産業における AI の可能性を解き放つ

2018年には、私たちは、産業分野における人工知能 (AI) の 1 兆ドル規模の機会を調査しました。1マイケル・チュイ、ニコラウス・ヘンケ、メディ・ミレマディ、「AI のビジネス利用のほとんどは 2 つの分野になるでしょう」、マッキンゼー、2019 年 3 月 7 日。パンデミックが発生した今、調査によると、人材、回復力、あらゆる分野にわたるテクノロジーの実現、そして有機的な成長が最優先事項であることがわかっています。2最も重要なことは何ですか? 次の通常期における CEO の 5 つの優先事項、マッキンゼー、2021 年 9 月。

この記事は、Kimberly Borden、Mark Huntington、Mithun Kamit、Alex Singla、Joris Wijpkema、Bill Wiseman による共同作業であり、マッキンゼーの高度な産業慣行からの見解を表しています。

このような機会にもかかわらず、多くの経営幹部は、実際の収益への影響を得るために AI ソリューションをどこに適用すればよいのか、依然として確信を持っていません。 その結果、導入の速度が遅くなり、多くの企業が積極的に導入するのではなく、様子見のアプローチをとっています。

経営者は、考えられるアプリケーションを際限なく検討するのではなく、全体的な方向性とロードマップを設定し、AI が特定のビジネス上の問題を解決し、具体的な価値を生み出すことができる分野に焦点を絞る必要があります。 最初のステップとして、業界のリーダーは AI テクノロジーと、それを使用して特定のビジネス上の問題を解決する方法についてより深く理解できるようになります。 そうすれば、新しいアプリケーションの実験を開始しやすくなります。

「人工知能」という用語は、深刻な乱用に悩まされています。 それは最先端のテクノロジーのあらゆるアプリケーションの略語になっており、その本当の定義と目的が曖昧になっています。 したがって、産業企業にとって AI とその用途を明確に定義することは有益です。

つまり、AI とは、知覚、推論、学習、環境との対話、問題解決など、通常人間の心に関連付けられている認知機能を実行する機械の能力です。 AI テクノロジーの例には、ロボット工学、自動運転車、コンピューター ビジョン、言語、仮想エージェント、機械学習などがあります。

AI が産業に価値を生み出している分野の 1 つは、知識労働者、特にエンジニアの能力を強化することです。 このようなアプリケーションの中核では、AI の予測機能が利用されます。 企業は、従来のビジネス上の問題を、AI が機械学習アルゴリズムを使用してデータとエクスペリエンスを処理し、パターンを検出し、推奨できる問題に再定式化することを学んでいます。

企業は、AI がそれを解決する方法を検討する前に、まず既存のビジネス上の問題を定義する必要があります。 この演習を実施しないと、組織は最新の「光沢のあるオブジェクト」AI ソリューションを組み込むことになります。

次の例は、従業員の知識を強化し、ワークフローを合理化する際の AI の価値を示しています。

産業企業にとって最も困難な課題には、複雑な製造ラインのスケジュール設定、切り替えコストを最小限に抑えながらスループットの最大化、顧客への製品の納期厳守の確保などがあります。 AI は、多数の変数を一度に考慮して最適な解決策を特定する能力によって役立ちます。 たとえば、ある金属製造工場では、AI スケジューリング エージェントにより、顧客への納期厳守を大幅に向上させながら、歩留まりの損失を 20 ～ 40% 削減することができました。

従来の最適化アプローチは、供給または需要の重大な不確実性と変動を管理しようとして崩壊します。 過去 1 年間のサプライチェーンの問題すべてを考慮すると、この問題は特に関連性が高まっています。 強化学習に基づくスケジューリング エージェントを使用する 3 強化学習は、アルゴリズムがそのアクションに対して受け取る報酬を最大化しようとすることでタスクの実行方法を学習する機械学習の一種です。 詳細については、Jacomo Corbo、Oliver Fleming、Nicolas Hohn、「企業が強化学習のコースを計画する時が来ました」、マッキンゼー、2021 年 4 月 1 日を参照してください。企業はこの問題を「どの順序が最も可能性が高いか」という質問に変換できます。利益を最大化しますか?」という明確な推奨事項が得られます。

この問題を解決するには、企業はまず AI スケジューリング エージェントが適切な予測を行う方法を学習できる環境を構築する必要があります (図 1)。 この状況では、エージェントが将来の問題 (サプライ チェーンの混乱など) を予測できないため、(一般的な機械学習のように) 履歴データに依存するだけでは十分ではありません。

