工場・製造現場のAI活用事例

4年前に自分で作った日報の仕組みは数量や時間の欄は問題なかったが、自由記述の表記ゆれや誤字で過去の記録が検索に引っかからなかった。

トラブルの処置や次の直への申し送りといった大事な情報が、残っているのに使えない状態になっていた。

1. 日報のテキストをClaudeのAPIに渡し決めた形に構造化させる
2. 表記ゆれの名寄せと日付や単位の統一をさせる
3. 記入漏れや矛盾は品質の指摘として出させる
4. 未記入は計算で埋めずnullにするよう指示文で禁じる
5. 整えたデータを複数日まとめて渡し繰り返しやずれを探させる

OCRの崩れや全角半角の混在を含む架空の日報14枚で試したところ、外径が一方向に増えているのに公差の記載がない点や、トラブル欄に記載があるのに時間が0.0hになっている矛盾を出せた。

申し送りの懸念が扱われず同じ損失が再び起きていることも見つかり、費用は1枚の正規化が約10円、14枚の横断分析が約30円だった。

板金塗装の修理受付は客からの申し出や店員の目視での声がけに頼っていた。

そのため傷やへこみがあっても気づかれず修理の機会を逃していた。

1. ガソリンスタンドの来店導線にゲート型スキャナーを置く
2. 洗車割引をきっかけに診断を客へ案内する
3. 通過した車を動画撮影しAIが傷やへこみを判定する
4. 診断レポートと概算見積を店員が客に説明する
5. 関心を持った客をLINEでつなぎ正式見積と修理へ渡す

来店した客はゲートを通過するだけで車の傷の診断結果と概算見積をその場で受け取れるようになった。

撮影作業に人手をかけずに済み、埋もれていた修理の需要をデータとして拾える形になった。

編集用の仮ナレ作りや深夜ニュースの読み上げにアナウンサーを確保する負担が重く、外国語ナレーションは人もお金も足りなかった。

1. GeminiとText-to-Speechを土台に自社の音声生成基盤を作った
2. 音声合成マークアップ言語で尺やアクセントを制御した
3. 原稿を入れて声色を選びワンクリックで音声を作る
4. アクセントを1文字ずつ直し固有名詞を手で整える
5. 報道は従来型モデル、ドラマはGemini系と使い分けた

正式公開から1年で利用者は800人を超え、作られた音声は合計500時間分を上回り、音声まわりの業務だけで20人月ほど減った。

費用の都合で読み手を立てられずにいた動画にも音声を付けられるようになり、外注した場合との差は概算で1000万円以上になった。

設計図面から構造物の名称や寸法を目で読み取り手計算でまとめる数量拾いは5〜6人のベテランに集中し、1案件あたり2〜15時間かかっていた。

図面を読む暗黙知が文書化しづらく、若手が入り込めないうえ見積書の提出が遅れて受注を逃すこともあった。

1. AIコンサル会社と組み現場の進め方を聞き取り専用アプリを共同で作った
2. 設計図面のPDFを読み込ませ構造物と寸法と数量を拾い出させた
3. 車止め8個などの一覧表をExcelで書き出した
4. 抽出箇所を図面上に色付けして表示し確認を早めた
5. AIの出力は下書きとし最後は技術者が目で確かめた

数量拾いは最大12時間から約10分になり、見積もり全体の工数も最大15時間から約4時間に減った。

専門知識のない社員でも一覧表を作れるようになり、ベテラン任せだった業務を若手や未経験者にも広げられた。

米の銘柄判定は資格を持つ検査員の目視に限られ、秋の収穫期には大量の検体が集中して負担が重かった。

現場の高齢化と人手不足も重なっていた。

1. 外部パートナーと組みAWSとAmazon SageMakerで開発の場を用意した
2. 検査皿に米粒を並べスマホで撮ると数十秒で銘柄名が出る仕組みにした
3. 1回1,000〜1,500枚の写真で学習し10サイクル繰り返した
4. 検査員の見方をエンジニアが聞き取り粒の形や輪郭の特徴に落とし込んだ

