製造業AIソリューション カタログ

LiberCraft ｜ 製造業向け AIソリューション 製造業AI ソリューション カタログ 現場の人手不足‧ベテラン依存‧ データ活用の遅れを、AIで解く。 オンプレ‧VPC対応 製造業に特化 PoCから始められる

A B O U T L I B E RC R A F T 製造業に特化した、AIの実装パートナー 私たちリベルクラフトは、データサイエンスと生成AIの実装力を軸に、製造業の現場課題をAIで解くこと に特化した受託開発‧支援を行っています。汎用的なツールを当てはめるのではなく、現場の業務に踏み 込んでソリューションを設計し、PoCから本番運用‧継続改善まで一気通貫で伴走します。 01 02 製造業に特化 オンプレ‧VPC標準対応 汎用SaaSではなく、製造現場の業務に踏み込ん 機密図面‧社内データを社外に送信しない構成 でソリューションを設計します。 を標準で提供します。 03 04 業務設計＋実装の伴走 日本語‧JIS対応 ツール提供で終わらせず、業務設計からPoC‧本 海外製では限定的な日本語‧JIS規格に、設計時 番‧継続改善まで一気通貫で伴走します。 点から最適化しています。 観点 汎用SaaSツール LiberCraft 対象領域 汎用 製造業に特化 AIのアプローチ 単独ツールの提供 工場全体を3層アーキテクチャで統合 日本語‧JIS対応 限定的 設計時点から最適化 機密データ クラウド前提 オンプレ‧VPC標準対応 支援範囲 ツール提供のみ 業務設計＋AI実装の伴走型 導入後 自社運用 継続改善まで一気通貫 © LiberCraft Co.,Ltd. 02

I S S U E S & S O LU T I O N M A P 製造現場の課題は、個別のAIで確実に解ける 人手不足、ベテランの退職、つながらないデータ、上がり続けるコスト。どの工場も同じ壁に直面してい ます。大切なのは「全部を一度に」ではなく、効果の出る一点からAIを入れ、確かめてから広げることで す。本カタログでは、工場運営の全領域をカバーする8カテゴリ‧16のソリューションを紹介します。 ベテラン依存‧暗黙 人手不足‧高齢化 知 目視検査‧巡回‧段取りが 熟練者の判断が個人の頭の 人に依存し、採用も追いつ 中にあり、退職とともに失 かない われる データの分断 コスト‧エネルギー 設備‧品質‧生産のデータ 高 がつながらず、改善に活か 電力費‧不良‧在庫の無駄 せない が利益を圧迫している A B C D 安全‧環境 設備‧保全 生産‧工程 品質 映像安全管理‧エネルギー 設備保全‧設備外観点検 需要予測‧生産計画‧工程 外観検査‧品質トレーサビ 最適化 分析 リティ E F G H 調達‧在庫 人材‧ナレッジ 設計‧開発 統合基盤 在庫最適化‧調達購買 技術ナレッジ‧熟練技能伝 図面解析‧見積原価自動化 工場AIオーケストレーショ 承 ン © LiberCraft Co.,Ltd. 03

S O L U T I O N S I N D E X 工場運営の全領域をカバーする16のソリューション 8カテゴリ‧16ソリューション。すべて独立して導入でき、既存システムへの後付けを前提に設計しています。 A 安全‧環境 工場映像安全管理AI P.17 エネルギー最適化AI P.18 B 設備‧保全 設備保全AI P.19 設備外観点検AI P.20 C 生産‧工程 需要予測AI P.21 生産計画‧スケジューリングAI P.22 生産工程データ分析AI P.23 D 品質 外観検査AI P.11 ★ 品質トレーサビリティAI P.24 E 調達‧在庫 在庫最適化AI P.25 調達購買AI P.26 F 人材‧ナレッジ 技術ナレッジAI P.5 ★ 熟練技能伝承AI P.27 G 設計‧開発 図面解析AI P.8 ★ 見積‧原価自動化AI P.28 H 統合基盤 工場AIオーケストレーション P.14 ★ ★ は特に引き合いの多い代表ソリューション（3ページの詳細解説あり） ※ 本資料に記載の数値‧導入効果‧事例は、いずれも想定値および参考例です。実際の効果は対象業務‧データの状況により異な り、効果を保証するものではありません。 © LiberCraft Co.,Ltd. 04