代わりに、組織は製造ラインと注文簿のシミュレーションまたは「デジタル ツイン」を構築することから始めることができます。 その後、スケジューリング エージェントが明細をスケジュールできます。 エージェントのパフォーマンスは、コスト、スループット、製品の納期厳守に基づいてスコア付けされます。 次に、エージェントはさまざまなタイプのシナリオで何百万回も「スケジューリング ゲームをプレイ」します。 Deep Mind の AlphaGo エージェントが自らプレイすることでより良くなったのと同じように、エージェントは深層強化学習を使用してスケジューリングを改善します。4「AlphaGo」、DeepMind、2022 年 11 月 17 日にアクセス。やがて、エージェントは高性能のスケジュールを作成し、作業を行うことができるようになります。人間のスケジューラと連携して生産を最適化します。

多くの産業企業は、特定の課題に直面したときに、最も関連性の高いデータを特定するという共通の課題に直面しています。 AI は、大量のデータを取り込み、エンジニアが問題を解決する際に最も役立つ可能性が高い情報を迅速に見つけることで、このプロセスを加速できます。 たとえば、企業は AI を使用して面倒なデータ スクリーニングを 30 分から数秒に短縮できるため、高度な資格を備えたエンジニアリング チームの生産性が 10 ～ 20% 向上します。 さらに、AI は、エンジニアがこれまで知らなかったデータ内の関係性を発見することもできます。

何十年にもわたって情報を収集してきた後、多くの場合、企業はデータは豊富ですが洞察力が乏しく、数百万の構造化データと非構造化データのレコードをナビゲートして関連情報を見つけることはほぼ不可能になります。 この課題は、エンジニアが非常に複雑なシステム (航空機、宇宙船、発電所など) での新しい問題のトラブルシューティングを行って、最も関連性の高い手順、機械のパフォーマンス データ、動作履歴、類似のサブシステムでの関連問題のインスタンスを見つける場合に特に重要です。 。 エンジニアは多くの場合、これまでの経験に頼ったり、他の専門家に相談したり、大量のデータを検索して関連情報を見つけたりする必要があります。 重大な問題の場合、この一か八かの宝探しは、よく言ってもストレスがかかり、最適とは言えない結果につながることがよくあります。

企業は、重要な技術辞書、参照テーブル、その他の情報を AI に入力することで、テキストの多い構造化技術文書と非構造化技術文書をナビゲートできるように AI に学習させることができます。 その後、AI が異なるテキスト間の意味関係を理解できるようにするアルゴリズムを構築できます。 次に、ナレッジ グラフ 5A ナレッジ グラフは、現実世界のエンティティのネットワークとそれらの相互関係を視覚的に表現したものです。 詳細については、IBM、2021 年 4 月 12 日の「ナレッジ グラフとは何ですか?」を参照してください。技術文書およびデータ内のすべてのセマンティックおよびその他の関係を表す情報ネットワークを動的に作成できます (図 2)。 たとえば、ナレッジ グラフを使用すると、エージェントは、過去に問題を解決するために使用された特定の手順で言及されていた障害のあるセンサーを判断できます。 ナレッジ グラフが作成されると、エンジニアはユーザー インターフェイスを使用してナレッジ グラフをクエリし、特定の問題に対する解決策を特定できるようになります。 このシステムは、情報が関連性があるかどうかについてエンジニアからフィードバックを収集するように設定でき、これにより AI が自己学習し、時間の経過とともにパフォーマンスを向上させることができます。

多くの産業企業にとって、製品のシステム設計は信じられないほど複雑になっています。 組織は AI を使用して、製品の構成、開発、調達から得られたデータで製品の部品表 (BoM) を強化できます。 このプロセスでは、過去の部品を再利用し、既存の標準作業を改善し、実稼働前定義をサポートする機会を特定します。 これらの洞察を活用することで、企業はエンジニアリング時間を大幅に削減し、より迅速に本番環境に移行できるようになります。

1 つのプロジェクトに数百万の部品、数千のサブモジュールとサブシステムが含まれる場合、プロジェクト全体はもちろんのこと、システム全体を把握し、個々のコンポーネントの詳細な設計を理解することは、一人のエンジニアにとってはほぼ不可能です。 その結果、新しいプロジェクトごとにシステムが再設計されますが、部品を再利用する機会が見落とされ、コストが上昇し、サプライチェーンが複雑になります。 さらに、エンジニアはシステム全体の相互依存性を完全に理解していないため、プロジェクトで大幅な手戻りが発生する可能性があります。

幸いなことに、AI のアプローチにはそのような制限はありません。 十分なメモリと計算能力を備えた AI ベースのソリューションは、数百万の部品やプロジェクト、数十億の関係を簡単に調べて、再利用の機会を特定し、相互依存関係に関連する手戻りを避けるためにプロセスを順序付けすることができます。 BoM を使用してシステムをネットワークベースで表現すると、システムの複雑な関係と階層を把握できます (図 3)。 この情報は、顧客の要件だけでなく、エンジニアリング時間、材料費、品質に関するデータによって強化されます。 この強化されたネットワーク構築により、企業は、たとえば、顧客の要件が影響する可能性のあるサブシステムや、相互依存関係に基づいてプロジェクトで手戻りを引き起こす可能性が最も高いエンジニアリング作業などをクエリして予測できるようになります。

