English
Français
Deutsch
繁體中文
日本語
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。
毎年、ACEに参加するたびに、課題解決への情熱とソリューションを共有することに対するArasコミュニティの寛容さに刺激を受けています。今年のイベントは、特に印象に残るもので、長く記憶に残ることでしょう。CERN（そう、あのCERN）による圧巻の基調講演、6つのコミュニティデモを含むテックサミットへの驚異的な参加、そして初めてのAras Innovation Challengeがメインステージで開催されました！
ハッカソンやACEでの伝統的な「ラピッドファイアデモ」に触発されて、Innovation Challengeでは、コミュニティのメンバーがAras Innovator®プラットフォーム上で構築している、創造的で影響力のあるソリューションを披露する機会が提供されました。参加者は、リアルタイムの製造現場データ、デジタルスレッド、またはサステナビリティの3つのテーマのいずれかでプロジェクトを提出しました。
もちろん、コンペティションである以上、賞品がなければ盛り上がりません。参加者たちは、ボストンのメインステージでの登壇枠、ACEの無料登録、Arasとの共同ワークショップ、そして栄誉（つまり、Arasコミュニティの「スタンレーカップ」であるInnovation Challengeハンマーに名前を刻むこと）をかけて競い合いました。
ファイナリストの紹介
初日の最後には、4組のファイナリストが、250人以上の参加者で賑わう会場で自らのソリューションを発表しました。
Yogesh & Vilas
エンジニアリング設計向けAIアドバイザー
TCSのYogesh Kulkarni氏とVilas Sarangdhar氏は、非構造化データのAras Innovatorへのインポートを支援するAIベースのソリューションを発表しました。このツールは設計図面を処理し、データの特性を抽出して、対応するアイテム構造を生成します。
Tom Smith
ArasとLLMを活用した現場フィードバックの強化
SMCのTom氏は、現場からのフィードバックを収集・分析するためのソリューションを開発しました。このソリューションでは、AIを活用して入力を分類・要約し、チームがフィードバックを効果的に活用し対応できるようにします。
Konrad Golińczak
ドキュメント比較ツール
DemantのKonrad氏は、Aras Innovator内のWord文書のバージョンを比較するソリューションを開発しました。このツールはAIを用いて知的に差分を抽出し、それを要約することで、ユーザーが変更点を素早く理解できるようにします。
Gilbert Delabrousse
Aras Lite MES：現場管理の効率化
InensiaのGilbert氏は、Aras Innovator上に構築された軽量な製造実行システム（MES）を紹介しました。このソリューションにより、作業者は作業指示に従って記録を残し、マネージャーはリアルタイムで組立ラインの状況を監視できます。
そして、優勝者は…
各ファイナリストがメインステージで自身のソリューションをアピールした後、観客による投票でお気に入りのソリューションが選ばれました。翌日、「Aras in the Round」セッションにて、当社CEOのRoque Martinがコミュニティの選択を発表しました。
Tom Smithさん、おめでとうございます！彼は初代のAras Innovation Challengeの勝者となりました！
セッションを見逃した方や、Tomのソリューションについてもっと知りたい方へ。彼がこのテーマをどう選び、どのように実現したのか気になったので、イベント後に本人にお話を伺いました。
なぜ現場データなのか？
Tomは世界最大級の空圧機器メーカーのひとつ、SMCの上級インテグレーションエンジニアです。ですから、リアルタイムの現場データというテーマに惹かれたのも当然かもしれません。しかし彼のプレゼンの冒頭は、製造現場特有の課題だけではないことを明らかにしていました：
「すべての製造現場は継続的改善によって成り立っていますが、実際の現場からのフィードバックを収集し、意味づけるのは簡単ではありません。
製造の現場にいて、ふとアイデアが浮かんだとしましょう。そのフィードバックはどうなりますか？付箋に書いて上司のモニターに貼りますか？それともメールに書いて送りますか？でもそれは千通の他のメールに埋もれてしまうかもしれません。あるいは、どこにも届かずに消えてしまうかもしれません。」
この体験、共感できる方も多いのではないでしょうか？
どこから始めるべきか？
Tomのソリューションは、現場改善を進める上で多くのチームが直面する3つの課題に対応しています。
1. フィードバックの収集
現場でのフィードバックは手書きで記録されることが多く、対応の遅れやアイデアの喪失を招きます。Tomは非常にシンプルなフォームを用意することで、誰でも簡単にフィードバックを送信できるようにしました。
2. カテゴリ分類
報告されるフィードバックは通常、構造化されていないため、解釈や対応が難しくなります。Tomのソリューションでは、AIを使って入力をカテゴリ別に分類し、チームが検索・フィルタしやすくしています。
3. 要約
AIはさらに、フィードバックの要約や対応すべきアクションの提案も行います。このインサイトは週ごとにメールで配信され、関係者が簡単に内容を把握できるようになっています。この仕組みにより、迅速な問題解決が可能になり、データドリブンな意思決定が促進され、チーム内のコミュニケーションも向上します。そして何より、継続的改善に関わるステークホルダーが足並みを揃えることができます。
どのように機能するのか？
Tomのソリューションは、Aras Innovator内でItemTypeを作成し、すべての現場フィードバックを保存するところから始まります。入力を収集するため、従業員ID、作業ID、説明という3つの簡単なフィールドを持つ軽量のWebフォームを構築しました。送信ボタンを押すと、OData REST API経由でデータがAras Innovatorに送信されます。
次に、onAfterAddサーバーイベントがトリガーされ、説明文が大規模言語モデル（LLM）に送られて分類されます。TomはOllama 3.2 LLMというオープンソースのモデルを使用しており、ローカルで動作させることで、機密データが社外に出ることがないようにしています。コードはこのモデルに対し、「コスト」「納期」「品質」の3つの重要なカテゴリに分類するよう指示します。サーバーメソッドは、その結果をフィードバック項目のカテゴリプロパティに反映します。
ループを完結させるために、TomはArasのスケジューリングサービスを使って、毎週、最新のフィードバックを要約し、具体的なアクションを提案するサーバーメソッドを実行します。このメソッドはその内容をマネージャー宛に直接メール送信します。
まとめ
Tomのソリューションは、PLMにおけるAI活用が、必ずしも「ビッグバン型」の大規模導入でなくても、ビジネスに実質的なインパクトを与えられることを示しています。重要なのは、正しいチャンスを見極め、AIをあくまでツールとして活用すること。分類や要約など、LLMが得意なタスクはそれに任せ、その他の実装はシンプルに保つことで、すぐに価値あるソリューションを提供でき、さらに継続的に改善していくことができます。
皆さんはどう思いますか？今後のArasプロジェクトにLLMや生成AI、機械学習を取り入れてみたいと考えていますか？あるいは、すでに似たような取り組みを始めているでしょうか？ぜひ、下のコメント欄で教えてください！
Tomさん、そしてInnovation Challengeのファイナリストの皆さん、本当にありがとうございました。そしてこの記事を読んでくださった皆さん、仲間のビルダーを応援してくれてありがとうございます！