S O LU T I O N D E TA I L ｜ F ⼈材・ナレッジ 技術ナレッジAI（RAG） 暗黙知を、組織全体の検索基盤に — ベテランの判断を、全員が引き出せる状態へ 製造業の競争力は、長年にわたり現場へ蓄積されてきた技術的判断の質に支えられてきました。しか しその多くは特定のベテランの経験として個人に属し、組織の資産として共有‧継承される仕組みを 欠いています。技術ナレッジAIは、社内に散在する技術情報を横断的に検索‧要約し、必ず根拠ととも に提示することで、この「暗黙知の属人化」を解きほぐすソリューションです。 なぜいま、技術ナレッジAIなのか 製造業の技術継承は、構造的な転換点を迎えています。熟練世代の大量退職が続く一方で、若手の育成には長い年 月を要し、現場は慢性的に「聞ける人」の不足に直面しています。これまで技能伝承はOJTと口頭での質疑に依存 してきましたが、その前提となる「教える側の時間」そのものが枯渇しつつあるのが実情です。 同時に、技術情報は社内のあらゆる場所に分散しています。設計書、不具合報告書、設計レビュー（DR）の議事 録、図面、仕様書、メール、チャット——これらは別々のシステムやフォルダに蓄積され、「どこに何があるかを 知っている人」でなければ辿り着けません。全文検索やファイルサーバ、社内Wikiといった従来手段は、表記ゆ れや文脈の違いに弱く、更新も滞りがちで、結局はベテランへの口頭確認に戻ってしまいます。 こうした状況を変えつつあるのが、生成AI、とりわけRAG（検索拡張生成）技術の成熟です。自然言語の問いかけ に対して、社内文書を根拠として参照しながら回答を生成できるようになり、しかもオンプレミス‧VPC構成によ って機密情報を社外に出さずに運用できる段階に到達しました。「ベテランの頭の中」に閉じていた知識を、組織 で安全に共有‧活用する現実的な手段が整ったのです。 現場で起きていること 多くの製造現場では、次のような状況が日常的に繰り返されています。「アルミ押し出し‧肉厚2mm以下での過去 対応はどうだったか」という問いに即答できるのは一部のベテランに限られ、その人物が不在‧退職すれば判断 は止まります。新人からは毎週のように同種の質問が寄せられ、回答する側の工数を圧迫します。過去に解決済み の不具合が、記録に辿り着けないために再発することも少なくありません。 これらはいずれも、知識が「人」に紐づき、「組織」に紐づいていないことに起因します。技術ナレッジAIは、こ の紐づけの対象を人から組織のデータ基盤へと移し替えることを狙いとしています。 © LiberCraft Co.,Ltd. 05

S O LU T I O N D E TA I L ｜ 技術ナレッジA I 技術ナレッジAIの仕組み 技術ナレッジAIは、「①ナレッジの収集‧構造化」「②Hybrid RAGによる検索」「③根拠付き回答の生成」という3 つの層で構成されます。既存の業務文書をそのまま取り込み、社内に閉じた環境で安全に運用できる設計です。 技術ナレッジAIのアーキテクチャ：収集‧構造化 → Hybrid RAG検索 → 根拠付き回答 ① 収集‧構造化　Word‧PDF‧Excel‧図面‧メール‧チャットなど多様な形式の文書を取り込み、OCRやテキ スト抽出を経て、検索しやすい単位に分割‧インデックス化します。新たに登録された文書は自動的に取り込まれ るため、運用開始後に手作業でメンテナンスする負担はほとんど発生しません。 ② Hybrid RAG検索　意味の近さを捉えるベクトル検索と、用語の一致を捉えるキーワード検索を組み合わせるこ とで、表記ゆれや言い回しの違いに強い検索を実現します。関連性の高い箇所を抽出し、その内容をもとに回答‧ 要約を生成します。 ③ 根拠付き回答　回答には必ず出典文書へのリンクと該当箇所を付与します。利用者は一次ソースをその場で確 認でき、AIの回答を鵜呑みにせず判断できます。これは、生成AIで懸念される「もっともらしい誤回答」を運用面 から抑える、信頼性担保の中核的な仕組みです。さらにオンプレ‧VPC運用、部門単位のアクセス権限、監査ログ により、機密性とガバナンスを両立します。 主なユースケース 自然言語での技術情報検索　「この条件での過去の対応事例は？」といった問いに、関連文書を根拠に回答。 設計DR‧仕様書の横断検索　複数年分の設計レビュー議事録や仕様書を横断し、根拠リンク付きで該当箇所を提 示。 過去の不具合‧対策事例の類似提示　いま直面している事象に近い過去案件を自動で探し出し、対策の当たりを つける。 複数ソースを統合した回答　マニュアル‧議事録‧チャットスレッドを同時に参照し、断片化した情報を1つの答 えにまとめる。 部門単位のアクセス権限管理　閲覧範囲を部門ごとに制御し、機微情報の取り扱いを担保。 © LiberCraft Co.,Ltd. 06

