製造業でAIの導入が進んでいます。その理由や手法とは一体どういったものなのでしょうか。さらに、化学・素材業界のデジタル変革という切り口からも、業界の現在を見ていきましょう。

2020年8月25日に開催されたセミナーでは、MI（マテリアルズ・インフォマティクス）を専門とするベンチャー企業であるMI-6株式会社 代表取締役 木嵜基博氏と、AIに強い組織づくりを支援する株式会社アイデミー 代表取締役社長 石川聡彦が、それぞれ、素材/化学メーカーのDXをテーマに講演しました。

【前編】でお伝えした石川・木嵜氏の講演に引き続き、両者による質疑応答が行われました。この【後編】ではその模様をお届けします。

株式会社アイデミー
代表取締役CEO　石川 聡彦

東京大学工学部卒。同大学院中退。研究・実務でデータ解析に従事した経験を活かし、Aidemyの企画・開発を主導。早稲田大学リーディング理工学博士プログラムでは、AIプログラミング実践授業の講師も担当。

著書に『人工知能プログラミングのための数学がわかる本』（2018年/KADOKAWA）など。
​​​​​​​

MI-6株式会社
代表取締役　木嵜 基博氏

2012年京都大学卒業後、ITベンチャー企業に入社し主に事業開発として、クラウドソーシング事業の起ち上げやマイクロタスク型クラウドソーシングを活用した、ビッグデータのクレンジング業務等に従事。マザーズ上場に貢献後、2015年オリックス株式会社、2017年モバイク・ジャパン株式会社のGM代理を経て、現職。社内外のネットワークを活用した幅広い事業開発に一貫して従事。

AI/MI活用が上手な企業と、そうでない企業の違いとは？

石川：
製造業系のお客様については、プロセス改善の案件が非常に多くあります。短いスコープの中で、実際にローンチして現場の方に使っていただくプロセスの切り取り方が、短ければ短いほど良いと思っています。機械学習のモデルの作成は、ある程度現実可能なラインを置いて、いち早く現場で使ってもらうことこそが成功への近道です。

工場のプロセス改善系の場合などは、現場で使ってもらうと、成功以外の制約条件が出てきます。思わぬ環境変化などを事前に想定できないならば、短いスパンで現場に使ってもらうことを繰り返すことでしか推進はできません。こういった部分の切り取り方が、AI活用の上手さを決めると感じています。

木嵜：
マネジメントレイヤーの方ならば、MIを理解しようとすることが何より大事です。現場の方に丸投げ、ベンダーに丸投げというケースは当然上手くいきません。

また、よくお伝えするのは「すぐに効果を得ようとしても難しいですよ」ということです。半年～1年で成果が出ればラッキーですが、そうでない時に、何を効果と捉え、何を学びとして位置づけるかがが重要だと思います。

ミドルの方や担当者の方は、闇雲にアクセルを踏まないようにした方がいいですね。社内で期待値を上げすぎると、ろくなことにならないかなと思っています。自分たちが何をやっているのか、しっかり咀嚼できる範囲から一歩ずつ進めていくのが大事なのではないでしょうか。期待値や、MIに対する理解が成否を分けると思います。

私から石川さんへ質問です。
組織推進体制の構築をサポートするステップについて、ベストプラクティスがあれば、ぜひお聞きしたいです。

石川：
弊社の場合、「リーダー候補を見つける」というファーストステップをぜひ置きましょう、とお伝えしています。

お客様各社にとって、機械学習、AI、新しいDX、それぞれの取り組みは初めてであることが多いため、さまざまな壁が出てきます。それを乗り越えていくようなリーダー人材は育成していけるものではなく、見つけるしかないのです。

その方法として、教育研修があります。「AIを学びたい人は挙手して下さい」と言うと、結構手が挙がるんですよね。若手の方を中心に、自分の専門性とAI、デジタルの専門性をかけ合わせて強みにしてきたいという方が多いからでしょう。

その中から、10人のうち1人くらい、教育研修のプログラムを完走する人や、自分でものづくりをする人が出てくるんですね。このように、リーダー候補となる人を見つけるのが大事なポイントかなと思っています。

MIが上手くいっている事業規模は？ 中小企業では人的配置が難しいように感じます。

木嵜：
我々のお客様の例では、素材メーカーとしては比較的小規模な、売り上げ100億円前後の企業様もしっかり成果を出されているケースがあります。中小企業の定義にもよりますが、必ずしも難しいということはないかと思っています。

例えば、データサイエンティストを社内に置けないといった場合には、データサイエンスに興味関心のある材料研究者の方が、弊社の提供しているようなソフトウェアを使って簡単なところから成果を出していくのが重要なのではないかと考えています。

MIを活用する際、最初からMIを意識したデータの取り方をしないと使えないものでしょうか？

木嵜：
もちろん意識したデータの取り方であれば理想的ですが、過去のデータがそうでないと使えないわけでは全くありません。我々が扱うデータは、機械が読めるように修正したり、MI処理をしたりするケースも多々あります。そういったことを行いながら、徐々に社内でのデータ蓄積を工夫していくなど、組織として進めることが重要だと思います。

