THEME
AIは「データ基盤」で決まる
PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある。「データ基盤」に関する記事 130本・導入事例 19件。
-
MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
-
製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
-
製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
-
データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
-
製造データ品質の10の問題：時刻ずれ・欠損・単位不統一をAI投入前に潰す方法
-
ISA-95とAI：L0〜L4の階層ごとにAIの置き場所とデータの流れを整理する
-
PoC死（パイロット煉獄）の実態：McKinsey・WEF調査で見る「7割がスケールしない」理由
-
製造業の社内文書RAG入門：手順書・図面・品質記録を検索する5層構成
-
電力データとMES稼働実績を紐付ける：製品1個あたりエネルギー原単位の算出
-
品質AIの前提はトレーサビリティ：ロット・シリアルと工程データの紐付け方
-
製造業のAI人材に必要なスキル10項目：ドメイン知識とデータの扱い
-
AI導入前のデータ準備チェックリスト：設備・MES・品質データの40項目
-
産業データ基盤6製品の比較：Fabric・AWS・Google・Cognite・AVEVA・Litmus
-
AI学習に使えるMESデータ一覧：実績・停止理由・品質判定・作業者など8種類
-
工場向けMLOps：モデルの版をロットのトレーサビリティに記録する運用設計
-
中小製造業の設備データの集め方：古い設備から少額で稼働を取る5つの方法
-
Unified Namespace（UNS）とは：工場データを1か所で購読するアーキテクチャの要点
-
MCP（Model Context Protocol）を工場に入れる：仕様の要点と製造業の使い方3例
-
不良の要因分析AI：相関→層別→PLS・勾配ブースティングの4段階で原因を絞る
-
生産計画AIに必要なマスタ7種：ルーティング・標準時間・段取りマトリクスの整備
-
製造業のデータレイク・レイクハウス：ブロンズ・シルバー・ゴールド3層の設計
-
製造業データ基盤の費用：収集・蓄積・連携・運用の4区分で見る相場と試算方法
-
エッジAIとは：工場で推論をエッジに置く4つの理由とJetson等の機器選定
-
OPC UAとは：AI活用で「通信規格」より「情報モデル」が効く3つの理由
-
トレーサビリティ×AI：ロット・シリアル履歴があると品質AIで何ができるか
-
MCP×OPC UA：430のAI-ready仕様は工場AIの何を変えるか
-
工程パラメータは「重要データ」か：中国工信領域のデータ分類分級と日系工場
-
卡奥斯（海尔）天智工業大模型：機理モデル4700超とMCP対応エージェント基盤
-
SchneiderのCognite 31億ドル買収：AVEVA CONNECTはどう変わるか
-
フィジカルAIに必要な工場データ：MES・設備データ・動作ログをつなぐ3つの設計
-
AI導入前の製造データ準備：棚卸しと整備で確認する7つのチェック項目
-
AIの推論結果をMESに書き戻す：ホールド・作業指示・アンドンにつなぐ3つの設計
-
生成AIを工場データにつなぐ前提条件：MES・ヒストリアンを「AIが読める」形にする4要件
-
ヒストリアンのデータはそのままAIに使えるか：圧縮・サンプリング・タグの3つの落とし穴
-
IEC 62443とAI・データ基盤：ゾーンとコンジットで工場データをクラウドへ出す設計
-
IT/OT連携の進め方：情報システム部門と生産技術が衝突する5つの論点と分担
-
AIの前にマスタ整備：品番改番・設備ID・不良コードの不整合を直す5ステップ
-
MESデータに自然言語で質問する：Text-to-SQLを製造業で使うための4つの前提
-
中国当局「AI投資の50〜60%はデータ工学」：工業インターネット研究院の指摘
-
中国政策が「工業小モデル」を明記した理由：大小モデル協同と模数共振の考え方
-
多変量SPC（MSPC）入門：Hotelling T²とQ統計量で相関のある工程を監視する
-
AIに必要な学習データ量の目安：外観検査・予知保全・需要予測の3用途別
-
AIモデルのドリフト監視：材料ロット・季節・設備改造で精度が落ちる仕組みと対策
-
OPC UAかMQTTか：工場データ収集プロトコルを用途別に選ぶ比較表と組合せ方
-
紙の帳票から脱却する：チェックシート・日報をデジタル化する3段階とAI-OCRの位置づけ
-
PoCから全ライン展開へ：横展開コストを最初に見積もる12項目チェックリスト
-
産業データ基盤の再編2024〜2026：Cognite・Altair・TwinThread買収の意味
-
OPC UAコンパニオン仕様430超の「AI-ready化」：MCP・RAG対応の意味
-
