製造業AIをPoCから実運用へ──Penangで考える、半導体のノウハウとAI ROI
マレーシアの半導体産業がより高付加価値な領域へと進む中、製造業に求められているのは、AIを個別の実験やユースケースにとどめず、ガバナンスの効いた、再現可能なワークフローの一部として運用することです。
Profet AIは、マレーシアのパートナー企業であるAshisuto Global Technologiesとともに、Penangで「From Semiconductor Know-How to AI ROI」フォーラムを共催しました。
台湾とマレーシア双方の業界関係者が参加した今回の議論では、製造現場の知見をガバナンス可能かつ再利用可能なAI資産へとつなげ、個別のAIユースケースから、測定可能な業務成果へと発展させるための考え方が共有されました。
イベント冒頭では、Penang州副首相IIのYB Tuan Jagdeep Singh Deo氏が挨拶し、台湾企業が今後もPenangでの事業基盤を拡大し、製造、テクノロジー、人材育成における協力をさらに深めることへの期待を示しました。
Penangは、マレーシアの半導体・エレクトロニクス製造における主要拠点の一つであり、IC設計、先進パッケージング、先進製造など、より高付加価値な領域へと産業基盤を広げています。
台湾企業が東南アジアへ製造拠点を展開する際には、設備や生産能力だけでなく、長年蓄積してきた工程知識、品質に関するノウハウ、マネジメントの知見を新たな製造拠点へ移転することも重要になります。
AI活用を阻むのは、モデルではなく「知識」と「ワークフロー」の分断
台湾の半導体業界での実務経験を踏まえ、Profet AI Special Assistant to the CEOのJames Yangは、企業規模や製造プロセス、ITアーキテクチャが異なっていても、AIを拡張する際には共通した課題があると指摘しました。
その一つが、データの分散です。
さらに、現場の知識が人やシステムに分散していること、AIプロジェクトを拡張することの難しさ、そしてAIモデルが日々の業務フローから切り離されていることも課題となります。
「重要なのは、AIを利用している従業員の人数ではありません。特定の問題への対応時間を短縮できるのか、First Pass Yield（FPY）を改善できるのか、あるいは若手エンジニアが熟練エンジニアに近い判断をできるようになるのか、という点です。AIのユースケースは、工場ですでに測定している問題から始める必要があります。それによって初めて、AIを実際の業務価値につなげることができます。」
半導体製造では、ロット条件、製品仕様、工程レシピ、設備状態、テストプログラム、環境条件など、さまざまな要素が関係します。
同じセンサー値や検査結果でも、製品、設備、工程のどの段階で発生したものかによって意味が異なる場合があります。そのため、AIは個々のデータだけでなく、問題の背景にある製造現場全体のコンテキストを把握する必要があります。
AIを活用する上で、データだけでは十分ではありません。
エンジニアが適切なエンジニアリング判断とは何かをAIに継続的に学習させていくことも重要です。
AIモデルはパターンや原因の可能性を特定できます。一方で、十分な根拠があるのか、どの制約条件を考慮すべきか、そしてその生産状況に対してどのような対応が適切なのかを判断するのは、依然として現場のエンジニアです。
人によるレビューとフィードバックを重ねることで、個人に蓄積された経験を、組織として継続的に活用できる能力へと発展させることができます。
人を置き換えるのではなく、人ができることを拡張する
Yangは、次のようにも述べています。
「私たちの目標は、人を置き換えることではなく、人ができることを拡張することです。エンジニアリングの知識、意思決定ロジック、ワークフローを、ガバナンスの下で再利用可能なAI資産として扱えるようになれば、重要なノウハウが一人のエンジニアや一つの工場だけに閉じることはありません。適切なガバナンスの下で、チームや拠点を越えて安全に活用できるようになります。」
この考え方を中核に据えているのが、Profet AIのDomain Twin™です。
Domain Twin™は、エンタープライズAIの中核として、予測モデル、領域知識、ワークフロー、ガバナンスを統合したオペレーションレイヤーを提供します。
AutoMLでは、構造化された製造データから、ノーコードで予測モデルを構築できます。
AI Studioは、Agentic AIによる協働環境として、AIアシスタント、デジタルワーカー、ワークフローと連携したAIアプリケーションの開発を支援します。
AIが日々の業務フローに組み込まれるほど、ガバナンスは後付けではなく、実運用の前提となります。
企業は、誰がタスクを開始したのか、AIがどのデータ、ツール、モデルを利用したのか、どのようなアクションを実行したのか、そしてどのような結果につながったのかを把握する必要があります。
IDやアクセス管理から実行結果までを一貫して記録できて初めて、AIを単一の生産ラインから複数拠点・国をまたぐオペレーションへと、管理・監査可能な形で展開できるようになります。
OSATの次のステージは、自動化レベルの向上だけではない
台湾人工知能協会アドバイザーのHoward Hsieh氏は、OSAT業界の視点から、企業の業務や意思決定のあり方について説明しました。
