ローコードで産業用AIを再考する

スバ・ラオ
2024 年 6 月 19 日
分読み

AI、ML、GenAI。最近はどこでもこれらの用語を目にします。「Alexa、Siri、ChatGPT、誰か！これらの意味を教えてください。」と叫びたくなります。

まあ、私もただの人間ですが、いくつか定義を述べさせてください。そして、今後もっとよく目にすることになる 4 番目の用語を紹介します。

AI (人工知能): 人間のようなタスクを実行できるテクノロジー。(Alexa と Siri は、多くの消費者にとって AI との最初の出会いでした。)
ML（機械学習）：アルゴリズムを使用してデータを分析し、そのデータから学習し、そのデータを使用して将来のデータについて予測を行うAIテクノロジーの分野。（AlexaとSiri）機械学習を使用するパフォーマンスを向上させ、ユーザーの好みに適応するためです。
GenAI (生成型人工知能): 機械学習を使用して新しいコンテンツを作成する AI の別の分野。(ChatGPT はおそらく GenAI テクノロジーの最もよく知られている例です。)

とても簡単ですよね？（次回は、ディープラーニング、ニューラルネットワーク、教師あり学習と教師なし学習など、本当に楽しい内容に踏み込んでみましょう。）

これら 3 つの用語を定義したのは、これらがすべて、私が約束した 4 番目の用語に関連しているからです。産業用AI.

産業用AI入門

産業用 AI とは、産業における AI テクノロジーの利用を指します。その用途には次のようなものがあります。

労働力の増強
カスタマーサービスの強化
より持続可能な製品を作る
より持続可能なプロセスの設計

製造業者が産業用 AI をどのように使用しているかについて人々と話すとき、私はそれらの使用を最適化、予測、発見、透明性の 4 つのカテゴリに分けるようにしています。それぞれのカテゴリを詳しく見ていきましょう。

最適化

メーカーは常にシステムを最適化する方法を模索しています。それぞれの最適化により、一連のプロセス全体が強化されます。

組立ラインの最適化は生産スケジュールの最適化につながり、製造の最適化につながります。
資材処理の最適化は在庫の最適化につながり、サプライチェーンの最適化につながります。

メーカー使用シミュレーション技術プロセスを最適化するためにこれらの技術が生み出すのはデジタルツイン工場のすべての業務をモデル化するシミュレーションです。これらのシミュレーションにより、生産を妨げるボトルネックを明らかにできます。

AI は、デジタルツインによって生成された合成データと、工場によって生成された実際のセンサーデータの両方を処理できます。そのデータを使用して、ボトルネックを解消するための最も効率的なパスをプロットします。

予測

メーカーは常に未来を見据えています。次のようなことを予測する必要があります。

市場の需要はどのように変化するか
こうした需要が生産にどのような影響を与えるか
生産の変化に設備がどのように耐えられるか

メーカーが将来に備える最善の方法は、将来を正確に予測することです。

予測は原因と結果のパターンに基づいています。機械学習プログラムはパターンの検出に非常に優れています。膨大なデータセットを調査し、データがどのように相互作用するかを推測し、推測をテストし、学習した内容に基づいてさらに推測します。最終的に、機械学習プログラムはデータセット内のパターンの専門家になります。その後、それらのパターンを使用してデータセット内で予測を行うことができます。

たとえば、メーカーは組立ラインのセグメントからセンサーデータを収集します。そのセンサーデータには、コンベアベルトの速度からボールベアリングの温度、モーターの振動まで、あらゆるものが含まれます。メーカーは、そのすべてのデータとセグメントの修理履歴に関するデータを機械学習プログラムに入力します。

次に、プログラムはデータを検索して、セグメントがいつ故障したか、その故障の原因となった要因は何かというパターンを見つけます。パターンが判明すると、セグメントが再び故障する可能性が最も高い時期と理由を予測できます。

メーカーは、故障が発生する前にそれを防ぐメンテナンススケジュールを作成できます。予測メンテナンスにより、大規模な修理のコストを節約できるだけでなく、生産停止によって失われるはずだった収益も保護できます。

