アセット管理シェル（Asset Administration Shell、AAS）は、設備・部品・製品といった資産（アセット）の情報を、決まった構造でデジタルに表すための仕組みです。Industrial Digital Twin Association（IDTA）の仕様では、AASを「資産の標準化されたデジタル表現」と位置付けています。

AASの構造は、次の3つの考え方でできています。

規格としては、IEC 63278-1 Ed.1.0（2023年12月、IEC TC65）がAASの構造を定める国際規格として発行されています。

続きをサイトで読む（データ基盤・MES連携）

AI-OCR（AIを使った文字認識）を経理の請求書処理で使う場合、誤読は後工程の照合で見つかることが多く、影響も金額の修正で済みます。検査記録は事情が違います。外径の測定値「12.38」を「12.88」と読めば、合格品が規格外として記録され、逆の誤読なら不合格品が合格の記録になります。後者は、結果として品質記録の改ざんと区別できない状態を作ります。

検査記録にAI-OCRを使うときの前提は次のとおりです。

紙の帳票全体をどう減らしていくかは紙の帳票から脱却する3段階で扱っています。ここでは、紙が残る期間にAI-OCRを安全に使う方法に絞ります。

続きをサイトで読む（データ基盤・MES連携）

PoCの成果物は、多くの場合ダッシュボードです。不良の予兆や異常スコアがグラフで表示され、担当者が見て判断します。ところが本番では、担当者が常に画面を見ているわけではなく、見たとしても「このロットを止めるか」を判断する権限や手順がなければ、何も変わりません。結果として、AIが不良を予測しても、そのロットは後工程に流れていきます。

AIの判定を工程に効かせるには、結果を業務の仕組みに戻す必要があります。工場でその仕組みを持っているのがMESです。

続きをサイトで読む（データ基盤・MES連携）

AWS IoT SiteWiseは、産業設備のデータを集め、設備の種類と階層に沿ってモデル化するためのAWSのサービスです。データ基盤全体の中では、設備から上がってくるタグの時系列に「どの工場のどのラインのどの設備の、何の値か」という構造を与える層にあたります。

製造業のデータ基盤を層で分けると、SiteWiseの位置は次のように整理できます。

SiteWiseは、データ基盤のすべてを担う製品ではありません。MESのロットや作業指示、品質判定との結合や、長期の分析は、別のサービスや既存システムと組み合わせて作ります。

続きをサイトで読む（データ基盤・MES連携）

製造業のデータ基盤は、「全部クラウド」か「全部オンプレミス」かの二択で考えると決まりません。データ基盤の中には、性質の違う処理が混ざっているからです。

この3種類を分けて考えると、多くの工場で「収集と推論はオンプレミス／エッジ、蓄積・分析・学習はクラウド、機密データはオンプレミスか専用環境」というハイブリッドの形に落ち着きます。

製造業でクラウドの採用を止める最大の要因は、データの機密性です。ただし、すべてのデータが同じ機密度ではありません。設備の稼働状況やエネルギー使用量と、製品の図面やレシピでは、扱いが違って当然です。

続きをサイトで読む（データ基盤・MES連携）

Cognite Data Fusion（CDF）は、設備の時系列データ、保全記録、P&ID（配管計装図）などの図面、文書、3Dモデルといった、形式の違う産業データを集め、それらの関係を産業ナレッジグラフとして結び付ける基盤です。製品群の位置づけは「産業DataOps」と呼ばれ、データを集めるだけでなく、データ同士を意味のある形でつなぐ「コンテキスト化（文脈付け）」に重点を置いています。

工場のAIで問題になるのは、データがあっても「このセンサはどのポンプのもので、そのポンプの図面と保全履歴はどこにあるか」がつながっていないことです。

続きをサイトで読む（データ基盤・MES連携）

製造データのガバナンスは、データを誰が持ち、誰が品質に責任を持ち、誰が使ってよいかの取り決めです。AIを使い始めると、これが決まっていないことによる問題が表に出ます。

