MCPC第5回イノベーションチャレンジセミナーのメモ

1. 1 /8
長谷川
個人的にまとめたメモです。
私はパワポ内の会社とは無関係です。パワポ内には誤りがある可能性があります。

2. 2 /8
 2018/1/31(水)15:00～
◦ 日立のIoTへの取り組みのご紹介
 株式会社日立製作所
サービスプラットフォーム事業本部経営企画本部経営企画部
主任技師 長野 聡様
◦ AI/IoTを駆使したビジネス変革への適用事例
～キレイゴトだけではない苦労話を添えて～
 日本テラデータ株式会社
アナリスティック ビジネス・コンサルタント・プラクティス 部長
村松 孝浩様
日立のリアルなPoCの話（特徴、苦労話）が聞けて面白かった！
AI/IoTビジネスの苦労がリアルに知れて面白かった！
URL：
http://m2m-iot.org/

3. 3 /8
 参加目的
◦ 各社のAI/IoTのビジネス戦略、泥臭いところを知る。
 失敗事例、苦労点が気軽に聞けるのがこの講演の特徴。懇親会もある。
◦ IoTビジネスモデル事例集をゲットする。
 実際のIoTビジネスのビジネスモデルを分析した本。有用！
 展開内容
◦ 日立のIoTへの取り組みのご紹介（日立）のサマリ
 製品紹介
 PoCの特徴
◦ AI/IoTを駆使したビジネス変革への適用事例（テラデータ）のサマリ
 事例
 開発体制
 苦労点

4. 4 /8
 Lumada
◦ http://www.hitachi.co.jp/products/it/lumada
◦ IoTプラットフォーム
◦ ユースケース：ノウハウ伝承。全工場の稼働最適化とか。
 NEXPEROENCE
◦ http://www.hitachi.co.jp/products/it/lumada/about/nexperience
◦ 共創を円滑に行うための手法、ツール、空間を体系化した方法論。
 Pentaho
◦ http://www.hitachi.co.jp/products/it/bigdata/platform/pentaho/
◦ データ統合基盤とデータ分析基盤。
 ユースケース
◦ アナログメーター読み取り
 http://www.hitachi.co.jp/New/cnews/month/2018/01/0129a.html
 取替ができない既存のアナログセンサーに取り付け、自動収集。
◦ 製造現場の人/設備の通常動作/逸脱動作を動画で自動判別
 http://www.hitachihyoron.com/jp/archive/2010s/2017/01/00_visionaries_2/
 紹介
◦ Node-RED（https://nodered.org/）
 ハードウェア、API、オンラインサービスを接続して動かすツール。
プラットフォーム系はどこもやっている。
日立は製造業に強いイメージ。
ファナック連携、鉄道連携とかの協業。
Node-REDそのうちやってみよう。

5. 5 /8
 様々なPoCをやっている。
◦ http://www.hitachi.co.jp/products/it/lumada/about/competency/index.html
 Cyber-PoC
◦ PoCをコンピューター上で実行。条件を変更して投資対効果をシミュレーショ
ンできる。
 PoCは投資判断が難しい。
⇒PoV(Value）でリスク軽減している。
◦ PoV：ビジネスの"（Value）価値"を検証する。無駄な投資を避けられている。
◦ Valueはお客さんと決めるお金とか、ダウンタイムなど。
 IoTデータは日本ではPrivate環境に置かれているが、今後はオンプ
レSaaSに移行していくと思われる。
デジタルツインみたいなもの。 →
リアルタイムにいろいろ
シミュレーションできるのはウケが
よさそう。
こういうPoC一覧ページがあれば顧
客もいろいろ興味を持ちそう。

