生産スケジューラのお得意さんは?

前回のA社の事例、、。氷山の一角かなぁ~って思う方が多いと思いますが、そうでもありません。私もいろいろな工場をみてきましたが、似たような事例が、、いっぱいありました。思い返せば、今始まった話ではありません。昔から同じようなはなしが延々と、、。生産スケジューラにまつわる社会現象かな。少し、調べてみましょう。

このような問題を分析するのに様々な方法があります。ビッグデータを集めてAIで分析、なんていうのは今流ですね。ここでは、超古い、というか、昔からある定番的方法で分析してみようと思います。弁証法とかTRIZとか、TOCに共通した方法です。いずれも問題の解決を目指しています。簡単に言いますと、問題の根本原因を対立の構図で捉え、その対立を解消する条件を見つけ、それを実現する、という方法です。

では早速、生産スケジューラに関する問題を対立の構図にまとめてみましょう。生産スケジューラの問題に関連する最も基本的な制約的性質は、“固定時間しか扱えない”ことではないかと思います。一方、現実は、ランダムに飛び込むオーダは指数関数的カーブで変動する待ち時間を誘発し、それに作業時間のバラツキが加わります。変動する時間を固定時間でどのように扱えばいいのか、これが課題であり、問題です。これを簡単に、

[固定時間]vs[変動時間]

と表しておきます。この対立が原因で、様々なことが起きますが、大きく分けると、
生産スケジューラは、
イ) 使える
ロ) 妥協して使う
ハ) 使えない

の3つ。

例えば、A社の場合。生産スケジューラの導入はうまくいきませんでした。つまり、(ハ)。その後、“かけ込み寺”に相談して、限定的に使うことで落ち着いたようです(ロ)。経験的に言えば、大部分は“限定的にだましだまし使う(ロ)”か“生産スケジューラ導入失敗(ハ)”に分類されるのではないかと思います。

生産スケジューラがまったく使えないか、というとそうでもありません。ちゃんと使えている工場もあります。どんな工場かと言いますと、代表例は半導体工場。多品種・受注生産ですが、生産スケジューラがないと動かない、というぐらいの活躍です。それは、半導体の製造プロセスは専用装置で構成されており、仕様が決まれば装置での処理時間が決まり、実際の作業もそれほどのズレもなく行われるからです。対立構造でみれば、「変動時間」の変動が非常に小さいために、対立が起きない、起きてもごくわずか、と解釈できます。

生産スケジューラを使ってメリットがあるかどうか、の視点を入れて分けると次のようになるんじゃないか、と。
1、生産スケジューラは必須
2、多少問題はあるが、限定的、部分的に使いこなしている
3、生産スケジューラは使っているがメリットなし
4、まったく使えない

1と2はメリット有。3と4は使うメリットはなし。それぞれ、どれぐらいの割合か。調べてみたんですが、データは見つかりませんでした。私的経験的に、そして無責任にザックリと言えば、生産スケジューラの導入を行った工場(生産スケジューラとかかわりのない工場は含まない)を母数にして上から、1は1割、2は2割、3は3割、4は4割。切りが良すぎますかね。

「革新的生産スケジューリング入門」著者;佐藤知一、2000年4月初版の184ページに「スケジューリング問題のパラダイム」という図があります。そこにはこんな説明があります。

“古典スケジューラは、決定論的問題(作業時間等はすべて計画通り)、静的問題(すべてのオーダー情報が事前にそろっている)が前提の静的な最適化。”

“APSは、確率的問題(作業時間等は確率的に変動する)、動的問題(オーダーが次々飛び込んでくる)が前提の動的な適応制御。”
注)APS;Advanced Planning and Scheduling

対立図に戻ります。

[固定時間]vs[変動時間]

ここでの[固定時間]とは、上記の説明にある“古典スケジューラ”の特徴です。それがAPSになると[動的な適応制御]になります。そうなるともはや対立は消え、問題は完璧に解決されることになります。

この本を読んだとき、「生産スケジューラ問題はそのうち解決するんだ」と思いました。

あれから、20年! IoT、AI、第4次産業革命だとすっかり世の中変わりました。APSもさぞかし進化したかな、と思って、「APS 先進的スケジューリングで生産の全体最適を目指せ!」2001年12月の著者、西岡靖之氏に聞いてみました。返事は、
~~~~~
APSについては、あまり進歩はないようですね。
特に確率論的なアプローチはあまり聞きません。
~~~~~

佐藤知一氏には、APSが「動的な適応制御」が可能かどうかの確認のため、次の質問をしてみました。
=====
「確率的に変動する作業時間でスケジュールした場合、作業の開始時刻や終了時刻はどのようになるのでしょうか」
=====

残念ながら、質問に対する答えはどこにもありません。「適切な生産マネジメント」とか「場合によります」とか。末尾にはこんなフレーズで締めくくられていました。
=====
「学んで思わざるはすなわち暗し、思うて学ばざればすなわち危うし」ーー
=====
すっかり、はぐらかされてしまいました。わかったことは、APSは20年たっても“古典スケジューラ”のままだった、こと。APSって、Advanced Planning and Schedulingではなくて、Ancient Planning and Schedulingじゃないでしょうか。

[固定時間]対[変動時間]の対立構造は今も健在です。この対立が引き起こす現象をみてみましたが、注意深くみると、少し違った現象も起きています。A社の事例でもそれらしき影が垣間見られます。A社とはどんな会社か、記事の著者に聞いてみました。
―――――
「スケジューラ以前に現場がシステムからの指示を無視しして自分たちの都合で製造順序を変えて製造しているという状況」
―――――

佐藤知一氏のメールにはこんな説明が、
=====
「標準作業時間の概念も存在せず、作業時間の実績値をとる仕組みもないような管理レベルの現場に、生産スケジューラを入れる価値がないことは、ほとんど自明だと思います。」
=====

「管理レベルの低い工場」に生産スケジューラを導入する話です。対立構造からみると、管理レベルは低く、作業時間はバラツキ、工程管理はなっていない、、ということですので「生産スケジューラは使えない」(上記分類4)、となる単純なケースのはずなんですが、、。

私もいろいろな工場をみてきました。「管理レベルの低い工場」が多かったように思います。でも生産スケジューラは入っている。しかし、うまく動いているところはほとんどなし。眠ったままになっているんです。「なんで、スケジューラを入れたんですか?」と聞くと、こんな応えが、、、。

「生産管理、工程管理などの管理体制を構築するためには、マネジメントツールである生産スケジューラを導入する必要がある、と言われた」

んだそうです。うまく動かないことがわかると、

「御社は管理うんぬん以前で、生産スケジューラを使いこなせるレベルにはありません」

と言われておしまい、だったとのこと。

生産スケジューラベンダーの“どのような生産体制でも対応できます”的な誇大広告、「生産スケジューラはマネジメントツールです」などのセールストーク。固定時間しか扱えない弱点を覆い隠し、「生産スケジューラで管理体制の骨組みをつくることができます」とたたみかける。無垢な中小企業を落とすのにたいした時間は要しません。うまくいかないことはわかっておりますので、ちゃんと、後始末の言葉も用意されています。「御社は管理うんぬん以前で、、、」。

生産スケジューラの導入がうまくいかなかったA社、代理店に相談すると、「問題は生産スケジューラではなくA社の業務にあるので、手の打ちようがない」といわれて、、、。

「管理レベルの低い工場」は生産スケジューラベンダーのお得意さん?

DPM研究舎

生産スケジューラ;ベンダーの宣伝に踊らされるな!

