Michael: 現在、ユーザーは工場のKPIを監視し、分析しています。アプリケーションで表示されている情報をもとに、どの領域に重点を置くか、またその都度リソースをどこに投入するかを決定します。意思決定は現在、手作業で行われています。私たちは単に意思決定支援システムを提供しているだけに過ぎません。
AIが大きな価値を付加するのは、意思決定そのものの質においてです。人間が意思決定を行う場合、工場の全体的なダイナミクスを理解していないため、より大きなばらつきが生じることがよくあります。特定の領域の特定の問題に非常に強く集中しているかもしれませんが、局所的な最適化が工場全体のパフォーマンスにどのような影響を及ぼすかは理解できていないのです。代わりに、AIを活用して工場全体を俯瞰し、最適な行動を判断できれば理想的です。これにより、工場全体の効率を低下させかねない局所的な最適化を避けることができます。
Michael: はい、最初は「このエリアのツール1がダウンしています。これを復旧させれば工場のスループットがX％向上します」といった提案から始まるかもしれません。また、その決定には根拠も示されるでしょう。例えば「今後数時間に受け取る予定のWIP量と、過去1週間のこの設備の稼働状況に基づき、このマシンを復旧すれば工場のスループットはX向上すると予想されます」といった形です。
Sam: なるほど。予測を説明するだけでなく、実行可能な推奨事項を提供することも重要なのですね。少し話題を変えて、特に利用できる過去データが限られている場合や全くない場合に、AIがどのように予測の精度を高められるか、ご説明いただけますか？
Michael: 現在、FactoryViewは統計的手法を用いて、過去のデータに基づき予測を行っています。これは、十分なデータ基盤がある場合にはうまく機能しますが、工場に新しく導入されたデバイスのように、データが限られていたり、信頼性が低かったりする場合には課題となります。このような場合、正確な予測を行うための十分な稼働履歴がないため、従来の方法では対応できません。
そこでAIが真価を発揮できます。類似製品を分析して合成データを生成し、ギャップを補うことで、予測精度を向上させることができます。例えばFactoryViewには、投入から出荷までの各ロットの工場内での動きを追跡するチャートがあります。完了したステップは実際のデータで表示できますが、将来のステップについては現状、過去の平均値に基づく基本的な予測に頼っています。この方法は、履歴がほとんどまたは全くない新しいデバイスでは機能しません。ここでAIが介入することで、予想されるWIP、機器の性能、類似製品のパターンなどを考慮し、よりスマートに、状況に応じた予測を行うことが可能になります。これにより、特に変化の激しい生産環境において、システムの信頼性が大幅に向上します。
Michael: 半導体工場にはあまりにも多くの変数があり、人間が自分の下す判断が最善かどうかを検討することは困難です。半導体工場で、人が自分では最適だと思って判断を下すとき、多くの変数を見落としてしまうことがよくあります。実際に関係している変数のうち一部しか見ていないということです。たとえ必要な変数をすべて示すレポートがあったとしても、人間がその判断を下すには、たとえ可能だとしても非常に時間がかかるでしょう。
Michael: まずは段階的なアプローチが良いと思います。最初は提案を行い、その提案の根拠を説明することから始めるのです。製造運用チームによる一定レベルの精査とトレーニングが必要になるでしょう。AIがまだ認識していない点があり、それを学習するにはチームからのフィードバックが必要だからです。製造チームがこれらのより情報に基づいた提案を信頼し始めると、工場はAIに提案だけでなく、実行も任せるようになると考えています。具体的には、MESの設定変更、自動化されたファブでの特定アラートの処理、搬送システムへの指令による特定エリアへの資材移動などが挙げられます。
まとめ
筆者について
Samanthaは、SmartFactory AI™ Productivity、Simulation AutoSched®、Simulation AutoMod®を統括するグローバルプロダクトマネージャーです。Applied MaterialsのAutomation Product Groupに加わる前は、BoschでIndustry 4.0のマネージャーを務めており、同社ではデータサイエンティストとしても活躍していました。さらに、オークリッジ国立研究所の地理情報科学・技術グループでリサーチアソシエイトとしての経験もあります。彼女はテネシー大学ノックスビル校で数学の修士号（M.S.）を、ノースジョージア大学ダロネガ校で数学の学士号（B.S.）を取得しています。
現在の役割において、Michaelは世界中の半導体顧客の増大するニーズに応えるため、ワークフロー自動化および工場分析サービスのロードマップ施策を推進しています。現在の役職に就く前、Michaelは半導体業界で産業エンジニアとして専門性を磨き、150mm/200mmフロントエンドファブにおけるデジタルトランスフォーメーションおよびI4.0イニシアティブの推進に貢献しました。Michaelは、テクノロジーへの情熱とイノベーション推進への意欲を持ち、世界中の顧客と協力しながら、製造能力と業務効率の向上に取り組んでいます。
