DX(デジタルトランスフォーメーション)推進コンサルティング 株式会社アイ・ティ・イノベーション

アイ・ティ・イノベーションにお任せください！

データ利活用を成功させるためには課題設定や目的を明確にする必要がある一方で、「そもそもデータ利活用で何が出来るのか分からない」、「関係者が多く、業務理解と取りまとめに対して非常に多くの手間と時間がかかってしまう」といった悩みを持つお客様が多くいらっしゃいます。​そこで、弊社では、分析・予測を中心として、業務分析含めたデータ利活用実現に関するご支援を行います。なお、ここでの「分析・予測」とは、過去の時系列データや他数値データなどの構造化データを元に、予測値を導き出す分析方法を示しております。​​​

AI導入時、よく発生するシステム導入の障壁として、「ゼロからのAIシステム導入になると開発費がかかる」 、「ユーザーフレンドリーでないSaaS提供を受けた」、「非常に長期間の開発期間を要した」などが挙げられますが、アイ・ティ・イノベーションではAutoML（Automated Machine Learning：ノーコードかつ短期間でAIモデルを開発する手法およびツール）のようなローコード・ノーコードのツールを採用することで対策をしております。

近年、データ利活用を目指す新しい職務が発生する一方で、消滅していく既存職務があると言われております。​​
そこで、人材戦略の変化に対応した「リスキリング」のご支援が可能です。具体的には、実際に手を動かしていただくハンズオン研修などにより、分析・予測を中心としたデータ利活用を行うための人材育成が可能です。​

Profet AI社は、台湾の製造業を中心に、多くの企業にAIプラットフォームを提供しているソフトウェア会社です。Profet AI社が提供するAutoMLプラットフォームは、データサイエンティストがいなくても、データ分析や数値予測を簡単に行うことができ、ノーコードで機械学習モデルを構築できる特徴を持っています。これにより、従来は勘や経験に頼っていた業務をAIがサポートし、業務の効率化や属人化の解消が実現できます。​​​

シンプルな操作性​

自動で予測モデルを作成​​

データ内容や結果の可視化が容易​

予測の理由がわかる​​

操作値・設定値を最適化​

オンプレミス/クラウドの両方の環境で対応可能​

GPU不要​

ユーザー管理、プロジェクト管理が容易​

多言語対応

Profet AIを活用した分析・予測導入事例​

【半導体】エッチング加工後の線幅予測

背景

DESライン装置（「現像」、「エッチング」、「剥離」の機能を備えた一体型ラインの装置）を用いたプロセスにおいて、エッチング加工の品質検査では抜き取り検査のみを実施していた。​ しかし、近年、消費電力や動作速度の観点から半導体の微細化が進んでおり、その結果、抜き取り検査だけではエッチング加工のLWRによる線幅不良品が多かった。​ そこで、エッチング加工における線幅の予測を行うことで不良品率を低下、さらに、予測を用いた自動化に伴う業務効率化も目指した。​

使用データ​

＜予測する為に必要なデータ＞​
・製品規格の種類​
・サイズの種類​
・銅箔の厚さ​
・ライン速度​
・噴霧の有無​
・DFR（ドライフィルムレジスト）ラミネートの有無​
・露光条件​
・現像条件​
・エッチング条件​
・剥離条件​
など
​ ＜予測対象のデータ＞​
・エッチング加工後の線幅

導入効果

＜導入後のオペレーションの変化＞​
各ロットの線幅を事前に予測し、予測値が基準値を超えた製品に対してのみ品質管理の検査を行うようになった。​
＜導入効果＞​
人手で不良品検出を実施していた従来と比較して、不良品検出を8%ほど向上することができた。​ さらに、品質検査の一部を自動化することで業務効率を12%ほど向上させることができた。​

【製造業一般・食品加工一般・運輸業一般】設備・機器の故障予測​

背景

製造業などにおいて、設備トラブル・機器トラブルが発生すると生産停止だけでなく、品質不良なども起こり得る。特に、大量生産・多品種の生産ラインでは設備故障による影響がより顕著に見られる。​
一方で、設備・機器の整備は、故障率曲線が各々著しく変化する為、ベテランの勘と経験に依存しがちであった。例えば、代表的なバスタブ曲線のような故障曲線である設備数の割合が数％のみのケースもある。さらに、少子高齢化に伴い、ベテラン社員の退職率は年々増加している。​​

使用データ​

＜予測する為に必要なデータ＞​
・生産している製品の種類​
・製品ごとの稼働時間​
・生産ラインスピードの平均値​
・設備のカテゴリ​
・室内温度​
・室外温度​
・最後に整備してから経過した日数​
など
​ ＜予測対象のデータ＞​
・設備故障までの日数

導入効果

＜導入後のオペレーションの変化＞​
設備故障までの日数を予測する事ことで、設備や機器が故障する前にその予兆を知ること（予知保全）ができるようになった。​
また、その結果に基づいて、整備の定修計画を迅速に策定できるようになった。​​
＜導入効果＞​
ダウンタイムが13%削減、保守コストが5%削減となった。

【人事】従業員の離職率低減・満足度向上​

背景

近年、少子高齢化に伴う人材不足や働き方の多様化などにより離職率が重要視されている。​
また、各企業にとって、従業員の離職は大きな損失となる。離職で失われた人材や経験だけでなく、新規人材の採用や人材研修に莫大な費用がかかってしまう。​
一方で、離職する理由は、各従業員によって様々であった為、各従業員と上司で面談を行う以外、客観的な判断が出来ていなかった。​
そこで、客観的な判断とともに、離職率低減や従業員の満足度向上を目指した。​

使用データ​

＜予測する為に必要なデータ＞​
・過去5年間の給与履歴​
・出退勤時間​
・通勤時間​
・過去5年間の業績評価履歴​
・配偶者の有無​
・過去の人事異動回数​
・年間の出張回数​
・年間の出張期間​
・年間の有給休暇取得回数​
など
​ ＜予測対象のデータ＞​
・3年以内の離職の有無​

導入効果

＜導入後のオペレーションの変化＞​
離職の予測に基づき、将来の採用計画を立案するようになった。また、人事担当者のフォローアップの意思決定を支援する判断基準となった。​
さらに、離職における会社の重要な要素を特定し、標準化していくことでアプローチも属人的にならないようにした。​​
＜導入効果＞​
離職率が3.8%低減し、従業員の満足度のアンケート結果が、従来と比較して12.5%向上した。