先月、ある生産スケジューラ・ベンダーから「生産スケジューラソフトウェア代理店募集」のメールが届きました。代理店をやるつもりはありませんでしたが、最新の生産スケジューラってどんなものかな、何か新しい機能でも加わったのかな、と多少の期待もあって、ちょっと、メールのやり取りをしてみました。メールの回数が増えるにつれ、的外れな応えが多くなり、がっかり。何も変わっていませんでした。IT技術が飛躍的に進歩しても、その技術を取り入れることもなく、生産スケジューラは“発達障害”を患っているようです。

そんな折、Webをググっていたら、こんなのが目に留まりました。

「AIブームで脚光浴びる生産スケジューラ、ベンダーの宣伝に踊らされるな」(日経コンピュータ 2017年6月8日号)https://active.nikkeibp.co.jp/atclact/active/17/120800203/121100005/

この記事を手掛かりに、生産スケジューラが“化石化”する根本問題に迫ってみたいと思います。

記事の要点をまとめますと、次のようです。

[現状]
A社はMRP/生産管理パッケージを使っていた。金属製品の受注生産を主体とするA社では、見込み生産を前提とするMRPのロジックは、適合しにくい。このため生産計画機能は有効に使われておらず、作業指示書の発行、生産実績管理が中心だった。

[スケジューラ導入]
生産スケジューラの導入を考え始めたきっかけは、営業部門からの納期改善要求である。納期短縮のため、詳細な計画を策定できる生産スケジューラの導入を企画した。 業務知識がある代理店に導入のサポートを依頼し、比較的スムーズに導入自体は完了した。

[導入結果]
導入した生産スケジューラを使ってみたものの、期待されたような納期の短縮は実現できなかった。むしろ以前よりも納期が長くなるケースが頻発したり、欠品が増えたりした。
何とかならないかと代理店に相談すると、「問題は生産スケジューラではなくA社の業務にあるので、手の打ちようがない」という回答であった。

A社の事例に似た話は、よく聞きます。簡単に、次のようにまとめてみました。

[現状]
受注生産が主体のA社は、MRP/生産管理パッケージを使っていた。

[スケジューラ導入]
納期短縮のため、詳細な計画を策定できる生産スケジューラの導入を企画した。

[導入結果]
納期の短縮は実現できなかった。むしろ以前よりも納期が長くなるケースが頻発したり、欠品が増えたりした。

「納期短縮のため生産スケジューラを導入したら、かえって納期が長くなり、欠品が増えた」ということですね。はたからみれば、“笑い話”なんですが、生産スケジューラに関するこの手の話って、昔からあって、減るどころか、増えてるんじゃないか、という感じがします。

「前よりも悪くなった」という目前の問題を解決する手っ取り早い方法は、元に戻すこと。前の状態の方が良かったわけですから、、。これが最も簡単な方法、、。

医者がくすりを処方して、症状が悪化したら、そのくすり、すぐにやめるんじゃないでしょうか。常識だと思うんですがね、、。

ところが、生産スケジューラの場合は、簡単にそうはいかないようなんです。

“何とかならないかと代理店に相談すると、「問題は生産スケジューラではなくA社の業務にあるので、手の打ちようがない」という回答であった。”

とのこと。このあたりが普通の商品と違うんですね。普通の商品だったら、使ってみて使えなかったら、“返品”してお金を返してもらうとか、別の新品と交換するとか、ですよ。生産スケジューラに関しては、導入した顧客の方に問題があるんですね。

というわけで、A社で解決策を模索することに。何が原因なのか。問題分析に取り組みました。

[問題原因分析]
納期を短縮するために工場全体で何をするべきかを、原点に戻って検討し直すことにした。
*毎月1回、部署横断の検討会を開催。
*検討会では最初に、なぜ生産スケジューラが計画した通りに生産できないかを議論した。各部署からは次のような意見が上がった。
(1)A社の製造方法では、標準加工時間と実加工時間を一致させることが難しい
(2)機械のチョコ停やセットアップ要員の調整などのため、生産計画通りに工程が進まないことが多くある
(3)工程計画立案のベースにしているMRPのリードタイムは日単位でしか設定できず、時間単位の実用的な生産計画が作れない
(4)安全在庫を持てる標準品と、材料調達を伴う特注品のうちどちらの納期対応を優先させるのかはっきりしない
(5)製造現場は指示書の指示日はあてにならないと考えており、前工程から来た順に製造している

現場の様子がよくわかりますね。で、A社のとった“解決策”は、、。

[解決策]
 何度もPDCAサイクルを試行しながらたどりついたA社の生産スケジューラの運用基本方針は、納期遅れの原因になりがちな「ネック工程」を定め、そこは自動ではなく手作業で負荷を調整する。
 ネック工程より後の工程の完了日と、前の工程での着手日はそれぞれ生産スケジューラで自動計算し、納期を決定する。実際の生産では、ネック工程以降は工程に到着した順番で製造するようにする。
 従来は生産管理システムが計画したリードタイムを基に最初の工程の開始日を設定していたが、ネック工程の負荷オーバーのため納期遅れが頻発していた。そこで、ネック工程は人間が手作業できめ細かく管理することで、影響を最小限に抑えるようにした。ネック工程に変更があれば、前後の生産計画は生産スケジューラで自動的に組み直す。

解決策の要点は、
「ネック工程は手作業で管理し、前後の非ネック工程はスケジューラで計画作成」
ということでしょうか。

ちょっとだけ、じっくり、考えてみましょう。
「納期短縮のため、詳細な計画を策定できる生産スケジューラの導入」を決めたんですよね。つまり、納期の主要部分である生産リードタイムを短縮するために、生産スケジューラを導入した。生産リードタイムの中で一番長い時間がかかるのは、仕掛が滞留するネック工程。生産リードタイムを短縮するためには、ネック工程のスケジュールを詳細に組む必要がある。

ところが、解決策は、
「ネック工程は手作業で管理」。
非ネック工程は、
「前後の非ネック工程はスケジューラで計画作成」。

「実際の生産では、ネック工程以降は工程に到着した順番で製造するようにする」のであれば、生産スケジューラはいりませんよね。非ネック工程は仕掛が滞留する時間は短いので、生産スケジューラを使ったからといって、生産リードタイムの短縮にどれほど有効か、はっきりしませんね。ですから、ネック工程前の非ネック工程も工程に到着した順番で製造すればいいんじゃないでしょうか。

簡単にいうと、ネック工程も非ネック工程も生産スケジューラはいらない、ということになりませんか。

「新たな運用基本方針により、A社の標準納期は標準品が平均30日から平均10日、材料調達を伴う特注品は平均60日から平均40日に短縮できた。」

生産スケジューラ導入後の納期が基準なのか、導入前の納期が基準なのか、はっきりしませんが、とりあえず、良い結果が出て、“めでたし、めでたし”としておきましょう。次回、もっと掘り下げて考えてみたいと思います。

https://www.tocken.com

Prediction One 対 Excel

Prediction Oneをいじくりまわしてみようと思います。サンプルデータがいろいろあります。その中から、研究テーマに合うのは、

「出荷数予測による生産計画の精度向上」

かな。これを使って、遊んでみましょう。データの概要ですが、表1のように、モデルがMM2、YH15、NK5の3つ。2016年2月から2019年9月まで、月ごとの出荷数があります。3カ月前、4カ月前、5カ月前の出荷数と発売からの経過月数の項目もあります。

表1 サンプルデータ

モデルごとの出荷数をグラフで示しますと図1のようになります。

図1 出荷数推移

このデータを実出荷数と考えてみます。サンプルデータのモデルMM2を使ってみます。これまでは、過去のデータで将来の出荷数を予測するのに、エクセルを使うことが多かったのではないかとおもいます。いくつかのFORECAST.□□□というエクセル関数があります。説明では、“指数三重平滑化などの機械学習アルゴリズム”を使って予測しているとのこと。最近のバージョンでは、もっと簡単で、「データ」→「予測シート」とクリックするだけで予測結果が得られます。

ちょっとやってみましょうか。表2のようにデータ範囲を選択します。

表2 データ選択

次に「データ」→「予測シート」をクリックします。

図2 「データ」、「予約シート」

図3に示すような予測結果が得られます。予測期間とか信頼範囲なんかも設定できます。

図3 予測結果

モデルMM2のデータを使って、出荷数を予測してみます。
・2016年2月~2017年1月のデータで2017年2月~6月を予測
・2016年2月~2018年1月のデータで2018年2月~6月を予測
・2016年2月~2019年1月のデータで2019年2月~9月を予測

図4に予測結果を示します。信頼区間は95%です。

図4 MM2の予測結果。灰色矢印は使用データの範囲。

予測期間が左から数えて1番目と2番目は、「こんなもんかなぁ~」という感じですが、3番目は予測と実出荷数の乖離が大きいようです。でも、全体の傾向からみれば、合っているような気もしますが、、。使うデータで予測結果に差が出てくるようで、これって、当り前といえば当たり前、でしょうか。

