AI×IoTで仕掛率を自動算出する方法

製造業の月次締めにおいて、仕掛品（WIP）の評価は最も大きなボトルネックの一つです。人手による進捗集計やExcelベースの概算では、数値のばらつきと膨大な手間が避けられず、経理と現場を巻き込んだ“締日地獄”が毎月繰り返されます。本記事では、IoTセンサーとAI画像解析を組み合わせて「リアルタイムに正確な仕掛率」を自動算出する手法を解説し、月次締めを1日以内に短縮するポイントをご紹介します。

なぜ仕掛率自動算出が必要か

従来の仕掛率計算は、現場から報告された紙またはExcelの生データを経理担当が手作業で集計するのが一般的です。
しかし、

• 作業漏れ・転記ミス
• 進捗度の主観差
• 月末一括集計による遅延

といった問題を常に抱え、数値の信頼性が担保されません。これが、原価計算や在庫評価のブレにつながり、経営判断にも悪影響を及ぼします。

IoTセンサーとバーコード/QRの活用

第一のステップは、部品やサブアセンブリにRFIDタグやQRコードを貼付し、各工程を通過するたびに自動読取する仕組みの導入です。

• RFID/QRゲート：工程入口・出口に読取装置を設置し、通過時刻をログ化
• タブレットスキャン：手作業が残る小規模工程はタブレットで1タップ集計
• データ蓄積：Kafka/MQTT経由で時系列DB（例：TimescaleDB）へストリーミング

これにより「いつ」「どの車台が」「どの工程を何時にクリアしたか」を漏れなく取得できます。

AI画像解析による出来高推定

RFID/QRだけでは検知が難しい細かな作業進捗（例：内装部品の個別装着）は、ライン上のカメラ映像をエッジAIで解析して定量化します。

1. ディープラーニングモデルを用いて“装着済部品数”をリアルタイム推定
2. 進捗率＝装着済部品数／全装着部品数×100% を算出
3. Human in the Loop：誤判定発生時は現場リーダーがタブレットでワンタップ修正→そのデータを再学習に反映

AI画像解析を組み合わせることで、RFID/QR単体では難しかった“途中工程の可視化”を実現します。

システム構成とデータ連携のポイント

インメモリ計算エンジン

ストリーミングされたIoTとAIデータは、インメモリ処理が速いRedis（注１）やApache Flink（注２）などでリアルタイム演算を行い、ダッシュボードへ即反映。

バッチ同期と冗長アーキテクチャ

ネットワーク断の多い海外ノックダウン工場では、

• Edge Box：ローカルでAI推論＋一次集計
• オフライン同期：夜間バッチで本社クラウドとデータ整合

を組み合わせ、常時クラウド接続が不要な耐障害性を確保します。

AI×IoTによる仕掛率自動算出は、

1. RFID/QR で「いつ何の部品がどこを通過したか」を確実にログ化
2. AI画像解析 で細かな作業進捗を定量化
3. インメモリ演算 でリアルタイムにダッシュボード更新

という三段階アプローチで構成されます。導入にあたっては、現場機器の最適配置とAIモデルの継続的チューニングが成功の鍵。正確かつ高速な仕掛率計算を実現すれば、月次締めを1日以内に短縮し、経理・現場双方の大幅な工数削減と数値信頼性の向上が期待できます。

（注１） Redis（レディス、Remote Dictionary Server）：メモリ上で動作するインメモリデータベースの一つです。 データがメモリ上に保存されるため、ハードディスクとメモリ間の行き来をする必要がなく高速にデータを処理するので、各種アプリケーションからの高速アクセスを実現します。

（注２） Apache Flink：ストリーム処理とバッチ処理の両方をサポートするオープンソースの分散処理エンジンです。高いパフォーマンス、スケーラビリティ、耐障害性を備え、リアルタイム分析やイベント処理など、幅広いユースケースで利用されています。