S O LU T I O N D E TA I L ｜ 技術ナレッジA I 想定される導入効果 ▲70% ▲70% 社外送信ゼロ 問い合わせ応答時間（30分→10分以内） ベテランへの確認コール（金型メーカー想 オンプレ‧VPC運用 定） 効果は単なる検索の高速化にとどまりません。これまでベテランの時間を消費していた「確認のための問い合わ せ」が減ることで、教える側‧教わる側の双方の生産性が上がります。会議‧メール‧チャットからナレッジが自 動的に収集‧インデックス化されるため、ナレッジ定着が運用の中で自然に進み、属人化が再発しにくくなりま す。OJTの質がトレーナー個人の力量に依存していた状態から脱却し、育成の均一化にも寄与します。 想定事例 電機メーカー：設計DR情報の活用 5年分の設計レビュー議事録をナレッジ化。設計者が新規設計時に過去のNGパターンを即座に検索できるようにな り、設計手戻りが月平均8件から2件へと減少。 金型メーカー：保全ノウハウの継承 ベテラン保全担当の修理ノート‧調整記録をAIナレッジ化。若手が判断根拠付きで対応できるようになり、「ベテラ ンへの確認コール」が約70%削減。 部品加工業：技術相談AIの構築 JIS規格‧社内標準‧顧客仕様を一元的に検索できるAIを構築。見積‧設計の担当者が一人でも一次回答できる体制 を実現。 導入の進め方 標準的にはDiscovery（1ヶ月）でデータの棚卸しとPoC設計を行い、PoC（2〜3ヶ月）で効果を検証してから本番 展開へ進みます。最初の取り込み対象は「よく来る質問のTOP20に答えられるか」という観点で絞り込み、精度 を確認しながら段階的に範囲を広げる進め方を推奨しています。 必要環境とよくある懸念 既存ドキュメント（Word‧PDF‧Excel等）のデジタルデータがあればPoCを開始できます。社内サーバまたはプラ イベートクラウドで稼働し、外部LLM APIへの全文送信は行いません。「誤った情報が回答されると困る」という懸 念に対しては、回答に必ず根拠文書リンクと信頼度スコアを付与し、利用者が一次ソースを確認できる設計で対応し ます。 © LiberCraft Co.,Ltd. 07

S O LU T I O N D E TA I L ｜ G 設計・開発 図面解析AI 図面を、読める人だけのものにしない — 受領から初回回答までを、数時間から数十分へ 受注生産型の製造業では、顧客から受け取った図面を読み解き、見積‧量産可否‧工程設計へ落とし 込む「図面読み込み」の質とスピードが、そのまま受注競争力を左右します。しかしこの工程は、深 い技術知識を持つ一部のベテランエンジニアに集中し、ボトルネックとなりがちです。図面解析AIは、 CAD‧PDF‧手書きを問わず図面を構造化し、寸法‧注記‧公差‧BOMの抽出から量産可否の一次所 見までを支援することで、この属人的な工程を組織の仕組みへと置き換えるソリューションです。 なぜいま、図面解析AIなのか 受注生産型の現場では、顧客から図面を受け取ってから見積‧量産可否回答‧工程設計に着手するまでの「図面 読み込み」フェーズに、ベテランエンジニアが1件あたり3〜5時間を費やすことが珍しくありません。図面の意図 を正確に汲み取るには加工知識と過去案件の記憶が必要なため、この業務は特定の熟練者に集中し、その人物が 立て込めば回答全体が滞ります。初回回答の速さが受注率に直結する受注生産型にとって、これは見過ごせない機 会損失です。 難しさは図面そのものの多様性にもあります。最新のCADデータがある案件もあれば、PDF化されたもの、さらに は手書きの図面が混在し、フォーマットは案件ごとにばらばらです。寸法‧注記‧公差‧表題欄の表記も顧客ご とに揺れ、読み取りには毎回それなりの集中力と時間が要求されます。「形式が揃っていない」ことが、自動化を 阻む最大の壁になってきました。 こうした状況を変えつつあるのが、画像セグメンテーション‧OCR‧VLM（視覚言語モデル）といった画像理解 技術の成熟です。日本語‧JIS規格を前提に設計し、オンプレ‧VPC構成で運用すれば、機密図面を社外に送信せ ずに図面を構造化‧理解できる段階に到達しました。海外製品では困難だった「日本語‧JIS対応」と「機密図面 の社内完結」を両立する現実的な手段が整ったのです。 現場で起きていること 多くの受注生産の現場では、図面が届くたびに「まず誰が読むか」を調整するところから業務が始まります。読 み込みを担えるベテランの予定が埋まっていれば見積回答は翌日以降に持ち越され、その間に競合が先に回答して しまう。手書き図面や読みづらいPDFでは、寸法や公差の拾い間違いが後工程の手戻りや原価超過を招くこともあ ります。 これらはいずれも、図面を読み解く能力が「人」に紐づき、「仕組み」に紐づいていないことに起因します。図面 解析AIは、この読み込み工程を支援情報として標準化し、ベテランの判断時間を本当に必要な箇所へ集中させる ことを狙いとしています。 © LiberCraft Co.,Ltd. 08

