AI予測をすることで時間を短縮可能に - たとえば、クレジットカードの払い戻し期間を60日から30日に短縮させることができます。また、製造過程で、チップなどの部品の欠陥を検出にかかる時間を36時間からゼロにすることができます。さらに、盗難されたクレジットカードで大画面テレビを購入されるという決済を数時間前に特定する、飛行機のバルブが故障する数日前に交換する、半導体の製造不良を1時間前に知らせるといったように、近い将来に起こりうる事象をAIを使って予知する企業が増えているのです。
これらのシフトは、業界関係者にデミングやシックスシグマ以来使用してきた測定基準を見直すことを示唆しています。検知までにかかる時間がマイナスになり、故障が発生するまでの時間が限りなくゼロに近いことは、どのような意味を持つでしょうか？ 起きてもいない事象を検知するまでの時間にどう確信を持ってば良いのでしょうか？こうしたことは、AIがより多くのプロセスに影響を与えるようになると、各業界が直面する課題として挙げられるようになります。本ブログ記事では、小売業の定期購入、クレジットカード取引の不正行為、旅客機のメンテナンス、半導体製造の歩留まりという4つの例を取り上げます。
1. 欲しくなる前に商品を受け取る
2018年の名著「Prediction Machines」は、AIの経済学について説明しており、Amazon.comの商品紹介が十分であれば、あなたが欲しいと思う前に商品が送られてくるようになるのではないかと推測しています。2018年以降、多くのことが変わりました。Stitch Fixは現在、まさにそれを実践しています。あなたが欲しいと思うであろう商品が送られ、あなたはただ欲しくないものを返すだけで良いのです。
カミソリの新しい刃をいつ購入すべきか分からなくなりました。そこで、Amazonの定期購入サービスが解決してくれます。かつては、新しい刃が必要だと思ったら、紙の買い物リストに書き加え、3～10日後、そのリストを片手にドラッグストアに行き、新しい刃を買って、取り替えていました。その買い物の工程や時間がEコマースによって一気に短縮され、スマートフォンから数秒で注文ができて、2日後には手元に商品が届くようになりました。しかし、Amazonの定期購入では、商品が必要となる日の数日前に届くので、Amazonは顧客との信頼関係や長期的なカスタマーバリュー向上に繋げています。
（図1：新しい刃が欲しいと思ってから手に入れるまでの日数)
2. クレジットカードの不正利用を減らす
前述の通り、AIによる優れた予測は時間短縮につながり、むしろ時間を遡ることさえできます。これは、40年前にクレジットカードの不正利用がきっかけに起こり始めたことです。かつては、不正取引を発見するために、毎月紙の請求書を待つ必要がありました。そして、カスタマーサービスに電話をすると、不正部門に送られるチェック項目が作成され、手作業でチェックが行われます。通常、返金されるまで60～90日かかります。その後、不正部門が不審な取引について、不正の可能性をスコアリングすることで、返金にかかる時間を半分に短縮することができました。
予測にかかるコストが低くなると、全ての取引をリアルタイムでスコアリングすることが可能となり、銀行は盗まれたクレジットカードを特定するパターンを発見できるようになりました。クレジットカードを盗んだ犯人は、すぐに大型テレビを買おうとはしません。その代わりに、まずガソリンスタンドなどで1ドル分のガソリンを買い、カードがまだ使えるかどうかを確認します。銀行はそれをリアルタイムで検知し、犯人が電化製品店に行く前にそのクレジットカードを使用できない状態にしてしまうのです。
（図2:払い戻しまでの日数)
3. 機械メンテナンスの必要性を事前に把握
今日、あらゆる産業機器に予知保全が導入されています。数年前、民間航空会社のパイロットが飛行中にバルブの不具合に気付き、フライトログに記録していました。着陸後、この情報はオペレーションチームに伝えられ、交換部品と資格を持った整備士を手配し、両方を飛行機まで運ぶまでを手作業で行い、部品によっては手配完了まで15時間程度かかることもありました。
その後、飛行機はパイロットを介さずに飛行中にオペレーションセンターに直接電話をかけることが可能になりました。部品と整備士が着陸時に待機しているケースも多く、修理にかかる時間は3分の2に短縮されたのです。
現在では、故障した部品だけでなく、何千もの部品の性能データを常にオペレーションセンターに送信しています。そして、地上の予知保全システムが今後起こり得る故障を予測し、そのデータと部品の在庫状況や整備士とのスケジュールとを比較し、故障すると予測されている日よりも数日前に部品を交換するのです。何百もの飛行機、整備士、部品にまたがってこのように最適化することで、稼働時間を伸ばし、コストを削減することができるようになりました。
(図3:交換までの時間)
4. 不良品の検出時間を短縮する
AIが予測することによって時間を短縮する4つ目の例として、半導体製造が挙げられます。NXPのような企業では、航空機のバルブよりもはるかに複雑な製造工程があります。これまでは、3日に1回程度、生産ラインからウェハを取り出し、テストを行い、ウェハ上のチップに不良品があれば調整を行うという作業を行っていました。平均すると、不良品を発見するまでに36時間かかっていました。
しかし、最近では、何万もの変数を用いて、その生産ラインで今、不良品が出ているかどうかを予測できるようになりました。現在、半導体メーカーは、不良品が出る前に予測し、さらに一歩先に進んで、不良品を出さないために必要な調整を提案する段階に移りつつあるのです。不良品の検出時間は36時間からゼロになり、マイナス1にもなりました。
(図4:検出までの時間)
AIは、それ以前の電気、プラスチック、マイクロプロセッサのように、あらゆる産業に今後も影響を与え続けると予想できます。小売、金融サービス、工場のメンテナンス、製造などの事例から挙げられたように、AIを活用した予測は、あらゆる時間を短縮させるだけでなく、時間を全て無くすことが可能です。これにより、効率性は向上しますが、検知できるまでの時間、解決するまでの時間、故障発生までの時間など、いくつかの基本的な指標を見直す必要がある業界も出てくると考えられます。
予知保全で未来のオペレーションを実現する
高騰する機器のメンテナンスコストを抑え、AIによる自己メンテナンスの道を切り開く方法については、こちらのガイドブックからご覧ください。