All Posts
Part 5 in the Demystifying Recent AI Advances Series Over the previous four posts in this series, we have covered a lot of conceptual ground: the model zoo and the generative-versus-discriminative divide; the autonomy spectrum from chatbots to agents; the plumbing of Skills, MCP, and harnesses; the retrieval architectures that
このシリーズについて 現場では評価指標(KPI)は達成しているのに業績が上がらない。同じデータを見ているのに判断が割れる。製造業の現場でよく聞くこうした悩みの根には、データの出所、指標の定義、そして判断の材料が揃っていないという共通の問題があると、私は考えています。 本連載では、本連載は、工場の生産ライン(設備、保全、品質、生産管理)を主な舞台にしています。研究開発、物流、購買などの領域は、今のところ主な対象としていません。技術の詳細には深入りせず、経営と現場の両方の視点で読める内容を目指しています。 連載の流れ 気になるテーマから読む 経営の数字と現場の数字がずれる → 第1回 データ基盤をつくる体制に悩んでいる → 第2回 同じデータを見ても判断が割れる → 第3回 AIにどこまで任せてよいか迷っている → 第4回 記事一覧 第1回 経営KGIと現場KPIがつながらない本当の理由 :GT-R開発者が「絶対に譲らなかった」こと 第2回 同じデータ、同じ定義の次に来る問題 :「誰が」統一データソースをつくるのか 第3回 同じデータを見ても、なぜ判断は割れるのか: 共有すべきは「結論」ではなく「判断材料」 第4回 AIに任せているのは「判断」ではなく、「判断材料づくり」である 次回予告 テーマは検討中です。更新をお待ちください。
A government entity may use data from several departments, infrastructure from one provider and an AI model from another. But when the resulting decision affects the public, responsibility does not divide as neatly as the technology does. For government organizations, control over digital sovereignty is best understood as retaining the
Conditional generation enhances synthetic data by allowing data scientists to generate targeted, realistic datasets with specific characteristics, helping improve model training, testing, fairness, risk management and trustworthy AI.
Organizations are investing heavily to make AI more trustworthy: building governance programs, establishing AI policies, documenting models and investing in explainability tools. These are all important steps, but what if one of the biggest barriers to trustworthy AI lies somewhere else entirely? What if it's the data? The Data and
The Cornish-Fisher (C-F) expansion approximates the quantiles of an arbitrary continuous univariate distribution by using only the mean, variance, skewness, and excess kurtosis of the distribution. Intuitively, you can model the shape of many common probability distributions by using these four moment-based quantities. This article shows how to use SAS
Technology modernization is disruptive even under ideal circumstances. But what happens when the business itself is already undergoing massive change? Recently, I spoke with a SAS account team that supported a global organization through a significant corporate transition. The company was separating from its parent organization and needed to establish
