製造業の現場には、Excelの表や日報、検査の記録、実験のデータなど、日々の仕事のなかで積み上がってきた情報がたくさんあります。ところが、それらを品質の改善や条件の絞り込みに結びつけようとすると、どこから手をつければよいのか分からなくなることも少なくありません。東京都中央区銀座に拠点を置くKnowBreWは、そうした製造業に向けて、AIとデータ活用の支援を行っています。
取り組みの出発点になるのは、いま手元にあるデータと現場の知見です。大きく作り込む前に小さく試し、技術として成り立つのか、業務のうえで効果があるのかを見極めてから次の一歩へ進みます。官能評価とAIのように人の感覚が関わる領域から、研究開発で積み上げた実験データの分析支援まで、製造業ならではのテーマに幅広く向き合っており、専任のAI人材やデータ分析の担当者がいない企業でも、課題の整理という段階から相談できます。
KnowBreWのこだわり
KnowBreWは、支援を進めるうえで3つの方針を掲げています。分析の技術そのものよりも、その結果が現場で使える形になっているかどうかを大切にする考え方が、いずれの方針にも通っています。次の3つの柱に、その姿勢がよく表れています。
現場で実行できるところまで考えます
分析の結果は、現場で実際に動かせて初めて意味を持つと考えています。設備や工程の制約、安全性といった条件から実行が難しい案は、数字のうえで良く見えたとしても候補から外し、現実に回せる打ち手だけを残すことに配慮しております。
この姿勢を支えているのは、代表の影山 祐介様が重ねてきた現場での経験です。機械の据え付けやメンテナンス、さらに設計まで自ら手がけてきたからこそ、机上で成立する案と現場で続けられる案の違いを踏まえた提案を目指しています。
データと客観的な根拠で進めます
発言した人の立場ではなく、どのようなデータや根拠に基づくのかで議論できる状態をつくることも、KnowBreWが重んじている点です。判断のよりどころを特定の人だけに預けず、組織の側に残る形へ整えることを目指しています。
背景にあるのは、素材や加工をはじめ、食品、電子部品、医療機器といった幅広い業界でデータ分析の実務に携わってきた経験です。業界ごとに事情は異なっても、共通して使える型を積み上げてきたことが、幅広いテーマへの対応につながっています。
足りない部分は原理原則から埋めます
現場のデータは量や条件に偏りがあるため、数字だけを追いかけると判断を誤ることがあります。情報が足りないときには物理や化学の原理原則に立ち返って仮説を立て、次に何を確かめるべきかを示すという進め方を取っています。
この考え方の土台には、理学博士（非線形物理理論）の学位を九州大学大学院で修めた経歴があります。現象を構造から捉える視点と、データから読み取れることを突き合わせながら、確からしい答えに近づくことを目指しています。数字のうえで効いているように見えても、現場の実感や物理と合わない要因は確かめ直すという姿勢も一貫しています。
KnowBreWのおすすめポイント
第三者の視点から見ると、KnowBreWには製造業のデータ活用を相談しやすい特徴がいくつもあります。支援テーマの幅、扱えるデータの種類、関わり方の選択肢、そして入口の開かれ方という4つの角度に、その持ち味がよく表れています。
6つの支援テーマを4つの入口から選べます
KnowBreWが用意している支援テーマは6つあり、データ分析系と生成AI系という2つの系統に分かれているそうです。すでにデータがある、これからデータを取る、社内で継続的に活用したい、生成AIを業務に取り入れたいという4つの入口が設けられ、今の状況に近いところから選べるようになっています。
データ分析系では、既存データの活用や、要因解析・不良要因の可視化のように、手元の記録から結果に効いている条件を切り分けるテーマが中心です。そのほか、予測モデルと予測可否の見極めのように作り込む前にそもそも予測が成立するのかを確かめるテーマや、これから集める情報を組み立てるデータの設計・実験計画支援、社内に分析の力を残す機械学習の内製化・活用定着も扱われています。生成AI系では、生成AI活用の検証・構想支援として、業務プロセスに組み込めるかどうかを小さく試すところから進めるそうです。
官能評価から画像や波形まで扱えるデータが広いです
扱えるデータの種類が広いことも、KnowBreWの持ち味として挙げられます。ExcelやCSVのような表形式のデータはもちろん、製品表面や断面などの画像、打音や設備振動といった音・波形、工程ログのように時間とともに変化するデータまで、形式に合わせて分析の方法を選んでいるそうです。
