ai活用のポイントと食品関連産業における動向 ·...

Copyright (C) Mitsubishi Research Institute, Inc.

AI活用のポイントと食品関連産業における動向2018年12月5日

フード・コミュニケーション・プロジェクト（ＦＣＰ）第３回食の安全・信頼に関する新たな知見の蓄積勉強会

社会ICTイノベーション本部寺邊正大

Copyright (C) Mitsubishi Research Institute, Inc. 2

目次

• MRIのご紹介

• AI（人工知能）とは

• AI活用の取り組み方と成功へのポイント

• 食品分野のAI活用事例


MRIのご紹介


AI（人工知能）とは


はじめに～AI活用できてますか？～

Q1: 国内のAI活用は上手く進んでいますか？

Q2: 自社のAI活用は上手く進んでいますか（進められそうですか）？

生産性改善のためわが社も取り組みましょ！時代はAIでしょ！ AIって何だ？

何ができるんだ？どう取り組めばいいんだ？


デジタル技術は「三位一体」

AI

IoTビッグデータ

学習

データ収集・蓄積

自動化

デジタル技術が飛躍的に進化。個別課題にどのように活用し、イノベーションを起こすかに焦点

AIをはじめとしたデジタル技術はあくまでも「手段」どのように活用すべきかがポイント


第３次AIブームの到来

第1次AIブーム（1956年～1960年代）• ダートマス会議（「人工知能」の誕生）• 人間の推論手順をモデル化

第2次AIブーム（1980年代）• エキスパートシステム• 人間の知識を記述→知識ベース• 第5世代コンピューティング（1982～1992まで、通産省570億円）

第3次AIブーム（2013年～？）• インターネット＆ビッグデータ• 機械学習（例：ディープラーニング）

いま、人工知能は第3次ブーム。きっかけは機械学習、深層学習


第３次AIブームの到来～学会参加者数～

出典：2017 Artificial Intelligence Index 2017 Annual Reporthttp://ai-index-cdn.s3-us-west-1.amazonaws.com/2017-report.pdf


