化学・食品製造業におけるRD-DXの進め方
第1回　「With AI」で生産性を高める

はじめに

1.化学・食品製造業の開発現場に見られる課題

これまで多くの化学・食品メーカーのRD部門のコンサルティング支援の経験則から、開発現場の課題として特に大きいものが、新製品開発においては配合条件の決定、量産スケールアップにおいては配合条件の決定、量産スケールアップにおいては設備条件決めのために、多くのトライ＆エラーが必要になるという点です。近年、技術はますます高度化・複雑化が進み、条件決めのパラメーターは増加する一方で、一回のトライ＆エラーにかかる労力・費用は指数関数的に増加しています。

これによって、市場・顧客からはさらなる短納期・高品質が要求されるなかで、開発期間は伸びてしまい、失敗コストも増大するという経営課題が顕在化しています。これらの課題に対して、従来のように社内技術者のプロジェクト管理能力の向上や固有技術の教育研修といった、対策のみでは、技術者自体の数が自然減しているなかでどうしても限界があります。

そこで、「人」のみに頼るのではなく、デジタル技術の力を利用して、これらの経営課題に対処する、RD-DX導入の必然性が高まっているのです。

RD-DXの推進ポイントとして、社内業務高度化による工場利益確保の「守りのDX」と、新商品・サービスによる付加価値創造の「攻めのDX」を切り分けて考えることが大切です。

RD部門のミッションは新製品開発による顧客への新価値創造です。RD-DXというと、この新価値創造においてデジタル技術を活用することが最終的な目標となりますが、これまで多くの企業でDX戦略立案のコンサルティング支援をさせていただいた経験から、いきなり新価値創造、すなわち「攻めのDX」に挑戦することは失敗リスクが高く、得策とは言えません。

特に化学・食品製造業においては、RD部門のデジタル化がまだ進んでいないケースが多く、例えば様々な配合条件のトライ＆エラーの結果の実験ノートも、開発者個人の手書きのメモでしか残されておらず、デジタルデータとして整理されているのは定期的な開発進捗報告や技術発表会で使用される、「実験が上手くいったときのチャンピオンデータのみ」であることもあります。失敗した実験結果こそが社内で共有すべき貴重な情報ですが、実態としてはこれらの情報は社内のナレッジデータベースとしては整理されておらず、新製品開発のたびに、過去に社内の別の誰かがやったことのある、同じような実験を繰り返すことが起こっています。ですが、新製品開発の効率化のために、社内ノウハウを一元管理できるように、まずは実験ノート、紙のデータをデジタル化しようと掛け声をかけたところで、開発納期に追われている現場はなかなか動いてはくれません。デジタル化の恩恵は、今取り掛かっている自分の目先の業務ではなく、将来の誰かの開発テーマ推進時に与えられるものだからです。

そこで、まずは「守りのDX」から着手し、開発現場にとっても目に見える、わかりやすい成果を創出することからスタートすることがポイントになります。例えば、案件受注のためには、サンプルワークが必要になりますが、AI技術を活用して配合条件出しのあたりをつける。もしくは、量産スケールアップの際の設備条件をシミュレーションすることで、つくる前にわかることをできるだけ洗い出す等、今取り掛かっている業務に直接役に立つところから着手するのです。その結果として、これまで属人化してきたノウハウがデジタル化されていきます。

繰り返しとなりますが、多くの企業ではRD-DXでいきなり「攻めのDX」に挑戦し、デジタル化を推進しようとするがために、恩恵が将来になってしまうので、開発現場からは「忙しい」ことを理由に後回しにされてしまうのです。「守りのDX」で、目先業務の効率化をAIで処理するためにデジタルデータで入力する必要がありますので、「結果として開発現場のデジタル化が進んでいく」ことが肝心です。

RD-DXのキーテクノロジーとして重要なものがAIです。

新製品サンプルの配合条件や量産スケールアップの設備条件出しも、AI技術を活用することで効率化が可能です。ただし、AIといっても現在の科学水準では限界があり、これまで人がやってきた開発業務を「置き換える」ことは不可能です。DX推進の際の落とし穴として、AI技術に過剰な期待をしてしまい失敗するケースが多いです。

AIはご存じのように日本語に翻訳すると「人工知能」となります。この日本語訳の「知能」という言葉が、AIが誤解されてしまう要因になっています。と言いますのも、AIは「知能」があるかのように「振る舞うことができる」だけであって、実際は人間と同じような「知能」を持ち合わせてはいません。例えば、Chat GPTやSiriに「女優の誰々さんと自分は結婚できそうか？」と問いかけると流暢な日本語で返信がきます。人間は流暢に返信されると、相手は知能が高いと錯覚しますが、Chat GPTやSiriは「結婚」という概念をそもそも理解していません。膨大な会話のパターン学習から、気の利いたワードを超高速で分類・整理して提示しているだけなのです。

AIは世の中の様々な概念を一切理解していませんが、それでも実用上は気の利いた返信ができれば問題ありません。この割り切った考え方のことを、ライトウェイト・オントロジーと呼びます。現在広く普及している様々なAIは、このライトウェイト・オントロジーのAIです。

現在の科学水準では、AIは「知能があるかのように疑似的に振る舞うことができる」レベルであり、本当の知能が必要とされる人の業務を「完全に置き換える」ことはできません。

そこで、重要な考え方が、「with AI」で一人の人が何倍もの生産性をあげることを考えることです。

膨大なデータを、文句も言わずにひたすら愚直に分類・整理することは人間には不得手ですが、AIはこうした作業は大得意です。先ほどの配合条件や設備条件のあたりをつける等といった、人がやると膨大な時間がかかり、ヒューマンエラーも起きやすい作業はAIに任せて、その浮いた時間で人は、顧客の課題に対する仮説構築や、技術的なトレードオフ問題への発想を転換したアプローチの検討など、真の知的作業に注力する、「with AI」の考え方が重要になります。

最後までお読みいただき誠にありがとうございます
本コラムに関するご質問・ご感想をお待ちしております！

　 　 　

関連ソリューション

|　予測・シミュレーションと、その効果

過去の原料比率や製造パラメータと、結果品質の関係性をAIが学習。
机上で予測・シミュレーションを行うことで、リードタイムの短縮、属人性の排除、原料ロスの削減などが期待できます。