうか。

分析の主体を、データの専門家ではなく現場の技術者側に置いた設計が効いています。機械学習のプロセスを自動化するプラットフォームを選んだことで、モデルづくりの手続きに詳しくなくても仮説を試せるようになりました。製鉄の工程で「どの条件が怪しいか」を最初に思いつけるのは、日々その設備を見ている人です。分析技術を持つ人に工程知識を教えるより、工程知識を持つ人が分析の道具を握るほうが近道だという判断が、ここには表れています。

ツールの配布で終わらせず、実際の業務データを教材にしたOJTと伴走支援を組み合わせた点も見逃せません。研修用に整えられたきれいなデータではなく、自分たちが普段扱っている数値を題材にすれば、操作方法ではなく「この課題をどう解くか」という思考の順序が身につきます。伴走支援は、つまずいた時点で軌道修正が入る仕組みとして機能したと考えられます。ノーコードの道具は使い始めのハードルを下げますが、問いの立て方までは自動化してくれません。そこを人の支援で埋めた構成です。

対象を熱間延性という一つの指標に絞り込んだことも、成果に直結した選択に見えます。横割れという具体的な不具合に結びつく性質へ照準を合わせたため、何を予測できれば現場が助かるのかが明確でした。さらに、鋼材の種類に応じて複数のモデルを使い分ける構成をとっており、一つの万能モデルで全種類を賄おうとしない割り切りが、精度と実用性の両立につながっています。

従来は外部機関の専用装置による実験に半年以上を要していた熱間延性の予測が、独自開発した分析モデルによって数分で実行できるようになりました。現場のユーザーは条件となる数値を入力するだけで結果を得られ、鋼材の種類ごとにモデルを使い分けることで精度も高められています。取り組みは一つのモデルにとどまらず、300人以上の社員がツールを使い、30件以上のプロジェクトが実用段階へ進んでおり、データで課題を解く進め方が組織の側に根づきつつある段階です。