DeNA AI Link、キユーピーの工場シミュレーション工数を約8割削減
工場の生産ラインを再現するシミュレーションモデルを、AIが自然言語の指示から組み立てる――DeNA AI Linkとキユーピーは、自律型AIエージェント「Devin」を使った検証で、小規模モデルの自動生成に成功しました。専門的な作業をAIに委ねるため、両社は何をしたのでしょうか。
ARCHETYP Staffingでは現在クリエイターを募集しています。
エンジニア、デザイナー、ディレクター以外に、生成AI人材など幅広い職種を募集していますのでぜひチェックしてみてください！
工場シミュレーションへのAI活用を難しくした3つの課題
製造業では、生産ラインや設備を実際に動かす前に、コンピューター上で稼働状況を再現する工場シミュレーションが活用されています。設計や改善案を事前に検証できる一方、モデルの構築には専用ソフトウェアと専門知識が欠かせません。対応できる人材も限られるため、作業が特定の担当者に集中しやすいという課題があります。
キユーピーでは、専門チームがSiemens製の工場シミュレーションソフトウェア「Tecnomatix Plant Simulation」を使い、生産ラインを分析しています。AIを用いてモデル作成を効率化し、短時間でシミュレーションを行える体制を目指していましたが、実現には3つの課題がありました。
1つ目は、Plant Simulationで使う専用言語「SimTalk」に関する情報の少なさです。SimTalkは、一般に広く使われているプログラミング言語ではありません。そのため、LLM（Large Language Model／大規模言語モデル）の学習情報が乏しく、AIが正しくコードを記述しにくい状況でした。
2つ目は、AIが生成したコードを自ら検証しにくい点です。Plant Simulationは、マウスやキーボードを使って画面上の項目を操作するGUI（Graphical User Interface）を前提とし、ローカル環境で動作します。コードを作成できても、実際にソフトウェア上で動かしてエラーを確認できなければ、AIが検証と修正を繰り返すことは困難です。
3つ目は、AIを使った解決方法をチームで共有し、組織へ展開する道筋が見えにくいことでした。個人単位でAIを利用するだけでは、専門チームのメンバー全員が同じ知識や手順を使える状態にはなりません。
求められていたのは、コードを生成する機能だけではなく、専門言語への対応、実行結果を確かめる環境、知識をチームで蓄積する仕組みをまとめて整えることでした。
クラウドとローカルをつなぎ、AIが自ら検証できる環境を構築
DeNA AI Linkは、DeNAグループにおける全社的なAI活用や、複数社へのDevin導入支援で得た知見をもとに、キユーピーの専門チームを支援。検証にはCognition AIが開発したDevinを採用し、自然言語の指示からモデルを作れる状態を目指しました。
取り組みの起点となったのは、ブラウザから利用できるクラウド版のDevinです。知識や作業上の注意点を一か所に集約できるため、利用者が変わってもチーム内で情報を共有しやすくなります。将来、利用者の範囲を各工場の担当者まで広げる構想があることから、扱いやすさを重視してクラウド版が選ばれました。
Devinが参照できるよう、SimTalkのルールや専門用語の辞書、作業手順をまとめた文書を継続して整備するとともに、作業中にDevinがつまずいた箇所を記録し、次のモデル作成に生かせる情報として蓄積することで、生成精度を高める土台を作りました。
Plant Simulationのコードを実行・修正する工程には、ローカル環境で動作する「Devin CLI」を利用しています。CLI（Command Line Interface）とは、画面上のボタンではなく、文字で命令を入力してコンピューターを操作する仕組みです。Devin CLIを利用することで、Devinがプログラムを実行し、エラーの検出から修正まで続けて進められるようになりました。CLIの利用にはキユーピーのエンジニアによる関与が必要でしたが、クラウド上で立ち上げた取り組みを、ローカル環境での開発へ引き継げたことが、開発効率の向上につながっています。
コードの誤りを自動で見つける仕組みに加え、作業ごとの手順をまとめた「Playbook」も用意しました。Playbookは、同じ作業を繰り返す際に参照できる手順書です。クラウドで知識を蓄積し、ローカルで実行と修正を行う役割分担によって、Devinがモデル開発を自律的に進めるための基盤が整いました。
小規模モデルを自動生成、8.5人日から1.8人日へ
DeNA AI Linkの発表によると、Devinが自律的に作成した小規模なシミュレーションモデルは、動作確認を経て想定どおりに動作しました。小規模ではあるものの、モデルを自動生成できることが実際の動作によって確認された形です。
モデル作成の精度にも改善が見られました。開発初期は、作成後に多くの不具合を修正する必要があったものの、基盤整備後の検証では、1回の作り直しで完了しています。検証を通じて用意した文書や手順、自動検証の仕組みは、今後のモデル作成にも利用できる形で蓄積。
そして今回検証した小規模な1モデルでは、工数にも明確な差が表れました。
従来の手作業では8.5人日かかると想定されていたのに対し、Devinを活用した開発は1.8人日で完了し、削減率は78.8％となりました。
今回の取り組みでは、実現可能性を確かめるPoC（Proof of Concept／概念実証）が行われました。キユーピーは今後、実業務への適用を見据え、検証と環境構築を進める方針を示しています。
成果からは、AIにコードを書かせる技術だけでなく、対象業務を深く理解する「ドメイン知識」と、その知見を持つ担当者の関与も重要であることが示されています。
今後は、対応するシミュレーションの種類と規模を広げる予定です。将来的には、各工場で現場を理解する担当者が自然言語でモデルを構築し、モデル作成ではなく、生産現場の分析や改善により多くの時間を使える体制を目指します。
DeNA AI Linkもキユーピーへの支援を継続するとともに、今回得た知見を生かし、同様の課題を抱える製造業に対して、導入方法の設計から現場での活用定着まで支援するとしています。
まとめ
いかがだったでしょうか？
DeNA AI Linkとキユーピーの取り組みでは、AIにコードを生成させるだけでなく、実行、検証、修正まで進められる環境が整えられました。小規模な1モデルでの成果ではあるものの、開発工数は想定8.5人日から1.8人日へ減少し、削減率は78.8％となりました。
今回の成果からは、AIにモデル作成などの実装作業を委ねることで、人が生産現場の分析や改善など、より付加価値の高い業務に注力できる可能性がうかがえます。
小規模モデルで確認された成果を、種類や規模の異なるモデルへどこまで広げられるかが、今後の検証における論点となります。キユーピーは、実業務への適用を見据え、検証と環境構築を進める方針です。