約120万機種の需要をAIで予測、LIXILが生産計画で全国試験運用

約230万におよぶ予測対象の一つひとつに対し、月次で予測モデルを都度生成するという設計が、この取り組みの中核にあります。全体で一つの大きなモデルを作り込むのではなく、対象ごとに固有の癖を捉えたモデルを毎回立て直す形をとったことで、按分に頼らずSKU単位・エリア単位の数字を直接算出できるようになりました。計画の粒度を意思決定の粒度に合わせにいった判断だと読み取れます。

過去実績が使えない領域を、あえて機械的な処理の射程に引き込んだ点も見逃せません。旧機種の終息と新機種の立ち上がりが重なるモデルチェンジ品は、時系列の実績だけでは予測が成り立たない典型ですが、対象品の新旧機種マッピングを用いた予測アプローチによって、1対1から多対多までのパターンを扱えるようにしています。既存品を先に出し、後からモデルチェンジ品を加えるという二段階のリリース順も、確実に効く範囲から現場に渡していく現実的な進め方です。

三つ目は、月次業務として回り続けることを前提に置いた運用設計です。モデルの再学習を毎月行って直近の傾向を取り込み、予測精度が時間とともに劣化するのを防ぐ一方、軽量かつ高速な並列処理によって、限られた計算資源でも月次の計画サイクルに収まる処理時間に抑えています。実績値を主としたシンプルなデータで精度を出すアルゴリズムであることも、データ整備の負荷を抑える方向に働いたはずです。膨大な予測データを事業側へ届ける環境にはLIXILが独自に持つデータプラットフォームが使われ、各工場でデータ活用を自走させるためのデジタルスキル支援も並行して進められました。