連載の全体像と記事一覧:生産ラインの現場から、データと判断のあり方を考える ※第1回:「経営KGIと現場KPIをつなぐ」、第2回:「同じデータ・同じ定義」を誰がつくるのか、第3回:「同じ判断材料の共有」についてお話ししました。 これまでの連載では、同じデータ、同じ定義を使うことの大切さを書いてきました。今回の話は、その延長にあります。AIが作る判断材料の質は、元のデータと、「何を異常と呼ぶか」という定義の質で決まります。データがばらばらで、定義が人によって違えば、AIは速く、大量に、間違った判断材料を作ります。どこまで任せるかを考える前に、判断材料の質を揃えておく必要があります。 「AIが判断したので」は会議で通るか 「それはAIが判断したことなので」。この言葉を、経営会議で口にできる人はいないはずです。 AIが賢くなるほど、「どこまで任せるか」は技術の問いではなく、経営の問いになります。今回は、弊社が製造業のお客様と取り組む中で見えてきた、「判断の仕分け」の考え方をお話しします。 結論を先に述べます。公開されている事例を見る限り、AIに任されているのは「判断」ではなく、「判断材料づくり」です。 判断を3つに分ける 「AIに任せるか」と問われると、判断を1つの塊として考えがちです。しかし判断は、少なくとも3つに分けられます(図1)。 判断材料づくり:見る、集める、整える、比べる 決める:選択肢から選び、結果に責任を負う 実行:決めたことを現場で行う 設備保全で言えば、センサーを見て異常を見つけ、マニュアルや過去の記録を集め、対策案を比べるのが材料づくりです。どの対策をいつ実施するかを決め、実際に作業するのが、その先の2つです。 図1.判断は3つに分けられる 判断材料づくりは、量が多く、速さが求められ、人には負担の重い仕事です。一方で「決める」には、結果への責任がついてきます。責任を負えるのは人だけです。ここに、仕分けの出発点があります。 4つの事例に見る共通点 弊社の公開事例を見ると、共通する構図があります。 弊社の公開事例 AIが担う部分(材料づくり) 人が決める部分 Georgia-Pacific社 150超の拠点で約85,000個の振動センサーを監視 異常予兆検出をするAIモデルは30,000個超 運転員・監督者が、修理を計画保全にまとめて日程を決める ロッキード・マーティン社 飛行データからの部品故障の予測 データ整形の約85%を自動化 SASとの協業では、症状データと整備記録から診断し、マニュアルの該当手順を参照元付きで提示する仕組みを検証 任務の中止は乗員、運航機と予備部品の選択は顧客、整備作業は整備士 Wienerberger社 分断データの統合 エネルギー消費の監視 洞察と推奨の生成 デジタルツインでの事前検証 現場知識を持つ技術者がモデルを改善し、変更は検証後に実施 SAS×NSW様のOEE改善デモ 経営KGI、現場KPIダッシュボード 異常予兆検出のしきい値の自動設定 要因候補のパラメータ表示 生成AIによる対策案の提示 対応方法の決定 何をAIに任せてよいか:2つの軸 では、どの判断ならAIに任せてよいのでしょうか。2つの軸で考えます。 1つ目は、判断の基準がどこまで明文化されているかです。「この値を一定回数続けて超えたら異常」と言えるなら、機械に任せられます。弊社の事例でも、異常を知らせるしきい値は、担当者の経験則ではなく、統計の考え方(管理図)で自動的に設定し、基準を標準化しています。基準は人が決め、適用は機械が行う。この分担です。 2つ目は、間違えたときの影響と、元に戻せるかです。データ整形や異常アラートは、間違えても戻せます。任務の中止や部品の交換は、戻せません。 図2.基準の明文化度 × 誤りの影響 この2軸で、4つの領域に分かれます。
When we joined the SAS Data for Good project supporting the Kay Yow Cancer Fund, we expected to contribute our technical expertise. What we didn’t anticipate was how much we’d learn ourselves Throughout this series, we've explored how SAS and the Kay Yow Cancer Fund are using data to better
連載の全体像と記事一覧:生産ラインの現場から、データと判断のあり方を考える 第1回では経営KGIと現場KPIをどうつなぐかを、第2回では「同じデータ、同じ定義」を誰がつくるのかを書きました。では、同じデータを同じ定義で見られるようになれば、企業の意思決定はうまくいくのでしょうか。私は、その先にもう一つ問題があると考えています。同じデータを見ても、人によって判断が違うことです。今回は、製造現場の「判断」を考えます。 設備に異常の兆候が出た。さて、止めるべきか? ある工場の生産設備で、センサーの振動や温度に通常と異なる傾向が現れたとします。今すぐ故障するとは限りませんが、何かが起こり始めている可能性があります。オペレーター、保全担当、生産管理、工場長は、この設備を止めるべきかどうかを、図1のように考えるかもしれません。 図1. 設備停止をめぐる4者の判断 誰か一人が間違っているわけではありません。守るべきKPIと負っている責任が違うため、同じデータを同じ定義で見ていても判断は割れます。それぞれが自分の責任を果たすことを考えた結果だからです。 