では、Prediction Oneで予測してみましょう。Prediction Oneのデモでは先々3カ月の予測設定になっていますので、そのまま先々3カ月を予測することにします。また、Prediction Oneのデモでは3つのモデルを同時に処理していますので、これもそのままの条件にしておきます。但し、予測結果はMM2だけみてみます。

先ず、2016年2月~2017年1月のデータで2017年2月~6月を予測しようとしましたが、
“データ数が少ないため、学習処理が実行できません”
というアラームが出てしまいました。が、
・2016年2月~2018年1月のデータで2018年2月~6月を予測
・2016年2月~2019年1月のデータで2019年2月~9月を予測
は、結果が出ました。予測結果を図5に示します(矢印で示した赤線)。

図5 Prediction Oneの予測結果

Prediction Oneの予測結果は、実出荷数よりも、また、エクセルの予測よりも高く出ました。実出荷数と比べれば、左から2番目は差が大きくなり、3番目は差が小さくなりました。単純な結果ではないようです。

ちょっと、エクセルに戻ります。12カ月のデータではデータ数が少なくて結果が出せませんでしたが、エクセルでは予測できますので、
・2016年2月~2017年1月のデータで2017年2月~6月を予測
・2017年2月~2018年1月のデータで2018年2月~6月を予測
・2018年2月~2019年1月のデータで2019年2月~9月を予測
をしてみました。その結果を図6に示します。

図6 過去12カ月のデータで予測

左から3番目の予測は、過去12カ月のデータを使った予測が過去36カ月のデータを使った場合やPrediction Oneの予測よりも実出荷数に合っているようです。図4と図6は、どちらもエクセル。アルゴリズムは同じですが、使うデータ数(範囲)の違いで、予測結果もだいぶ違うようです。実務でこれをどう使うかは、また別の課題になるんでしょうね。

Prediction Oneで使うデータについて、みておきましょう。エクセルでは使いませんが、Prediction Oneでは、以下のデータを使いました。
・発売からの経過月数
・5か月前の出荷数
・4か月前の出荷数
・3か月前の出荷数
どのデータも入手に問題はないと思いますが、予測にどのようにかかわっているんでしょうね。説明では、「Prediction Oneはソニーが開発しているDeep Learningのオープンソースソフトウェア、Neural Network Librariesを利用しています」とのこと。勉強すればわかるようですが、、。

これまでの統計理論をベースにした予測に加え、AIを利用した予測ができるようになってきました。予測だけではなく、AIは社会のあらゆるところで使える可能性を秘めています。当然、生産管理や在庫管理にも使えそうです。今回、Prediction Oneをいじってみましたが、決して、わかりやすい結果は得られませんでした。だから、AIはダメだ! なんて言うつもりは、毛頭ありません。

AIを使いこなすためには、AIを上回る“人知”が必要なのかもしれません。引き続き、AIの動きを注視していきたいと思います。

Prediction Oneって、おもしろそう

AIが生産管理や在庫管理にどのような影響を及ぼすのか。先に、日立の取組をみてみました。要点は、

鉄道の運行管理などの数理最適化技術(所有技術)とAI制約プログラミング(新技術)を融合し、熟練者独自の計画パターンを機械学習させ、
*自動的に最適な生産計画の立案
*需要変動など日々の環境変化にも柔軟に生産計画の組み替えを可能とする

と。しかしこれは、「最適な生産計画」が「最適な生産実現」にはつながらないことが多く、実用的な視点からみれば、限定的な利用しか期待できず、“イマイチ”。

今回は、ソニーの開発した“Prediction One”に注目してみたいと思います。

https://predictionone.sony.biz/

Websiteから転記します。

Prediction Oneは、データさえ用意すれば、数クリックで高度な予測分析を自動的に実行できるソフトウェアです。必ずしも専門スキルを必要とせずに予測分析ができ、ビジネスに活用できます。専門家の方にとっては、予測モデルの構築作業が飛躍的に効率化します。

AIによる予測分析は、これまでは、ニューラルネットワーク、勾配ブースティング、クロスエントロピー、二乗誤差、損失関数、、、なんていう言葉でなんとなく理解していました。理解したといっても、概念だけ。実際に、これらの考え方を応用して予測分析を行うことはできませんし、やる気も起きません。専門性が高すぎて、手も足も出ず、、。

で、Prediction One。しろうとにも使える、みたい。しかも“無料”で。

さっそく、ダウンロードしてみました。

先ずはチュートリアルを開いてみました。事例がいくつかあります。
「顧客行動予測に基づいたターゲティング」
「退会予測による退会の削減」
・・・・
・・・・

ずーっとみていきますと、興味のある事例が出てきました。
「来客数予測による仕入れ量決定」
「出荷数予測による生産計画の精度向上」
「機器の故障予測による故障の未然防止」

「来客数予測による仕入れ量決定」を開いてみます。こんなことが書いてあります。

*過去の来客数の実績データに基づき、来客数を予測する

*予測分析の手順~学習と予測~

*学習用データ
予測分析では、下記のような、来客数の実績データを基にした学習用データを用いて、来客数を予測するモデルを作成する。データは2018/8/1~2019/9/15の407日分。

*予測用データ
作成した予測モデルを利用して、来週1週間(2019/9/16~9/23)の来客数を予測する。

*予測結果ファイル
予測結果は以下のような形式で出力される(オプション設定によって形式は異なる)。
来週1週間(2019/9/16~9/23)の来客数を予測。

おもしろそうですね。操作も簡単そうなので、実際の数値を入れて、いじりまわしてみたくなりました。

https://www.tocken.com/DPM研究舎へ戻る

在庫管理“専門家”のレベルの低さに“唖然”

今回も、2019年4月1日発行された在庫管理の本についての論評です。この書の主張の根幹みたいな部分に迫ってみたいと思います。それは何かといいますと、“「必要なものを必要なときに必要なだけ」発注することができる不定期不定量発注法がお勧めだ”、という主張です。本書からその主張の骨子を拾ってみます。

p.73
▶▶ 「必要なものを必要なときに必要なだけ」発注する
需要が変動するからこそ在庫管理が必要です。定期不定量発注では先の見通しは完全に読めないことから、担当者の思惑が入り込み、在庫の過剰や絞り込みすぎが問題になる可能性がありました。
不定期不定量発注法では、思惑が入り込む問題はあまり心配いりません。急に出荷が増えて在庫が減ってしまったら、慌てることなく発注すればよいだけです。逆に、出荷が減って在庫があまりがちという状況になれば、発注しなければよいのです。定期不定量発注法に比べて、発注担当者のストレスは少ないと言えそうです。

p.76
▶▶ 日数で換算する
—-「明日、出荷するために必要な量」を計算するためには、在庫の数量を「日数」に換算して判断します。まず、過去の出荷実績を日単位で収集します。—-2~3年、販売し続けるものであれば、過去1年程度の期間について出荷データを収集し、出荷があった日をベースに「1日あたり平均出荷量」を算出します。

p.76~77
▶▶ 需要の変動をみる
—-2~4週間程度の期間で平均出荷量を求め、出荷があるたびに、その時点から過去2~4週間の平均出荷量を求めるのです。——出荷があるたびに平均出荷量を求めるので、計算の対象が移動していきます。このような計算によって求められる平均値を移動平均といいます。—–

p.82
▶▶ 毎日「発注点チェック」を行う
発注のタイミングが来ているかどうかは、毎日、出荷があるたびに計算してチェックします。需要は変動するわけですから、いつ発注すべきか、状況は毎日変化する可能性があると考えるからです。これを「発注点チェック」と呼ぶことにしましょう。発注点チェックは、以下の手順で行います。
①出荷があるたびに「在庫量÷1日あたり平均出荷量=出荷対応日数」の計算を行う
②出荷対応日数とリードタイム日数+安全在庫日数を比較する
③出荷対応日数がリードタイム日数+安全在庫日数を下回ったら、発注する