青森と秋田の産地あわせて8つの銘柄を自動で見分けられるようになり、実証実験では有資格の検査員に並ぶかそれ以上の精度が出た。

今は目視検査の前段の下調べとして社内で使い、担当者の負担を減らしている。

菓子の乾燥や炙りに使うチェーンコンベアが年に数回壊れ、生産ラインが止まっていた。

修理に3日かかる場合もあり、賞味期限のある商品を捨てることもあった。

1. 市販のマイクとマイコンボードでコンベアの音を定期的に録音する
2. 録音をAWSへ送りAmazon S3にためる
3. Amazon SageMakerで正常音を基準にした教師なし学習で異音を見つける
4. 異音検知時にAmazon SNSから担当者へメールを送る
5. 担当者が音を聞き現場で整備の要否を決める

2022年末に最初の検知モデルができ、2023年4月には全てのチェーンコンベアで異音検知ができるようになった。

放置すれば3日止まる損傷を稼働時間外の2時間の整備で直せた例があり、始業時と終業前の見回りも取りやめた。

マイナス22度の冷蔵冷凍倉庫での作業は人が集まりにくく、人手頼みのままでは事業が続かない恐れがあった。

倉庫内の物の位置を知るためにセンサーやRFIDを全部に付けるのは手間も費用も見合わなかった。

1. 食品防御用に設置済みの監視カメラ映像を活用対象にした
2. 画像・動画解析エンジンのAMY Insightを選んだ
3. Deep Learningでフォークリフトやカゴ車を追跡する仕組みを作った
4. Amazon EC2上にAWS Deep Learning AMIで土台を組んだ
5. 1対象物あたり最大3,000枚弱で学習させ5ヶ月かけて精度を確かめた

追跡成功率97%を達成し、これまで取れなかった位置と追跡のデータが手に入った。

5ヶ月のうちインフラの準備は約1週間で終わり、残りを学習とモデル調整に回せた。

業務用の冷蔵冷凍庫の故障は顧客からの連絡で知ることがほとんどで、夏に依頼が集中して作業員の確保が難しかった。

大型設備では被害額が1,000万円に達することもあり、早い対応が求められていた。

1. 顧客先の設備にセンサーを付け冷媒圧力と温度を一定間隔で取り込む
2. AWS IoT Coreを入口にS3へデータをためる
3. ためたデータをAmazon SageMakerに学習させ故障の予兆をつかむ
4. 異常検知時は作業者のスマホに通知し準備してから現場へ向かう
5. 故障箇所の候補を3程度まで絞ることを目標にする

現地に行かないと分からなかった設備の状況をリアルタイムで見られるようになり、故障前の修理対応ができるようになった。

1990年代に数百万円かけた遠隔監視システムの置き換えでは10分の1以下のコストになり、学習期間も通常約2ヶ月のところ2週間程度で済んだ。

住宅の工事工程は担当者の経験に頼って組んでおり、経験の浅い社員だと節目の日取りを正しく置けず時間もかかっていた。

1. 現場監督がGeminiのカスタム機能で工程作成の仕組みを作る
2. 着工から引き渡しまで約150日を土台に設定する
3. 木工事完了日やクリーニング日など外せない節目を登録する
4. 着工日を入れるだけで各節目の日付を逆算して並べる
5. 出てきた工程を担当者が現場の事情に合わせて手直しする

入力するのは着工日だけになり、経験の浅い担当者でも精度の高い工程を引けるようになった。

代表からはカレンダーへ全工程を自動連携する次の案も出た。

建物の改修需要が増え、従来の保守に加えて中小規模の建設工事にも対応するようになった。

現場担当者が確認する対象が製品仕様だけでなく建設業法や下請法、社内規定まで広がり、調べる手間が重くなっていた。

1. 取扱説明書やスペックシートをSTiVに登録した。
2. 業務標準や社内規定も入れてまとめて検索できるようにした。
3. 自席のパソコンや現場のタブレットから質問を投げる。
4. 回答と一緒に参照元の資料と該当箇所を返す。
5. まず約30名で3〜4ヶ月試し効果を確かめて広げた。

あいまいな記憶からでも目的の資料にたどり着けるようになり、情報検索にかかる時間が大きく減った。

試行後はメンテナンスサービス領域全体の約1,000名規模へ広げている。

エアコンなど機器の交換や回収の記録をパソコンからしか入力できず、後回しによる入力漏れや確認の遅れが起きていた。

在庫数が正確につかめず、回収を頼む時期を逃すこともあった。

1. 既存のクラウド環境に生成AIと自動化の流れを組み合わせた
2. 現場のスマホから操作できる専用画面を作った
3. 交換や保管、回収依頼の状態をボタン1つで登録する
4. 登録内容をその場で集計し関係者が最新状況を見られるようにした
5. 決めた台数に達すると社内チャットへ自動通知を飛ばした

