TECHNOLOGY
データ基盤・MES連携のAI活用
「データ基盤・MES連携」に関する記事 179本・導入事例 12件・製品 12件。技術の切り口でまとめています。
-
塔底ポンプの振動が上がった深夜:Honeywell Forge Plant Cognitionを想定のプラントに置く
-
Booz Allenの実験でAIは16分でOT制御網へ:深刻に受け取る理由と割り引く理由
-
MES×AIの始め方:使えるデータ・3つの連携方式・製品選定までの実装ガイド
-
中国の製造業AIの全体像:政策・主要プレーヤー・規制・日系工場への影響
-
中国が起草中の新一代智能制造政策は日系工場に関係するか:立場別の4つの問い
-
Critical Manufacturing V12のAIエージェントを2026年の年表で読む
-
米国CPGで「AIを全面組込み」は29%:シュナイダー調査252人の数字をどこまで読めるか
-
ウェハテストで1サイトだけ不良が増えた夜:Advantest・NVIDIAの診断AIを想定の工場に置く
-
Poka AI StudioとTulip AI Agents:現場エージェント基盤を9項目で比べる
-
Infor 2026.10の製造・品質エージェント:是正を任せる前に避ける4つの失敗
-
上海の新一代智能制造行動:2028年に人形ロボット8000台と先進級工場500
-
Xometry調査の51%・47%・32%:見積・検査・現場実行のどこからAIを入れるか
-
Schneider×PTC買収で点検する12項目:WindchillとMES連携の確認表
-
製造業のAIとは?できること・できないことを5つの機能で整理する入門
-
MESとAIの関係:ロット・作業指示・品質判定がAIの精度を決める理由
-
製造業AIが本番で止まる7つの理由:PoCは成功したのにラインに載らない構造
-
製造業の生成AI活用の全体像:業務別12ユースケースと導入の順番
-
製造業のAI人材育成:現場・推進・専門の3層で育てる計画の立て方
-
【無料Excel】製造業AI導入テーマ選定シート:4つの評価軸で20候補を採点
-
製造業のAI-OCR:紙の検査記録・点検表・ミルシートをデータ化する手順
-
製造業の調達・SCMのAI:需要連動発注・サプライヤーリスク・価格予測の4用途
-
AI推進体制のつくり方:CoE・事業部・工場の3者の役割分担と5つの型
-
製造業がAIを導入するメリット5つとデメリット4つ:判断基準つきで解説
-
データ基盤の段階的導入ロードマップ:ユースケースから逆算する8ステップ
-
製造データ品質の10の問題:時刻ずれ・欠損・単位不統一をAI投入前に潰す方法
-
ISA-95とAI:L0〜L4の階層ごとにAIの置き場所とデータの流れを整理する
-
PoC死(パイロット煉獄)の実態:McKinsey・WEF調査で見る「7割がスケールしない」理由
-
製造業の社内文書RAG入門:手順書・図面・品質記録を検索する5層構成
-
電力データとMES稼働実績を紐付ける:製品1個あたりエネルギー原単位の算出
-
品質AIの前提はトレーサビリティ:ロット・シリアルと工程データの紐付け方
-
製造業のAI人材に必要なスキル10項目:ドメイン知識とデータの扱い
-
AIベンダーへの質問リスト60問:提案比較とPoC前の確認に使えるチェック表
-
AI導入前のデータ準備チェックリスト:設備・MES・品質データの40項目
-
産業データ基盤6製品の比較:Fabric・AWS・Google・Cognite・AVEVA・Litmus
-
AI学習に使えるMESデータ一覧:実績・停止理由・品質判定・作業者など8種類
-
工場向けMLOps:モデルの版をロットのトレーサビリティに記録する運用設計
-
中小製造業の設備データの集め方:古い設備から少額で稼働を取る5つの方法
-
Unified Namespace(UNS)とは:工場データを1か所で購読するアーキテクチャの要点