不定期不定量発注法とは、発注タイミングも発注量も不定で、よく言えば、“適時適量発注”だが、悪く言えば、“行き当たりばったり発注”、と巷の評価は定まっていません。本書の主張は前者。本当に“適時”であり“適量”なのか。チェックしてみましょう。

本書が主張する不定期不定量発注法の基本的なメカニズムを一般的な不定期定量発注法(定量発注点法)との比較を通して調べてみます。簡単な条件で考えてみます。需要(出荷量)の母集団を
*1日あたり平均出荷量は10個、標準偏差は2個
の正規分布に従うとして、変わらないものとします。リードタイム日数は3日(固定)とします。

安全在庫は、安全係数を2として、
安全在庫=安全係数×√リードタイム日数×1日あたり出荷量標準偏差=2×√3×2≅6.9
で、7個となり、発注点となる在庫数は、
発注点在庫数=平均出荷量+安全在庫=10(個/日)×3(日)+7(個)=37(個)
で、37個となります。定量発注量は60(個)としておきましょう。

次に、本書が主張する不定期不定量発注法ではどうなるか、調べてみます。

先ず、“1日あたり平均出荷量”を計算します。本書の説明では何日間かの“移動平均”となっています。“移動平均”について、ちょっと、コメントしておきます。移動平均算出の日数をn日とすると、平均は母集団の平均と同じ、標準偏差は、母集団の標準偏差をσとすればσ⁄√nとなります。

数値を入れてみましょう。母集団(1日あたり平均出荷量)の標準偏差は2個ですので、n=10の移動平均の標準偏差は、
(2(個))/√10≅0.63(個)
となります。 “1日あたり平均出荷量”が、2σでみれば、8.74(個)~11.26(個)の範囲にバラツクとみることもできます。「発注点チェック」をしてみます。

①出荷があるたびに「在庫量÷1日あたり平均出荷量=出荷対応日数」の計算を行う

①の計算に従えば、同じ“在庫量”でも“1日あたり平均出荷量”がバラツキますので、“出荷対応日数”もバラツクことになります。“出荷量の母集団は変わらない”という条件でも“出荷対応日数”が変動することにご留意ください。

②出荷対応日数とリードタイム日数+安全在庫日数を比較する

“安全在庫日数”は安全在庫を日数換算したもののようです。安全在庫は、先に計算したように7個ですから、切り上げて1日となるんでしょうか。“リードタイム日数”は3日ですから、“リードタイム日数+安全在庫日数”は4日。

③出荷対応日数がリードタイム日数+安全在庫日数を下回ったら、発注する

わかりやすいように、在庫量がどうなったとき発注するのか、という視点でみてみます。①~③から、次の式が導き出せます。
在庫量<(リードタイム日数+安全在庫日数)×1日あたり平均出荷量 リードタイム日数;3日、安全在庫日数;1日、1日あたり平均出荷量は8.74(個/日)~11.26(個/日)を代入すると、 在庫量<(3+1)×8.74~(3+1)×11.26 → 在庫量<35(個)~45(個) つまり、発注点が35(個)~45(個)の範囲で変動することになります。一般的な発注点方式では発注点が37個で一定ですが、本書の主張する不定期不定量発注法では発注点がランダムに変動するということになります。 一般の不定期定量発注法は、発注量は予め決められています。本書が主張する不定期不定量発注法では、発注量は次のようになります。

P83
1日あたり平均出荷量×在庫日数=発注量

“在庫日数”は予め決めた日数ですが“1日あたり平均出荷量”が掛けられていますので、発注量も毎回変動することになります。定量発注量の60個を“在庫日数”に変換しますと、6日となり、発注量は、 6(日)×8.74(個/日)~6(日)×11.26(個/日)≅53(個)~68(個) と変動することになります。

一般的な不定期定量発注法と不定期不定量発注法の比較をまとめますと、次のようになります。

不定期定量発注法 不定期不定量発注法 発注点 37(個)一定 35(個)~45(個) 発注量 60(個)一定 53(個)~68(個) 不定期不定量発注法は、その名の通り、“発注点”も“発注量”も変動します。しかし、そのことによって、同じサービス率を保つための在庫量が増えてしまいます。“発注点”の変動は安全在庫を増やし、“発注量”の変動は在庫量を増やします。下図を参照ください。

出荷があるごとに“1日あたり平均出荷量”を計算し、“その時の在庫量”を調べ、“出荷対応日数”を計算し、それを“リードタイム日数+安全在庫日数”と比較し、“出荷対応日数”が小さければ“1日あたり平均出荷量×在庫日数=発注量”を計算し“発注する”。 一方、一般的な不定期定量発注法は、在庫が発注点以下になったとき、予め決めた定量を発注する、これだけ。簡単です。 本書の主張する不定期不定量発注法。出荷ごとに毎回「発注点チェック」なる退屈な計算をして手間暇かけ、結果、在庫量が増える。一般的な不定期定量発注法と比べて、良いところはどこにも見当たりません。にもかかわらず、ご丁寧に、下記の説明まであります。筆者らは在庫管理の“専門家”?。レベルの低さに“唖然”とするしかありません。

p.67
▶▶ 定量発注法の特徴 不定期定量発注法のほうは、今後も使用するという会社はあるでしょう。ただし、需要の変動への対応力は低いと言わざるを得ません。発注時期を不定期にすることによって、多少、需要の変動に対応しているという程度です。

p.70
不定期定量発注法では欠品や過剰が起こりやすく、しかも、その状態にはなかなか気づくことができません。この方法をあまりお進めしない理由は、まさにそこにあります。適用するとしても、在庫品のすべてをこの方法で管理することは、危険なことといわざるを得ません。

DPM研究舎

“在庫実態を「見える化」する”も、虚像しか見えない

2019年4月1日発行された在庫管理の本について論評をしております。前回は、「間欠需要」では在庫過多になるので、在庫を減らす方法として、
①出荷頻度を織り込んだ必要量計算を行う
②出荷頻度が落ちてきたら、出荷量の計算期間を延ばしていく
の2つがある、という説明。その真贋を調べてみました。②はまったくの“いかさま”。そちらに気を取られ、①についてはスルーしてしまいましたが、

5日間の必要量=1日あたり出荷予測×5日間の出荷日数予測

の式の

5日間の出荷日数予測

は、「出荷確率」を意味しているのではないか、ということに気が付きました。

「出荷確率」につきましては “ものづくり徒然草”の
No.87 安全在庫の計算;「出荷確率」を考慮するのはなぜ?
No.88 ポアッソン分布が暴く“出荷確率”の虚
に愚見をサラッと載せてありますので、参考にご覧頂ければ、と思います。“出荷確率”という考え方も、実は、統計学を知らない素人が持ち出した“珍説”、、、のようでありまして。

さて、今回は何を取り上げましょうか。p.10~p.13に 1-1 在庫実態を「見える化」する に注目してみましょう。(茶色部分は本書より抜粋)

▶▶「在庫散布図」で在庫の実態をみる

アイテム別に在庫の実態を把握するための有効な手法として「在庫散布図」があります。図1-1は、在庫散布図の一例を示しています。まず、在庫拠点を1ヶ所選んでください。次に、その拠点における以下の3つの数字を用意してください。必要なのは、その拠点に在庫してあるすべてのアイテムの数字です。

①アイテムごとの月間出荷量
②アイテムごとの月間出荷日数
③アイテムごとの月末在庫量

これらの数字が取れたら、以下の計算を行います。
④1日あたりの平均出荷量=月間出荷量(①)÷月間出荷日数(②)
⑤出荷対応日数=月末在庫量(③)÷1日あたり平均出荷量(④)

さて、ここまで計算できたら、⑤出荷対応日数と②月間出荷日数という2つの数字を使って、在庫散布図を作ります。図1-1を見てください (本書の図とは異なるデータですが、イメージは似せてあります)

図1-1 在庫散布図

縦軸に「出荷対応日数」、横軸に「出荷日数」を取っています。出荷対応日数というのは、「今ある在庫で、あと何日分の出荷に対応できるか」という数字です。たとえば、出荷対応日数が10日なら、あと10日間の出荷に対応できるということになります。

