このページの内容は、サードパーティサービスによって自動翻訳されています。

人工知能（AI）は、ほんの数年前には想像もできなかった方法で、製品ライフサイクル管理（PLM）を再構築しています。文書の分類などの単純作業を自動化するツールとして始まったものが、今ではイノベーションと成長のための強力な戦力となっています。今日、AIは構造化データと非構造化データの分析、プロセスの最適化、オンデマンドでの3Dモデルの作成など、複雑で微妙な作業にも利用されています。

ArasのPulling the Digital Thread ウェビナーシリーズの最新エピソードでは、業界のリーダーたちを招き、AIが今日のPLMやデジタルエンジニアリングに与える影響、そしてそれが明日どのように製品開発を変えていくのかについて議論しました。パネリストには、Microsoftの製造ビジネス戦略リーダーであるGuy Bursell氏、AI MarketplaceのCEOであるRik Rasor氏、RazorleafのチーフアーキテクトであるJonathan Scott氏、そしてArasのCTOであるRob McAveney氏が参加しました。

彼らのディスカッションでは、Bursell、Razer、Scott、McAveneyが、意思決定の向上におけるAIの役割から、エンジニアの仕事を楽にするアシスタントやエージェントとしての能力まで、幅広いトピックについて掘り下げました。しかし、これらの機会を実現するには、AIシステムへの信頼構築や、データの準備と長期的な適応性の確保といった重大な課題に取り組む必要があります。

PLMにおけるAI革命

AIは製造業において数十年にわたって使用されてきましたが、ジェネレーティブAI（GenAI）の出現により、人間の生産性と業務効率の改善において業界は飛躍的に前進しました。

ここ2、3年の間に、AIが処理できる作業の種類が急速に進歩しました。PLM向けのAIは、当初はテキスト量の多い文書の処理、分類の自動化、要約の生成など、単純なアプリケーションに重点を置いていました。今日、AIは新たな領域を開拓し、より複雑なユースケースへと移行しており、組織が製品ライフサイクル全体を管理する方法を再定義しています。

マルチモーダルAIが新たな可能性を開く

AIは従来のテキスト処理を超えて、マルチモーダルアプリケーションへと拡大しています。これらの新しい機能により、AIはテキスト、画像、3Dモデル、さらには動画など、多様なデータタイプに対応できるようになります。 フィールドサービスエンジニアが破損した部品の写真を撮影したと想像してみてください。 AIは画像を分析し、部品を特定し、PLMプラットフォームから関連データを取得することができます。 マルチモーダルAIは、問題解決を加速し、製品ライフサイクル管理をより直感的かつ効率的に行うための新たな方法を開拓し続けています。

「1年前、ジェネレーティブAIの分野全体における主な焦点は、PLM内のテキストベースのアーティファクトの処理に非常に強く当てられていました。今、私たちは、いわゆるマルチモーダルモデルへの大きなシフトまたは拡大を目にしています。」 – AI MarketplaceのCEO、Rik Rasor氏

エージェンティックAIは、新たなエンジニアリングの味方です

AIはもはや単なるバックグラウンドツールではなく、エンジニアリング作業の積極的な参加者となりつつあります。エージェンティックAIの時代が到来しました。バックグラウンドで自律的に動作し、人間からの明確な指示を必要とせずに新たな推論を行い、最適化を提案するエージェントです。これにより、PLMは意思決定をサポートするツールから、製品イノベーションとライフサイクル管理における積極的なパートナーへと変貌を遂げる可能性があります。

これらのAIエージェントは、市場動向、顧客からのフィードバック、パフォーマンスデータを監視し、革新的な新製品コンセプトを生み出します。エージェントAIは、より高いレベルの業務効率化を推進し、市場投入までの時間を短縮し、企業が競争が激化するグローバル市場で優位に立つことを可能にします。

「AIエージェントは、AIの使用に不安を抱く開発者の導入を促進するでしょう。これらのエージェントは、スペルチェックのように簡単に使用でき、『要件を適切に記述できているか？すでに重複した内容はないか？』といった重要な質問に答えてくれます。」―Razorleafのチーフアーキテクト、ジョナサン・スコット氏