画像や文書を扱う学習する

コミュニケーションするカラダを持っている

活用が拡がるAI「人間の知能による作業をコンピュータにさせたもの」を総括して、AI（人工知能）とよばれており、多様な機能や特徴をもつAIがある

AI人工知能

出典：https://www.softbank.jp/

出典：http://monoist.atmarkit.co.jp/

出典：http://www.atmarkit.co.jp/ 出典：

http://jp.wsj.com/

出典：http://newswitch.jp/p/1799

出典：http://jpn.nec.com/profile/vision/case/01.html

出典：http://www.mri.co.jp/news/press/public_office/023053.html

画像による異物検知画像を介した機械翻訳

人型ロボット産業用ロボット

異常診断将棋AI

質問対応（チャットボット）クイズ回答

出典：http://dwango.co.jp/pi/ns/2017/0403/index2.html

判断する・推論する

どのような機能を持つAIか、認識することがポイント


AIに期待する役割人工知能は人間を「代替」するものから、互いを補完し、「協働」する存在へと拡がり

効率化

高信頼化

高付加価値化

素早く、連続的に

漏れなく、間違いなく

人間の気づきを支援（先導役）

1

2

3 互いに補完⇒協働

AIに期待する役割

AI優位⇒代替

人間との関係

AIによる「代替」のみに注目していると、活用機会を逸している可能性がある


ものづくり分野におけるAI活用シーンこれまでの生産・製造中心から、設計・開発や品質保証など活用シーンが拡大している

生産・製造

生産（在庫）計画

異常予兆検知

歩留まり改善

運転効率最適化

従来

活用シーン

活用テーマ

設計・開発

新商品開発支援

技術知識伝承

設計支援

特許分析

展開

品質保証・保全

検査自動化

トラブル情報活用

保全ノウハウ活用

展開

シグナル検出


（参考）製造業のスマイルカーブとAI・機械学習によるデータ活用

事業プロセス設計・開発生産・製造保守・サービスグローバル化時代の課題高付加価値化効率化高付加価値化

学習データの蓄積

少ない（類似事例のデータ）多い少ない

（異常事象の実績データ）

AI・機械学習によるデータ活用遅れている進んでいる遅れている

付加価値

現在

70～80年代

グローバル化

製造業における「スマイルカーブ」

新しい価値源泉

新しい価値源泉

効率化


AIの開発方法AIの開発方法はさまざま。準備できるデータ、知見等の条件を踏まえて最適なアプローチを選択

知見知識獲得知識ベース結論推論

知識ベース型AI

データ学習ロジック／モデル推論結論

機械学習型AI

事例学習事例ベース結論推論事例ベース型

AI

タイプ開発・推論方式

常に機械学習型が最適とは限らない。ハイブリッド型・高度化を含めて検討


まとめ第３次AIブームが到来し、AI活用の流れが定着

さまざまな人間の知能による作業を代替するAIが提案、提供されている

AIと人間の関係も代替だけでなく、協働へと拡がり

AI開発方法は、データを用いた機械学習型が主流。ただし、常に最適とは限らない

＜ポイント＞「AI活用する」をもう一段ブレイクダウン

「どのような課題」、「どのような関係」、「どのようなAI」、「どのように開発」・・・


AI活用の取り組み方と成功へのポイント


AI活用実現

【Step3】開発・運用

【Step2】PoC（試行検証）

AI活用に向けた取り組み方初期から大きな投資を行うのではなく、仮説検証を繰り返し、AIの価値に対する理解を深めながら展開していくのが一般的

関係者で目的・目標、マイルストーンを共有

AIに対する理解深化と投資判断

業務担当者を巻き込んだリーンな開発Point

概要

現状の業務課題を起点に、AI活用の目標を設定

AIの機能と構築方法を具体化

AI活用実現に向けた計画を策定

スコープを絞りこみ、実際にAIを構築、活用を試行

試行結果を分析し、残課題を洗いだし、対応

（仮説検証の繰り返し）

AIプロトタイプを開発実際に業務で使用しながら、運用を高度化

AI活用のスコープを拡大

【Step1】構想・計画

AI活用実現に向けた取り組みの流れ

「構想・計画」段階の十分な検討が、AI活用の成否のポイント


課題解決の方法を見極める業務や課題を要素分解し、個別課題について実現可能性・レベル、時間・費用的なコストを見積り、最適なアプローチを見極める。常にAI/データ活用が最適な選択肢というわけではない。

業務/課題①需要予測の精度向上

業務/課題②車両、ドライバー運用効率化

業務/課題③需要変動への柔軟な対応

<アプローチ①>AIによる自動化

<アプローチ③>データ収集、分析（見える化）

<アプローチ②>ルール化に基づく自動化

<アプローチ④>人間による対応（技能伝承）

・・・・

1. 課題（AI活用の目的） 2.個別課題へブレイクダウン 3. 最適なアプローチの選択

「AI活用」は手段の１つ。目的のために最適なアプローチを選択することが肝要

安定した商品供給

課題を起点とした最適なアプローチの選択（例：物流部門）

機能、構築方法、使用ツール


AI活用機会を探索するためのポイント～課題・目的起点～課題・目的起点で取り組みをブレイクダウンし、PDCAをまわしながら着実にステップアップすることが重要。さらに、社内の共通課題・共通目的を探索することで、 AI活用構想に広がりが生まれ、効果が最大化

～「なんちゃって」連携～目的を定めずやれることをやり、取組が発散

解決したい課題？

AIで解決できた課題が判明

提携先が得意な要素技術を適用

連携先から提案が持ち込まれる

とりあえずPoCする・・（やっつけPoC）

とりあえずAIしてみた・・

そもそも解決すべき課題か？

成功の確率が低下。また、取り組みが単発的になりがちで、実施効果の広がりが限定的

「目的起点」「取組マネジメント」

～あるべき連携・取組方～目的（課題）起点で取組をブレイクダウン

解決すべき課題を明確にする

AIで解決すべき課題を抽出

必要な要素技術を抽出

連携先を選択する

AIで解決すべき課題は？

必要な要素技術は？

内製？外部連携？

課題を明確にすることで、共通課題を見出しやすく、取り組みに広がりが生まれ、実施効果が増大


AI活用機会を探索するためのポイント～関係者間連携～AI活用機会の探索には、「対象領域」、「AI技術」両方の知識が必要。関係者がそれぞれの役割で貢献し、効果的な連携を図り、探索することが成功の要諦