横軸の出荷日数というのは、月間で何日出荷があったかということです。出荷日数の最大値は、その月の稼働日数になります。

在庫散布図へのプロットは、アイテム別に出荷対応日数と出荷日数がぶつかるところにマークをしていきます。

▶▶在庫散布図からわかること

図の左上の、出荷対応日数100日にプロットされているアイテムがあります。このアイテムは出荷日数が1日ですから、月に1回しか出荷がないということです。そして、今の出荷状況なら、今の在庫量はあと100日分あるということです。出荷が月1回ですから、実質100か月分の在庫だということです。

出荷対応日数が、0日に限りなく接近してプロットされているアイテムも少なくありません。これは、欠品の危険があります。在庫が少なすぎるのです。

この説明を読んでなんとなくわかったような気になられた方も多いのではないかと思います。月間出荷量、月間出荷日数、月末在庫量から出荷対応日数を計算し、出荷対応日数で在庫量の適正さを判断するということなんですが、、。

でも、ですね、、。きちんと調べてみると、欠陥だらけで、使いものにはなりません。その理由のいくつかを上げますと、、

[1] 図1-1をご覧ください。出荷日数が0(グラフの一番左端)には出荷対応日数のプロットはありません。月間出荷日数が0だと分母が0となるため、1日あたり平均出荷量の計算ができないんですよね。だから出荷対応日数も計算できない。でも、現実には2~3カ月に1回しか出荷がないとか、半年に1回の出荷とかいうアイテムって、たくさんありますよ。「出荷がないのに在庫がある」。これって、在庫管理では忌々しき状態なんですがね。それを無視しちゃってんじゃないでしょうか。

[2] 在庫量は出荷時に減少し、入庫時に増加して変動する。ですから在庫量を捉えるためには変動の範囲を捉えなきゃいけません。一般的には、平均とか分散、最少、最大などで変動範囲をつかまえます。月末とかの一時期のデータだけではとらえられませんよね。さらに、経理では月末の在庫残高をみますから、それをできるだけ少なくしようとして、月末出荷推奨・月末入庫抑制に走る、などの影響があって、ますます乱高下するわけです。月末在庫量だけで在庫量全体のバラツキを捉えることはできませんね。

[3] ①~⑤の式をみても、補充発注から入庫までの調達リードタイム(納入リードタイム)をまったく考慮していませんね。在庫量を決定する最も重要な要素ですよ、調達リードタイムは。原理的に破綻してますね。

[4]  調達リードタイム>発注間隔のとき、必ず発注残が生じます。前に発注したものが入庫される前に次の発注が行われますので、前に発注したものは発注残状態になる。在庫管理では“常識”。しかし、①~⑤の式の中に発注残はなし。これだと在庫循環のメカニズムを正しく捉えることができませんので、間違った判断を助長することになります。

[5] 需要は受注件数(出荷件数)と1件当りの受注数量(出荷数量)で決まります。受注即出荷とすれば、出荷日数は需要に対して従属的に決まります。“出荷件数”と“出荷日数”は、在庫循環のメカニズムの中では、全然違うんです。例えば、出荷可能日数28日のとき、出荷日数と出荷件数との関係は図1-2のようになります。直線的な関係ならまだしも、非直線的な関係なので、在庫量の計算に出荷日数を使うと間違った答えが出てきます。

図1-2 出荷日数と出荷件数の関係の一例

在庫管理では、[1]~[5]はいずれも致命的な欠陥です。これで“在庫実態を「見える化」する”ことができるのでしょうか? 見えたとしても、“虚像”か“歪曲された像”しか見えないのでは、、。

DPM研究舎へ

計算期間を変えただけで在庫が激減

最近(2019年4月1日)発行された在庫管理の書が手元にあります。この書、なかなかおもしろい。初心者向けのようなんですが、斬新、大胆な在庫論が展開されています。1回、2回では書ききれません。つまみ食い的にあっちへ行ったり、こっちに来たり、、意の赴くままに書中放浪してみたいと思います。

先ず、166ページ~168ページ。
5-10 出荷頻度の低い商品の在庫増はこう抑制する
出荷頻度が低く、出荷と出荷の間に出荷ゼロの日が多くはさまれる「間欠需要」と呼ばれる出荷パターンを示す商品は、日数管理で在庫を持つと在庫過多になります。この問題に対する簡便法として、「出荷量の計算期間を延ばす」やり方があります。

▶▶出荷頻度の低い商品を日数管理すると在庫過多になる
この本の補充の仕組みでは、出荷ゼロの日はカウントせず、出荷のあった日だけで「1日あたりの出荷量」を計算しています。つまり、出荷頻度は考慮しないで、毎日出荷があっても大丈夫なように在庫を用意するわけです。実際には月に1日しか出荷がない商品であれば、在庫を5日分持ったら、その在庫は5か月分存在することになります。

この問題への対処方法は2通りあります。
▶▶出荷頻度を組み込んだ予測を行う
出荷頻度を織り込んだ必要量計算を行う。
 5日間の必要量=1日あたり出荷量予測×5日間の出荷日数予測

▶▶出荷量の計算期間を延ばす簡便法
もう1つ、「出荷頻度が落ちてきたら、出荷量の計算期間を延ばしていく」という方法があります。
 日次のデータで見ていくと出荷ゼロの日がかなりある低頻度出荷の商品でも、週次で括ってみれば、ほぼ毎週出荷があるということがあります。この場合、「1日あたり」の日次管理をやめて「1週あたり」の週次で管理するようにすれば、低頻度問題は解決します。

商品Aの例でいえば、日次では「在庫5日分」として21.4個を持つ設定になっていたのが、1週分ならば7.5個となるわけです。

図5-16 商品Aの管理を日次から週次に変える


 商品A日次
出荷合計  30個/日
出荷日数  7日
1日あたり 4.3個/日
出荷ゼロ日 21日
なので、5日分の在庫 1日分×5日=21.4個

 商品A週次
出荷合計  30個/日
出荷w数  4w
1wあたり 7.5個/w
出荷ゼロ  0w
なので、1w分の在庫=7.5個

.

ひとつ目の対処方法「出荷頻度を組み込んだ予測を行う」っていうのは、「1日当り出荷量予測」も「5日間の出荷日数予測」も予測。具体的な予測の方法や事例はありませんのでよくわかりません。「予測」×「予測」=「勘」、、。まっ、流しましょう。

二つ目の対処方法。書の説明を簡単にまとめますと、間欠需要パターンのとき、日次(日単位)で計算すると在庫量は21.4個だが、週次(週単位)で計算すると7.5個となり、在庫を抑制できる、と。つまり、出荷パターンは同じでも、出荷量の計算期間を変えると在庫を減らすことができる、ということですね。

計算期間を変えるだけで、在庫量を1/3近く下げることができる、、、。なんと斬新かつ大胆な方法なんでしょう。このような手法があるのかどうか、手当たり次第探してみました。見つかりませんでした。実際の出荷パターンが変わるわけではないんですよね。計算期間を変えるだけですよね。それで、在庫量がガタンと下がる。革命的な大発見。少々大げさかな。でもですねぇ~、直観的、経験的には違和感があるんですよ。

私の常識をベースに、私なりに計算してみます。

先ず、週次計算の方からみてみます。5日分の在庫量を計算してみます。1週間当たりの集荷数は、7.5個/週ですから、1週を7日として5日分は、
5日分の在庫量=7.5個/週×(5日/7日)≅5.4(個)
となります。

では、日次計算では5日分の在庫量がいくらになるか。1日あたりの出荷数は、
1日あたりの出荷数=30個/28日≅1.07個/日
5日分在庫量は、
5日分の在庫量=1.07個/日×5日≅5.4個

日次計算だろうが、週次計算だろうが、5日分の在庫量はどちらも同じ。こちらの方が私の常識には合うんですがねぇ~。

試しに、月次で計算してみましょうか。
5日分の在庫量=30個/月×(5日/28日)≅5.4(個)