製品が進化するにつれて、パフォーマンスの限界を押し上げることはますます困難になっています。 迅速に革新し、より高性能の製品をより早く市場に投入できる産業企業は、市場シェアを獲得し、市場セグメントで勝利する可能性がはるかに高くなります。

過去 30 年間にわたり、コンピュータ支援エンジニアリング (CAE) とシミュレーションが役に立ってきましたが、そのコンピューティング能力の限界により、設計領域を完全に探索し、複雑な問題に対するパフォーマンスを最適化することが妨げられています。 たとえば、コンポーネントには通常 10 を超える設計パラメータがあり、パラメータごとに最大 100 のオプションがあります。 シミュレーションの実行には 10 時間かかるため、結果として得られる数兆の潜在的な設計のうち、1 週間で調査できるのはほんの一握りだけです。 一連の設計実験でテストする最も有望な設計を絞り込むために経験豊富なエンジニアに依存している企業は、パフォーマンスを棚上げにする危険があります。

AI は、ディープラーニング ニューラル ネットワークを使用して、コンポーネントのデジタル ツインを作成し、パフォーマンスを予測します (図表 4)。6ディープ ラーニングは、各層でますます複雑になるデータの特徴を抽出して、出力。 詳細については、マッキンゼー グローバル インスティテュート、2018 年 4 月 17 日の「AI フロンティアからのメモ: ディープ ラーニングのアプリケーションと価値」を参照してください。組織は、ベイジアン オプティマイザーを使用して、探索する設計空間の最も有望な領域を予測することもできます。7ベイズ最適化の追求最小のステップ数で複雑な関数のグローバル最小値を決定します。 詳細については、Andre Ye の「The beautiful of Bayesian optimization, Explained in simple tongue」を参照してください。データ サイエンスに向けて、2020 年 9 月 12 日。正確な計算から、予測に重点を置いた指向性の問題解決アプローチに移行することで、設計の評価が飛躍的に加速します。 エンジンは、ディープラーニング デジタル ツインを使用して評価される何百万もの潜在的な設計を生成できます。 遺伝的アルゴリズムにより、複数の性能指標 (自動車の最高速度や燃費など) を同時に最適化できます。

産業企業は製品の品​​質に基づいて評判を築き上げており、継続的な成長にはイノベーションが鍵となります。 勝ち組企業は、製品のさまざまな問題の根本原因を迅速に理解して解決し、その学んだことを今後に統合することができます。 AI はこのプロセスを劇的にスピードアップできます。

製品と動作条件が爆発的に複雑になったため、エンジニアは根本原因を特定し、解決策を追跡するのに苦労しています。 その結果、企業は経験豊富なエンジニアによるパターン認識に大きく依存し、根本原因を突き止めるためにラボ環境で問題を再現することに多くの時間を費やしています。

AI と因果モデリング8因果モデリングは、データセット内の原因と結果を決定します。 詳細については、マッキンゼーの新着ブログ「因果推論と「what if」分析のための新しいオープンソース ライブラリである CausalNex をご紹介します」、マッキンゼー、2020 年 2 月 7 日を参照してください。アプローチは、この複雑さを定義されたビジネス上の問題に再定式化できます。この問題の根本原因として考えられる上位 5 つは何ですか?」 企業は、設計構成、製造パラメータ、メンテナンスと修理の履歴など、製品履歴と開発ライフサイクル全体にわたる何千もの変数を結び付けるイベントベースのデータ モデルを構築することから始めることができます。 AI ベースのモデルは、特定の問題に関連するインシデントの上位予測因子を特定できます (図表 5)。 次に、因果モデリングでは、因果関係があると考えられる変数から相関する変数を分離します。 ユーザー インターフェイスを使用すると、エンジニアはクエリを実行し、新しい問題の最も可能性の高い根本原因を見つけることができます。

AI はまだ開発の比較的初期段階にあり、急速に成長し、産業企業における従来の問題解決アプローチを破壊する準備ができています。 これらの使用例は、これらのソリューションの具体的なアプリケーションとその具体的な価値を実証するのに役立ちます。 AI アプリケーションを今すぐ実験することで、産業企業は今後数年間で莫大な価値を生み出す有利な立場に立つことができます。

キンバリー・ボーデンマッキンゼーのシカゴオフィスのパートナーです。マーク・ハンティントンアソシエイトパートナーである、アレックス・シングラシニアパートナーであり、ヨリス・ウィプケマパートナーです。ミトゥン・カマトダラスオフィスのパートナーです。 そしてビル・ワイズマンシアトルオフィスのシニアパートナーです。

著者らは、この記事への貢献に対して Maxime Szybowski に感謝の意を表します。