AI導入を成功させるためのヒント

AIの導入は加速していますが、この新しいテクノロジーを活用する組織が直面する障害も依然として存在します。 従業員はプロセスを理解し、AIに特定のタスクを任せられるようにする必要があります。また、システムが妥当な答えを生成するものの、実際には誤っている「AIによる幻覚」の可能性など、AIの限界を認識しておく必要があります。 組織は、これらのリスクを管理するための適切なガードレールを導入する必要があります。 以下のヒントは、AIの導入を効果的に推進するのに役立ちます。

AIが提案するデータと仮定を検証する

AIが提案するデータと仮定を検証する。 経験豊富で知識のあるエンジニアやその他の専門家による作業は、その調査結果を認証する上で不可欠です。AIは、使用しているモデルに基づいて部分的なソリューションを提示するだけかもしれませんが、情報をどのように解釈し、AIの追加分析を指示し、その状況に最適な結論を導くかは、人間の知性にかかっています。 エンジニアとその同僚は、常にそのプロセスにおける意思決定者である必要があります。ただ信頼するだけではなく、検証のための追加のステップを踏む必要があります。

まずは小規模でターゲットを絞ったユースケースから

野心的な目標（例えば、AI中心の製品開発の確立など）を掲げるのは素晴らしいことですが、経営陣の賛同を得て、有意義な結果を得るためには、より広範な導入に向けた機運を高める実用的なユースケースから始める必要があります。例えば、要件の追跡可能性や分析など、AIが即座に価値を提供できる特定のインパクトの大きいタスクに焦点を当てるという選択肢もあります。

「自社のニーズに適したユースケースを見つけることが非常に重要です。投資に対する迅速なリターンと、ビジネスへの長期的な価値をもたらすものは何か？」 – AI MarketplaceのCEO、Rik Rasor氏

データインフラへの投資

AIシステムは高品質なデータによって機能します。しかし、多くのメーカーは部門間で散在し、一貫性のないデータに苦慮しています。より多くのデータ、より統合されたデータ、よりつながったデータ、そして製品ライフサイクル全体にわたるデータがあればあるほど良いのです。AIが活用するデータの量と質が高ければ高いほど、より良い結果が生まれます。AIの潜在能力を最大限に活用するには、組織全体でシームレスなデータフローと統合を可能にするデータインフラストラクチャに投資する必要があります。デジタルスレッドなどのテクノロジーは、システム全体にわたってデータを接続し、AIモデルが正確で最新の情報にアクセスできるようにします。

付加価値のない反復的な作業には自動化を取り入れましょう。特に、特定の分野の専門家のみが真に理解できる複雑な概念が関わる場合、未来を構想することは困難です。AIを恐れる人もいるかもしれませんが、それは潜在的に害をもたらす可能性のある単純なユースケースしか見ていないからかもしれません。

長期的な柔軟性を計画する

技術の進化やビジネスニーズの変化に対応するには、柔軟性が不可欠です。つまり、既存のシステムと統合でき、かつ新しいテクノロジーが登場した際には拡張できるツールやフレームワークを選択する必要があります。 組織の枠組み内および枠組みを超えてシステム、デバイス、アプリケーションが連携する能力である相互運用性を優先することは、製品ライフサイクル全体にわたってシームレスなデータ交換、コラボレーション、イノベーションを実現するために不可欠です。 例えば、デジタル製品パスポート（DPP）などの新しいコンプライアンス規制では、複雑なサプライチェーン全体で情報を追跡するために高度な相互運用性が求められます。

AI戦略を将来に備える

AIが製造業界を変革する可能性は否定できないが、企業は今こそ行動を起こし、エンジニアの生産性と満足度を高めながら、製品ライフサイクルを強化するために必要な知識とリソースを確保する必要がある。PLMの将来についてさらに詳しく知りたい方は、「Unraveling the Digital Thread: 4 Trends for 2025（デジタルスレッドの解明：2025年の4つのトレンド）」をお読みください。

Related:
Aras PLM digital thread product lifecycle management
Category:
ACE