-
MCP(Model Context Protocol)を工場に入れる:仕様の要点と製造業の使い方3例
-
PLC・ラダー生成AIの実力:LLM4PLC論文の成功率47%→72%が示す検証ループ
-
異常検知の誤報を減らす:1日あたり誤報件数とイベント単位評価で設計する
-
不良の要因分析AI:相関→層別→PLS・勾配ブースティングの4段階で原因を絞る
-
生産計画AIに必要なマスタ7種:ルーティング・標準時間・段取りマトリクスの整備
-
FDE型の伴走支援とは:日立・富士通も採る外部人材活用の3つの形
-
製造業のデータレイク・レイクハウス:ブロンズ・シルバー・ゴールド3層の設計
-
製造業データ基盤の費用:収集・蓄積・連携・運用の4区分で見る相場と試算方法
-
OPC UAとは:AI活用で「通信規格」より「情報モデル」が効く3つの理由
-
トレーサビリティ×AI:ロット・シリアル履歴があると品質AIで何ができるか
-
MCP×OPC UA:430のAI-ready仕様は工場AIの何を変えるか
-
工程パラメータは「重要データ」か:中国工信領域のデータ分類分級と日系工場
-
卡奥斯(海尔)天智工業大模型:機理モデル4700超とMCP対応エージェント基盤
-
SchneiderのCognite 31億ドル買収:AVEVA CONNECTはどう変わるか
-
フィジカルAIに必要な工場データ:MES・設備データ・動作ログをつなぐ3つの設計
-
AI導入前の製造データ準備:棚卸しと整備で確認する7つのチェック項目
-
AIの推論結果をMESに書き戻す:ホールド・作業指示・アンドンにつなぐ3つの設計
-
生成AIを工場データにつなぐ前提条件:MES・ヒストリアンを「AIが読める」形にする4要件
-
ヒストリアンのデータはそのままAIに使えるか:圧縮・サンプリング・タグの3つの落とし穴
-
IEC 62443とAI・データ基盤:ゾーンとコンジットで工場データをクラウドへ出す設計
-
IT/OT連携の進め方:情報システム部門と生産技術が衝突する5つの論点と分担
-
AIの前にマスタ整備:品番改番・設備ID・不良コードの不整合を直す5ステップ
-
MESデータに自然言語で質問する:Text-to-SQLを製造業で使うための4つの前提
-
産業AIエージェントの主戦場:Siemens・SAP・Microsoftは誰が層を握るか
-
中国当局「AI投資の50〜60%はデータ工学」:工業インターネット研究院の指摘
-
中国政策が「工業小モデル」を明記した理由:大小モデル協同と模数共振の考え方
-
多変量SPC(MSPC)入門:Hotelling T²とQ統計量で相関のある工程を監視する
-
AIモデルのドリフト監視:材料ロット・季節・設備改造で精度が落ちる仕組みと対策
-
OPC UAかMQTTか:工場データ収集プロトコルを用途別に選ぶ比較表と組合せ方
-
紙の帳票から脱却する:チェックシート・日報をデジタル化する3段階とAI-OCRの位置づけ
-
PoCから全ライン展開へ:横展開コストを最初に見積もる12項目チェックリスト
-
AIエージェントにMES・ERPを操作させる権限設計:読み取り専用から始める4段階
-
8Dレポート・不具合報告書を生成AIで下書きする:D1〜D8ごとの任せ方
-
産業データ基盤の再編2024〜2026:Cognite・Altair・TwinThread買収の意味
-
OPC UAコンパニオン仕様430超の「AI-ready化」:MCP・RAG対応の意味
-
突発停止・特急オーダーへの再計画:MES実績連携でリスケジュールする設計
-
PoCで止まる製造業AIを本番に載せる6つの条件:PoC死の構造的な原因
-
製造業のデータ基盤はクラウドかオンプレか:3つの比較軸とハイブリッド案
-
DELMIA Apriso×AIの現実:MES実装者が見る連携方式・できること・制約
-