入力漏れと回収依頼の遅れがなくなり、年間20時間の業務時間を減らした。

鰻の成瀬はテイクアウトの需要が高く電話注文が多いが、混み合う時間帯の着信がそのたびに調理と接客の手を止めていた。

電話に出られず注文を取り逃がすことも起きていた。

1. 店舗への電話に対話AIのアイブリーが応答する
2. テイクアウトのメニューを音声で案内し品目と数量を聞き取る
3. オプションと受け取り時間と氏名も続けて確認する
4. 聞き取った内容をテイクイーツへ連携し予約として登録する
5. スタッフは調理と接客を続け登録された注文を見て用意する

電話対応にかかる現場の手間を大きく減らせる形になり、目の前の客への対応に集中できる環境ができたとPafit側は説明する。

全店ではなく一部店舗で実証を進めている。

プラスチック成形品の検査で不良を見逃すトラブルが起きていた。

人の目に頼る検査のままでは従業員の負担も大きかった。

1. 機械学習を使った画像検査装置を自社で開発した
2. 製品をセットすると撮影と判定が動く仕組みにした
3. 良品と判定されたものだけを個数としてカウントする
4. 組み立て機構と検査の開始ボタンを連動させた
5. 判定結果を画像と日時つきで時系列に保存した

自社内で500万回を超える検査の実績があり、導入してからは品質トラブルが起きていない。

同じ悩みを持つ同業者への外販も始まり、今年に入って複数社が導入した。

米国の各販売拠点ではExcelを使い型番ごとに発注数を人が判断していて、4名合わせて週3.8時間かかっていた。

担当者の経験頼みで発注数がばらつき、拠点をまたいだ重複発注による在庫過多も起きていた。

1. ベアリングや精密機器の販売データをDeep Predictorに読み込ませる
2. 需要予測から発注推奨量の算出までを一つのサービスでまかなう
3. 型番を一つずつ調べる作業をやめ推奨量を見て発注を確定する
4. 基幹システムの入れ替えに合わせ全米の拠点に同じ仕組みを入れる
5. 提供元が現場の運用に並走する形で支援を受ける

米国全拠点の在庫発注作業は4名合計で週3.8時間から1.4時間になり、約63%減った。

年間では約124.8時間分が浮き、発注数のばらつきと拠点間の重複発注も解消した。

社会インフラ向けの制御システムは10年以上動き続け、トラブル対応の記録が大量にたまっていた。

過去の情報から答えを見つける作業はベテランの経験に頼りきりで、担当者によって速さも質もばらついていた。

1. 熟練者が過去事例を調べる言葉と順番を分析する
2. 言葉にしにくいやり方を手順として書き出す
3. 100件以上の業務ノウハウをAIエージェントに組み込む
4. プロンプトの手直しと調整を重ねる
5. 自社事業所で先に使い効果を確かめてから外販する

事例検索は1件あたり60分から5分になり、約9割減った。

対応レポートの作成は120分から15分、不具合の原因分析は16時間から3時間になり、それぞれ8割以上減った。

仕入先への発注をFAXで行っており、社員が毎日FAX機まで移動して1件ずつ送る作業が続いていた。

この手作業だけで月に約80時間かかっていた。

1. プログラミング未経験の社員が生成AIに相談しながら自分で組んだ
2. GoogleスプレッドシートとGASをつなぎ入力から自動送信まで処理させた
3. 最大11段階のまとめ送信に対応させ700〜800行のコードにした
4. 行き詰まった3回はゼロから組み直し4度目で完成させた
5. 約2ヶ月の開発を外部の支援を受けながら進めた