OSAT企業では、パッケージ技術の進展に加え、製品・工程の複雑化、コスト・納期へのプレッシャー、人材不足、サプライチェーンの不確実性といった課題が同時に存在しています。
従来の自動化は、あらかじめ定められたルールを実行することに強みがあります。しかし、生産条件が変化し、異常の原因が相互に影響し合う状況では、単に実行速度を高めるだけでは十分ではありません。
求められるのは、状況を理解し、より迅速に意思決定することです。
そのためAIは、R&Dやプロセスイノベーション、生産・設備管理、品質、サプライチェーン、エネルギー管理など、より幅広い業務領域へと活用範囲を広げています。
工程パラメータの探索範囲を絞り込むこと、設備や品質に関するリスクを早期に把握すること、受注・生産能力・在庫・エネルギー利用に関する意思決定を支援することなどが、その活用例です。
しかし、AIのユースケースが増えたからといって、企業のAIトランスフォーメーションが完了したことにはなりません。
各部門がそれぞれ独自のモデル、データ環境、運用プロセスを構築すれば、AIによって新たな情報サイロが生まれる可能性があります。
AI活用を持続的に拡大するには、共通のAI・データ基盤、明確なガバナンスとサイバーセキュリティの仕組み、そしてエンジニアリング、IT、データチーム、経営層が連携できる運用モデルが必要です。
「AIがCopilotからCoworkerへと進化すると、AIは日々の仕事や意思決定の一部となり、フィードバックを重ねるたびに学習していきます。変えるべきなのはシステムだけではありません。企業がどのように業務フローを設計し、人材を育成し、人とAIの役割分担を再定義するかも変えていく必要があります。」
Hsieh氏は、AIがCopilotからCoworkerへと進化することで、AIが日々の業務や意思決定の一部となり、フィードバックを通じて継続的に学習していくと説明しました。
設備に異常リスクの兆候が見られた場合も、AIは単に予測結果を提示するだけではありません。
関連する工程記録を集め、過去の事例を比較し、点検手順を推奨し、担当者へ通知し、その後の対応を追跡することで、AIの価値は単に「答えを提示すること」から「業務を進めることを支援すること」へと広がります。
これは、すべての判断をAIに委ねるという意味ではありません。
どのタスクを自動化できるのか、どのアクションに人による確認が必要なのか、どの判断を専門家のレビュー対象とするのかを、企業側で明確に定義する必要があります。
そのため、AIトランスフォーメーションはIT部門だけのプロジェクトとして捉えることはできません。
ワークフロー設計、意思決定権限、人材育成、マネジメントの仕組みまで含めて考える必要があります。AIが日々の業務に組み込まれることで変わるのは、技術スタックだけではなく、組織がどのように問題を捉え、行動するかという点でもあります。
業界でのAI活用から、測定可能な業務成果へ
Malaysia Semiconductor Industry Association（MSIA）のTechnical DirectorであるDuncan Lee氏は、マレーシア企業におけるAI活用が進んでいることに触れながら、次の段階として、汎用AIツールの利用から、より深い企業・業務領域へのAI活用へ進むことの重要性を指摘しました。
半導体製造においてAIを活用するには、自動化、データ、部門横断の連携を強固な基盤とし、個別の問題を解決するだけでなく、より広い製造上の意思決定を支援することが求められます。
Ashisuto Global TechnologiesのCOOであるTham Kok Tong氏は、マレーシアの製造企業におけるAI活用の事例を紹介しました。
そこでは、ビジネス上のニーズを特定し、データを準備し、生産現場でアプリケーションを検証するというAI活用のプロセスが示されました。
工程・品質データを用いた製品不良の予測や、センサー・設備データを用いた設備状態の評価など、事例は異なっていても、その出発点には共通点があります。
それは、測定可能な指標と結び付いた、明確な業務上の課題を定義することです。
企業は、その課題が実際の生産・品質指標と結び付いているか、十分かつ利用可能なデータがあるか、モデルの出力を具体的なアクションへつなげられるか、そして導入後も改善を継続的に測定できるかを確認する必要があります。
課題、データ、アクションがつながっていなければ、どれほど高性能なモデルであっても、意味のある業務価値を生み出すことは困難です。
AIを日々の意思決定へ
イベントの最後には、在ペナン日本国総領事館の総領事であるShinya Machida氏が挨拶し、台湾、マレーシア、日本それぞれの業界視点をつなぐ議論を締めくくりました。
今回の議論が示したのは、製造業にとって本当の課題は、さらにPoCを立ち上げることではなく、AIを日々の意思決定に組み込み、測定可能な業務成果を継続的に生み出すことだという点です。
技術、人材、業務プロセスのいずれにおいても、AIを個別のユースケースにとどめず、現場で継続的に活用できる仕組みへと発展させることが、次のステージとなります。
Profet AIは今後も、台湾で培ってきた製造業AIの経験をさまざまな市場へ展開し、現地のパートナーや製造企業とともに、現場のノウハウをガバナンスの下で再利用可能なAI資産へとつなげ、個別のAIユースケースからROIへと発展させる取り組みを進めていきます。