「Humans in the Loop」第5話：AIによる製造最適化の新たな波（動画）

ソフトウェアエンジニアは、コードに潜む問題を見つけるために、何十年もの間、デバッガーやプロファイラーを活用してきました。しかし、製造現場では、工程が停止したり遅延したりした際、頼れるのはストップウォッチとメモ帳だけという状況が往々にしてあります。

「Humans in the Loop」の最新エピソードでは、Tulip であるロニー・クバット氏とAIプロダクトリードのマーク・ワタベ氏が、CMOのマディ・カスティージョ氏と対談し、この状況がどのように変化しつつあるかを探ります。

建築、映画、ソフトウェア工学といった多様なバックグラウンドを持つチームは、「フィジカル・オブザーバビリティ」 の台頭について議論しています。これは、 ビジョン言語モデル（VLM）を用いて、工場の物理的な世界をコードと同様に「プロファイリング」し、受動的な保存媒体であった動画を、継続的な改善のための能動的なツールへと変えるものです。

以下のリンクから全編をご覧ください：

文脈のないデータは、単なる雑音に過ぎません。その理由を説明するために、マークとロニーは誰もが理解できる例え、すなわち「料理」を挙げています。

おばあちゃんの100歳の誕生日のお祝いの料理を作る場合、その過程は「気配り」と「伝統」、そしておそらく「ゆったりとしたペース」によって特徴づけられます。一方、生放送の料理コンテストでまったく同じ料理を作る場合、その過程は「スピード」と「パフォーマンス」、そして「ストレス」によって特徴づけられます。

どちらのケースでも、コンロに取り付けた単純な温度センサーは350°Fと表示するでしょう。センサーにはその違いがわかりません。しかし、実際の動作状況は全く異なります。

「建築家は、人間という尺度という難題に取り組んでいます……LLMについても同じことが言えます。私たちは無限の文脈を求めていますが、それは存在しません。AIがどこへ向かうべきかを理解できるよう、参照可能な文脈を設計しなければならないのです。」— マーク・ワタベ

製造現場では、この「コンテキストのギャップ」に悩まされることがよくあります。センサーデータ（機械が稼働していること）は得られても、人間に関するコンテキスト（誰が操作しているのか、なぜ苦労しているのか、周囲の状況はどうなっているのか）が欠けているのです。このギャップを埋めるには、全体像を把握できる新しいタイプのセンサーが必要です。

ロニーは、ソフトウェア・プロファイラーという概念を紹介します。これは、プログラムの実行状況を監視し、コードのどこで処理が遅延したり、エラーが発生したりしているかを正確に特定するツールです。

製造現場においては、「物理的可視化」がこれに相当します。これは単に動画を記録するだけでなく、AIを活用して動画内の動作を理解することを意味します。

ビジョン言語モデル（VLM）の台頭により、製造業者は今や自社の映像フィードに対して「クエリ」を実行できるようになりました。人間が8時間分の映像を1コマずつ確認して渋滞箇所を探す代わりに、エージェントに「シフトAの時間帯でフォークリフトが通路を塞いだ場面をすべて表示して」と尋ねることができるのです。

これにより、オペレーションの責任者は、ソフトウェアエンジニアがコードをデバッグするのと同じ精度で、自社の物理的なプロセスを「デバッグ」できるようになります。

工場内の監視カメラに対するよくある反論として、「ビッグ・ブラザー」への懸念――つまり、映像が労働者を懲戒するために利用されるのではないかという懸念――が挙げられます。マークはこの通説を、逆転させるような個人的な例え――逆立ちを覚えること――を用いて論じています。

逆立ちを習得したいなら、最も役立つ道具はカメラです。自分を撮影するのは、誰かに評価してもらうためではなく、自分では感じられない部分を確認するためです――背中が反っていませんか？肘は曲がっていますか？

これこそが、人間中心のAIの核心です。物理的観測可能性を正しく活用すれば、作業員に作業場に順応させるのではなく、作業場を作業員に合わせて調整することができます。これにより、人間工学的に不適切な箇所、手が届かない場所にある工具、そして作業工程が人間の動作と相反している箇所を特定し、個々の作業員に合わせたワークフローの大量カスタマイズを可能にします。