AI需要予測で材料の廃棄額を50分の1に、三菱重工・航空機工場の調達改善

いきなり機械学習に飛びつかず、紙の在庫管理シートを実績データに変換して基準量データベースを整えた順序が、後の展開を支える土台になりました。シールは10種類、使用場所は260箇所にわたるため、予測すべき単位は2,600通りに及びます。この粒度を先に定義し、生産スケジュールから必要量を算出するSQLベースの仕組みを組んだことで、何を入力し何を当てにいくのかが明確になりました。裏を返せば、AIに学ばせられる形にデータを整形する作業が、実質的な前工程だったことになります。

うまくいった要因として編集部がより重く見ているのは、AIの予測値に人が経験則の係数を掛ける運用をやめた判断です。導入初期は予測を完全には信頼できず、経験に基づく係数で補正していましたが、その補正が外れて廃棄が増えたり、在庫が足りずにシールが枯渇したりする事態が起きました。出力に人が手を加えると、外れた原因がモデル側なのか補正側なのか切り分けられなくなります。予測はそのまま使い、予実管理のデータで予測精度自体を鍛える方針へ切り替えたことが、改善のループを回せる状態をつくったと考えられます。

予測算出にかかる時間が大幅に短くなったことを、コスト削減ではなく検証回数の原資として使った点も見逃せません。空いた時間で入力要素を入れ替えながら試し、現場の作業員に直接話を聞く中で、その日の気温や作業員の熟練度といった、これまで言葉になっていなかった判断材料が浮かび上がりました。暗黙知を形式知に変えるというDX活動のコンセプトが、予測モデルの特徴量という具体的な器を得たかたちです。