多くの製造業では、3D CADが普及する前に設計した部品の図面が2Dのまま残っています。これらを3Dモデルにしたい理由は主に3つです。

従来、2D図面からの3D化は設計者が三面図を読み解いて手作業でモデリングしていました。部品1点に数時間から数日かかるため、何千点もある過去図面をすべて3D化するのは現実的ではありませんでした。

MONOistの報道（2026年10月8日）によると、産業用機器メーカーのオリオン機械とTIMEWELLは、JIS準拠の2D CAD図面から3D CADモデルを自動生成するAIエージェントを実証しています。

続きをサイトで読む（用途別のAI活用）

設備の異音検知AIは、故障音を集めて分類するのではなく、正常運転時の音だけを学習し、そこから外れた音を異常とする方式が主流です。工場では異常音の録音がほとんど手に入らないうえ、どんな異常が起きるかを事前に網羅できないためです。

この方式の実力は、機種によって大きくばらつきます。国際コンペDCASE2020のベースラインでは、正常音のみで学んだオートエンコーダのAUCが、ファンで65.83%、バルブで66.28%、ポンプで72.89%、スライドレールで84.76%でした（開発用データセットの平均）。同じ手法でも、対象の音の性質で20ポイント近い差が出ます。

続きをサイトで読む（用途別のAI活用）

工場には、圧力計・温度計・流量計・レベル計など、電気信号を出さないアナログメータが多数あります。これらの値は、保全担当者が巡回して目で読み、点検表に記入するのが一般的です。古い設備や、後から追加した配管・ユーティリティ設備では特に多く見られます。

メータ読み取りのAI化は、メータの前に小型のカメラを設置し、定期的に撮影した画像からAIで針の位置や数字を読み取って、数値データとして送る仕組みです。効果は2つあります。

1つ目は、巡回と記録の手間を減らす省人化です。広い工場では、巡回だけで1日に数時間かかることもあります。

続きをサイトで読む（用途別のAI活用）

製造業でAI-OCRの対象になるのは、主に次の帳票です。工程内の検査記録やチェックシート（手書き）、設備の点検表（手書き）、材料メーカーから届くミルシート・検査成績書（印字、形式は取引先ごとに異なる）、外注先の納品書や作業報告書です。

これらをデータ化する目的は、品質の分析やトレーサビリティに使える形にすることです。そのためには、読み取った値が、どのロット・シリアル・設備・日時のものかが分かる形で、MESやQMS（品質管理システム）に登録される必要があります。

続きをサイトで読む（用途別のAI活用）

ドイツのハッソ・プラットナー研究所のSchmidl、Wenig、Papenbrockは、71の時系列異常検知アルゴリズムを967の時系列で比較した評価を、データベース分野の国際会議論文誌PVLDB（2022年）に発表しました。この評価の最初の結論は、どのデータにも最適な手法はなかった、というものです。

同じ評価では、教師あり手法が教師なし・半教師あり手法を上回ることもありませんでした。異常のラベルを付けて学習させれば精度が上がる、という直感は、この評価の範囲では成り立っていません。

製造業での意味は明確です。

続きをサイトで読む（用途別のAI活用）

工場の異常は年に数回しか起きず、起きたときの記録も「〇月〇日 ポンプ停止」程度しか残っていないのが普通です。教師あり学習（正解ラベルを使う学習）には異常例が数十〜数百件必要になるため、この状態では使えません。そこで、正常な状態のデータだけを学習して「いつもと違う」を検出する半教師あり・教師なしの方式から入ります。

この方式で精度が出ないのではないか、という心配には研究の裏づけがあります。

続きをサイトで読む（用途別のAI活用）

異常検知の誤報（実際には異常でないのにアラームが出ること）には、点検や確認にかかる直接のコストがあります。しかしもっと大きいのは、誤報が続くとアラームそのものが無視されるようになることです。そうなると、本当の異常が起きたときにも対応されず、異常検知を入れた意味がなくなります。

誤報のコストについては、McKinseyが2021年に、誤報率10%で予知保全プログラムの節約効果が消えた事例を挙げていると、保全専門メディアのReliable誌（2026年6月）がまとめています（二次情報）。誤報は精度の問題であると同時に、事業性の問題です。