素材および製造業は、良くも悪くも職人気質が強い。IT業界との文化の差を感じたことがあれば教えてください。

石川：
日本の製造業の強みは技術力だ、という話はよくありましたが、その技術とは何なのか改めて問われていますよね。いわゆる日本の製造業で言われてる技術力というのは、職人の方の経験や勘など、オペレーショナルなノウハウを指しているケースもあります。

そういったものはどんどん自動化されてしまいます。そこに技術力はなくていい、と言うと語弊がありますが、むしろ人に張り付かない方がいいものだと思うんです。このように、技術というものが捉え直されているなと感じます。

この辺りはディスカッションしにくく、私達も苦しんでいる部分ですね。カルチャーの差、考え方の差を感じるところでもあります。

木嵜：
私も文化の差は大きいと思います。石川さんのおっしゃったことに補足するとすれば、MIという文脈で言うと「MIとその他のAIの違い」という部分が大きいと思っています。自動運転のように、一切人が要らなくなる世界観はMIとは少し違います。最終的に研究者の方がMIをどう使うか、という部分の差別化は残っていくものです。

我々は内部でも議論するんですが、MIは手段であって、何にMIを使うのか、データをどう構築していくのか、もしくはMIの結果をどう解釈するのか、そういった点においては研究者のセンスは残り続けると思っていますし、それこそが今後の差別化になっていくと考えています。

現在インドネシアで働いています。DXの海外展開の事例や、日本と海外のDXの提案の違いがあれば教えてください。

石川：
弊社の場合、基本的にお客様は日系企業です。海外の外資系の会社様へのサービス提供は基本的に行っていませんので、日系企業の海外拠点という視点でお答えします。

現場によって、インターネットの接続環境が日本よりも十分でないようなケースは多いですね。機械学習のモデルを作ることはノンバーバルで可能なため問題はありませんが、現場にデプロイする、実運用するとなると、海外ならではの課題が出てくる傾向があります。運用に近くなるほど、海外拠点ならではの課題が出てくる印象です。

木嵜：
弊社の場合は、MIに限定して回答します。現在、既にアジアの企業、日本以外の企業から色々と問い合わせを頂いて、実際にいくつかご支援しています。MIに区切りますと、まだまだ日本の優位性は残っているかなと感じているところです。まだまだこれから、マーケットがこれからできていくフェーズだと考えています。

先の見えないコロナ時代を生き抜くには、どのような人材が必要でしょうか。

石川：
今回のセミナーにご参加の方は素材メーカー様が多いと思っていますが、化学やマテリアルの分野で専門性を持った方がいらっしゃるでしょう。そういった方の過去の研究スキルと、情報科学のスキルの組み合わせこそが、技術的な競争優位になってくるのではないかと思います。答えとしては、自分の専門と情報科学、両方の専門性を持つということです。

弊社は早稲田大学で講義を担当しているのですが、毎年200名のうち9割近くが他の専門を持っている方です。学生の方も、機械学習、AIの活用について研究テーマとして取り組んでいかなければという感覚を持っているように感じています。

現在、在宅業務などを余儀なくされている状況は、力をつける良いチャンスだと思います。ソフトウェア、プログラミングといった部分について、専門性を高められる方がコロナ時代を生き抜く人材なのかなと思ってます。

木嵜：
石川さんのお話に共感します。最近我々の会社に、素材メーカーから転職の希望をよくいただくのですが、彼/彼女らには「ひとつの専門性だけでは難しい」という課題感があるようです。

既にある専門性に加えて、データサイエンスやプログラミングなど、自分なりの武器を持ちたいという人が非常に増えてきています。私も非常に同感で、2つ、できれば3つ4つと専門性を組み合わせられると、より貴重な人材になっていくと思います。

石川さんの講演の中にあった「熱意のある上司や経営層、OR、熱意のある若手、どちらかが存在すればよい」という文脈について、もう一度お聞かせください。

石川：
これは「OR」よりも「AND」であるに越したことはありません。当然、両方に熱意あればいいですよね。ただ、私は「OR」でいいと思っています。

なぜなら、特にAI/MI/DX の取り組みについて「やらなきゃいけない」という危機感は、もはやほとんどの人が持っていると思うんですよね。自分でしっかりやるという熱意のある若手ないしは管理職の方が「自分たちのチームのテーマはこれだ、これを絶対にMIでやらなきゃいけない」と進んで行けば、必ず皆がついてくるんです。

だからここは「AND」ではなく「OR」でいいという印象を持っています。

AI/MIの活用に関して、経営者と現場の研究者に温度差がある場合の対処法とは？

木嵜：
これは「あるある」な印象ですね。トップダウンで「MIをやれ！」と指示が下っているため、現場の方が困るケースが散見されます。その際には、最終的な決裁者の方に対して、MIがどういったものであるのか、必要最小限の情報をしっかり理解していただかなければいけないと思っています。MIは魔法の杖でもないですし、いきなりバラ色の世界が待っているわけではありませんので、期待値を適切にインプットする支援をさせていただくケースは多いですね。

石川：
AI、機械学習、ソフトウェアに対する熱量は、どの経営者様も高いと感じています。私たちの印象としては、組織育成、人材研修に力を入れるか否かは、経営者様によって判断が変わってくるようです。私たちとしては、山登りでどの道を登るのか、という話だと思いますので、人材研修も含めて取り組まれる会社様をサポートしていくということになります。