月間約80時間の作業がなくなり、稼働後は約50日間で1,600件を処理してエラーは0件だった。

受注管理や多段階承認など60〜70ファイルの追加開発にも広がり、若手社員もAIを使い始めた。

長年ためてきた紙の資料が大量にあり複数のシステムに情報が散らばっていて探しにくかった。

品質保証や薬事の仕事はベテランの記憶頼みになりがちだった。

1. 信頼性保証部にナレッジ管理システムSTiVを導入した
2. 過去の品質イベント記録と外部レギュレーション情報を一か所に集めた
3. 手書き文書をOCRで読ませその場でテキスト化する
4. テキストからそのまま報告書の素案を作らせる
5. 逸脱報告書をもとになぜなぜ分析の素案づくりも試す

手書き文書の読み取りと素案作成にかかる時間が半分になり、業務時間を50％減らせた。

紙と電子が混ざった状態でもまとめて情報を引き出せるようになった。

工程表や見積書の管理を手作業でこなしていて、複数現場の予定を把握しづらかった。

社内にIT担当がおらず、大きなシステム投資も難しかった。

1. 手元のGoogle Workspaceを土台にする
2. Google Apps ScriptとGemini APIで仕組みを組む
3. PDFの工程表と見積書をGemini APIに読み取らせる
4. 読み取り結果を工程管理表へ自動で書き込む
5. 日程をGoogleカレンダーに流し込み一画面で見る

目視と手入力でやっていた転記が自動になり、複数現場の予定を一画面で確認できるようになった。

API利用料は月額数百円程度で、PDF解析は1件あたり数円程度に収まっている。

全国の店舗で働く約10万人のクルーが、必要なマニュアル情報にその場でたどり着けずにいた。

サービスの幅も働く人の背景も広がり、同じ品質を保つことが難しくなっていた。

1. 社内の動画やPDFを回答の情報源に設定する
2. 動画の音声を先に文字起こしして根拠にする
3. 普段の言葉の質問に要約と動画リンクを返す
4. 人事や給与など答えさせない話題を決める
5. 利用者の属性で閲覧範囲を分け複数言語で返す

2026年1月から2月に437店舗で試したあと、全店約2,600店舗へ広げた。

試用中のアンケートで回答がとてもわかりやすいという答えが1回目から2回目にかけて14ポイント伸びた。

過去の部品や似た製品の図面を参照する場面が多いのに、図面番号では検索できなかった。

名称でも表記のゆれで見つからず、探すのに時間がかかっていた。

1. クラウドの図面管理サービスに過去の図面をためた
2. AIで似た形の図面を探せるようにした
3. 治具や作業動画や3Dモデルを図面に紐づけた
4. 紙の図面にQRコードを貼り現場で読めるようにした
5. 決めごとや不具合は現場の人が書き残す運用にした

加工履歴や手順にすぐたどり着けるようになり、加工時の迷いや判断のばらつきが大きく減った。

不具合が減って品質が安定し、作業手順の標準化も進んだ。

調達から出荷までの期間が長く見込み生産が欠かせないため、起点となる需要予測が外れると調達や生産まで影響が及んでいた。

住宅着工件数や農産物価格、金利、天候など幅広い外部の情報を人の手だけで追い続けるのは難しかった。

1. 経済予測プラットフォームを需給DXの部署に導入した
2. 品目ごとに関係する外部指標と需要を結びつける
3. AI側に品目別の需要予測値を出させる
4. 担当者の経験による予測とAIの予測を並べて見比べる
5. PoC中は品目ごとに作り方を調整し精度を確かめる

担当者の経験だけに頼っていた予測に、データにもとづくもう1つの視点が加わった。

PoCの中でトラクタなど実際の対象品目の予測精度が上がったことを確認できた。

受注ごとに作るオーダーメイドの制御盤で、過去の図面や実績を探して応用する場面が多かった。

ベテランは経験で判断できるが、若手は膨大な図面から必要な情報を見つけられなかった。

1. パソコンを日常的に使う設計部門から導入した
2. 紙の図面はスキャンしてPDFにした
3. ファイルtoナレッジで図面と取扱説明書を登録した
4. AIが作った要約に回路の情報を足してタグを付けた
5. 若手には分からないことをQ&Aで聞くよう声をかけた