S O LU T I O N D E TA I L ｜ 図⾯解析A I 図面解析AIの仕組み 図面解析AIは、「①セグメンテーション」「②OCR構造化」「③VLM図面理解」「④Agentナレッジ照合」という4層 のパイプラインで構成されます。CAD‧PDF‧手書きを問わず図面を入力とし、既存の受注図面をそのまま取り込 んで、社内に閉じた環境で安全に運用できる設計です。 図面解析AIのパイプライン：セグメンテーション → OCR構造化 → VLM図面理解 → Agentナレッジ照合 ① セグメンテーション　SAM3により、図面を寸法線‧注記‧表題欄‧部品形状といった意味のある領域へ自動的 に切り分けます。雑然と要素が混在する図面でも、後段が扱いやすい単位に整理する前処理の役割を担います。 ② OCR構造化　切り分けた領域からOCRで文字‧数値を読み取り、寸法‧公差‧材質‧表面処理‧注記などを項 目として構造化します。表記ゆれを正規化し、後工程で扱えるJSON形式へ落とし込みます。 ③ VLM図面理解　視覚言語モデルが図形と文字を併せて解釈し、形状‧加工要件‧図面の意図を文脈ごと理解し ます。単なる文字抽出ではなく、「何が描かれ、何を求めているか」を読み取る層です。 ④ Agentナレッジ照合　抽出‧理解した内容を、過去の受注実績‧社内規格‧JIS規格と自動照合します。類似案 件の提示、量産可否の一次所見、規格NG箇所のフラグまでを生成し、根拠とともに提示します。 主なユースケース 寸法‧注記‧公差‧BOMの自動構造化　図面から各項目を抽出し、後工程で扱えるJSON形式で出力。 量産可否‧加工難易度の一次スクリーニング　押し出し性‧肉厚‧アンダーカット等を観点に、初回回答の当た りをつける。 過去案件との類似検索　似た図面を自動で探し出し、見積根拠や標準工数の参考値を提示。 DfM（製造性設計）所見の自動生成　加工工程やコストへの影響を、定量的な観点で説明する一次所見を生成。 社内規格‧JIS規格との自動照合　規格との差異を検出し、NG箇所をフラグとして出力。 © LiberCraft Co.,Ltd. 09

S O LU T I O N D E TA I L ｜ 図⾯解析A I 想定される導入効果 ▲83% 94% 機密図面OK 判断業務時間（3時間→30分想定） 図面情報抽出精度（想定値） オンプレ‧VPC運用 効果は図面読み込みの高速化にとどまりません。初回回答までのリードタイムが縮まることで、見積‧量産可否 の回答スピードが上がり、受注機会の取りこぼしを抑えられます。ベテランの時間が定型的な読み込み作業から解 放されるため、本当に判断を要する難案件へ集中でき、属人化の緩和にもつながります。なお上記の数値はいずれ も想定‧事例ベースであり、図面の種類や対象ユースケースによって変動します。 想定事例 アルミ押し出しメーカー：見積‧量産可否回答の高速化 図面受領から量産可否‧概算見積の初回回答までを3時間から30分程度へ短縮する想定。月間処理件数を2.5倍規模 へ広げ、回答スピードを受注率向上につなげる狙い。 金型メーカー：設計レビューの効率化 設計DRのチェックリストを図面から自動生成し、「抜き勾配不足」「肉厚過大」を受注前に自動フラグ。手戻り件数 を6割程度抑制することを想定した活用シーン。 部品加工業：購買‧工程設計の即日着手 顧客図面のBOM‧工程情報を自動抽出し、購買‧工程設計への指示を即日発行。従来3日要していた着手準備を当日 完了へ短縮することを目指す。 導入の進め方 過去の受注図面（PDF‧DXF‧STEP）と、対応する見積‧受注実績データがあればPoCを開始できます。PoCでは 「どのユースケースから始めるか」を最初に明確化し、量産可否スクリーニング‧見積支援‧設計レビュー支援 のうち、現場の最大課題に合わせて対象を1つに絞り込む進め方を推奨しています。効果を確認しながら段階的に 範囲を広げます。 必要環境とよくある懸念 図面解析AIは社内サーバまたはプライベートクラウドで稼働し、機密図面を外部へ送信せずに運用できます。「AI出 力をそのまま使うと判断責任が曖昧になる」という懸念に対しては、AIの出力をあくまで一次スクリーニング‧支援 情報と位置づけ、最終判断は人が行う設計を標準とすることで対応します。 © LiberCraft Co.,Ltd. 10

