代的製造業が直面している最大の課題は、人の作業の可視化が出来ないことである。

何十年ものロボティクスと自動化進歩を経ても、製造タスクの90%がいまだに人間によって実行されていることを認識すると、この問題の重要性を認識できる。ゴールドマン・サックスの調査では製造業の全世界雇用は3.4億言われている

Industrial IoTの時代では、対応する機器からのデータ人間の作業からのデータ比較した際には、人間の作業分のデータは非常に小さく、機器から収集されるデータと比較するとほぼ皆無に等しい。

このデータの不均衡により、重大な副次的効果を2つ生じさせる

製造業者は、容易に定量化できる(ロボット、自動化、IIoT製造タスクの10に過剰投資、もしくは近視眼的なコストの最適化(オフショアリング、解雇)を行う

その結果、工場労働者は自分の将来を恐れ、経済的・文化的・政

治的な心配により、新しい技術を嫌

これが厳しい現実。

私はDrishtiが別の道を提供していると信じている。

しかし、未来を描写する前に、まず大量生産時代の幕開けの100年以上前に戻る必要があ

Frederick Taylorの不滅の時間測定

1911年にFrederick Winslow Taylorは「科学的管理の原理」を発表した。産業史を学んだ誰もが知っているように、この論文は現代製造への影響力が強く、唯一トヨタの生産方がこれを超える影響力があると言われている

この本では、Taylorは時間測定について詳しく説明を行っている。
「ストップウォッチと適切に規則書」を使用する事で、観測者は以下の5つの簡単なステップに従う。

1)これから分析を行う作業に熟練している男性を10から15名を選定する。

2)調査対象の男性が行う一連の作業の基本的な操作や動作を正確に調べ、同時にどの様な道具を用いるも確認する。

3)これらの基本的な動静を行うために必要な時間をストップウォッチで調べ、作業の各要素実行する最速の方法を選択する。

4)すべての誤った動き、ゆっくりとした動き、および不要な動きを排除する。

5)すべての不要な動静を排除した後、最速かつ最良の動きかつ最適な道具を1つの連続にまとめる。

1911年以降、様々な事が変った(幸い、Taylorの時代遅れの性差別も変わった)。しかし動静の時間測定は変わっていない。

私は30年以上、製造現場を見て回ってきた。どこへ行っても、Taylorの

原則に従って時間測定を行うエンジニアがいる。使う道具は時代と共に進化しているが、基本的な技術は変わらない(ストップウォッチの代わりにiPhone、紙の代わりにエクセル)。

れがまさに、今日の製造現場の単一で最大の問題である。

時間測定の歪み

Taylorは、時間測定のデータが無駄な時間を排除し、プロセスの最適化を図れる点については間違っていなかった。

問題は、データを信頼できないときに生じる。

第一の問題は、時間測定が不完全なデータセットである事。時間測定は手作業かつ時間を要する。各工程で20サンプルを取得すると褒められる。しかし、何千の製造するシステムが正確な判断を行うために、20サンプルは統計的には圧倒的に少ない。

第二の問題は、データセットが信頼できない事である。ドイツの理論物理学者であるWerner Heisenbergは、観察するという行為が観察される現象に与える変化を指す事を立証している。それは量子力学で証明されており、製造現場でも同じである。上司がストップウォッチで後ろに立っていれば、好印象を得たく勤勉に働くの確実であり、その際に採集したデータは日々の本来のフォーマンスではない事は言うまでもない。

あるいは、ずる賢ければ、故意に遅く働くかもしれない。測定された時間は、将来のパフォーマンスの計測のベンチマークになる可能性もあるから。次回の人事評価で効率化を評価しもらうのも悪くない。

各タスクの開始と終了の定義は観察者の判断で決まり、この事実も考慮すると時間測定の信頼性が永遠の課題となる。別々に人間が同じタスク時間測定を行っても、違った結果を得る。

経営陣は過剰なデータ収集を嫌う

工場で、人間中心に行われる様々な判断を一度考えてもらいたい

日々行われる、出力需要を満たすための人員配置の決定

プロセス最適化の測定結果(ライン最適・改善)

生産能力のための雇用計画、拡張などの検討

その他

今度は、これらすべての意思決定に対するデータ欠落の連絡的影響について考えよう。

恐ろしい限りである。人間の活動と異なり、確実に測定結果を数字できる、工場の自動化やオフショアリングに集中しているのは不思議ではない。

100年越しの問題への解決策

しかし、大規模で人間の活動を測ることができたどうだろう

プロセスの最適化に対するアプローチはどう変わるか?ラインをどの様に平均化するか?

自動化を優先する傾向ったROI計算考えはどのに変わる

どのように、労働力への投資変えか?

Drishti仮説では製造業はこの100年の間、人間の生産性向上が図れないと仮説を置いたまま自動化・オフショアリング・ロボット他の生産性や品質管理を検討するしかなかった、というものである業界の根底には、人間は常に最大の生産性に達しており、工程から人間を除外すべく工程の設計を行う傾向が根強い

Drishtiは、問題より単純であると考えている。生産業は、単純に人間の活動を測ることができてなかった従って、人間の最適化を図れなかった、と信じている。

工場と人々のための新しいデータセット

Drishtiはコンピュータ・ビジョン機械学習とAIを適用し、Frederick Taylor以来、初めて人間の活動から意味があるデータセットをつくるところからはじめる

製造メーカー真のデジタル変革のためにDrishtiを利用する。
持ち場やラインの最適化だけではなく、人間の活動から時間と動静データをもとに機能を向上させ

それと同時に、私が最も重要考える、Drishti作業員の人生へ与える役割ある。我々の会社の使命は、「ますます自動化が進む世界で人間の潜在能力を広げ」ことである労働者が行う全てのプロセスでより高い価値を発揮出来るように支援すること、これが我々日々頑張っている理由である

我々の望み期待は、Drishtiが飛躍的な生産性向上と品質改善を提供するということであるその結果、既存のROIに基づいた考え方を変え、人間の労働力を利用する作業、オートメーションを行う作業、そしてアウトソーシングで対応する作業の再配分が行われることを信じている。

この100年間、世界の製造業を牽引してくれFrederick Taylor氏に改めて感謝したいしかし、全世界の3.4億もの製造業に関わる人々を代表して言わせてもらうストップウォッチが必要ない時代が来た。

Dr. Prasad Akella transformed manufacturing in the 1990s as leader of the General Motors team behind the world’s first collaborative robots (“cobots”), projected to be a $12 billion market by 2025. With cobots, Akella advanced robotics to safely amplify workers’ physical capabilities. With Drishti, Akella returns to the factory to again enhance workers’ capabilities—this time, by driving advances in computer vision and AI.