型式から過去の設計をたどり、そのまま機器のマニュアルまで見に行けるようになった。

若手の質問がベテランを巻き込む形になり、質問と回答が教育の記録として残るようになった。

工場では上司が毎月手作業でシフト表を作っており、負担が大きかった。

社内にはプログラミングの知識を持つ人が限られ、非エンジニアが自分で仕組みを作るのは難しかった。

1. 全社にexaBase 生成AIを導入し社員が使える状態にする
2. オプトアウトや禁止ワード登録と機密情報ブロックを効かせる
3. シフト表の条件をチャットで伝えExcel VBAのコードを書かせる
4. 出たコードをExcelで動かし追加指示で直す
5. 利用ログを見てよく使う社員に使い方を聞き社内へ広げる

プログラミング未経験の社員でも、A4用紙1枚ほどのコードならすぐに書けるようになり、シフト表作成が楽になった。

翻訳や要約、企画の案出しでも使われ、業務の効率が大きく上がったという声が出ている。

外注先の高齢化と後継者不足に加え、働き手の確保も難しくなっていた。

技術を次へ引き継ぎ人手を減らす仕組みづくりが急がれていた。

1. 会議メモを生成AIに渡して資料を自動で組み上げる
2. 報告書の添削とコードレビューをChatGPTに任せる
3. アイデア出しもChatGPTに任せる
4. プログラムのエラーの原因と直し方をAIに説明させる
5. 過去8年間のデータを機械学習AIに学ばせサイクルタイムを予測する

事務作業の手間が大きく減り、教育を担当する社員の負担も軽くなった。

サイクルタイムを高い精度で読めるようになり生産計画の精度が上がった。

定例会議の議事録は担当者が録音を最初から聞き直し、所定のシートに手で打ち込んでいた。

現場の仕事が終わった夜に残業で作る形になり、負担が重かった。

1. 4つのツールを試しRimo Voiceを支店で契約した
2. 現場や部署ごとにチームフォルダを作り関係者を招く
3. 会議を録音し音声をアップロードして文字起こしする
4. 自社の議事録用紙に合うテンプレートで要約させる
5. 要約を軽く直しWordやExcelのシートに貼る

議事録づくりは録音からコピー＆ペーストまでの5ステップになり、夜間の残業作業がなくなった。

会議中はメモに追われずに話へ集中でき、URLで共有できるので会議をやりっぱなしにすることもなくなった。

このカスタムテンプレートは他の支店でも使われている。

スクラップヤードでは荷物のラベル違いや機械の故障が日常的に起きる。

1,000点を超える製品の部品番号を体系立てる作業は何週間もかかるため後回しになっていた。

1. 止まった設備の症状をChatGPTへ説明した。
2. 切り分けの手順を出させて技術者を待たずに対処した。
3. 1,000点以上の製品の部品番号の体系を整理させた。
4. 顧客の専門的な質問は仕様や材料をその場で調べて答えた。
5. 出た答えは丸のみにせず自分で確かめて使った。

何週間もかかるはずだった部品番号の整理が半日で終わった。

以前は後日に折り返していた技術的な質問にも、その場で答えられるようになった。

忘れ物の記録を紙とエクセルで回しており、転記の手間や部屋番号の打ち間違いが起きていた。

台帳に載るまで時間がかかり、フロントは問い合わせのたびに現物を見に行っていた。

1. 客室清掃向けSaaSのJtasを導入する
2. 拾った忘れ物をスマホやタブレットで1枚撮る
3. AIが区分と特徴と場所を自動で埋める
4. 人は中身を確かめ足りない情報だけ直す
5. 部屋タイプ別チェックリストで二重チェックを記録する

忘れ物の登録と管理の手間を減らし、問い合わせへの返答を速くすることを狙う。

清掃の不備をデータで示せるようにして、スタッフごとの傾向に沿った指導につなげる。

千葉地区のコークス工場では炉の燃焼にからむ事故が年間8件ほど起きていた。

ガス投入量の調整は熟練がいる作業で経験の浅い担当者には難しかった。

1. 千葉7コークス炉の燃焼室に無線温度センサを136個付けた
2. 炉の上の熱で発電し測った温度を無線で送る仕組みにする
3. 装入炭量やガス投入量など変動の要因もあわせて学習させた
4. RNNで将来の炉温と火落ち時間と適正なガスコック開度を出す
5. 出たガイダンスは炉温の管理者が確かめて使う