突発停止・特急オーダーへの再計画：MES実績連携でリスケジュールする設計
-
PoCで止まる製造業AIを本番に載せる6つの条件：PoC死の構造的な原因
-
製造業のデータ基盤はクラウドかオンプレか：3つの比較軸とハイブリッド案
-
DELMIA Apriso×AIの現実：MES実装者が見る連携方式・できること・制約
-
MQTTとSparkplugの違い：ISO/IEC 20237を工場で使う判断基準
-
設備タグの命名規則：AIで設備横断分析するための命名ルールと移行の4手順
-
中国「工業インターネット×AI融合」行動方案：2028年に5万社改造の中身
-
Microsoft Fabricの製造データソリューション：ISA-95でOTとITを統合する狙い
-
NVIDIA Omniverseで工場デジタルツイン：Mega Blueprintとロボットフリート検証
-
需要予測に必要なデータ：出荷実績を需要と見なす誤りと最低2周期分の履歴
-
多変量の設備データで異常検知：SWaTデータセットに学ぶ51センサの扱い方
-
AI-OCRの結果をMES・QMSに登録する：ロット紐付けと修正確認フローの設計
-
ソフトセンサーとは：ラボ分析値をオンライン推定する仕組みと導入の4ステップ
-
製造業AIの運用保守：精度劣化・再学習・モデル管理の3つの仕組み
-
1ラインの成功を全工場へ：製造業AIの横展開を阻む4つの壁と対策
-
ISA-95の4つの情報モデル（材料・設備・物理資産・人員）でAI用データを設計する
-
AIを見据えたMES選定：データの取り出しやすさを確認する10の質問
-
製造業AIエージェントの設計：Siemensのオーケストレーター型に学ぶ5つの原則
-
測定系分析（MSA）なしに品質AIをやらない：ゲージR&Rで誤差を切り分ける理由
-
アセット管理シェル（AAS）とは：IEC 63278と製造業のデジタルツイン連携
-
Microsoft Fabricの製造業向けデータソリューション：ISA-95モデルでOT/ITを統合
-
UNSのトピック設計：ISA-95階層で名前空間を切る5つのルールと失敗例
-
AWSの製造業AI戦略：AI Factories・Nova Forge・AgentCoreの3本柱を整理
-
異常ラベルがない工場データの異常検知：正常データだけで学習する4つの手順
-
外観検査AIの学習データは何枚必要か：良品200枚・不良数十枚の目安と集め方
-
AWS IoT SiteWiseとは：設備データのモデル化と生成AI保全アシスタントの構成
-
推論はエッジかクラウドか：タクト・画像サイズ・台数の3軸で決める判断フロー
-
MESとAIをつなぐ3方式：DB直接参照・API・イベント配信（UNS）の比較
-
ドイツ製造業のAI：Audi・Schaeffler・SiemensにみるIndustrie 4.0の次
-
Google Cloud MDEとは：Geminiエージェント3種とSI経由の販売戦略
-
保全記録（CMMS）を予知保全AIの教師データにする：故障ラベル整備の5手順
-
Cognite Data Fusionとは：産業ナレッジグラフとSchneider買収後の行方
-
不良コード・停止理由コードの設計：AIで分析できる粒度に直す6つの原則
-
OEEデータをAIで深掘りする：停止理由・チョコ停・速度低下の分析に必要な粒度
-
Microsoftの製造業向け生成AI：Copilot StudioとFabricの関係
-
RAGの精度が出ないときに見直す6項目：製造文書のチャンク分割とメタデータ
-
製造業の「主権AI」：AWSとDassaultが示すオンプレ回帰の流れ
-
予知保全システムの構成：ISO 13374の6ブロックで見るデータ取得から意思決定まで
-
SCMコントロールタワー：Lenovoの意思決定50%高速化に見るデータ統合の要件
-
古い設備をつなぐレトロフィット：PLCのない設備・通信できない設備の4パターン
-
外観検査AIの判定結果をMESに戻す：ロット紐付け・トレーサビリティ・再学習の設計
-
データウェアハウス・データレイク・レイクハウスの違い：工場データで選ぶ3つの基準
-
データ基盤を誰が持つか：データエンジニア・生技・情シスの3者の役割分担
-
製造AIの正解ラベル：良否判定の揺れを抑えるラベル付け運用の5つのルール
-
Cognite Atlas AIとは：Schneider 31億ドル買収で何が変わるか
-
ロボット学習データは誰が作るか：Telexistenceの受託と権利の論点
-
ライトハウス工場はデータ基盤をどう作ったか：WEF選出238拠点の共通点
-
OPC UAコンパニオン仕様の選び方：工作機械・射出成形・ロボットなど主要仕様の整理
-
中国工場のデータを外に出さないAI：連合学習とエッジ微調整という選択肢
-
AIモデルの再学習を誰がいつ回すか：工場の変更管理に組み込む4つのルール
-
時系列DBとヒストリアンの選び方：PI System・クラウド時系列DB・OSSを比較する5軸
-
Microsoft Factory Operations Agentとは：現場支援の仕組み
-
