製造業でAIを実用化する際に、任せていいことと、任せてはいけないこと

ChatGPTのような生成AIを工場で使う話は増えています。しかし、加工不良が即、廃棄部品や折れた工具に直結する製造業では、AIをどこまで信用していいのか。

そんな中、航空宇宙用のチタン部品の加工を題材に、この問いに取り組んだ事例が出ています。1人のAIに加工判断を任せると、現場でどんな転び方をするのか。それを防ぐには、AIをどう組み立てればいいのか。

製造業でAIを実用化する境目は、どこにあるのか。本記事では、その答えを順にたどっていきます。

なぜ1体のAIだけに任せると、現場で危ないのか

加工現場の判断は、外から見るより手数がかかります。3Dスキャンの検査データ、シミュレーションで出した経路のズレ、切削力で工具がどれだけたわむかの計算、過去のロットの仕上がり。これを矛盾なくつなぎ、最後はミクロン単位の補正値として出さないといけません。

生成AIにこれを丸投げすると、いろいろ転びます。途中の数字を取り違える。前のステップで使った値を忘れる。もっともらしい嘘を混ぜる。こうした失敗が頻発します。

研究チームの見立てはシンプルです。AIが詰まる原因は「知識が足りない」ではなく「段取りが下手」だ、というものです。順番がぐちゃぐちゃ、引き継ぎが雑、必要な道具を呼び忘れる。職人なら一発で叱られるところで、AIも同じように転びます。

役割を4つに分けるという発想

そこで試されたのが、加工判断を1人のAIに抱えさせず、4つの担当に分け直す設計です。担当の分け方はこうなっています。

受付係は、依頼を業務指示書に翻訳する

ユーザーが「補正値出して」と話しかけると、受付係がこれを整理します。いま読み込んでいるデータや、過去にやった計算を参照しながら、誰に振るかを決めます。

出す指示は決まった書式で渡すので、後ろの担当が解釈に困ることがありません。書式が崩れた場合は、キーワードで振り分ける手動モードに切り替わります。

計算係は、自分で計算しない

計算係が出す数字は、すべて決められた計算プログラムを通した結果です。経路のズレも、摩耗の進み具合も、補正量も、AI自身が「だいたいこのくらい」と暗算するのは禁じられています。

出力には「どのツールに、どんな引数を渡したか」と「どの数字が、どのツールから出たか」の対応表が付きます。あとから人間がトレースできるようにする仕掛けです。

物知り係は、出典付きで知識を引いてくる

土台になっているのは、チタン加工に関する論文4本から作った知識データベースです。約2,700件の「AはBに影響する」式のつながりが入っています。

物知り係はここから、聞かれた内容に近い知識を引っ張り出します。返ってくるのは答えだけでなく、根拠の出典も一緒です。AIが「なんとなく聞いた話」で語るのではなく、「この論文のここに書いてある」と言える形にしてあります。

チェック係は、おかしいと思ったら突き返す

チェック係は、上がってきた答えを4点で見ます。依頼の意図に合っているか、数字に出典が付いているか、根拠があるか、補正量が安全範囲に収まっているか。

判定は「OK」「やり直し」「人間に回す」の3択です。やり直しを所定回数繰り返しても通らなければ、自動で人間に判断を仰ぐ仕組みになっています。チェック係は校正係ではなく、最初の段階のミスが最後まで素通りしないようにする防波堤です。

実験で見えた3つのこと

研究では、6種類のオープンソース生成AIを使って比較が行われています。1人で任せた場合、チェック係を外した場合、物知り係を外した場合、それぞれで成績がどう変わるかを測っています。

段取りが2手以上になった瞬間に、差が一気につく

タスクは難しさで3段階に分かれています。

1手で済むやさしい問題では、ほとんど差がつきません。ところが、段取りが2手、3手と続くタスクになると、差が一気に開きます。

転ぶ理由は決まっています。引数の渡し間違い、呼ぶ順番の入れ違い、前の結果を忘れる。難しい計算を解く力ではなく、計算をつなぐ段取りの力で勝負がついている、という構図です。

チェック係を外すと、ツール選びが3割打者に落ちる

研究ではわざと意地悪をして、最初の振り分けで道具のヒントの一部を抜きました。ヒントが欠けた状態でも立て直せるかを試したのです。

ペアで試した中の59%でチェック係が状況を改善し、61%のケースで足りない道具をゼロまで取り戻しました。チェック層を最初から組み込んでおくことの効果が、数字としてはっきり出た形です。

知識データベースを足すと、知識を要する問題で正答率が上がる

外部の知識データベースを使う場合と使わない場合の比較も行われました。

伸び幅が大きいのは、もともと知識が弱いAIです。土台が薄いほど、外から知識を持ってくる仕組みが効いてきます。

1問あたり2秒前後の遅れは、加工サイクルが分や時間で動く現場では誤差みたいなものです。

加工誤差を「原因別」に分ける考え方

設計上もう一つ大事な発想が、加工誤差をひとつの数字でざっくり扱わず、原因別に分けるところです。研究では加工誤差を4つに分解しています。

注意点の列に並んでいるのは、研究自身がはっきり書いている但し書きです。データから出した数字を「これは摩耗だ」「これはたわみだ」と決めつけると、見当違いの補正をしてしまいます。

そこでAIには「これは摩耗の代わりの目印」「これはリスクの目印」と但し書きをつけて使わせる、という慎重な姿勢になっています。

実機相当のシミュレーション内で試した補正では、最初は100分の1インチ（およそ0.25ミリ）級だった誤差が、3段階を経て、ブレード表面のほとんどで±1000分の1インチ（およそ0.025ミリ）に収まりました。

ただしこれはシミュレーション内の話です。研究側も「実機で自動補正が回ったわけではなく、現場に出す前の検証値だ」と明言しています。

製造業の現場でAIをどう使うかを考える上での示唆を3つ整理

お試し運用で動いたAIが、本番で動くとは限らない

1手で済むタスクでは、1人のAIも問題なく動きます。しかし2手3手と段取りが続いた瞬間、成功率が落ちる、というのが今回の結果です。

お試しが単純な質問応答で成功したからといって、本番の連鎖タスクでも動くと期待するのは危ない。検証は必ず2手以上のタスクで行い、転ぶ理由が「引数の間違い」「順番ミス」「引き継ぎ忘れ」のどれに集中しているかを見るのが、現実的な進め方になります。

数字をAIに「考えさせない」設計が、記録の残しやすさにつながる

数字をすべて計算ツールから出させ、その出典を紐付けておくと、間違いを後から追えます。上に説明する根拠にもなります。

決裁の説明責任が問われる現場では、ありがたい話どころではなく、ほぼ要件です。AIに「計算もさせる」のではなく「計算ツールを呼ばせる」線引きが、現場で使えるAIと使えないAIを分ける境目になります。

「チェック係」を最初から組み込むことの効果が、数字で示された

意地悪な実験条件下で、チェック層を入れるだけで正確さが2倍以上に伸び、6割超のケースで立て直しに成功しています。

現場ではノイズや欠落、ヒューマンエラーが当たり前です。それを前提にチェック層を最初から組み込んでおくと、最終出力の信頼性がまったく変わってきます。1セット全体の処理は4.3秒で済んでおり、加工サイクルから見ればほぼ無視できる遅れです。

本記事の関連研究