によって Sam Steiny 、 シヴ・トリサル による投稿
Archived. This article has not been updated since the publish date above. The dynamic nature of information means that previously accurate content can become outdated or even obsolete over time. Readers are advised to exercise due diligence and cross-check any information found in this blog post before making decisions or adopting any practices based on said information.
Original: The Great Unlock: Large Language Models in Manufacturing
翻訳: junichi.maruyama
製造業は、自動化を進め、オペレーションを可視化し、製品・技術開発を加速させるための新しい方法を常に模索しています。そのため、企業は常に深い技術的進歩の最前線にいることが求められます。製造業で最近見られる技術的進歩のひとつに、Generative AI、特にLarge Language Models（LLM）の利用があります。Generative AIは、既存のデータから認識したパターンに基づいて新しいユニークなデータを作成することができますが、LLMはさらに一歩進んで、複雑な情報を理解・整理し、人間のような対話を生成する能力を備えています。
製造業では、接続された車両、工場、建物、作業員によって生成される大量の複雑な非構造化データ（センサー、画像、ビデオ、テレメトリ、LiDARなど）が発生しますが、その多くは、データをリアルタイムでストリームする機能と、重要なイベントに有意義に対応するための重要なコンテキストデータソースと融合させる機能を必要としています。
このようなデータのパワーを活用するために、社員はアプリやデータ、ブラウザの種類を増やすのではなく、基本的に自分の仕事をよりよくこなせるようになること を望んでいます。LLMが業界を変えるほどのインパクトを持つのはこの点です。LLMは、人々がシステムや文書に接する方法を根本的に変え、生産性、顧客満足度、財務実績の数桁の改善をもたらすからです。以下では、LLMが現実の世界にインパクトを与え、ROIを向上させることができる3つの分野を紹介します。
LLMは、パーソナライゼーションに取り組む上で絶対に必要なものです。LLMの使用は、世界クラスの顧客体験を提供する上で最も重要な2つの属性であるスピードと一貫性を提供し、エンドカスタマーがループ内で人間を必要とせずに対話しニーズを解決する能力を与えます。自動車メーカーがほぼすべての自動車にセンシング機能とソフトウェア機能を追加するにつれて、会話機能がよりスマートなコックピットの設計を支えるようになり、快適性、ルート計画、エンターテインメントの調整が自然言語のプロンプトによって実行されるようになります。
この機能は、所有体験のさらなるパーソナライゼーションに拡張することも可能です。ディーラーは、販売後のサービスを提供する上で重要な仲介役です。予約状況を把握するためにさまざまなウェブサイトや電話をナビゲートする代わりに、将来の体験では、オーナーが「私の近くで定期メンテナンスの次の予約はいつですか」と尋ねると、オーナーがすぐに実行できる結果が表示され、多くのディーラーで一貫した体験を形成することができます。ライブエージェントと話す場合、LLMは、問い合わせの性質、問題のある顧客に存在する未解決/未解決の問題、ブランドとの関係の全体的な健全性に基づいてAIガイド付きスクリプトをキュレートし、よりパーソナライズされたインタラクションに導くことによって、エージェントとの対話をより生産性と成功に導くことが可能になる。
機器の健康状態を予測的に把握するだけでなく、不要なダウンタイムが発生する前に、適切な人員、適切な部品を適切な場所に、適切なタイミングで配置し、適切なメンテナンスを実施するなど、最も効果的な行動を組織化することを目的とした、予測保全などのフィールドサービスでの使用例を紹介します。
一般的には、製品のテレメトリーやセンサーデータを継続的に分析し、現場の機器のダウンタイムリスクを予測するところから始まります。そこから、技術者は、問題のトラブルシューティング方法を理解するために、多数のアプリケーションや詳細な技術マニュアルから複雑で長い情報を検討し、ドキュメントに記載されている手順通りに実行しなければなりません。これは時間がかかり、エラーが発生しやすく、最終顧客にとって最適とは言えません。さらに、トラブルシューティングのプロセスは再現可能かもしれませんが、時間の経過とともに適応し、学習していくものとは限りません。
その代わり、機器のトラブルシューティングのプロセスについて特別に訓練されたLLMは、はるかに良い結果をもたらすことができます。まず、技術者が技術マニュアルと対話する際に会話モデルを使用し、問題の性質に応じて適切なセクションを示すことで、貴重な時間とコストを削減することができます。次に、他の技術者が過去に遭遇した1,000 件以上の同様の出来事から得た行動に関する学習を統合することで、技術者は、最良の結果を得るために取るべき最も効果的な行動に関するより明確な情報を得ることができます。最後に、製品の保証状況とドキュメントをすべて組み込んで、エンドユーザーにとって最適な経済的決断を下すことができ、サービス体験をより正確でパーソナライズされたものにすることができるのです。
技術者は、複数の文書やマニュアルを扱う代わりに、常にそばにいる専門家の副操縦士に導かれ、迅速な診断、稼働時間を最大化する最も効果的な保守作業の実行を可能にし、現場スタッフが毎日より多くの顧客をサポートできるよう力を与えることができる。
製造業は24時間365日休みなく稼働しており、お客様に高品質の製品をお届けするためには、プロセスを継続的に改善し、予測不可能なサプライチェーンを活用する必要があります。成功に影響を与える重要な問題の1つは、異なる部門、ステーション、現場の作業員間の情報の流れです。この問題に対する答えは、ステーション、部門、経営陣など、あらゆるレベルで定期的に行われるプロダクションレビューです。このようなレビューをサポートするために、オペレーションアナリストが異なるシステムから主要な指標や情報を集約し、レポートを作成するという作業が繰り返され、時間がかかっています。このようなレビューの真の目的は、パフォーマンスのギャップを可視化し、データに基づいて優先順位を決定して、業務効率、顧客サービスレベル、財務パフォーマンスを高めることですが、情報を収集するプロセスは時間がかかり、手作業が多く、再現性に欠けます。
今月の生産スケジュールで最もリスクが高いのはどの顧客の注文か」とシンプルに尋ねることができるようになることを検討してください。これにより、ボトルネックの把握や納期遵守のためのリカバリー戦略の策定に時間を割くことができ、複雑なクエリーを用いて複数のシステムからデータをかき集める時間を短縮することができます。LLMを使用することで、現場の作業員は、デジタルツインや管制塔などの複雑なシステムに対して、コードや複雑なSQLクエリを記述することなく問い合わせを行うことができ、これらのシステムを技術者でないユーザーにも利用可能になり、応答性と生産性を一段階向上させることにつながります。
これらの例は、LLMが業界の価値を解き放つ可能性のある多くの分野のほんの一部にすぎません。しかし、LLMを利用したビジネスが成功するかどうかは、企業がこの技術をどのように活用し、競合他社と差別化できるかにかかっています。LLMのオープンソースアプローチは、企業がデータと知的財産を管理し、業界固有のコンテキストやユースケースに合わせてモデルを独自に最適化する柔軟性を提供し、関連するビジネス成果に合わせて拡張できる能力を提供するアーキテクチャを設計できるため、価値創造へのより持続可能な道となるのです。
もっと詳しく知りたい方は？私たちのサイトで、ものづくりのためのレイクハウスについて学んだり、ウェビナーであなた自身がLLMを活用 する方法を学んでください： また、ウェビナー「Build Your Own Large Language Model Like Dolly.」では、LLMを活用する方法をご紹介しています。
ブログを購読して、最新の投稿を受信トレイにお届けします。