株式会社エイゾスのAI解析プラットフォーム「Multi-Sigma」　複数のAIモデルを組み合わせることができる世界初の新機能をリリース

生産プロセスのモジュール化・システム化に対応でき、特に製造業の研究者に最適

株式会社エイゾス

2024年10月23日 12時00分

2024年7月31日、株式会社エイゾス（本社：茨城県つくば市、代表取締役：河尻理恵子）は、展開しているAI解析プラットフォーム「Multi-Sigma」で複数のAIモデルを組み合わせて解析ができる連鎖解析機能（国際特許出願中）の提供を開始しました。当機能は主に製造業で複数プロセスに跨るような解析をする場合において、実力を発揮します。

AI解析プラットフォーム「Multi-Sigma」とは

昨今のAIの進化は目覚ましく、Auto MLと呼ばれるノーコードで機械学習・深層学習を活用するツールが多数開発されています。しかし、一般的なノーコードの機械学習ツールは予測をするためのツールで、多くの場合、アウトプットは１つしか解析できません。

エイゾスが提供するMulti-Sigmaは、複数のアウトプットを同時に解析し、さらにそれら複数のアウトプットに対して逆解析（目標とするアウトプットを得るために最適なインプットの探索・最適化）を行うことを目的とした、極めてユニークなツールです。また、インプットパラメータは200個まで、アウトプットパラメータは100個まで解析できます。その他にも、逆解析を行う際にインプットに対して複数の制約を加えることも可能で、そのようなツールは世界に類を見ません。そのため、おかげさまでMulti-Sigmaは既に多くのお客様にご利用いただいております。

Multi-Sigmaについてはこちら

資料ダウンロード

Multi-Sigma概要資料がダウンロードいただけます。

複数⼯程の⽣産プロセスの解析

多くのお客様から高い評価を得ているMulti-Sigmaですが、この度、さらにお客様に寄り添う機能を追加することになりました。

今回の新機能の開発の背景として、ものづくりの現場では⼀般的に複数の⼯程を経て最終製品を製造していますが、それら複数の⼯程を１つのAIモデルで分析するため、各工程がブラックボックス化されてしまうという課題がありました。つまり、複数⼯程から成る⽣産システムに対して、システム全体のインプットとアウトプットに基づき１つのAIモデルを構築していました（図1）。

従来の⽅法の課題

この⽅法はモデルが簡易で少ない⼯数で解析できる⼀⽅で、いくつかの課題があります。第⼀に、複数⼯程のうちの１つでも実験条件やプロセスの変更があった場合、システム全体の実験データを取り直す必要があることです。システム全体が複雑かつ⼤規模になればなるほど、プロセスの改修に伴う実験データの取り直しのリスクが⼤きくなります。第⼆に、複数⼯程を１つのブラックボックスとして表現するために、プロセス内部の現象の理解が難しくなります。仮に最終製品に不良が発⽣した場合に、それがどのプロセスに起因するものかわからなければ、改善の⽅策を検討することが出来ません。最後に、複数⼯程を１つの実験データにまとめた場合、全てのシステムを稼働させないと実験データが得られないので、システムが⼤規模になると、実験の実施が難しくなります。

AI の分割と組合せ

Multi-Sigmaの連鎖解析機能では、前述のような課題を解決するために、まず複数⼯程を個々のプロセスに分割し、それぞれに対して実験を実施してAIモデルを作成します（図2-1）。そして、それらAIモデルをつなぎ合わせて１つのシステムとして解析できる連鎖解析システムを構築します（図2-2）。このようにAIモデルをつなぎ合わせたシステムを使って、予測・要因分析・多⽬的最適化を実⾏できます。

連鎖解析のメリット

このようにプロセスごとにAIモデルを作成することで、例えば仮にProcess１のみがアップデートされたとしても、Process１のAIモデルのみをアップデートし、過去のProcess２、Process３のモデルと接続できるので、Multi-Sigmaの連鎖解析機能を用いればシステム全体の実験をやり直す必要はありません。また、プロセスごとに実験を⾏えばよいので、システム全体を動かして実験データを取得する必要もありません（もちろん、システム全体を動かして⼀度で全てのプロセスのデータを取得することも可能です）。さらには、プロセスごとに要因分析を⾏うことができるため、システム内部のメカニズムを理解しやすくなります。なによりも重要なのは、このようにプロセスごとにAIモデルを分割しておくことで、個々のAIモデルを、他の事例にも流⽤しやすくなります。