IPAの「DX動向2026」では、データ整備・管理・流通の課題として「データの標準化が難しい」が36.8%、「管理システムが整備されていない」が32.6%でした（全産業）。標準化や管理の仕組みの前提として、誰が決めるかを決める必要があります。

最初に決めるルールは、次の5つで足ります。

1の所有者は、データを作る部門が持つのが原則です。

続きをサイトで読む（データ基盤・MES連携）

レイクハウスは、データレイクの低コストで柔軟な保存と、データウェアハウス（DWH）の管理機能を組み合わせたアーキテクチャです。Armbrustらによる論文（CIDR 2021）は、レイクハウスを「Parquetなどのオープンで直接アクセスできる形式の上に、DWHの管理機能と機械学習への一級のサポートを組み合わせたもの」と定義し、データの鮮度・信頼性・TCO・ベンダーロックインといったDWHの課題に対処するものと位置づけています。著者らは、ベンチマーク（TPC-DS）でクラウドDWHと同等の性能を報告しています。

続きをサイトで読む（データ基盤・MES連携）

製造業のデータ基盤の費用は、次の4区分に分けると、見積もりの比較と社内の予算説明がしやすくなります。

これにAIのモデル開発や運用の費用が別に乗ります。AIそのものの費用の考え方は製造業AIの導入費用の内訳で扱っています。

見積もりで目立つのはクラウドのライセンスやサーバーですが、実際に大きくなりやすいのは、3の連携と4の運用です。

連携の費用が大きくなるのは、MESや基幹システムとの接続が工場ごと、システムごとの個別開発になりやすいためです。MESにAPIがなくDBを直接読む構成にすると、初期は安くても、バージョンアップのたびに改修費がかかります。

続きをサイトで読む（データ基盤・MES連携）

データ基盤の進め方には、よくある2つの失敗があります。1つは、全工場の全データを集める基盤を先に作り、使い道が決まらないまま運用費だけがかかる「基盤先行」です。もう1つは、AIのPoCごとにデータを個別に集め、PoCが終わるとデータの集め方も捨てられる「AI先行」です。後者は、PoCが成功しても横展開のたびに同じ作業をやり直すことになります。

McKinseyの2018年調査（7市場・700社超）では、デジタル製造ソリューションを全社展開できた企業は約30%でした。

続きをサイトで読む（データ基盤・MES連携）

データ基盤が止まる典型的な経緯は次のとおりです。PoCでは外部のベンダーやプロジェクトチームが基盤を作り、AIの精度も確認できた。プロジェクトが終わると、基盤の運用は「情報システム部門か生産技術のどちらか」に曖昧に引き継がれる。設備の更新でタグが変わり、データが欠け始めても、誰が直すのか決まっていない。数か月後、AIの精度が落ちていることに気付いたときには、原因を調べられる人がいない。

続きをサイトで読む（データ基盤・MES連携）

AIの精度は、学習に使うデータの品質を超えられません。データサイエンティストの作業時間のうち、データ準備とクレンジングが約38%を占め、モデルの選択・学習・デプロイは約26%にとどまるという調査があります（Anaconda「2022 State of Data Science」、133か国・3,493人、2022年4〜5月）。製造業ではこの比率がさらに高いという実感を持つ担当者が多いはずです。

日本企業全体でも、データの整備は大きな課題です。

続きをサイトで読む（データ基盤・MES連携）

企業間のデータ連携は、日本の製造業がAIやDXで欧米と差が開いている領域の1つです。IPAの「DX動向2025」によると、日本企業の75.1%は他社とのデータ連携・提供を行っていません。米国は19.8%、ドイツは27.0%でした。2026年版ものづくり白書も、企業間のデータ連携が2年前からほとんど進んでいないと指摘しています。

続きをサイトで読む（データ基盤・MES連携）

DWHは、あらかじめ決めた構造（スキーマ）に合わせてデータを整えてから入れます。集計は速く正確ですが、構造に合わないデータ（画像や波形）は扱いにくく、構造の変更にも手間がかかります。