「予測できること」と「判断できること」は違う AIやアナリティクスで、「この設備は近い将来、故障する可能性が高い」と高い確度で予測できるようになったとしましょう。これは大きな進歩です。しかし、そこで問題が解決するわけではありません。今止めるのか、今日の生産を終えてから止めるのか。部品はすぐ手配できるのか。誰が決めるのか。予測を受け取ったところから、次の問いが始まります。「何が起きそうか」を予測することと、「では何をするか」を判断することは、別の問題です。予測精度を高めても、後者が自然に解決するわけではありません。 ベテランが持っているのは、「答え」だけではない 経験豊富な保全担当者は、センサーの値が通常と違うからといって、機械的に「停止」と判断しているわけではありません。ベテランが本当に持っているのは答えそのものより、答えにたどり着くまでのプロセスです。 どの情報を見るのか 何と何を比較するのか 何をリスクと捉えるのか どの条件になったら他の人に相談するのか 経験やノウハウと呼ばれているものの中には、こうした「判断の仕方」が含まれているはずです。自社のベテランに「この異常を見たとき、最初に何を確認するか」を聞いてみてはいかがでしょうか。 目指すのは、同じ結論ではなく、同じ判断材料 全員に同じ結論を求めると、立場の違いが無視され、責任範囲が曖昧になり、例外に対応しにくくなります。目指すのは、同じ判断材料を共有した上で、それぞれの責任に基づいて判断できる状態です。設備異常の例でいえば、何が起きているか、想定される原因、類似事例、継続運転のリスク、生産計画への影響、対応方法の選択肢です。共有するのは結論ではなく、判断の根拠です。 図2.共有するのは結論ではなく判断材料 データ基盤の次に、「判断基盤」を考える データを集め、整え、定義を揃え、分析する。ここまでは多くの企業で議論されています。しかし、分析できるようになっても、意思決定の速さや質が自動的に変わるとは限りません。そこで、データ基盤の次に「判断基盤」を考えることを提案します。新しいITシステムの名前ではなく、意思決定プロセスの整理と言い換えても構いません。必要なデータ、判断材料、判断基準、責任者、そしてアクションまでをつなぐ仕組みを、ここでは「判断基盤」と呼ぶことにします。 自社の現在地は、図3の5つの問いで確認できます。 図3.判断基盤を確認する5つの問い 5つすべてに即答できるかどうかが、判断基盤がどこまで整っているかの目安になります。答えに詰まる問いがあれば、そこが次に手をつける箇所です。 おわりに データを集める。定義を統一する。分析できるようにする。ここまで整えても、判断が自動的に良くなるわけではありません。最後に残るのは、「この情報から、私たちはどう判断するのか」という問題です。その答えは、全員が同じ結論を出すことではありません。同じデータを同じ定義で見て、判断に必要な材料を共有した上で、それぞれの責任に基づいて意思決定できる状態をつくることです。 次回は、この判断のどこまでをAIに任せ、どこからを人が持つのかを考えます。 皆さんの会社では、同じデータを見たとき、誰もが同じ「判断材料」を手にしているでしょうか。
Part 4 in the Demystifying Recent AI Advances Series The previous three posts in this series covered what the models are, how much autonomy to grant them, and how to ground them in your data. This one covers the constraint that quietly governs all three decisions: cost. For the first
The previous blog explained that bone health depends on more than calcium—strong bones are supported by a comprehensive lifestyle and eating pattern. Now it’s time to put bone health on your plate.
Enterprise data has never been more accessible. Organizations can store, process and analyze information across cloud platforms, business applications and analytical environments. Yet having greater access to data doesn't necessarily mean having more control over it. As organizations connect information across increasingly distributed environments, maintaining consistent data quality, access policies