暑い場所での人の作業が減り月20,000回行っていた測定が1,000回になって95%減った。

異常が出たときにオペレータが現場へ見に行く回数も減った。

点検の担当者が複数のシステムを行き来して設備の点検データを探していた。

手書きの混じった古いスキャン書類も何百ページと自分でつなぎ合わせる必要があり時間も正確さも保ちにくかった。

1. 現場の点検担当と一緒に点検データを集める流れを組んだ
2. クラウドの保管先と設備管理システムのデータを一つにまとめた
3. 生成AIが設備ごとの点検内容をその場で要約して返す形にした
4. 過去の書類を検索と書き込みと取り出しができるようにした
5. 要約に元の資料へのリンクを付けて中身を確かめられるようにした

点検の担当者が必要な情報をすぐ見つけられるようになった。

仕組みは数週間で立ち上がった。

生産の順番を先入れ先出しや手作業の調整で決めており材料の欠品や能力の変動にその場で対応できなかった。

結果として売上の大きい案件を取りこぼし滞留在庫と割高な追加の作業指示が増えていた。

1. 6つの生産ラインへ12週間で最適化の仕組みを入れた
2. 10か所に分かれていたデータを1つに集約した
3. 1回の製造につき最大13万通りの並び順を評価する
4. 担当者は推奨案を業績の指標と見比べて計画を組み替える

6つのラインで年2.8%の増収を見込んでいる。

全拠点へ広げた場合は37百万ドルを超える経済価値になると試算した。

原料部門は予測できる期間が短いうえ価格の上下やデータの手集計に振り回され在庫費用がふくらんでいた。

製鉄部門の生産計画は表計算で手作りしており最大5日かかって需要の変化に追いつけなかった。

1. 2年かけて複数のアプリを順に入れた
2. 15か所に分かれたデータをまとめ20週先の需要を予測する
3. 5年分を超える実績を読ませ50以上の条件から配合比率を出させた
4. 連続鋳造の計画作りをアプリが自動で組む
5. 図面まわりの情報の取り出しを生成AIが引き受ける

予測の精度が13%上がり計画作りの時間は98%減った。

予定歩留まりは0.6%上がり原料費は1%下げられる余地が見つかった。

設備が古くなり、壊れてから直す後追いの保全が中心だった。

予定外の停止で緊急修理の費用がかさみ、信頼性と性能の損失は目標より60%大きかった。

1. BHC3と組み24週間かけてBHC3 Reliabilityを設定した
2. 4工場の27設備を対象に優先度の高い回転機械を選んだ
3. 5年分の履歴とセンサーデータを一つのモデルにまとめた
4. 故障予測と異常検知の機械学習モデルを組んだ
5. 使い続けてもらうために研修と手順書を用意した

4工場27設備の予兆監視が動く形になった。

設備の状態を見る担当チームは、BHC3 Reliabilityが出すAIの指標とルールベースの分析を合わせて判断している。

テキサスのERCOT管内にある工場は夏の需要ピークに高い送電料金がかかっていた。

自社で作った予測の仕組みではピークを取りこぼし、削れるはずのコストが残っていた。

1. C3 AIと組んで予測の仕組みをMicrosoft Azure上に載せた
2. 5年分を超える系統と市場のデータを14のデータセットにまとめる
3. 15分ごとに更新する流れを作った
4. 4つの機械学習モデルが需要と4CPの発生を予測する
5. 担当者は3拠点の状況を1つの画面で見て使用量を決めた

導入は26週間で終わり、年あたり最大＄1.4Mの上積みの削減ができるようになった。

社内のモデルが逃していた4CPイベントも100%捉えた。

研究開発の予算のおよそ50%が文書作成に消えていた。

品質エンジニアは社内独自の言い回しを覚えるのに何年もかかり、ばらばらに置かれた過去の資料を探すだけで何日も使っていた。

1. C3 AIと組んで18週間かけて規制文書用の生成AIを整えた
2. 開発者とデータ科学者と品質エンジニアで文書の範囲を決めた
3. 書式がそろわない資料向けに文書の分割処理を入れた
4. 深層学習でその分野特有の言葉づかいを補った
5. 出てきたレポートは根拠をたどりながら中身を確かめる