MQTTとSparkplugの違い:ISO/IEC 20237を工場で使う判断基準
-
設備タグの命名規則:AIで設備横断分析するための命名ルールと移行の4手順
-
作業手順書RAGの作り方:MESの品番・工程コード・改訂番号で検索を絞る3手順
-
中国「工業インターネット×AI融合」行動方案:2028年に5万社改造の中身
-
Microsoft Fabricの製造データソリューション:ISA-95でOTとITを統合する狙い
-
需要予測に必要なデータ:出荷実績を需要と見なす誤りと最低2周期分の履歴
-
多変量の設備データで異常検知:SWaTデータセットに学ぶ51センサの扱い方
-
AI-OCRの結果をMES・QMSに登録する:ロット紐付けと修正確認フローの設計
-
PLC・ラダーのコード生成AI:Siemens Industrial Copilotとオムロンの取り組み
-
ソフトセンサーとは:ラボ分析値をオンライン推定する仕組みと導入の4ステップ
-
製造業AIの運用保守:精度劣化・再学習・モデル管理の3つの仕組み
-
1ラインの成功を全工場へ:製造業AIの横展開を阻む4つの壁と対策
-
ISA-95の4つの情報モデル(材料・設備・物理資産・人員)でAI用データを設計する
-
AIを見据えたMES選定:データの取り出しやすさを確認する10の質問
-
製造業AIエージェントの設計:Siemensのオーケストレーター型に学ぶ5つの原則
-
製造業の生成AIコスト:ライセンス・API従量・RAG構築・運用の4区分で試算する
-
測定系分析(MSA)なしに品質AIをやらない:ゲージR&Rで誤差を切り分ける理由
-
現場に使われるAIにする:製造業AIを定着させるための7つの工夫
-
中小企業成長加速化補助金でAI・工場投資:最大5億円の要件と100億宣言
-
アセット管理シェル(AAS)とは:IEC 63278と製造業のデジタルツイン連携
-
Microsoft Fabricの製造業向けデータソリューション:ISA-95モデルでOT/ITを統合
-
UNSのトピック設計:ISA-95階層で名前空間を切る5つのルールと失敗例
-
製造現場の生成AIガードレール:数値・規格値を間違えさせない5つの設計
-
パナソニックコネクトのConnectAI:1万3,400人展開から学ぶ社内定着の設計
-
AWSの製造業AI戦略:AI Factories・Nova Forge・AgentCoreの3本柱を整理
-
SAP Joule Agentの製造現場投入:Shop Floor Supervisorなど5種の中身
-
異常ラベルがない工場データの異常検知:正常データだけで学習する4つの手順
-
外観検査AIの学習データは何枚必要か:良品200枚・不良数十枚の目安と集め方
-
AWS IoT SiteWiseとは:設備データのモデル化と生成AI保全アシスタントの構成
-
推論はエッジかクラウドか:タクト・画像サイズ・台数の3軸で決める判断フロー
-
MESとAIをつなぐ3方式:DB直接参照・API・イベント配信(UNS)の比較
-
ドイツ製造業のAI:Audi・Schaeffler・SiemensにみるIndustrie 4.0の次
-
Google Cloud MDEとは:Geminiエージェント3種とSI経由の販売戦略
-
保全記録(CMMS)を予知保全AIの教師データにする:故障ラベル整備の5手順
-
Cognite Data Fusionとは:産業ナレッジグラフとSchneider買収後の行方
-
不良コード・停止理由コードの設計:AIで分析できる粒度に直す6つの原則
-
OEEデータをAIで深掘りする:停止理由・チョコ停・速度低下の分析に必要な粒度
-
Microsoftの製造業向け生成AI:Copilot StudioとFabricの関係
-
RAGの精度が出ないときに見直す6項目:製造文書のチャンク分割とメタデータ
-