続きをサイトで読む（用途別のAI活用）

異常検知AIが出すのは「いつもと違う」という信号だけです。その信号を受けて設備を止めるのか、点検を予定に入れるのか、仕掛中のロットを保留するのかは、AIの外側で決まります。この外側が設計されていないと、アラームは画面に表示されるだけで、数週間後には誰も見なくなります。

McKinseyが2019年にまとめた資料では、インダストリー4.0のパイロットを始めた企業の78%がその先に進めず、理由として「ITシステムとデータの統合が難しい」「部門間の連携が弱い」が挙げられていました。異常検知はまさにこの2つにまたがる用途です。

続きをサイトで読む（用途別のAI活用）

外観検査で扱う異常は、大きく2種類に分けられます。1つは傷・へこみ・汚れのように、画像の一部の見た目が正常と違う「構造的な異常」です。もう1つは、一つひとつの部品の見た目は正常なのに、あるべき部品がない、数が違う、位置や組合せが違う、という「論理的な異常」です。組立ミスの多くは後者にあたります。

外観検査の研究用データセットMVTec LOCO ADは、この区別を明示的に扱っています。5カテゴリ・3,644枚の画像に、傷やへこみのような構造的異常に加えて、部品の欠落や配置違いといった論理的異常を含めています（MVTec Software）。

続きをサイトで読む（用途別のAI活用）

検図（図面のチェック）の自動化は、国内の製造業で検証が進み始めた段階です。公表されている取り組みを並べます。

新晃工業とABEJAの取り組みは検証段階で、対象範囲や効果の数字はまだ公表されていません。日立は同じ系列の「品質ナレッジシステム」で、自社工場のトラブル対応事例の検索時間を約9割減らしたとしており（2026年6月、同社発表）、設計側にも同じ考え方を広げた形です。

いずれの取り組みも、検図のすべてをAIに任せるのではなく、設計ルールへの適合や過去の指摘との照合といった、明文化できる部分から自動化しています。

続きをサイトで読む（用途別のAI活用）

ベイズ最適化は、これまでの実験結果から「条件と品質の関係」を推定する代理モデル（多くはガウス過程回帰）を作り、次に試すべき条件を提案する手法です。提案は、良い結果が期待できる条件（活用）と、まだ試しておらず不確かさが大きい条件（探索）のバランスを、獲得関数（期待改善量EIやUCBなど）で決めます。

実験計画法（DOE）が最初に実験点をまとめて決めるのに対し、ベイズ最適化は1回ごとに結果を見て次を決める逐次型です。1回の実験に時間やコストがかかり、条件の数が数個から十数個程度の問題に向いています。

続きをサイトで読む（用途別のAI活用）

ブルウィップ効果とは、需要情報がサプライチェーンの上流へ伝わるにつれて、発注量の変動が増幅される現象です。MIT Sloan Management Reviewに掲載されたLee、Padmanabhan、Whangの論文では、P&Gの紙おむつ（Pampers）の例が挙げられています。店頭の販売はほぼ安定していたのに、卸からP&Gへの発注、P&Gから3Mなど素材メーカーへの発注と、上流に行くほど変動が大きくなっていました。

同じ著者らがManagement Science（1997年）で示した原因は次の4つです。

続きをサイトで読む（用途別のAI活用）

CAE代替モデル（サロゲートモデル）は、有限要素法や流体解析といったCAE（コンピュータによる工学解析）の計算を、機械学習モデルで近似するものです。過去に実施した解析の入力（形状、材料、荷重、境界条件）と出力（応力、変位、圧力、流速）の組を学習し、新しい入力に対する出力を予測します。物理方程式を解く代わりに学習済みモデルで推論するため、数時間かかっていた解析を数秒〜数分で返せます。

使い方は、設計の初期段階で多数の案を素早くふるいにかけることです。数百の案を代替モデルで評価し、有望な数案だけを従来のCAEで精密に解析します。

続きをサイトで読む（用途別のAI活用）

Chronosは、Amazonの研究者が2024年3月に発表した時系列の基盤モデルです（Ansariら、arXiv 2403.07815）。時系列の値をスケーリングし、一定の区間ごとに量子化してトークン（単語に相当する記号）に変換し、T5系の言語モデルの構造で学習します。パラメータ数は2,000万〜7.1億で、複数のサイズが公開されています。