事業部門

研究開発部門

外部連携先

立場別の悩み

AIに何ができるのか分からない

どんな課題があるのか分からない

AI技術の全体像が掴みきれない

～よくあるケース～各々の立場では力を発揮しにくいところで悩んでいる

事業部門

研究開発部門

外部連携先

「連携」による解決

AIで解決したい課題の定義

「技術」による課題解決の提案

AI技術と解決可能な課題の理解

AIで解決できること

解決したい課題

AIの最新技術

業務課題

技術理解先端技術

～あるべき姿～各々の役割で貢献し、他者と連携しながら推進


AI活用人材（ファシリテータ）

課題認識

AI技術有効性

体制面でのポイント～AI活用人材～「AI活用人材」として、まず必要なのは対象課題を理解し、解決に有効なAI技術の目利きができる人（チーム）

課題がわかった

IoT・AI技術を使えば・・・AI技術でそんなことができるのか

ユーザ側技術側（サプライヤ）

適用したい課題は・・・

弊社のAI技術は・・・

社内外の関係者間連携には、AI活用人材が必須


まとめ AI活用の基本ステップは、「構想・計画」→「PoC」→「開発・運用」

課題・目的起点でAI活用で「やるべきこと」を明らかにし、PoCで具体化、経験蓄積

課題を理解し、AI技術の目利きができるAI活用人材（チーム）の確保がカギ

＜ポイント＞ AIで「解決できる」課題ではなく、「解決すべき」課題を明確にする

新たに開発・導入すべき技術が具体化し、能動的な取り組みに


食品分野のAI活用事例


匠AI ～活用メリット・シーン～

開発・設計• 新製品開発支援（※食品会社事例）

• 配合設計

生産・組立• 需要予測/生産計画• 異常検出・診断• 歩留り改善

品質保証・メンテナンス• 検査自動化• ノウハウ・トラブル情報活用

1. 業務効率化・高度化＜効率化＞簡易・類似事例のある課題は、匠AIが代替、自動化により効率化＜高度化＞複雑・新規性の高い課題は候補案と参考事例を提示、匠AIが技術者の気づきを支援

2. 技能伝承• データベースは構築されるが、利活用が促進されないケース多数• 匠AIが仲介役となり、参照すべき類似事例を推薦・提示、データの利活用を促進

「匠AI」活用のメリット

「匠AI」の活用シーン


匠AIが得意とする対象プロセス「メカニズムが明示的に説明できない」、「シミュレータが構築できない」など、従来匠の経験と勘に頼らざるを得なかった対象プロセスに有効

条件結果対象プロセス

対象プロセスの・・・• メカニズムを明示的に説明できない• シミュレータが構築できない

• これまで多くの事例を実際に経験。• 複雑なプロセスの知見を獲得。

• 過去事例データで仮想的に経験・学習• 学習で獲得した知識をロジックとして表現

人工知能（匠AI）事例

DBロジック

?

匠（熟練）技術者は・・・匠AIは・・・

ノウハウ

技術者経験

「匠技術者」は過去の類似事例を起点に新規課題の推論

「匠技術者」のプロセスを模倣＝AI化

経験蓄積機械学習


新商品開発高度化～醸造匠AI（キリン・MRI）～ビール新商品開発（レシピ作成）業務に適用。醸造データを学習した「醸造匠AI」が結果を高精度に予測。試醸回数を削減、効率化。技術者は深堀にリソース集中することが可能に

醸造条件

（レシピ）結果

醸造条件

（レシピ）結果【経験知・理論】

解析機械学習

醸造匠AIアルゴリズム（新商品開発支援AI）

【醸造データ】

新商品開発効率化

効用データ・知見

エンジン

ロジックプラント

試作前に結果が予測できる！参考事例が提示される！

技術伝承促進

・予測結果・参考事例

新商品開発技術者

日経新聞記事（201878/17朝刊）：「職人技ＡＩで代替キリン、ビールの味・香り調整」https://www.nikkei.com/article/DGKKASDZ16HHN_W7A810C1MM8000/ニュースリリース(2017/8/21）：「ビール新商品開発技術者を支援する「醸造匠AI」のアルゴリズム開発に着手」http://www.mri.co.jp/news/press/public_office/023179.html日刊工業新聞（2017/10/27)：「キリン、ＡＩ駆使して新ビール−役割分担、技術者を支援」https://www.nikkan.co.jp/articles/view/00448310

https://www.nikkei.com/article/DGKKASDZ16HHN_W7A810C1MM8000/

http://www.mri.co.jp/news/press/public_office/023179.html

https://www.nikkan.co.jp/articles/view/00448310


Take-Home Messages

AI活用は、まだ始まったばかり• 勝負はこれから• データは産業にとって21世紀の石油である

「課題起点」で能動的な取り組みを• 顕在化しているAI活用テーマは、まだほんの一部• どのような目的で、どのようなAIを、どのように開発するのか、、、などブレイクダウンして、構想・計画立案

学習により進化するAI：中長期的な計画を• 今後データをいかに蓄積していくか• データが集まる仕組みづくり

ai活用のポイントと食品関連産業における動向 ·...

Documents