S O LU T I O N D E TA I L ｜ D 品質 外観検査AI 目視検査を、自動で‧全数で‧均一に — 「人の目」のばらつきを、標準化された判定へ 製品の品質保証は、長らく検査員一人ひとりの「目」と「経験」に支えられてきました。しかしその 判定は、技量差‧疲労‧主観によって日ごとに揺らぎ、全数を見続けることには人員上の限界があり ます。外観検査AIは、産業カメラで撮影した製品画像をその場で解析し、傷‧汚れ‧欠け‧変形とい った不良を自動で検出‧分類することで、検査品質を人に依存しない一定の水準へ引き上げるソリュ ーションです。 なぜいま、外観検査AIなのか 外観検査は、製造現場のなかでも特に人手と熟練に依存してきた工程です。製品表面の微細な傷や色ムラ、わずか な変形といった欠陥は、明確な数値で線引きできるものばかりではなく、「これはOK、これはNG」という最終判 断の多くが検査員の感覚に委ねられてきました。その結果、同じ製品でも担当者や時間帯によって合否が分かれる という、品質保証の根幹に関わる不安定さが残り続けています。 加えて、目視検査は本質的に「全数を見続けること」に向いていません。集中力は時間とともに低下し、人員にも 限りがあるため、全数検査が望ましい製品でも抜き取り検査にとどめざるを得ないケースが多く見られます。抜き 取りの網をすり抜けた微細な欠陥が市場に流出し、クレームや返品につながる事態が、現場の努力とは別の次元 で繰り返されてきました。 こうした構造的な課題に対し、産業用カメラとAIによる画像解析の組み合わせが現実的な解になりつつあります。 良品‧不良品の画像を学習させることで、人が言語化しきれていなかった判定基準をAIが一定のルールとして引き 受け、ラインスピードのまま全数を均一に検査できる段階に到達しました。「ベテランの目」に閉じていた判定 を、組織で再現‧継承できる手段が整ったのです。 現場で起きていること 多くの製造現場では、次のような状況が日常的に繰り返されています。「このベテランが検査を担当した日は不良 率が低い」という属人的な品質ブレが当たり前に存在し、検査基準は文書ではなく個人の経験として保持されて います。その熟練検査員が定年を迎えると、判定の勘所が引き継がれないまま品質水準が静かに低下していきま す。微細な欠陥を見逃した製品が出荷され、顧客からの指摘で初めて問題が発覚することも少なくありません。 これらはいずれも、品質判定が「人」に紐づき、「標準」に紐づいていないことに起因します。外観検査AIは、こ の紐づけの対象を個人の感覚から学習済みの判定基準へと移し替え、検査の質を時間や担当者に左右されない状 態へと近づけることを狙いとしています。 © LiberCraft Co.,Ltd. 11

S O LU T I O N D E TA I L ｜ 外観検査A I 外観検査AIの仕組み 外観検査AIは、「①産業カメラによる撮像」「②AIによる画像解析」「③欠陥の検出‧分類とライン連携」という流 れで構成されます。既存の検査ラインにカメラと処理装置を後付けする形で導入でき、大規模なライン改造を前提 としない設計です。 外観検査AIの構成：産業カメラ撮像 → AI画像解析 → 欠陥検出‧分類 → ライン連携 ① 撮像　ラインカメラや産業カメラで製品をリアルタイムに撮影します。検出したい欠陥の大きさに応じた解像 度と、安定した照明条件の確保が精度を左右するため、カメラ‧照明の選定は導入前の現地確認を前提に設計し ます。 ② AI画像解析　撮影画像をAIがその場で解析し、傷‧汚れ‧欠け‧変形‧色ムラ‧異物といった不良を、ピクセ ル単位の精度で検出します。良品パターンを継続的に学習させることで、製品バリエーションの変更や季節‧環境 による見え方の変動にも自動で適応していきます。 ③ 検出‧分類とライン連携　検出した欠陥は種別ごとに自動分類され、NG品の自動仕分けやライン停止といった 設備とのI/O連携につながります。検査画像‧判定根拠‧スコアは全数記録され、後工程のトレーサビリティに利 用できます。同一カテゴリの品種間では転移学習を活用し、品種が変わるたびにゼロから学習し直す負担を抑え ます。 主なユースケース 表面欠陥の自動検出　傷‧異物‧色ムラ‧寸法異常を、ピクセル単位の精度で自動検出。 欠陥種別の自動分類　傷‧へこみ‧汚れ‧印字不良などを個別にカウントし、不良傾向を可視化。 不良率ダッシュボードとアラート　不良率をリアルタイム表示し、異常が出たラインへ即座に通知。 NGライン連携　自動停止‧仕分けシステムとI/O連携し、不良品の流出を物理的に止める。 全数記録によるトレーサビリティ　検査画像‧判定根拠‧スコアを全数保存し、後追い調査に対応。 © LiberCraft Co.,Ltd. 12

