Mail News Archives
 検索
   
SQC(統計とビッグデータ)
SQC

椿 広計氏、永田 靖氏 対談:AI時代の管理技術のあり方を問う(下)<2017年09月26日>

◇ビッグデータで何ができるか
永田:私は、実験計画法などを使ったオーソドックスな統計的品質管理活動に関わってきました。最近では非常に大きなデータ、いわゆるビッグデータへの対処を含めて、今後、どのようにSQC(Statistical Quality Control:統計的品質管理)を教育していくか、教育の在り方にも興味があります。
椿:ビッグデータだろうがAIだろうが、まず変わってはいけないのが問題解決の標準シナリオ、つまりQCストーリーだと思います。AIによってある部分が自動化できるにしても、そのシナリオの上で企業の問題が解決されるわけですから。そして、今まで自社の中で行ってきた改善活動が、今後、直接エンドユーザーの接点においても経済的な価値を与える方向に動いていく。そこにAIやビッグデータが入っていくだろうことは容易に想像されます。
永田:これまでのQCストーリーを大きく変える必要はなく、どういうところをビッグデータやIoTで強化できるかが重要というご指摘ですね。
椿:はい。かつて日本では、QCストーリーの中にどのようにQC七つ道具や新QC七つ道具を配置するかの話があり、それを上手く配置することで、素晴らしい改善成果をあげてきました。一方、ビッグデータを扱うデータサイエンティストは、可視化といったアルゴリズムの機能についてはいろいろと言いますが、可視化が問題解決の標準モデルのどのステージを高度化していくのかということを明確にしていません。
永田:機械学習の手法やビッグデータの解析手法をある程度パッケージ化して、QCストーリーのどういう場面で使うのかを、品質技術者にもっと明らかにしていくとよいということでしょうか。
椿:そこです。QCストーリーは基本動作で不変であるという前提で、それこそ実験計画法や重回帰分析の延長にあるような話が、この分野ではどのようになっているかとアンテナを張ってパッケージ化する。これは日本産業の競争力強化に、かなり貢献できるでしょう。
永田:シックスシグマにしても、その基本所作はQCストーリーの中にあります。今、QCストーリーや品質管理を知らない情報系の技術者が仮にいるとして、その人たちが品質管理を勉強したほうが早いでしょうか。
椿:そうですね……逆にビッグデータを活用したコンサルテーションをしますよという情報技術のベンダー系の会社が、そういう戦略をとる可能性はありますね。
永田:日本の品質管理の歴史をみると、自社で人材を育成して、その人たちが社内指導者となって、ある程度自力でやってきました。研究機関や大学などと協力して力をつけていくということはありましたが。基本的には、自社の技術者が考え方や方法論を勉強して改善に向けたイノベーションをやってきたという流れです。
椿:そうだとすると、現状のなかで、きちんとした外注機関をモジュールとして、QCストーリーに埋め込めるようなクオリティマネジメントができる司令塔を、情報部門ではなく品質管理部門で教育していくという戦略はあります。この機械学習の方法はこういうものだから、ここにはめ込めるということを適切にマネジメントし、外注したAIのoutputの評価がきちんとできる人材の育成です。

◇因果関係に注目する
永田:ところでAIは「因果関係は説明できないけれども予測はできます」ということが言われています。前回も述べましたが、その現象が擬似相関なのか、それとも本当に因果関係があるのか、技術者は、それを理解する力量を養わなければならないと思います。
椿:そもそも品質管理に携っている技術者は、人間の行動をすべて予測できるなどとは思っていませんし、感じてもいません。AIがいくら進歩したとしても、基本的に人間の行動を支配するとしたら、全部パッシブな情報ではできるわけがありません。実験計画法のようにアクティブに何かを語りかけ、その応答の中でやっていくことになると思います。
永田:「因果関係がなくても予測はできる」ということは正しいですし、AIにより予測の精度向上は期待できますが、因果関係がはっきりしなければ、良い製品をつくる条件の設定はできません。つまり、精度のよい予測ができたとしても、因果関係がわからなければ、今の状況を変えることはできません。
椿:やはり、QCストーリーのように、対策を打つためには要因解析や原因分析が必要ですし、結果を評価するところは、ビッグデータというより実験的なアプローチが必要です。そこは今までと何ら変わりはありません。唯一ビッグデータで変わるとしたら、その前の「問題を発見する」という現状把握のステージです。そもそもビッグデータで予測をするといっても、平均値の予測なら大きなデータを使わなくてもサンプリングすればいいのですから。ただし、ビッグデータの良い点は、外れ値がたくさん出ることだと思います。
 