過去のAI を利活⽤し、複雑な⼯程を表現

個々のAIモデルが表現するプロセスを⼩さく、シンプルにすることで、AIモデルを共通化することが可能となり、それらを組み合せることで、より複雑なシステムを表現できるようになります。逆に、複雑に組み合わされたプロセスを１つのモデルにしてしまうと、AI を共通化し、他のプロセスと組み合せることが難しくなります。レゴブロックのように、個々のブロックをシンプル、かつ⼩さくすることで、それらを組合せて様々な形を表現することが出来るのです。

Multi-Sigmaの連鎖解析機能を用いた部署や企業を横断した研究開発・ビジネス

このように複雑で大きな複数工程を各プロセスに細分化した上で、それらを組合せてシステム化するという議論は、現在、⽣産プロセスのモジュール化・システムという形で、あらゆる分野で進んでいます。⾃動⾞などの機械製品であれば、モジュール化は馴染みのある⾔葉ですし、半導体分野ではユニットプロセスやプロセスインテグレーションという⾔葉が使われています。化学分野であれば、プロセスシステム⼯学という、１つの領域として体系化されています。そのような動向に対応するために、AIの連鎖解析は必要不可⽋なツールですが、AIをつなぎ合わせて、予測・要因分析・多⽬的最適化まで実⾏できるツールは、現在世界にMulti-Sigmaしか存在しません。

Multi-Sigmaの連鎖解析機能を用いると、部署間での連携を適切に行い一連の業務の流れを効率化し、利益を最大化することも可能です。例えば、市場調査を行なっている部署ではアンケート調査などの一次調査や業界レポート・学術研究などの二次調査に基づき様々な分析が行われています。設計部署や開発部署ではCAD（Computer Aided Design）を用いて３次元モデルや２次元図面を制作し、それらCADのデータを用いてCAM（Computer Aided Manufacturing）により加工に必要なプログラムを作成したり、CADのデータを用いてCAE（Computer Aided Engineering）によるシミュレーションを行い構造解析などの分析が行われています。販売部署や営業部署では、自社の生産量や取引先との契約、新規顧客の開拓に関するデータなどの分析が行われています。このような状況において、Multi-Sigmaの連鎖解析機能では、それぞれの部署で個別にAIモデルを構築し分析できるだけでなく、それらのAIモデルを連結し一連の流れを含む全体のシステムとして予測や要因分析、最適化といった分析が可能となります（図3-1）。これまで部署ごとに独自に行われていた分析を連携させることで、これまで以上に一貫した時間・資源配分が可能となり、利益率や顧客満足度の向上が期待されます。

また、Multi-Sigmaの連鎖解析機能は、異なる企業同士を組み合わせた企業横断的な解析にも取り入れることが可能です。例えば、部品製造を主に行なっている企業では歩留まりの改善のために製造工程の見直しや機材のメンテナンス周期の最適化が必須となります。また、部品を仕入れて加工を主に行なっている企業では、金型を用いた圧縮・射出やフライス加工などの切削加工といった業務では最適化が避けられません。熱処理を主に行う企業では、最適な処理条件を求めることが製品の品質に直結します。組立てを主に行う企業では、アーク溶接やレーザー溶接などの溶接、反応型接着剤やホットメルト接着剤などを用いた接着、ロボットやコンベア、人の手による組立て業務において、それぞれの業務の最適化は必須です。これらの企業では、品質管理や生産スケジュールの策定は極めて重要かつ困難な業務であり、それら業務に関連する要因を分析した上で最適化を行うことは会社の利益に大きな影響を与えます。このような流れで製造された製品を輸出している企業では、海外の経済状況や需要予測などを考慮して取引を行うことが求められます。さらに、環境対応や法規制の遵守も求められています。ISO14001認証による計画の実施や、欧州への輸出を行なっている場合はRoHS（Restriction of the use of certain Hazardous Substances in electrical and electronic equipment）の順守も求められ、制約の中での最適化が必要となります。このような状況に対して、Multi-Sigmaの連鎖解析機能は、AIモデルによって各企業における予測や要因分析、最適化といった分析を行うだけでなく、それらのモデルを接続することで、一連のビジネスに関わる全ての企業にとって適切な分析が実施できます（図3-2）。これにより、新たなビジネス機会の創出やこれまで以上に適切な企業間連携が行われることが期待されます。