S O LU T I O N D E TA I L ｜ 外観検査A I 想定される導入効果 ▲75% 99%超 品質の標準化 検査工数（目視人員をAIが代替‧想定） 検出精度（微細欠陥の検出‧想定） 担当者‧時間帯に依存しない判定 効果は検査の自動化そのものにとどまりません。AIが目視を代替することで、これまで検査に張り付いていた要員 を他の業務へ再配置できるようになり、全数検査と省人化を同時に追求できます。判定基準が学習済みのルールと して固定されるため、担当者‧時間帯‧疲労度によって合否が揺れることがなくなり、品質が一定の水準に収束し ていきます。検査画像と判定根拠が全数記録されることで、クレームが発生した際の原因調査も、記憶や紙の台帳 に頼らず迅速に行えます。 想定事例 プレス部品メーカー：バリ‧傷の全数検査 打ち抜き面のバリ‧傷を全数自動検査。従来の10%抜き取りから全数対応へ移行し、出荷前不良の流出を抑制。検 査員2名を他工程へ再配置できたと想定。 樹脂成形品メーカー：外観不良の検出 ウェルドライン‧ヒケ‧変色を高精度で自動検出。顧客クレームが年間43件から5件規模へと減少し、返品対応コス トの削減につながったと想定。 食品包装ライン：複合不良の全数確認 シール不良‧異物混入‧印字ミス‧賞味期限のかすれをラインスピードで全数確認。検査人件費を抑えながら検出精 度を高められたと想定。 導入の進め方 標準的にはPoCで「検出すべき不良の種類」と「合否判定の基準」を品質管理部門と事前に文書化するところから 始めます。人が感覚で判断していた曖昧な基準を言語化‧明確化するプロセスそのものが、外観検査AI導入の前提 条件です。良品サンプル画像が一定数そろえばPoCを開始でき、精度を確認しながら対象品種を段階的に広げま す。 必要環境とよくある懸念 産業カメラと処理用エッジサーバー、そして良品サンプル画像（目安として100〜500枚程度）があればPoCを開始 できます。解像度‧照明条件はPoC前の現地確認で選定します。「製品が変わるたびに学習し直す必要があるのでは」 という懸念に対しては、同一カテゴリの品種間で転移学習を活用することで、追加学習の負担を初期導入と比べ大幅 に抑える設計で対応します。 © LiberCraft Co.,Ltd. 13

S O LU T I O N D E TA I L ｜ H 統合基盤 工場AIオーケストレーション 個別のAIを、工場全体の協調へ — 「つながらないAI」を、ひとつの意思決定基盤に 製造現場へのAI導入は、設備保全‧外観検査‧需要予測‧在庫最適化といった領域ごとに着実に進ん できました。しかし導入が進むほど、それぞれのAIが個別最適のまま孤立し、判断やデータが工場全 体へ波及しないという新たな課題が浮かび上がります。工場AIオーケストレーションは、エッジ‧ラ イン‧工場の3層で社内のすべてのAIを統合し、検知から対応までを自動で連鎖させることで、工場全 体のリアルタイム最適化を狙うソリューションです。 なぜいま、AIの統合なのか ここ数年、製造業のAI活用は「まず一つの領域で試す」という形で広がってきました。設備の予知保全、画像によ る外観検査、需要予測——それぞれが単独でも一定の効果を生み、現場での手応えとともに導入領域は増えてい ます。ところが、AIの数が増えるにつれて見えてくるのは、個々のAIが優秀であることと、工場全体が最適化され ることは別の問題だという事実です。 各AIは多くの場合、別々のベンダー‧別々のシステム‧別々のデータ形式で導入されます。その結果、設備保全AI が捉えた異常の兆候も、需要予測AIが描いた将来像も、それぞれの画面の中で完結し、隣の工程やその先の意思決 定へは伝わりません。せっかくの検知やひらめきが、人手による転記や会議の場を経なければ次のアクションに つながらないのです。これは、AI導入の効果が「点」にとどまり、「線」や「面」へ広がらない状態を意味しま す。 こうした状況を変えるのが、複数のAIを協調動作させるオーケストレーション（統合‧指揮）という考え方です。 各AIが生成するデータと判断を相互に連携させ、「設備が止まりそう」という検知を起点に、生産計画の再立案‧ 部品の先行発注‧作業員への指示展開までを自動で連鎖させる。個別ツールの足し算ではなく、工場全体を一つ のシステムとして最適化する段階へと、AI活用の重心が移りつつあります。 AIのサイロ化という問題 個別導入が進んだ現場では、次のような「つながっていないAI」の問題が顕在化します。設備保全AIが検知した異 常スコアの上昇が生産計画に反映されず、ラインが止まってから慌てて計画を組み直す。需要予測AIと在庫最適化 AIが別々に動き、予測の変化が発注へ素早く波及しない。品質データが工程改善へフィードバックされず、同じ不 良が繰り返される。いずれも、AIが「サイロ（縦割りの貯蔵庫）」に閉じ込められていることに起因します。 日本の製造業の強みは、工程と工程、人と人とが緊密に情報をやり取りする「すり合わせ」と、現場への密着に あります。AIもまた、単体で賢いだけでは不十分で、この「すり合わせ」を再現するように工場全体で協調して機 能する設計が求められます。工場AIオーケストレーションは、AIをこの協調の文脈に組み込み、サイロを横断して データと判断を流通させることを狙いとしています。 © LiberCraft Co.,Ltd. 14

