Sony Network Communications

Prediction One

契約者
ポータル

資料請求

資料請求 無料ではじめる

お問い合わせ

HOME導入事例 > 積水ハウス株式会社

住宅外壁部材の板取最適化にAIを活用し、歩留まりを改善

企業Profile

積水ハウス株式会社

設  立:1960年8月1日

従業員数:16,595名(2021年4月1日現在)

建築物の設計・施工及び請負、不動産売買・管理・コンサルティングなど

積水ハウス
導入目的部材生産工程での歩留まり改善
  • 導入前の課題

    人の経験に基づく判断だけでは歩留まり改善が難しい

  • 導入のポイント

    操作がシンプルで簡単、寄与度が分かる

  • 導入効果

    歩留まりが0.3%改善

積水ハウス株式会社の主力商品のひとつ木造住宅「シャーウッド」。同商品に趣のある表情と高い堅牢性を提供しているのが陶版外壁「ベルバーン」です。ベルバーンを含め建築部材の生産は高度に電子制御され、徹底的に品質と効率が追求されています。AI活用についても早くから取り組んでおり、今回さらに活用を拡大するために「Prediction One」を追加導入しました。そこで、「Prediction One」の導入目的や用途、実際に活用しての評価や成果などについて、同社生産部の三浦様、木田様にお話をお伺いしました。

寄与度が表示され予測精度向上の試行錯誤に役立ちました。

Prediction One導入のきっかけや目的について教えてください
当社の住宅は自由設計ですので、必要な部材も一邸一邸異なります。工場での部材生産や加工も邸別で行う、いわば受注生産です。
住宅用陶版外壁材「ベルバーン」の生産工程では、自社開発の“板取システム”を運用しています。“板取”とは、原板から、戸建住宅の邸別自由設計に応じ、長方形/台形/三角形などの様々な形状の外壁材を切り出すことです。
ベルバーン板取システムでは、長いサイズから割り付ける、短いサイズから割り付けるなど、これまでの実績から導いた約30のパターンが用意されていますが、どのパターンを適用するかは現場のこれまで経験による判断に委ねられていました。適用するパターンによって原板利用数が変わり、効率よく割り付けるかが製造原価にも影響する大変重要な工程ですが、それが最適解であるのか検証が難しい工程でもあります。そこでこの部分をAIに任せることでより効率的なパターンを予測できないかと考えたのがきっかけです
板取のイメージ

▲板取のイメージ

Prediction One導入の決め手はなんでしょうか?
当社は国内5カ所に工場がありますが、すべての生産ラインは数値制御で自動化されています。会社全体でデータ活用を積極的に進めており、AIについてもすでに御社のAI開発ツール「Neural Network Console(以下NNC)」をPrediction Oneに先駆け導入し、生産設備の改善などに活用してきました。ただ、NNCは入力変数を選んで自由にAIを開発できる一方で、AIの知見がない者にとっては少し難易度が高い印象で、社内に広く普及させるためにもより簡単に利用できるAIツールを探していました。そんな時にちょうど「Prediction One」の記事を目にして、無料トライアルを利用して試してみました。
資材/イメージ
利用して気に入った点などPrediction Oneの評価をお聞かせください
板取枚数予測で活用して成果が見えてきたので、無料トライアル期間を経てそのままライセンス契約に至りましたが、他のツールに比べデータの投入など手順が圧倒的に簡単で、精度を含め予測結果が見やすいと思います。また、寄与度が見られる点を重宝しています。予測結果に対してどの入力データが一番寄与しているかがパッと見て分かるのは、予測精度向上の試行錯誤を進める際にも有用ですし、寄与度が高い項目を見直すことで歩留まり改善に繋げることができます。最適なパターンを導き出すだけでなく、現場の改善指標として活用できる点に、大きな意義があると感じています。
既存システムへの組込がしやすい点も魅力です。自動で最適なパターンを選んだあとの連携処理を生産部で開発しましたが、予測結果が高速で算出され運用に影響がなく助かっています。一般的なスペックのローカルPCで運用が完結する点やテキスト処理ができる点も、他のツールにはないメリットだと思います。
サンプル画面

▲寄与度の詳細画面(サンプル)。どの説明変数が予測結果にどの程度寄与しているかを確認できる。

板取最適化ではどのような学習用データを投入したのでしょうか
最初は、過去5年分の物件について大きさ(床面積や何階建てかなど)などのデータを投入しましたが、それだけでは予測精度がいまひとつでした。現場からも、精度的に難があるのでは?とか、もっとこうした方がいいのでは?など色々な指摘をもらいながら、教師データを改善して再学習させるといった試行錯誤を繰り返しました。最終的に、数百におよぶ製品の大きさと数量などの詳細データを投入することで、予測精度の向上に成功しました。
学習用データのイメージ

▲学習用データのイメージ(実際の値とは関係ありません)

Prediction Oneによるパターン予測で得られた成果について教えてください
Prediction One導入後も、従来の考え方で選んだパターンと比較して原板利用数をトレースしているのですが、Prediction Oneが選んだパターンの方が、歩留まりが0.3%改善していました。製造原価の高いベルバーンへの改善効果は大きく、現場も喜んでいます。さらなる改善に向けて追加の提案や要望が現場から寄せられており、現在それらを検討しているところです。Prediction One導入によってAI活用のハードルが低くなり、色々ためしてみたいというモチベーションが全社的に高まりました
最後に、AI活用の今後についてお聞かせください
AI活用を全社に広げていくことを目的として、国内5カ所の工場のシステム担当が定期的に集まり、AIについて情報交換会を実施しています。事例を共有しながらテーマを出し合うことで、自由な発想でPrediction OneやNNCの活用を拡大していきたいと思います。
インタビュー風景
PAGE TOP

お問い合わせ

ご相談・ご質問など
お気軽にお問い合わせください。

お問い合わせ