なかでも製造業らしいのが、味や香り、触感、見た目といった人の感覚による評価を扱う点です。官能評価は評価する人によって基準が揺れやすい領域ですが、そのばらつきを補正して数値として扱える形に整え、物性値や製造条件との関係を分析したり、予測が成立するかどうかを確かめたりできるようにしているそうです。研究開発の現場で集める実験データについても、何をどれだけ取れば狙う答えにたどり着けるのかという取得の設計段階から相談できます。
目的に合わせて選べる4つの支援形態があります
関わり方の選択肢が用意されていることも、依頼する側にとって心強い点です。KnowBreWの支援形態は4つあり、目的や社内の体制に合わせて選べるようになっています。
実際の業務テーマを進めながら、課題の立て方や分析設計、結果の説明の仕方を段階的に共有するハンズオンOJT、難易度の高い分析や単発の調査を主体となって引き受ける受託分析・調査、手元のデータと現場の知見からどこまで成立しそうかを見極めるスポット診断、月に1回のセッションや随時の質問対応でレビューと助言を担う顧問・フォローアップという構成です。成果物を早く手にすることを重んじるのか、実際のテーマを通じて社内に分析の力を残すことを重んじるのか、その比重を設計しているそうです。
整理がつかない段階から相談できます
入口が開かれていることも、KnowBreWをおすすめしたい理由です。課題やテーマが固まっていない段階からの相談を受け付けており、初回はオンラインで30分から60分ほど時間を取り、現在の困りごとや手元にあるデータ、社内の状況を聞くところから始めるそうです。
対応する地域に制限は設けられておらず、打ち合わせから分析、報告までをオンラインだけで進めることもできます。現場を確認する意味があると判断した場合には訪問の提案があり、希望に応じた訪問にも対応しているそうです。取り組みを始める段階では秘密保持の取り決めを結び、預かったデータの管理や返却、削除もその定めに沿って行われます。
製造業のデータ活用が難しくなる理由を押さえておきましょう
KnowBreWは、製造業のデータ活用には他の業界とは異なる難しさがあると説明しています。うまく進まないのは担当者の力不足ではないという立場で、構造的な理由を4つ挙げているそうです。そのなかから、相談の前に知っておくと役立つ2つの視点を取り上げます。
データは意図して残さないと貯まりません
小売や金融のように情報が日々自然にたまる業界とは違い、製造業では意図して取得し記録しなければデータは残りません。だからこそ、データを取る前の設計から関わることが重視されています。
加えて、設計や製造、品質といった部門ごとに情報が分かれ、工程をまたいでつなぎにくいという事情もあります。分析に入る前に、業務とデータの整理から始める必要があるわけです。KnowBreWが課題の整理段階からの相談を歓迎しているのは、この順序を大切にしているためだといえます。
暗黙知とデータの偏りが判断を難しくします
もう一つの壁が、熟練者の判断が言葉や記録として残っていない暗黙知です。何を手がかりにして、どんな基準で良し悪しを決めているのかが言語化されていないと、そもそも何を記録すべきかも決まりません。
不良や異常のデータは、正常に稼働したときの記録に比べて少なく、条件もいつも通る範囲に集中しがちです。数字だけを見ていると誤った要因を拾ってしまうため、KnowBreWは現場への聞き取りと原理原則との突き合わせを分析に組み込んでいます。そのうえで、現場の言葉とデータの言葉の両方を話せる二言語人材を、社内で育てるところまで伴走することを掲げています。
まとめ
KnowBreWは、東京都中央区銀座1丁目12番4号のN&E BLD.6Fに拠点を構え、AI・データ活用の定着支援を軸に、受託分析や調査業務、講演会やセミナーにも取り組んでいます。KnowBreW合同会社の代表を務めるのは、現場と設計、データ分析、理論を横断してきた影山 祐介様です。製造業を中心におよそ20社、累計で30件を超える支援テーマ、11の業界に携わってきた実績が示されており、そこには代表が前職で手がけた支援も含まれるそうです。
製造業のAI・データ活用は、大きな仕組みを作り込むところから始まるとは限りません。手元のデータで何ができ、どこから先が難しいのかを先に見極めておけば、進める判断も見直す判断も根拠を持って下せるようになります。官能評価のように人の感覚が関わるテーマでも、AIやデータ分析として成立するかどうかを小さく確かめる一歩が出発点になります。
手元のデータをどう活かせばよいか迷っている企業は、課題が整理できていない段階でも、一度相談してみてはいかがでしょうか。