S O LU T I O N D E TA I L ｜ ⼯場A Iオーケストレーション 3層アーキテクチャの仕組み 工場AIオーケストレーションは、「エッジ層」「ライン層」「工場層」という3つの層で工場内のすべてのAIを統合し ます。下から上へデータが集約され、上から下へ判断が展開される双方向の構造により、現場の検知と全体の意思 決定をひとつの流れでつなぎます。 3層アーキテクチャ：エッジ層（センサー‧カメラ‧PLC）→ ライン層（各業務AIエージェント）→ 工場層（全体意思決定AI） ① エッジ層　センサー‧カメラ‧PLCなど現場機器から一次データを収集する層です。設備の振動‧温度‧稼働 状況、製品画像、ライン信号をリアルタイムに取得し上位へ供給します。取得データの粒度と即時性が、全体最適 化の精度を左右します。 ② ライン層　設備保全‧外観検査‧生産計画‧在庫最適化など、領域ごとの業務AIエージェントが稼働する層で す。各エージェントの判断結果を相互に連携させ、隣接工程や他のAIへ共有します。AI間のデータ連携とプロトコ ルの標準化が、この層の中核です。 ③ 工場層　各エージェントの判断を束ね、工場全体の意思決定を行う層です。「設備が止まりそう」という検知を 起点に、生産計画の再立案‧部品の先行発注‧現場への指示展開までを連鎖アクションとして自動で組み立て、検 知から対応までを人手を介さず完結させます。統合ダッシュボードで全領域を一元監視します。 主なユースケース 工場内AIの統合アーキテクチャ設計　エッジ→ライン→工場の3層構造を前提に、AI全体の配置と連携を設計。 AIエージェント間のデータ連携‧標準化　API‧データ形式を標準化し、各AIの判断を相互に流通させる基盤を実 装。 工場全体のKPIダッシュボード　安全‧設備‧品質‧生産‧調達‧エネルギーを一元監視し、状態を可視化。 AI間の連鎖アクション設計　異常検知→計画再立案→発注→現場指示までの一連の対応を自動化。 投資対効果の継続測定と経営報告　AIの効果を継続測定して改善サイクルを運営し、週次‧月次のAIレポートを 自動生成。 © LiberCraft Co.,Ltd. 15

S O LU T I O N D E TA I L ｜ ⼯場A Iオーケストレーション 想定される導入効果 +40% リアルタイム 情報一元化 AI投資対効果（個別導入比‧想定） 工場全体の最適化（検知→対応を自動連鎖） 経営‧管理‧現場を階層別の粒度で 効果は、個々のAIの精度向上という枠を超えます。AI同士が連携することで、単独では得られなかった相乗効果が 生まれ、投資対効果は個別導入時と比べて大きく改善し得ます。問題の検知から対応指示までが自動で連鎖する ため、工場全体がリアルタイムに最適化へ向かい、対応の遅れによるロスが抑えられます。さらに、経営‧管理‧ 現場のそれぞれに必要な粒度で情報が届くことで意思決定の足並みがそろい、「AI導入の次の一手」が常に明確に なります。改善サイクルそのものを組織の能力として定着させられる点が、統合がもたらす本質的な価値です。 想定事例 自動車部品メーカー：設備‧品質‧生産計画の統合 設備保全AI‧外観検査AI‧生産計画AIを統合したファクトリーダッシュボードを構築。設備の異常スコア上昇を検知 した瞬間に生産計画が自動修正され、生産ロスを未然に回避。設備総合効率（OEE）の改善を想定。 食品工場：エネルギー‧在庫‧品質の横断最適化 エネルギー最適化AI‧在庫最適化AI‧品質トレーサビリティAIを統合し、電力ピーク低減‧欠品抑制‧クレーム抑制 の同時達成をめざす。3AIのデータ統合で、単独導入比の効果上乗せを想定。 電機メーカー：ゼロからの工場AIアーキテクチャ設計 AIを何から始めるべきかという設計から、優先領域の特定‧PoC設計‧本番展開まで一気通貫で伴走。段階的に複数 のAIを稼働させ、工場全体のKPI改善を経営報告へ組み込む体制の確立を想定。 導入の進め方 既存のAIツールがある場合は、それらを生かしたまま「統合」から着手できます。AIがまだ無い場合は、アーキテ クチャ設計→優先領域のPoC→段階拡大という順序で伴走します。いずれの場合も、まず現状分析で「どのAI間の 連携が最大の効果をもたらすか」を見極め、効果の大きい連携から実装する進め方を推奨しています。クラウド‧ オンプレミス‧ハイブリッドのいずれの構成にも対応します。 必要環境とよくある懸念 既存AIがあれば統合から、AIがゼロでもアーキテクチャ設計から伴走できます。技術的な最初の山場は、AIをつなぐ インターフェース（API‧データ形式）の標準化です。「AIが増えると管理が複雑になる」という懸念に対しては、全 AIの稼働状況‧精度‧アラートを一元管理する統合ダッシュボードで対応し、AI自体の「異常」も自動検知して担当 者へ通知する監視機能を標準で備えます。 © LiberCraft Co.,Ltd. 16