日次も週次も月次も、同じ。

「日次で計算すると、5日分の在庫量が21.4個、週次で計算すると7.5個となる」
V.S.
「日次も週次も月次も、5日分の在庫量は同じ」

どちらが正しいんでしょうか? 本書の著者諸氏(3人の共著)は物流・在庫の専門家。関連書籍もたくさん出しています。「活字」になっている「専門家」の記述を信頼する人の方が多いと思います。みなさまはどのようにお考えでしょうか。

https://www.tocken.com

AIも、馬鹿も鋏も使いよう

前回は、AIで生産管理はどうなるか、日立の取組をみてみました。要点は、

鉄道の運行管理などの数理最適化技術(所有技術)とAI制約プログラミング(新技術)を融合し、熟練者独自の計画パターンを機械学習させ、
*自動的に最適な生産計画の立案
*需要変動など日々の環境変化にも柔軟に生産計画の組み替えを可能とする

のだそうです。

これで生産管理の問題がすべて解決か、という期待で読み進んだんですが、途中から “あら、あらあら”となって、最後は“ガクン”ときて、、、。

で、なぜ、“ガクン”ときたのか、その理由の方が重要かもしれませんので、そのあたりについて愚見を放ってみたいと思います。

日立の説明の中に、キーワードがいくつかあります。
*鉄道の運行管理
*生産計画
*日々の環境変化

「鉄道の運行管理」には最適なダイヤグラム編成も含まれていると思います。それをベースに運行を管理する。工場では、最適な生産計画をつくり、それをベースに生産管理を行う。似てますね。日立が手持ちの鉄道の運行管理技術にAIを加えて生産計画作成を支援するサービスを開発した、という流れです。

このような技術の転用、応用はいたるところで起きています。ものごとの発展、進化の王道的流れではないかと思います。逆にみれば、どこが同じ(似て)、どこが違うのか、という視点でみれば、日立の取組の方向性が正しいのか、そうでないのか、を判断する手がかりになるかもしれません。

「鉄道」と「生産ライン」を対比させてみてみましょう。鉄道の線路は生産ラインでの工程(機械、作業員、)に、列車は工程を流れる非加工物(以下、ワーク)に。

表1 鉄道と生産ライン

全体が見えるように比較の幅を広げてみます。鉄道に一般道を加えて交通・運輸、生産ラインを工場・生産管理とし、トヨタ生産方式と一般の工場とに分けて比べてみます。トヨタ生産方式の特徴を見込生産、一般の工場の特徴を多品種変量/見込受注混合生産とします。

列車の運行制御はダイヤグラムに基づき、一般道を走る自動車は各自それぞれのスケジュールで交通ルールに従って動きます。トヨタ生産方式では企業(工場)全体の生産計画があり、それに基づいてワークが流されます。一般の工場では、生産計画をつくってもその通り生産は進まず、計画と実際にズレが生じ、現場の判断で計画とは違った手順で進められることが常態化しています。

線路は列車専用でダイヤグラムに従って運行されますので列車間の干渉はほとんどありませんが、一般道は様々な交通手段で共用され、各自のスケジュールで動きますのでいたるところで干渉が起こります。トヨタ生産方式では生産計画からつくられた日程計画に従い作業が割り当てられますので、大きな干渉はありません。一般の工場では生産計画がうまく機能しないため、いたるところで干渉が生じます。

線路に対する負荷はダイヤグラムの管理下にあります。一般道では社会活動の影響をそのまま受けますので交通量の変動は大きくなります。トヨタ生産方式では生産計画時に負荷が調整され、その生産計画は変更されませんので、負荷の変動は非常に小さく抑えられます。

一般道での待ち時間は交通量により大きく変動します。高速道路でさえ帰省シーズンは長蛇の渋滞。動かない車の中で過ごす家族のニュース映像はお馴染みです。一般道では通勤時の渋滞。常態化してます。一方、列車の待ち時間は、列車の種類にもよりますが、一般道と比べ非常に短くなります。一般の工場でのワークの待ち時間は需要(受注量)により大きく変動します。残業や外注化で生産能力を補強したり、納期を調整したり、時には受注調整を行うなど、対応に追われることになります。加工時間に対する待ち時間の比は1:5000、一方、トヨタでのそれは1:300だそうです(トヨタ生産方式をトコトン理解する辞典、山田日登志著より)。トヨタの待ち時間の短さがわかります。

表2にまとめてみました。

表2 交通・運輸と工場・生産管理の比較

ザックリと比較の特徴を挙げれば、次のようになります。
*鉄道は、線路が専用で、全体のダイヤグラムで管理されている。
*一般道は、様々な交通手段(歩行者も含む)で共用され、個々の予定はあっても全体のスケジュールはない。交通量は大きく変動する。
*トヨタ生産方式は、月次生産計画を固定し、それに基づく負荷配分等実行可能な日程計画で管理される。
*一般の工場では、計画が策定されても、需要の変動で計画通り生産は進まず、多くはその場その場で場当り的な対応をしてしまう。

鉄道はダイヤグラムという全体計画がありますが、一般道を走る各々の車の全体計画はありません。トヨタでは生産計画という全体計画がありますが、一般の工場では変更が頻発して実行可能な全体計画とはなっておりません。

日立の説明をもう一度みてみましょう。
鉄道の運行管理などの数理最適化技術(所有技術)とAI制約プログラミング(新技術)を融合して、熟練者独自の計画パターンを機械学習させ、
*自動的に最適な生産計画の立案
*需要変動など日々の環境変化にも柔軟に生産計画の組み替えを可能とする
、、、と。

生産管理の基準となる生産計画を自動的に立案し、日々の環境の変化が激しい一般の工場では、計画そのものを短時間で組み替え、生産計画を実行可能状態に維持する。こうみてみますと、日立は、現状の生産管理の問題を的確にとらえているようにみえます。

完璧に見える日立のアプローチ。実は、思いがけない落とし穴があるんです、、。

落とし穴があるなんて、誰も気づきません。完璧に見えれば見えるほど、穴の深さは深い。日立もその穴の中にはまったまま、出てこれなくなっているのかもしれません。日立だけではありません。“柔軟な計画変更”を喧伝する生産管理ソフトメーカー・販売会社も同じ穴の貉(むじな)ではないか、と。

表2を眺めてください。鉄道にはダイヤグラム、トヨタ生産方式には生産計画があります。では、一般道では? 一般道路網のダイヤグラムはありますか、、。

「ありますよ。乗り合いバス」
そうですね。乗り合いバスではダイヤグラムとは言いませんが、時刻表はそれに相当します。走る道路は予め決まっていて、さらにラッシュアワーには専用レーンとなるところもあり、鉄道に似ています。時刻表の精度は鉄道のそれと比べれば低いのはやむを得ませんが、、。

乗り合いバスは交通量全体からみれば少量でしょう。一般道を走る交通手段すべてを対象にしたダイヤグラム(時刻表)みたいなものって、ありますか。
・・・・・・・

「ありますかぁ~」、「ありませんかぁ~」、、
「・・・・・・・」

ちょっと、バカバカしい質問だったようです。
「そんなもの、あるわけないじゃないか」
「考えるまでもないよ」、、
口に出せば、品のない答えになってしまいます。

表2の右側、工場・生産管理の方をご覧ください。交通・運輸の一般道に相当するのが多品種変量/見込受注混合生産(一般の工場)です。生産ライン(工程網)では様々な製品がランダムな時間間隔で投入されるのに対し、一般の道路網では様々な交通手段(車、バイク、自転車、、)がランダムに流入する。両者の物理現象は重なります。

一般の道路網で様々な干渉が起きて混雑するように、一般の工場でも様々な干渉で混乱、停滞が起きます。
「問題はきちんとした生産計画がないからだ。必要あらば、毎日でも生産計画を組みなおさなければならない」
名うての生産管理コンサルタントの指導に逆らう御仁はおりません。日立も同じ方向を向いています。つまり、“生産計画作成→日々の環境変化→速やかな生産計画の組み替え”を繰返し、生産計画基準の生産管理体系を維持する、という考えですね。

一般道では、前代未聞のダイヤグラムですが、一般の工場では、基本中の基本。おもしろいですね、この違い。

どこに落とし穴が隠れているか、うすうす、お気付きになっていただけるとたすかります。

では、ダイヤグラムなどあたまの片隅にもない一般道では、AIをどのように利用しようとしているのか、みてみましょう。最近よく聞きますね。自動運転。そのうちレベル5(完全自動運転)の車も実用化されることでしょう。客探しAIを搭載したタクシーも導入されているそうです。AIを搭載した無人配送車も実用段階に近づいているようです。ヒントになりませんか?