製造業の「主権AI」:AWSとDassaultが示すオンプレ回帰の流れ
-
異常検知を保全・品質のアクションにつなぐ:MESとアラーム運用の設計5原則
-
予知保全システムの構成:ISO 13374の6ブロックで見るデータ取得から意思決定まで
-
SCMコントロールタワー:Lenovoの意思決定50%高速化に見るデータ統合の要件
-
古い設備をつなぐレトロフィット:PLCのない設備・通信できない設備の4パターン
-
製造業を狙うサイバー攻撃の現状:IBM X-Force・Dragosのデータで見るAI基盤のリスク
-
外観検査AIの判定結果をMESに戻す:ロット紐付け・トレーサビリティ・再学習の設計
-
データウェアハウス・データレイク・レイクハウスの違い:工場データで選ぶ3つの基準
-
製品系譜(ジェネオロジー)で不良の真因を追う:MESデータを使った要因分析の手順
-
Dassaultの3DEXPERIENCE Virtual Companions:Aura・Leo・Marie 3つのAIの範囲
-
PLC開発Copilot比較:Siemens・Rockwellの2製品の機能と注意点
-
データ基盤を誰が持つか:データエンジニア・生技・情シスの3者の役割分担
-
製造AIの正解ラベル:良否判定の揺れを抑えるラベル付け運用の5つのルール
-
Cognite Atlas AIとは:Schneider 31億ドル買収で何が変わるか
-
ライトハウス工場はデータ基盤をどう作ったか:WEF選出238拠点の共通点
-
OPC UAコンパニオン仕様の選び方:工作機械・射出成形・ロボットなど主要仕様の整理
-
Tulip AI Composerとは:三菱電機出資のノーコード基盤と生成AI
-
中国工場のデータを外に出さないAI:連合学習とエッジ微調整という選択肢
-
Siemensの産業用基盤モデル(IFM)とは:3Dモデルと図面を読むAIの狙い
-
外観検査AIのエッジ実装:推論2ms〜32msの差とPC・GPU・PLC連携の設計
-
AIモデルの再学習を誰がいつ回すか:工場の変更管理に組み込む4つのルール
-
時系列DBとヒストリアンの選び方:PI System・クラウド時系列DB・OSSを比較する5軸
-
Microsoft Factory Operations Agentとは:現場支援の仕組み
-
バーチャルメトロロジー(VM):半導体の全数測定を推定に置き換える仕組みと精度管理
-
工場データの時刻ずれ対策:PLC・MES・検査装置のタイムスタンプを揃える4つの方法
-
振動・画像など高頻度データの扱い:保存期間・圧縮・特徴量化の設計4項目
-
中国工場のAI活用とデータ越境規制:日系企業が押さえる3つの規則
-
検査記録のAI-OCR:手書きチェックシートの読取精度と運用の注意点5つ
-
製造データのガバナンス:所有者・品質責任・アクセス権を決める5つのルール
-
製造業AIの導入費用の内訳:構想・PoC・本番・運用の4段階で整理
-
AIの運用コストはいくらかかるか:クラウド・ライセンス・保守の年間費用5項目
-
デジタル製品パスポート(DPP)と工場データ:EU規制に備えるデータ基盤の準備
-
製造業AIのPoCが失敗する7つのパターンと、計画段階でできる防ぎ方
-
製造業の特徴量ストア:品番・設備・時間窓の3軸で特徴量を共有し横展開を速くする
-
製造業のAI導入が失敗する10の理由:企画・データ・運用の段階別に分析
-
NIST SP 800-82 Rev.3とは:OTセキュリティガイドを製造業のデータ基盤で使う要点
-
AIは内製か外注か:製造業での判断基準と、伴走支援を含む3つの中間モデル
-
サプライチェーンのデータ連携:Catena-X・ウラノス・エコシステムと工場データ
-
産業向けMCPサーバーの現状:Litmus・Sight Machine・Tulipなど5つの対応を比較
-
AIコンサル・SIer・AIベンチャー・メーカーの違い:製造業での使い分け4類型