S O LU T I O N ｜ A 安全・環境 工場映像安全管理AI 危険行動を、映像から自動検知する 安全管理が管理者の巡回と事後のヒヤリハット報告に依存し、夜間‧休日は監視の目が届かない。既 存カメラの映像をAIが常時解析し、事故が起きる前に危険行動を捉える体制へ転換します。 工場映像安全管理AIのソリューション概要 製造現場の安全は巡回と事後報告に頼りがちで、無人時間帯の事故や録画の後追い確認が負担になっています。既 存CCTVの映像をAIがリアルタイムで解析し、危険行動やルール不遵守を自動検出。カメラ増設や設備改造は不要 で、検出シーンは前後フレームのクリップと位置情報をレポート化し、翌朝のブリーフィングにそのまま使えま す。 主なユースケース フォークリフトと歩行者の接近を距離‧速度で検知 ヘルメット‧安全帯の不着用を時間帯別に集計 危険エリアへの無断立入りをライン設定で検知 想定事例 鉄鋼センターのクレーン作業エリアで吊り荷下への立入りを自動検知し、月平均17件のヒヤリハットが3件規模まで 減ったと想定。 © LiberCraft Co.,Ltd. 17

S O LU T I O N ｜ A 安全・環境 エネルギー最適化AI 電力‧熱のロスを、AIで可視化する 電力高騰とカーボンニュートラル対応が重なる一方、どこで電力が無駄になっているか把握できない 工場が多い。AIが消費データを分析し、削減ポイントと投資対効果を数字で示します。 エネルギー最適化AIのソリューション概要 省エネ施策が照明や空調設定の小手先にとどまり、設備の稼働最適化やデマンドコントロールといった抜本策は 専門知識の壁で進みにくいのが実情です。スマートメーターや設備電力計‧温度センサーのデータをAIが分析し、 どの設備がいつなぜ電力を無駄にしているかを特定。CO2排出量の自動計算とレポート生成も備え、Scope1‧2対 応の負荷も下げます。 主なユースケース 設備ごとの異常な消費増加を自動検知‧アラート 省エネ施策のコスト‧削減量シミュレーション ピーク電力を抑えるデマンド制御スケジュール提示 想定事例 鋳造工場で溶解炉の待機電力‧空運転をAIが最適化し、電力コストを年間2,400万円規模で削減、回収8ヶ月という 想定。 © LiberCraft Co.,Ltd. 18

S O LU T I O N ｜ B 設備・保全 設備保全AI 異常予兆を捉え、計画保全へ転換する 時間基準の保全は過剰交換と突発停止の損失を同時に生む。センサーデータをAIが常時監視し、異常 の兆候を早期に捉えて計画保全へ移行します。 設備保全AIのソリューション概要 PLCやIoTから大量のデータが取れる一方、常時監視できる人員はなく、突発停止が残業‧緊急手配‧納期遅延の 連鎖を招いています。AIが「いつもと違う」異常パターンを早期検知し、残寿命や故障確率をスコア化する2段構 えで突発停止をゼロに近づけます。根本原因の候補提示から保全計画立案、部品発注アラート、メンテ指示書生成 まで一気通貫で支援します。 主なユースケース 振動‧温度‧電流の複合異常を早期検出 残寿命推定による故障タイミングの予測 リードタイムを考慮した部品発注の自動アラート 想定事例 コンプレッサーの軸受劣化を振動スペクトル解析で3週間前に検知し、緊急修理から計画修理へ切り替えて費用が1/3 になったと想定。 © LiberCraft Co.,Ltd. 19

S O LU T I O N ｜ B 設備・保全 設備外観点検AI 腐食‧発熱‧漏れを、カメラで監視する 高所や高温エリアの目視点検は危険でサイクルも長く、劣化の見逃しが設備トラブルにつながる。カ メラと画像AIが設備を定点監視し、人手の巡回を継続監視に置き換えます。 設備外観点検AIのソリューション概要 腐食‧ひび割れ‧油漏れ‧異常発熱は目視巡回に頼るため、立入りリスクのある箇所ほど点検頻度が落ち、深刻 化してから発覚しがちです。ラインカメラ‧サーマルカメラ‧近距離カメラが定期撮影し、画像AIが劣化や漏れ、 過熱を自動検出。映像安全管理AIが人の行動安全を担うのに対し、本ソリューションは設備の物理的健全性を監 視する役割を持ちます。 主なユースケース 高所配管‧タンク外壁の腐食‧塗膜剥離を自動検出 サーマルカメラで電気設備の過熱箇所を検知 同一箇所の定点比較で劣化スコアを時系列管理 想定事例 石油精製プラントでタンク‧配管外壁の初期腐食を定点カメラが早期検知し、緊急補修コストを▲55%規模に抑え たと想定。 © LiberCraft Co.,Ltd. 20