データレイクは、データを元の形式のまま安価に保存します。何でも入れられる反面、データの管理（どのデータが最新か、誰が更新したか、品質はどうか）が弱く、管理されないまま放置されると使えないデータの山になります。

続きをサイトで読む（データ基盤・MES連携）

不良コードと停止理由コードは、品質AIや稼働分析AIにとっての「正解ラベル」です。センサの時系列をいくら細かく取っても、ラベルが「その他」や「調整」のような曖昧な分類なら、モデルはその曖昧さ以上の区別を学べません。つまり、コード体系の粒度がAIの精度の上限を決めます。

現場でよく見るのは、次のような状態です。

これらは入力する人の怠慢ではなく、体系と入力方法の設計の問題です。

コード体系を作り直しても、入力の仕方が変わらなければ記録は良くなりません。効くのは次の3点です。

続きをサイトで読む（データ基盤・MES連携）

DELMIA Aprisoは、Dassault SystèmesのDELMIAブランドで提供されるMES・MOM（製造オペレーション管理）製品です。作業指示、ロット・シリアルの系譜、品質記録、設備状態、作業者の実績を1つのデータモデルで持ち、複数の工場で同じ業務プロセスを展開するグローバル展開の用途で使われることが多い製品です。

AIとの関係で見ると、Aprisoに限らずMESは次の2つの役割を果たします。

Aprisoを使っている工場の強みは、この2つが既にシステムとして存在することです。

続きをサイトで読む（データ基盤・MES連携）

デジタル製品パスポート（Digital Product Passport、DPP）は、製品ごとに、その材料・製造・環境負荷・修理やリサイクルに関する情報をデジタルで記録し、QRコードなどを通じて関係者が参照できるようにする仕組みです。EUが循環経済と製品の持続可能性の政策の一環として導入を進めています。

対象となる製品群、記載が必要な項目、適用の時期は、製品分野ごとの規則や委任法令で決まり、分野によって大きく異なります。この記事では個別の期限には触れず、工場のデータ基盤の側で共通して必要になる準備に絞ります。

続きをサイトで読む（データ基盤・MES連携）

エッジAIとは、AIの推論（学習済みモデルで判定すること）を、クラウドやデータセンターではなく、設備の近くに置いた計算機で行う構成です。工場でエッジを選ぶ理由は、次の4つに整理できます。

逆に、ライン横断の分析、モデルの再学習、長期間のデータ蓄積は、計算資源と全体のデータが集まるクラウドやデータセンター側が向いています。実務では「推論はエッジ、学習と横断分析はクラウド」というハイブリッドが標準的です。どちらに置くかの判断は推論はエッジかクラウドかで詳しく扱います。

エッジ機器は、モデルの種類と処理量で選びます。

続きをサイトで読む（データ基盤・MES連携）

製造業のAIでは、「その場で判定を返す推論」と「データを集めて考える処理」で、置き場所の最適解が違います。

この役割分担を前提に、個々のユースケースを3つの軸で判定します。エッジを選ぶ一般的な理由（遅延・帯域・可用性・機密性）はエッジAIとはで整理しています。

判定結果を、排出機構・停止信号・作業者への指示として設備側に返す必要があるかを最初に確認します。タクトが数秒以下で、判定が次のワークに間に合わなければならない用途は、ネットワーク越しの往復と、その時間のばらつきを許容できません。外観検査のインライン判定はほぼこれに当たります。

続きをサイトで読む（データ基盤・MES連携）

特徴量（feature）は、生のデータをAIの入力に使える形に加工した値です。製造業では、例えば次のようなものが特徴量になります。

特徴量ストアは、こうした特徴量の定義（何から、どう計算するか）と計算結果を一か所で管理し、複数のAIモデルや担当者が再利用できるようにする仕組みです。Googleの研究者による論文「Hidden Technical Debt in Machine Learning Systems」（NeurIPS 2015）は、実際の機械学習システムのうち機械学習のコードはごく一部で、周辺のデータ処理などのインフラの方がはるかに大きく複雑だ…

続きをサイトで読む（データ基盤・MES連携）