プーケットの魅力

これまでの例からわかるように、メーカーは大量のデータ、ほとんど多すぎるほどのデータにアクセスできます。このデータを利用するために、メーカーはデータをさまざまな方法で視覚化するダッシュボードを使用します。しかし、最も洗練されたダッシュボードでも、データが何を示しているかを発見するための目や時間が足りないという問題は解決できません。

ここで GenAI が役立ちます。機械学習はデータ分析の専門家であることがわかりました。GenAI が得意とするのは、その分析から有意義な知識を生み出し、それをわかりやすい方法で共有することです。

ChatGPT が皇帝ペンギンの営巣習慣に関する 3 段落の要約を即座に提供できるのと同じように、産業用 GenAI プログラムは、サプライチェーンマネージャーにシンガポールの港での出荷遅延の影響に関する迅速かつ包括的な要約を提供できます。

GenAI を使用してデータ検出を行う主な利点の 1 つは、検出要求を表現するために特別なエンコードを使用する必要がなく、要求の結果を理解するためにグラフィック分析の専門家である必要がないことです。GenAI は自然言語を理解して通信します。簡単な (または複雑な!) 質問をすれば、簡単な答えが得られます。

GenAI は単純な自然言語の要約に限定されません。指示セットなどのさまざまな形式のテキスト情報や、プロットやグラフなどのグラフィカル情報も生成できます。

透明性

データは、透明性がある、つまり簡単に見つけられる場合にのみメーカーにとって役立ちます。しかし、共有できる場合、最も役立ちます。AI がメーカーの自社データの透明性を高めるのにどのように役立つかを見てきました。GenAI と機械学習ツールは、メーカーとそのパートナーが相互にデータを透明性を高めるのにも役立ちます。

たとえば、電気自動車用バッテリーの製造業者は、非常に複雑なサプライチェーンを監視しなければなりません。そのバッテリーには、多数のサプライヤーから供給される 1,000 種類の部品が含まれています。また、製造業者は世界中からニッケル、コバルト、銅などの原材料を確保する必要があります。数多くの規制に準拠し続けるために、バッテリー製造業者はパートナーがどのように業務を行っているかの透明性を確保する必要があります。

しかし、サプライチェーンのパートナーがデータへのアクセスを互いにオープンに共有している場合でも、自分のデータストリームで必要な情報を見つけるよりも、他者のデータストリームで必要な情報を見つける方がさらに困難です。機械学習ツールは、データの検索、並べ替え、分類の専門家として再び役立ちます。また、GenAI ツールにより、受信データストリームごとに異なるダッシュボードセットに投資する必要がなくなります。探しているものを尋ねるだけで、GenAI が必要な形式でそれを提供します。

ローコードでデータと民主化のすべてをチェック

これらすべてを記事にまとめると、単純に聞こえるかもしれません。しかし、現実には、産業用 AI は膨大な量のデータを必要とします。そして、データ管理は決して単純ではありません。セキュリティ、規制、データ共有ポリシーの制約を遵守しながら、AI システムが自由にデータにアクセスできるようにする必要があります。

産業用 AI を最大限に活用したい製造業者は、データを簡単に次のことができる方法を見つける必要があります。

アクセス
フォーマット
支配する
統合
安全とプライバシーを守る

ローコードアプリケーション開発プラットフォームは、これらすべての要件を満たします。 Mendix データ管理をシンプルに独自の AI の使用。

AI 支援開発ボットのスイートである MxAssist は、直感的で強力なローコードデータ管理アプリケーションの構築を支援します。12 万を超える匿名化されたアプリケーションロジックの分析に基づいてトレーニングされており、アプリケーションの作成中にリアルタイムでコンテキストに基づいた推奨事項を提供します。

MxAssist は以下を提供します:

AI支援アプリケーションモデリングとロジック
AIによるベストプラクティス監査
AIによる自動検証ロジック

Mendix 外部の認知サービスとの AI/ML 統合を簡単に提供する唯一のローコードプラットフォームです。 Mendix Amazon、Microsoft、Google、OpenAI、Stability AIなどのサードパーティの認知サービスにシームレスに接続します。 Mendix TensorFlow、Caffe、PyTorch などの機械学習トレーニングフレームワークの結果をアプリケーションに適用します。

Mendix 次のような Amazon の市場をリードする AI サービスとの統合が特に簡単になります。