6. 6 /8
 アンゾフの成長マトリックスの各象限の事例を紹介。
①市場浸透 ②新製品開発
③新市場開拓 ④多角化
既存市場
新規市場
既存製品 新規製品
①市場浸透（既存市場×既存製品）
【会社】Hertz（レンタカー屋）
【課題】拠点増加、合併、グローバル展開により管理コスト増加。
【事例】車のセンサーデータを収集。運転の荒さ等をスコア化、可視
化し、メンテコスト予測、事前メンテ（壊れそうな車の近くにあらかじめ
部品を配備しておく、壊れやすい車多いところに工場立てる等）実施。
【苦労点】車種毎に収集データ（種別、周期等）が異なる。非構造化
データも含まれ、分析が難しい。
②新製品開発（既存市場×新規製品）
【会社】BASF（化学メーカー）
【課題】作物の病気を防ぐ。不作の原因の大部分を病気が占める
らしい。
【事例】作物の写真で病気を判別し、病気に効く農薬を提供する。
DBに写真格納。Pythonで特徴抽出。ナイーブベイズ分類器で分
類する。
③新市場開拓（新規市場×既存製品） ＋ ④多角化（新規市場×新規製品）
【会社】RENFE（鉄道会社）、Siemens
【課題】列車故障によるダウンタイムがあり、飛行機にシェアを奪われている。
【事例】列車のセンサーデータを収集。故障を予兆して事前に部品交換することでダウンタイムを無くす。RENFEは一定時間列車が遅
延すると料金を乗車客に返還しているが、返還額がかなり減ったらしい。定時運行率もアップ。飛行機利用者の60%が列車にシフトし
たらしい。
実際に携わっている人から細かい話まで聞けて参考になった。やっぱ今後はAI/IoT/データを活用できる企業が勝ち残っていきそう。
アンゾフの成長マトリックスが初耳で、戦略立案、分析の切り口に役立ちそうだと思った。
アンゾフの成長マトリックス

7. 7 /8
 開発体制
◦ Siemensは組織横断で分析アイディア、データを持ち寄り、データサイエンティ
ストと連携してビジネス理解、データ理解、データ分析、データ活用する。
 分析ツールは標準化しないが、データマネジメントレイヤは標準化
する。
A事業部
B事業部
C事業部
データサイエンティストチーム（160人）
3つの役割
• ビジネスアナリスト
ビジネス分析
• データエンジニア
データ処理システムの設計構築。
• データサイエンティスト
データ活用。モデル作り、価値を見いだし、伝える。
イメージ図
顧客の秘密情報とかどう隠蔽してい
るのか気になった。
組織横断でやるのはノウハウ、ツー
ル、基盤が共有できていいと思う。
まあ普通だと思う。

8. 8 /8
 【課題】工場の装置が年々高機能化し、教育に時間がかかる。社員の離職率高く、
教育時間が無駄になることも多い。特に、設備の故障判断に苦労している。
 【事例】装置の様々なセンサー値（波形等）を収集し、90%の精度で故障予兆する。
 【苦労点】
1. 特徴選択
いろいろ試した結果、Random Forestで選択。
2. モデル
少なすぎると精度が出ない。全変数、故障コード単位、型式単位等。
いろいろ試した結果、型式単位×故障コードグループ単位で作成。
3. サンプリング
いろいろ試した結果、オーバーサンプリング。
（アンダーサンプリング、アクティブラーニング、オーバーサンプリング）
4. アルゴリズム
いろいろ試した結果、KNN。（NN、SVMは精度低かったらしい。）
5. データセット
故障コード毎に発生頻度が異なるのでダミーデータ生成。
有効な特徴量（ヒードマップ、エンジニアヒアリングで見つける）を無理やり組み込む。
波形を分割するメッシュ数を調整。時間軸を合わせるための補正関数を入れる。
6. トライ・アンド・エラー
検証コード含め、Rで1万ステップ。その場しのぎのコードで何度もトライ・アンド・エラー。GUIは遅い。
型式 故障コード モデル
装
置
A
故障コードA
（電源異常）
装置Aの電気系モデル
故障コードB
（電圧異常）
故障コードC
（部品破損）
装置Aの部品系モデル
装
置
B
故障コードA
（電源異常）
装置Bの電気系モデル
めっちゃ大変そうだった。