連載の全体像と記事一覧:生産ラインの現場から、データと判断のあり方を考える 前回の記事では、GT-Rの開発者が「同じ条件・同じ指標で測ること」を譲らなかった話から、データ分析には同じデータ、同じ指標定義が欠かせないという結論に至りました。では、それを製造業の現場で実現するにはどうすればよいのでしょうか。今回は、そのために必要なデータの置き場と層構造、そして意外と見落とされがちな「誰がつくるのか」を取り上げます。 製造業でよく起きる「同じ用語、違う数字」 たとえば「設備稼働率」です。 生産部門は、計画稼働時間に対する実稼働時間で見ている 保全部門は、故障停止だけを引いて計算している 経営層向けの月次資料では、段取り替えや待機時間の扱いが資料ごと・部門ごとに異なる 誰も間違っていません。ただ、定義が揃っていないだけです。この状態では、OEE(設備総合効率)を改善しようとしても、予知保全モデルをつくろうとしても、議論が「その数字は何を指しているのか」から始まってしまいます。これを解消する土台が、統一されたデータソースです。 データの層構造を整理する 近年、製造業では、構造化データに加えて、IoTや機械から生成されるセンサーデータ、テキストなど、多種多様なデータが生まれています。これらを一元的に管理・活用できる新しい技術と概念が、データレイクハウスとメダリオンアーキテクチャです(出典1・2)。 データレイクハウス:従来のデータウェアハウスとデータレイクそれぞれの制限を克服し、両者の長所を併せ持つデータアーキテクチャです。低コストなストレージ上のデータに対して、ACIDトランザクション(データの整合性を保つ仕組み)やガバナンス、高速なクエリ性能を実現する統合データプラットフォームです。 メダリオンアーキテクチャ:データレイクハウスに蓄積されるデータを、品質や加工度合いに応じて段階的に整理・洗練させていくマルチレイヤーのパイプライン構造です。 このメダリオンアーキテクチャは、次の3層で整理されます。 ブロンズからシルバー、ゴールドへと進むほど、「生データ」から「使えるデータ」へ磨かれていきます。 この3層は、従来のデータ基盤の用語では、おおむね、 データレイク → ブロンズ層 データウェアハウス → シルバー層 データマート → ゴールド層 に対応します。厳密には一対一で対応するわけではありませんが、本記事では説明のしやすさのためのイメージとして捉えていただき、以降はブロンズ層・シルバー層・ゴールド層の呼び方で話を進めます。 いちばん難しいのは、実はシルバー層 3層のうち、技術的に最も手間がかかりそうに見えるのはデータ量の多いブロンズ層ですが、実際に難しいのはシルバー層です。理由は2つあります。 1.やりたい分析を意識して設計する必要がある シルバー層は「きれいに整える」だけでは終わりません。OEEを出したいのか、故障予兆を見たいのか、不良の要因を追いたいのかによって、必要な粒度(秒単位か、ロット単位か)や、どのデータを紐づけるかが変わります。分析目的を知らないまま整えると、「整ってはいるが使えないデータ」ができあがります。 2.現場の専門知識が不可欠 この停止コードは「故障」なのか「段取り替え」なのか 設備の時刻と、MESの時刻がずれているのはなぜか このセンサー値が突然ゼロになるのは、異常か、単なる停止中か ロットIDと設備IDは、どのタイミングで紐づくのか これらはデータを眺めるだけでは分かりません。現場を知る人にしか答えられない問いです。 ITチームだけでは、シルバー層はつくれない データ基盤というとIT部門の仕事と考えがちですが、シルバー層の構築にはIT部門だけでは足りません。 必要なのは次のような多彩なメンバーです。 現場のオペレーター・ライン長:データが実際の動きをどう反映しているかを知っている 生産技術・設備保全:設備の構造や停止の意味、センサーの癖を理解している 品質保証:不良の定義や検査データの意味づけを決められる データサイエンティスト/アナリスト:分析で何が必要かを示せる データエンジニア/IT:その要件を実際に実装し、運用に乗せる 業務オーナー(工場長・部門責任者):部門間で割れた定義に決着をつける 最後の「定義の決着をつける人」が特に重要です。指標定義の統一は技術の問題ではなく、部門間の合意形成の問題だからです。この点は、計画段階で十分に考慮されていないケースが少なくありません。 ヨーロッパの建築資材の製造企業様での事例 SASはヨーロッパの建築資材の製造大手、Wienerberger社にて同様の経験をしています(出典3・4)。生産ラインからのデータ収集を行いブロンズ層を構築するまではITベンダーが実施できましたが、データ分析目的であった「製造品質を維持したまま、消費エネルギーを最小化する」という経営KGIを達成しようとしたところ、必要なデータの選定やクレンジングがうまく行えずデータ分析が実施できないという問題が発生しました。そこで弊社が参画しました。 データ分析の知見が、シルバー層/ゴールド層の設計の手がかりになる ここで、分析の出口から逆算するというアプローチが生きてきます。 SASはアナリティクスのリーディングカンパニーとして50年にわたる経験を有しています。そのため、「このデータ分析を実現するには、どんなデータ項目が、どの粒度・どの関係性で必要か」という、分析が要求するデータ構造についての知見を持っています。例えば、生産設備の状態監視や品質改善といったデータ分析用途ごとに、その構造を整理した専用のデータマートを、ノウハウとして保有しています。これはメダリオンアーキテクチャでいえば、ゴールド層に相当するものです。
We took a trip around SAS Championship, revisiting some familiar locations with photos from the tournament's first year. As SAS celebrates 50 years, we’ve looked back at the people, places and moments that have shaped our story. This time, we took a trip around SAS Championship with a few photos