数週間かかっていたハザード分析のレポートが数分で出るようになった。

精度は80〜90%まで届き、担当者ごとの品質のばらつきも減った。

研究開発の予算のうち半分近くが文書づくりに回っていた。

苦情の内容を規制の項目に結び付ける作業は取扱説明書やリスク文書や顧客の苦情など情報の置き場がばらばらで数週間かかり出来ばえも人によってぶれていた。

1. 開発者と品質の担当者が組み必要な文書の範囲を決める
2. 欲しい出力の形と入力の形式や画面を洗い出して設計した
3. 決まった書式でない文書も読める処理と分割を組み込む
4. 深層学習で社内の言い回しや文脈を補い情報を引き当てた
5. 出力の書式を社内の決まりに合わせ閲覧範囲を権限で分けた

品質担当者が事前に手を入れる作業がほとんど要らなくなった。

人の考え方に近い形で必要な情報を探して苦情と規制の項目を結び付けられるようになった。

古いシステムでは送配電網の状態をその場で把握できなかった。

電圧の異常や変圧器の過負荷を見つけるのが遅れ費用がかさみ供給の信頼性も危うくなっていた。

1. 各家庭のメーターと25のシステムのデータを1つの基盤へ集めた
2. 毎日20億件のデータを処理する
3. 電圧の異常や変圧器の過負荷や設備の傷みを見つける
4. 基盤の上に複数の業務アプリを載せて現場の判断につなげた
5. 異常の兆しを早い段階で拾い大きな障害になる前に手を打つ

累計で3.3TWhの電力を節約し2000件を超える事故の拡大を防いだ。

漏えいの通報に30分以内で応じた割合は97%から99.5%に上がった。

アンモニア冷凍設備は加工工場で最も電気を使う設備だった。

規制と温度上昇のリスクを避けるため外気温が低いときも圧縮機を全力で動かし負荷の配分が崩れていた。

1. C3 AI Process Optimizationを1つの加工工場に入れた
2. 設定と導入を24週間で終えた
3. 冷凍設備へ4時間ごとに最適な運転の設定値を出す
4. 運転員が判断にかかわる変数をまとめて見られるようにした
5. 4時間ごとの最大消費負荷の予測で使う電力を調整する

最初の本番導入でアンモニア冷凍設備のエネルギーコストを25%以上減らせることを示した。

全拠点に広げた場合は年間で最大$9Mの効果を見込む。

設備の保全は時間を決めて行うやり方しかなく故障の兆しを先に読む手立てが無かった。

データも部署ごとに分かれていて余計な点検と長い復旧時間が生まれていた。

1. カナダとベルギーの主力2工場に予知保全AIを入れた。
2. 部署ごとに分かれたデータを1つにまとめて使えるようにする。
3. 用意された機械学習モデルを設定し停止の兆しを予測させた。
4. 技術者へ優先度と理由が付いたアラートを届ける。
5. 2工場への導入は12週間で終わりベルギー側は4週間に縮んだ。

1工場あたり年間で€10Mを超える経済効果を見込む。

ほかの工場と対象設備へも広げている。

主要な設備が止まると復旧まで長くかかり、大きな損失が出ていた。

原因の切り分けは作業員の経験頼りで、参照する資料もばらばらだった。

1. 設備のマニュアルや作業員のメモ1,000件超をAIに取り込んだ
2. SAPの作業指示と予備部品のデータもつなぐ
3. 参照先を1か所にまとめた
4. 作業員が検索とチャットの画面に不具合の状況を入力する
5. 原因の候補と直し方の手がかりを受け取る

機械の停止から復旧までの平均時間が最大50%短くなった。

熟練者の退職が続くなかでも、対応の速さと質を保てるようになった。

コークス炉ガスを冷やして洗う工程は圧縮機が膨大な電力を食う一方で硫化水素の分離性能も落とせなかった。

運転員は経験と手作業の調整に頼るしかなく効率のいい運転を続けにくかった。

1. 過去の運転データと1,000基超のセンサー値を取り込んだ
2. そのデータで予測のモデルと最適化の計算エンジンを作った
3. 26週で運用に乗せ推奨の設定値を出す形にした
4. 運転員と技術者が案を確かめてから実際の設定を変えた
5. 安全や工程の制約は条件として組み込んだ

硫黄の排出量が20%減り電力使用量は12%以上減った。

減った電力は約2,000戸分の平均使用量にあたり交代勤務ごとの設定のばらつきも小さくなった。