自動運転の車を工程を流れるワーク(非加工物)とみたらどうでしょう。

こんなイメージかなぁ~、、

生産ラインの状態(工程の稼働状態、仕掛、投入待ちワーク、トラブル状態、、)が常時監視されている。個々のワークには必要情報(工程順、処理方法、納期、など)が入力されたチップが付けられ、工程が進むごとに履歴が更新される。各ワークは、各々の優先度や工程の負荷状態などをみて、通過工程を選択しながら流れていく。

生産リードタイムは確率分布で捉えられる。納期に対する判断も10日なら60%、12日なら90%というように。生産ラインの負荷状態を常に監視し、受注量、納期等を考慮して投入コントロールを行う。データが蓄積されればされるほど、学習効果が上がり、管理レベルは向上する。市場の需要変動に追従しながら生産の流れをコントロールする。

AIで生産計画をつくり、それを介し生産ラインを管理するのではなく、AIで直接生産ラインをコントロールする。これこそ、AI生産管理が向かう方向ではないでしょうか。

AIも、馬鹿も鋏も使いよう

https://www.tocken.com

AIで生産管理はどうなるの?

前回は、将棋や囲碁の世界では、A I(人工知能)は人間の能力(脳力)を超えてしまった、という話をしました。AIがここまで進化してくると、人間社会のいろいろなところに影響がでてくるでしょうね。自動運転、自動翻訳、顔認識、ビッグデータ処理、株取引、、、そしてAI兵器、、。どこにどんな影響、変化をもたらすのか、、予想できないことも起こりうるのではないかと、、。期待と不安が入り混じります。

当然のことながらものづくりの領域にもAIが押し寄せてくるでしょう。AIによって製造現場にどのような影響がでてくるのか、いろいろと思いを巡らしてみたいと思います。

もちろん、私は、AIに関しては“ど素人”。的外れなことも書くかもしれませんが、そんな時はぜひ、ご指摘いただければ、と思います。

生産・製造へのAI利用といっても、様々な領域があるようです。目視検査の自動化、搬送ロボット、予知保全、商品仕分、熟練工の作業分析など、など、、。利用されるAI技術も多種多様で、広い視野で捉えなければならないのかもしれません。だからと言って、ふろしきを広げすぎてもいけませんので、このWebsiteのテーマである生産管理に絞って考えてみたいと思います。生産管理はAIでどう変わるのか、、。

現在、コンピュータなしに生産管理を語ることはできないでしょうね。で、うまく使いこなしているかといいますと、そうでもない。もちろん役には立っていますが、それ以上に問題も多い。導入した高価な生産管理コンピュータシステムがうまく動かない、という話は後を絶ちませんね。

生産管理のコンピュータをAIで動かしたら、うまくいくんじゃないのかな、、と思いませんか? ど素人の考えです、もちろん。AIで生産管理をしたら・・・、現在抱えている様々な生産管理に関する問題が、きれいさっぱりととは言わなくても、かなりの程度軽減されるのではないか、なんていう期待はありますよね。

それっぽいニュースがありました。
http://www.hitachi.co.jp/New/cnews/month/2017/10/1023.html

<一部抜粋>
AIを活用して最適な計画立案を支援する「Hitachi AI Technology/計画最適化サービス」を提供開始;新日鉄住金において、熟練者の手がける生産計画の再現に向けた共同実証に適用

日立製作所は、このたび、生産ラインのデータや熟練者の作業履歴など、AI(人工知能)を活用して解析し、自動的に最適な生産計画を立案する「Hitachi AI Technology/計画最適化サービス」(以下、本サービス)を、2017年10月24日から提供開始します。
本サービスは、鉄道の運行管理などで実績のある数理最適化技術とAIを連携した日立独自の制約プログラミングを適用して、最適解の高速抽出のほか、熟練者による生産計画を再現可能とするものです。設備や納期、コストといった複雑な制約条件に加え、膨大な熟練者の計画履歴から機械学習を使って熟練者独自の計画パターンを抽出・組み合わせて解析し、多品種・多工程の製品をどの順番で生産すべきか、最適な生産計画を導き出します。これにより、需要変動など日々の環境変化にも柔軟に生産計画の組み替えが可能となるなど、計画や見直しに要する負荷を大幅に軽減するほか、生産計画の立案に関する技能継承を支援します。

ほうほう、、。「自動的に最適な生産計画を立案」できて、「需要変動など日々の環境変化にも柔軟に生産計画の組み替えが可能となるなど、計画や見直しに要する負荷を大幅に軽減する」。これで生産管理の問題がすべて解決、かな。まさにAI時代到来ですね。

このニュースをとっかかりに、
“現在の生産管理が抱える根本問題をAIは解決できるか?”
という視点で、思いを巡らせてみたいと思います。

で、“現在の生産管理が抱える根本問題”って、なんでしたっけ? いろんな問題があって、どれが根本問題なのか、はっきりしない、とお感じになる方も多いんじゃないかと思います。“生産管理が抱える根本問題”、もう一度見直してみましょう。

図1に一般的な生産管理サイクル(月次生産)の一例を示します。この上位には経営方針や事業計画など、経営計画がありますが、現場の生産活動と直結する部分のみを示しています。月次生産では、市場情報、販売情報、社内の生産・在庫情報などをみて、向う4~6カ月の計画をつくります。直近の月の生産計画を確定し、日程計画におろし、現場に製造指図が出されます。1ケ月サイクルでローリングしながら、未確定月の計画を見直し、修正していきます。

図1 生産管理の概要

現場は生産・販売・在庫計画に従い生産活動を行い、その実績を報告するという計画・生産サイクルで動いています。上からの指令を処理する計画系と現場の作業をサポートし報告する実行系情報処理機能がこの管理サイクルをサポートします。

市場が比較的安定していて、巨大なサプライチェーンを維持しなければならない、自動車産業などはこのような方法が向いていると考えられます。しかし、大部分の企業は多品種少量で需要変動の激しい市場を抱えています。立てた生産計画もすぐに変更を余儀なくされ、しかし変更が追い付かず現実との乖離が拡大するまま、混乱が常態化した現場で奮闘しているのが実態ではないでしょうか。

生産管理の根本的な問題は何だったでしょうか? 需要等の様々な変動に管理サイクルが追い付かないことです。これを解決する最も簡単かつ強力な手段は“生産計画の固定”です。固定といっても多少(3%程度)の変動は許容しますが。トヨタ生産方式では当月(N月)の生産計画は固定し、N+1月、N+2月、、はある範囲の変更を許容し、ローリングしています。つまり、管理サイクルは1カ月、変更に許容される時間は1カ月、変更の範囲は限定、、という条件で動いております。

Hitachi AI Technologyは、生産固定ではなく、変動を前提にしています。「需要変動など日々の環境変化にも柔軟に生産計画の組み替えが可能」というのなら、どの程度の時間で計画の組み替えが可能なんでしょうね。変更に要する時間は管理サイクルよりは短くなければなりません。管理サイクルが1カ月、変更に要する時間が2週間、、ではダメ。時間単位でないとダメです。進行中の生産予定を変更するわけですから、、。Hitachi AI Technologyは、例えば、1~2時間で生産予定を変更し、その後問題なく生産を続行することができるんでしょうか。

人の組織、ルール、機械設備、資材調達、外注などなど、、、現実の生産システムはとてつもなく大きなイナーシャを持っています。いたるところで、それぞれ異なった時間遅れ特性が絡み合い、生産計画を変更しても、しばらく(数日とか、、)は、旧生産計画のまま動いてしまいます。新・旧生産計画が入り乱れ、生産現場の混乱が心配されます。Hitachi AI Technologyはそのような根本的な問題を解決できるんでしょうか。次の説明が手掛かりになりそうです。