◇異常検知に役立つビッグデータ
永田:異常検知は大きなテーマです。しかしこれは、昔からやっていたことです。では、ビッグデータの活用というのは、どこがポイントになるのでしょう。
椿:今のAIや機械学習に期待しているのは、異常検知と、もう一つは囲碁の話のように、いいプレイヤーをつくることです。すなわちロボティックスのように工程や現場で自律的に判断して制御を行う、そういう技術として投入することは、いくらでもあると思います。管理技術というよりモノづくりにIoTが入ってくるという感じでしょうか。品質管理で使われていた分析原理が、製品や工程のなかに、そのまま組み込まれるというなら理解できます。
 内部に自律的に問題を解決する、要するに収集したデータから、どうするのがいいのかを見つけるロジックが組み込まれていて、それが機械学習やAIということなら結構なことだと思っています。ただし、そういう分野の専門家が日本にどれくらいいるのか、少し心配です。
永田:そういう情報を利用して新製品開発をするとき、品質保証、品質管理の新しい形が生まれてくるということでしょうか。
椿:仮に自動運転に対して事故を起こさないように品質保証をしようと考えます。その際、目的地までの地図情報に従って交通状況がこうだから、こう動きましょうというのは今のロボティックスの諸要素を組み合わせて使えばできると思います。一方、奇妙な行動をする他のクルマや歩行者に対して事故を起こさないことを考えた瞬間、自分たちの最適な行動のモデルと、自分たちの行動を邪魔するモデルと、二つのモデルが出てくるわけです。
 ここに、田口先生の品質工学の世界で、自分たちの特性を最適にする世界と、自分たちの行動に対してノイズになるものを常に直積で考えるという原理が活用できます。機械学習の人たちからすれば、その原理はすでに織り込み済みと言っていますが、日本の品質管理技術の中でやってきたことのほうが、より普遍性のある原理であり、それ自体をもっと体系的に明らかにして活用していくべきでしょう。
品質管理や品質工学の基本理念を、AIの時代だからこそ明確にしておかなければならないと思います。
 
◇AI時代の技術の伝承とは
永田:すべての教育を内製というのは、技術的にも進化しているので難しいと思いますが、かつて品質管理関係の指導者は、自分でやってみせて、次はあなたがやってみなさいという指導で進め、技術者が伸びてきました。昨今の風潮のように、「餅は餅屋に頼んで解決できたらいい」ということばかり進んでしまうと、日本の強みであった現場力はどうなってしまうのでしょうか。
椿:ある部分、自分たちのノウハウをもっておかなければ、結局は企業競争力がなくなってしまいます。
永田:いろいろな技術をつなぐ力というのがあり、企業では、部署をローテーションさせながら人の力量をあげてきました。それが、難問はベンダー企業に任せてというように割り切ってしまうのは、いかがなものでしょう。任せるような問題ではないというものもたくさんあると思います。
椿:情報処理学会で、AIに全部任せて改善活動を行い、それなりの効果が出てくるということに対する危惧が、東工大の出口弘先生から示されたことがあります。本当に、その企業の組織能力というか、人の創造性や自律性なくして、問題さえ解決できればよいのかという疑問です。もちろん、きちんと戦術をたて、その場だけでの解決ではなく、プロセス自体の改善について自分で評価ができるという力量を日本の企業がなくしてしまったら大変でしょう。AIを使おうが、最低限、それがわかっているということが大事ですね。
永田:AIのアウトプットや解釈を理解するためには、現在の品質管理教育では何が抜けているでしょうか。
椿:私は、先進的なコースを設計するのであれば、QCストーリーにモジュールとしてAIを接続する方法がよいと思います。そのためには、そのAIが持っている機能、つまり入力情報が何で、出力が何で、この方法は本質的にどういう変換を行って価値を形成しているのかという機能を整理していく必要があると思います。AIやら深層学習やら不思議なものに思われがちですが、機能という観点でとらえれば他の初等的な統計技法と大差ないと思います。情報技術の基本機能というようなものと適用上の注意事項、適用範囲は、きちんと教育しておくべきでしょう。
永田:日本の品質管理教育では、テーマ改善教育を同時に行いました。座学だけではなく、講師がマンツーマンで「このテーマは、まだ習ってないと思うけれども先に勉強して分析してみなさい」というように道案内をする。だから日本では、いわゆる「改善の名人」が育ってきたと思います。今後、AIやIoTの時代となっても、今までと同様に名人を育てることができるのでしょうか。
椿:教育プロセスの質の保証の問題ですね。人間の品質教育、エキスパート教育をしっかり進めるためには、何ができるから名人なのかというところをきっちり示しておきたいですね。今、品質管理検定(QC検定)のレベル表などは1級だったらこれが、2級だったらこれができると全部書いてあり、一般の人が見たときに「なるほど」と思うことが多いです。
永田:品質管理教育のあり方に加えて、AI時代の管理技術のあり方について幾つかの観点からお話を伺ってまいりましたが、製造業で長年にわたり培われてきた管理技術は、AI時代でもその有用性は変わらないということですね。本日は有難うございました。
 

関連セミナー
 
戻る
Profile

永田 靖(写真右)
早稲田大学 創造理工学部
経営システム工学科 教授
1985年 大阪大学大学院卒業後、熊本大学講師、岡山大学助教授、教授を経て1999年から 現職。
現在、応用統計学会会長、一般社団法人日本品質管理学会理事、デミング賞委員会委員、日科技連 品質管理セミナーベーシックコース 運営委員・東京幹事長 など。


椿 広計(写真左)
独立行政法人 統計センター 理事長
筑波大学名誉教授、統計数理研究所名誉教授、総合研究大学院大学名誉教授。
1982年 東京大学大学院卒業後、筑波大学大学院経営政策科学研究科助教授,同ビジネス科学研究科教授、統計数理研究所副所長,教授を経て2015年から 現職。一般社団法人日本品質管理学会会長、日科技連 多変量解析法セミナー運営委員 など

関連記事
 
〈お問い合わせ先〉一般財団法人 日本科学技術連盟 品質経営研修センター 研修運営グループ
〒166-0003 東京都杉並区高円寺南1-2-1 / TEL:03-5378-1213
Copyright © 2015 Union of Japanese Scientists and Engineers. All rights Reserved.