従来の需要予測は、自社のデータでモデルを学習してから予測します。Chronosは多数の公開時系列で事前に学習しており、新しいデータに対して追加学習なしで予測を出せます。これをゼロショット予測と呼びます。

続きをサイトで読む（用途別のAI活用）

OR-Toolsは、Googleが公開しているオープンソースの最適化ツール群です。その中のCP-SATは、制約プログラミング（CP）と、論理式の充足可能性を解くSAT技術を組み合わせたソルバーで、スケジューリングのように「区間（作業の開始と終了）」と「重なってはいけない」という制約が多い問題に強い特徴があります。

VU Amsterdamの研究者が開発したスケジューリング用ライブラリPyJobShopの論文（arXiv 2502.13483）では、CP-SATと商用のIBM ILOG CP Optimizerを9,000以上のインスタンスで比べています。

続きをサイトで読む（用途別のAI活用）

職人技をデータにする取り組みは、データの行き先で2つに分かれます。1つは、熟練者の動きや判断を動画や文書に残し、次の世代の人に伝える方向です。もう1つは、熟練者の操作を機械の学習データにし、ロボットや溶接機そのものに技能を持たせる方向です。

日本の技能伝承の議論は前者が中心ですが、中国では後者の取り組みが報じられています。どちらを選ぶかで、記録するデータも、熟練者に求める協力の形も変わります。

揚子晩報（2026年2月11日）は、空調大手の格力電器が溶接のベテラン技能者を「AIトレーナー」と位置づけ、その技能を溶接機の学習データに変えていると報じました。

続きをサイトで読む（用途別のAI活用）

製造業の需要予測は、品番・拠点・期間ごとの将来需要を見積もり、生産計画・在庫計画・調達の入力にする業務です。精度の高い数字が出ても、それが計画の確定枠や発注点に変換されなければ現場の行動は変わりません。最初に決めるのは次の3点です。

この3点が決まると、必要なデータ、評価指標、更新頻度が自動的に決まります。逆に「とりあえず全品番の月次を予測する」から始めると、PoCの精度は出ても誰の業務も変わらない、という結果になりやすいです。

需要予測の手法は、統計手法、勾配ブースティング、深層学習、時系列基盤モデルの4系統に分けられます。

続きをサイトで読む（用途別のAI活用）

設計・開発で使われるAIは、何を入力して何を出すかで4つに分けると整理しやすくなります。

この4つは成熟度も、必要なデータも、効果が出るまでの期間も違います。まとめて「設計AI」と呼ぶと、PoCの目的や期待値がずれます。

図面AIは、紙やPDFの2D図面から寸法・公差・材質を読み取り、見積、調達、検図に使うものです。

続きをサイトで読む（用途別のAI活用）

図面AIは、PDFや画像の2D図面から、製造や調達に必要な情報を構造化されたデータとして取り出します。読み取る対象は大きく4種類です。

GD&T（幾何公差）は、形状の許容誤差を記号で表したもので、記号の種類と配置が多様なため、従来のOCRでは読み取りが難しい部分でした。

2024年11月に公開された研究（Khanら）は、パラメータ数0.23Bの小型VLM（画像と言語を扱うモデル、Florence-2）を、専門家が注釈を付けた図面400枚でファインチューニングし、2D図面からGD&T情報を抽出しました。

続きをサイトで読む（用途別のAI活用）

計画系（APSや最適化ソルバー）が再計画するには、現時点の仕掛・完了数量・設備の稼働状態・作業者の配置が必要です。これらを持っているのはMES（製造実行システム）で、ERPには日次や締め単位でしか入ってきません。再計画が遅い工場の多くは、ソルバーではなくこの「実績の取り込み」で詰まっています。

実務で起きる典型は次の3つです。

最後の点は再計画以前の問題です。実績が取れないと標準時間の誤差がそのまま計画の誤差になるため、生産計画AIに必要なマスタ整備と並行して、実績時間の収集を先に整える必要があります。

続きをサイトで読む（用途別のAI活用）