<一部抜粋>
日立は、長年にわたって、限られた時間内で瞬時に多くの制約条件を満たす必要のある、鉄道のダイヤ編成など運行管理の分野に取り組んできました。現在では、ここで培われた数理最適化技術を応用して、製造現場において最適な生産計画を自動生成するための制約プログラミングを研究しています。今回、サービス提供開始にあたっては、数理最適化技術に機械学習を用いたAI(熟練者のノウハウをシステムへ組み込む)を融合し、独自の新しい制約プログラミング「Hitachi AI Technology/MLCP(Machine Learning Constraint Programming)」を開発し、サービスの中核技術として適用しています。

その他の説明事項も含めてまとめますと、Hitachi AI Technologyは、鉄道のダイヤ編成やこれまでの生産計画立案担当熟練者のノウハウを機械学習でAIに取り込み、「需要変動など日々の環境変化にも柔軟に生産計画の組み替え」を可能にした、ということですね。

さて、ここですね。ポイントは。

「鉄道のダイヤ」って、ときどき、臨時列車も走りますが、ある期間はほとんど固定ですよね。ダイヤ編成の熟練者のノウハウをAIで取り込むことで、ダイヤ編成技術が向上することは、確かでしょう。将棋や囲碁の棋譜を大量に学習させ、AI将棋、AI囲碁が人間を上回ったことで証明されていると思います。

生産管理サイクルで回り、生産計画を固定できる環境であれば、熟練者のノウハウを発展させて「自動的に最適な生産計画を立案」するレベルを上げる可能性はありそうです。

、、が、「需要変動など日々の環境変化にも柔軟に生産計画の組み替え可能」に、となるかどうか、ここがポイントになりますね。

次回、もっと、突っ込んで、検討してみたいと思います。

https://www.tocken.comDPM研究舎に戻る

令和はAIで大きく変わる

囲碁ファンにとって最近、気になるニュースが二つ。「仲邑菫(なかむら すみれ)初段が、史上最年少の10歳でプロ棋士になった」、というのと「GLOBIS-AQZプロジェクトが始動、囲碁AI(人工知能)世界一と若手棋士育成を目指す」というニュース。前者は、日本棋院の英才特別採用推薦棋士 第1号。GLOBIS-AQZプロジェクトとは、2018年9月に発足した囲碁AIの開発プロジェクト。グロービスが主体となり、トリプルアイズと山口祐氏による共同開発、日本棋院の協力の下、若手囲碁棋士育成を行い、また産業技術総合研究所と「高性能計算機を用いた強化学習モデルの最適化に関する研究」を共同で行うというもの。

背後で何が起きているのか。若手棋士育成に力を入れなきゃいけないのは、なぜなんでしょうか。日本棋士の実力のほどを調べてみました。

この棒グラフは、囲碁世界ランク100位以内の、日本、韓国、中国を拠点とするプロ囲碁棋士の内訳です。1980年から2019年4月までにどのように変わったかを示しています。1980年代前半は、日本が圧倒していました。1980年~82年までは1位~3位までを独占。その後(1983年)1位の座を韓国に譲ってから日本人棋士の人数が減少し続け、1985年には3位内にいなくなりました。韓国は2014年まで1位の座をキープし、その間1位~3位を独占した時期もありました。2015年に中国が1位の座に付き、以後、中国と韓国の2強時代が続いています。

日本だけをみれば、井山裕太棋士が7冠を達成し(2016年、2017年)、圧倒的な強さを見せていますが、世界ランクでみれば、2016年の6位が最高で、現在(2019年4月12日)は34位。2008年以降、100位以内に日本は10人以下。これが日本囲碁実力の現状です。

で、冒頭の二つのニュース;若手囲碁棋士育成策が出てきたわけです。キーワードは「若年」と「AI」。「若年」については昔から言われていたことで、囲碁に限った話ではないのですが、「AI」は、今風ですね。ということで、囲碁とAIとの関連について調べてみました。

先ずはチェス。1997年5月、当時のチェスの世界チャンピョンが、IBMが開発したDeep Blueに2勝1敗で敗れました。Deep Blueの開発が始まったのは1950年頃だそうで、結構な年月を要したんですね。

日本では将棋と囲碁が盛んです。将棋AIの開発が始まったのが1974年頃だそうです。その後様々な場面で将棋の“AI vs人間”の対戦が繰り広げられてきましたが、記憶に残っているのは、2011年12月、2012年1月の2回、米長邦雄永世棋聖がボンクラーズと対戦し、2戦2敗。そして、AIの勝利を決定づけたのは、2016年4月、5月に行われた第1期電脳戦。Ponanzaが山崎隆之八段に2戦2勝。翌年2017年4月、5月におこなわれた第2期電脳戦では佐藤天彦名人に2戦2勝。これで、将棋の“AI vs 人間”の勝敗は決しました。

囲碁ではどうでしょうか。将棋は日本以外にプロ組織がないので日本だけの話ですが、囲碁のプロ組織は、韓国、中国、台湾、アメリカ、ヨーロッパにもあり、世界が基準。

囲碁AIの開発は1962年頃、始まったようです。囲碁はチェスや将棋と比べ、盤面が広く手順が長いので変化が多い。チェスが10の120乗、将棋が10の220乗、囲碁が10の360乗だそうです。また、囲碁は状況や場合ごとに石の価値が変化するので、それをコンピュータに認識させるのが難しいようです。そんなこともあってか、4~5年前まではアマチュアの初段レベルがやっと、とのこと。

2015年10月、ディープマインド社が開発したAlphaGoがプロ囲碁棋士に勝ったというニュースが飛び込んできました。2016年3月には韓国のイ・セドル(2007年~2011年 世界ランク1位)を4勝1敗で下し、そして、2017年5月には中国の柯潔(カケツ;2016年~2017年 世界ランク1位)に3戦全勝しました。手の変化の多さから囲碁のAI化は将棋のそれから10年~20年後ではないか、と言われていましたが、ほぼ同時期に囲碁AIが人間を凌駕したわけです。AlphaGoの衝撃は大きかったんですね。

2018年以降は、”AI vs人間”から”AI vs AI”の時代に。それまでのAIとは違い、対戦データを一切使わないで、自分対自分の対戦で学習するAlphaGO Zeroが登場。AlphaGoと対戦したAlphaGO Zeroは100戦全勝。AlphaGoはチェス、将棋にも対応したAlpha Zeroに進化しました。2008年、チェスAIのStock Fishを負かし、Ponanzaに勝利した最新将棋AI、Elmoにも圧勝しました。その後、絶芸、DeepZenGo、AQなど続々と囲碁AIが出てきて、”AI vs AI”の対戦が盛んにおこなわれています。

少し、視点は変わりますが、先の日本の囲碁の減退カーブ、日本経済のそれと似てるんじゃないかな、と思い、調べてみました。世界のGDPと日本のそれとの差の推移を、囲碁世界ランク100位以内の日本人棋士人数の推移に重ねてみました。

1990年~2009年の、日本のDeflationと囲碁のDegradation。驚くほど似ていますね。2008年のリーマンショックをきっかけに、経済政策は異次元の金融緩和などのInflation指向に舵を切りましたが、囲碁に関してはやっと具体的な対策が出てきた、といったところでしょうか。

囲碁と経済成長率との関連があるのかどうかはわかりませんが、囲碁業界に強烈なインパクトを与えた囲碁AIは、ボードゲームだけの話ではなく、産業、経済活動の源である知的活動にも劇的な変化をもたらすはずです。だとすれば、“GLOBIS-AQZプロジェクト”は日本の囲碁復活だけではなく、停滞する日本の産業、経済復活の起爆剤になるのではないか。

自動運転、顔認証、自動翻訳、音声認識・合成、、、とすでにAIの波が押し寄せています。世の中の大転換期に差し掛かっているのは間違いないのではないか。

本Websiteのテーマ、生産管理や在庫管理はどうなるんでしょうね。月次生産計画基準の現行生産管理システムのままで生き残れるんでしょうか? 間もなく押し寄せるAIの波に生産管理システムはどうなるのか。戦き後ずさりするよりも、生産管理が抱える不可解な疑問、慢性的な問題を解決する千歳一隅のチャンス到来と捉える方がいいんじゃないでしょうか。

世界大戦で亡国の憂き目に会った昭和から、この30年、平和に成りました。しかし、元気もなくなったように思います。間もなく令和。令和は、元気を取り戻す時代になってほしいものです。

http://tocken.com