JR西日本が自動改札機の故障をAIで予測、点検3割減・故障2割減を両立

予測の材料に、券詰まりの回数や切符の搬送速度といった、機器が日々吐き出している動作ログとセンサデータを選んだ点が、この取り組みの土台になっています。改札機は毎日大量の乗車券を処理しており、その処理の様子は特別な計測をしなくても記録として残ります。それを故障履歴と突き合わせ、どんな挙動の変化が故障の前触れになるのかを機械学習で学ばせる。新たに何かを測りに行くのではなく、すでに手元にある記録を予測の資源として読み替えた設計です。

もう一つの柱は、故障確率を押し上げた要因を機器ごとに示す解釈機能を独自に作り込んだところにあります。予測モデルの出力が「この機器は危ない」という数字だけであれば、保守担当者は結局どこを見ればよいのか分からず、従来どおりの一通りの点検に戻ってしまいます。要因まで提示されるからこそ、点検に向かうかどうかだけでなく、行った先で何を確認するかまで決められる。予測を判断材料として使える形に落とし込んだことが、現場で回る仕組みになった理由だと考えられます。

運用のリズムを週に一度のデータアップロードと推論に置いた点も見逃せません。故障予測は常時監視でなければ意味がないと思われがちですが、点検の計画を組み替える単位が週や月であるなら、予測の更新もその周期に合わせれば足ります。いきなり全線に広げず神戸エリアで試し、試行エリアと対象外エリアを1台あたりで比べる形で効果を確かめてから展開に進んだ段取りは、効果が目に見えにくい予測の仕組みを組織に受け入れさせるうえで理にかなった進め方。