バーチャルメトロロジー（VM）：半導体の全数測定を推定に置き換える仕組みと精度管理
-
工場データの時刻ずれ対策：PLC・MES・検査装置のタイムスタンプを揃える4つの方法
-
振動・画像など高頻度データの扱い：保存期間・圧縮・特徴量化の設計4項目
-
中国工場のAI活用とデータ越境規制：日系企業が押さえる3つの規則
-
検査記録のAI-OCR：手書きチェックシートの読取精度と運用の注意点5つ
-
製造データのガバナンス：所有者・品質責任・アクセス権を決める5つのルール
-
AIの運用コストはいくらかかるか：クラウド・ライセンス・保守の年間費用5項目
-
デジタル製品パスポート（DPP）と工場データ：EU規制に備えるデータ基盤の準備
-
製造業の特徴量ストア：品番・設備・時間窓の3軸で特徴量を共有し横展開を速くする
-
製造業のAI導入が失敗する10の理由：企画・データ・運用の段階別に分析
-
サプライチェーンのデータ連携：Catena-X・ウラノス・エコシステムと工場データ
-
産業データ基盤の大型再編：Schneider×Cognite買収は何を変えるか
-
製造業AIのセキュリティ：データ持ち出し・OT接続・クラウドの3つのリスク
-
クラウドAIかエッジAIか：製造現場での選び方を5つの観点で比較
-
製造業AIで使うデータ6種類：画像・時系列・実績・品質・文書・音声
-
AVEVA CONNECTのIndustrial AI Assistant：データ連携3方式
-
データが少ない工場でAIを始める方法：良品学習・転移学習など4つの手
-
製造業AIのアノテーション：ラベル付けの品質を決める5つのルール
-
古い設備でもAIは使えるか：後付けセンサー・カメラでデータを取る4つの方法
-
スマートファクトリーとAIの関係：IoT・MES・AIの3層で整理する
-
DXとAI導入の違い：製造業でデジタル化・データ連携・AIの順番を間違えない3段階
-
IoTとAIの違いと関係：製造現場のデータ活用を4段階で理解する
-
AIのベンダーロックインを避ける：モデル・データ・基盤の持ち方3原則
-
製造業AIの3年ロードマップの作り方：基盤・展開・高度化の4フェーズ
-
AI導入前の現状診断：工場のデジタル成熟度を紙からデータ統合まで測る5段階の基準
-
GXとAI：製造業のCO2削減・省エネにAIを使う3つのアプローチ
-
見落とされやすいAIの隠れコスト7つ：データ整備・ラベル付け・現場対応
-
情報システム部門が担う製造業AI：基盤・セキュリティ・運用の3つの役割
-
Schneider、Cogniteを約31億ドルで買収へ：AVEVA CONNECTに統合
-
OPC Foundation、430超のコンパニオン仕様を「AI-ready」化へ：MCP・RAGに対応
「データ基盤」の導入事例
-
南京鋼鉄がスマート運営センターで生産安定性10%向上・コスト10%減、領航級に選出
-
中联重科が掘削機の生産タクトを6分/台にしたと報じられた事例
-
ニチレイロジグループが全国の冷凍倉庫の設備データをIoT基盤に集め、監視を効率化した事例
-
川島製作所がmeviyと生産管理システムで見積から納品までを約0.5カ月に縮めた事例
-
雪印メグミルクが自社開発のデジタル日報で教育時間を約50%減らし、外販も始めた事例
-
昭芝製作所がRFIDの金型探索システムで500型の棚卸しを16時間から0.5時間にした事例
-
京都の大本染工が受発注と生産管理をデジタル化し、繁忙月の残業を半分以下にした事例
-
山岸製作所がFileMakerで指導書管理アプリを内製し、梱包ミスのクレームを0件にした事例
-
和菓子の青柳総本家がIoT基盤enebularで社員食堂システムから工場DXを1カ月で実現
-
東芝マテリアルがMeisterシリーズで検査・工程データをデジタル化し、品質監査に対応
-
PepsiCoが米国の工場・倉庫を3Dデジタルツイン化し、変更前に問題を洗い出した事例
-
TSMCがアリゾナのファブ設計・建設をOmniverseとIsaacで加速する事例
-
BridgestoneがAvanadeと統合工場データ基盤を作り、歩留まり損失に取り組んだ事例
-
Wiwynnがマレーシア新工場の製造システムをAWS Outpostsで1週間で展開した事例
-
Rockwellが自社工場のAIエネルギー監視で2週間弱の投資回収を得た事例
-
Foxconnがヒューストンの新工場をOmniverseで設計・最適化する事例
-
Wistronがテキサスの新拠点で組立システムをデジタルで試験・検証する事例
-
Schneider Electricのエヴルー拠点がエネルギー使用量を18%減らした事例
-
Siemensのエアランゲン電子工場が「産業AI OS」の最初の参照モデルになる事例
記事を探す
CONSULTATION
「AIで何ができるのか分からない」段階からご相談ください
AI導入テーマの選定、PoCの設計、データ基盤・MESとの連携、本番運用と人材育成まで。株式会社サオスの実務者が、貴社の現場とデータに合わせた進め方をご提案します。
AI導入の相談をする相談は無料です。特定製品の売り込みは行いません。