-
産業データ基盤の大型再編:Schneider×Cognite買収は何を変えるか
-
印字検査・OCR検査AI:ロット番号・賞味期限・刻印の読み取りを自動化する手順
-
製造業AIのセキュリティ:データ持ち出し・OT接続・クラウドの3つのリスク
-
クラウドAIかエッジAIか:製造現場での選び方を5つの観点で比較
-
製造業AIで使うデータ6種類:画像・時系列・実績・品質・文書・音声
-
AVEVA CONNECTのIndustrial AI Assistant:データ連携3方式
-
データが少ない工場でAIを始める方法:良品学習・転移学習など4つの手
-
製造業AIのアノテーション:ラベル付けの品質を決める5つのルール
-
AI導入のKPI設定:OEE・不良率・工数で効果を測るための設計方法
-
日本の製造業AIは遅れているのか:米国・ドイツ・中国と比べた5つの公的データ
-
古い設備でもAIは使えるか:後付けセンサー・カメラでデータを取る4つの方法
-
スマートファクトリーとAIの関係:IoT・MES・AIの3層で整理する
-
DXとAI導入の違い:製造業でデジタル化・データ連携・AIの順番を間違えない3段階
-
AIのベンダーロックインを避ける:モデル・データ・基盤の持ち方3原則
-
製造業AIの3年ロードマップの作り方:基盤・展開・高度化の4フェーズ
-
AI導入前の現状診断:工場のデジタル成熟度を紙からデータ統合まで測る5段階の基準
-
GXとAI:製造業のCO2削減・省エネにAIを使う3つのアプローチ
-
見落とされやすいAIの隠れコスト7つ:データ整備・ラベル付け・現場対応
-
生産管理部門のAI活用:生産計画・納期回答・在庫最適化など4つの使い方
-
情報システム部門が担う製造業AI:基盤・セキュリティ・運用の3つの役割
-
Dassault、Virtual Companionsを19スキルに拡張し主権クラウドで稼働
-
Schneider、Cogniteを約31億ドルで買収へ:AVEVA CONNECTに統合
-
OPC Foundation、430超のコンパニオン仕様を「AI-ready」化へ:MCP・RAGに対応
「データ基盤・MES連携」の導入事例
-
南京鋼鉄がスマート運営センターで生産安定性10%向上・コスト10%減、領航級に選出
-
中联重科が掘削機の生産タクトを6分/台にしたと報じられた事例
-
ニチレイロジグループが全国の冷凍倉庫の設備データをIoT基盤に集め、監視を効率化した事例
-
川島製作所がmeviyと生産管理システムで見積から納品までを約0.5カ月に縮めた事例
-
雪印メグミルクが自社開発のデジタル日報で教育時間を約50%減らし、外販も始めた事例
-
昭芝製作所がRFIDの金型探索システムで500型の棚卸しを16時間から0.5時間にした事例
-
京都の大本染工が受発注と生産管理をデジタル化し、繁忙月の残業を半分以下にした事例
-
山岸製作所がFileMakerで指導書管理アプリを内製し、梱包ミスのクレームを0件にした事例
-
和菓子の青柳総本家がIoT基盤enebularで社員食堂システムから工場DXを1カ月で実現
-
東芝マテリアルがMeisterシリーズで検査・工程データをデジタル化し、品質監査に対応
-
PepsiCoが米国の工場・倉庫を3Dデジタルツイン化し、変更前に問題を洗い出した事例
-
TSMCがアリゾナのファブ設計・建設をOmniverseとIsaacで加速する事例
「データ基盤・MES連携」に関わる製品・サービス
記事を探す
CONSULTATION
「AIで何ができるのか分からない」段階からご相談ください
AI導入テーマの選定、PoCの設計、データ基盤・MESとの連携、本番運用と人材育成まで。株式会社サオスの実務者が、貴社の現場とデータに合わせた進め方をご提案します。
AI導入の相談をする相談は無料です。特定製品の売り込みは行いません。