株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
紙パルプの生産工程や品質管理を経験した人がAIの仕事を考えるとき、説明したい強みは、工程の変化と製品の状態を結び付けて判断してきたことです。例えば、巻取の試験結果を見て上流の運転状態を調べる仕事には、採取位置、時刻、銘柄、原料や設備の変化を読み解く知識が含まれます。その判断を、データの対応付けと検証の仕様へ具体化できます。
本稿は、抄紙工程の品質予測を題材に、紙パルプの経験をAI案件の設計・評価・運用へつなぐ準備を解説します。印刷物の原稿や校正の仕事は、校正・入稿の経験からAI支援の要件を考える記事で扱っています。記載内容は2026年11月17日に確認しました。
工程をたどり、品質の測定値が何を表すか説明する
王子製紙の製造工程の説明には、パルプの製造、原料を調える工程、抄紙、塗工、仕上げが示されています。紙を作る過程で、原料は形や状態を変え、最後に巻取や平判になります。AI案件の準備では、この工程図に自分が見ていた測定値や操作、確認記録を重ね、どこで得た情報がどの製品を説明するかを書き込みます。
最初に決めるのは予測の用途です。例えば、製造中に品質の変化へ気付くために使うのか、巻取後の試験結果の確認を助けるのかで、必要な速さと入力が変わります。予測したい特性、利用する人、結果を受けて行う判断を書き、現在の運転画面や品質確認の手順も調べます。既存の測定や制御で十分に分かること、試験結果を待つため見えにくいことを、工程担当者と区別します。
次に、測定が表す範囲をそろえます。連続する運転データ、幅方向を測るデータ、採取した紙の試験値を同じ「品質」と呼ぶだけでは、対応する位置と時間が分かりません。どの巻取の、どの位置の試料か、前後の製造状態をどこまで代表するかを確認します。原料を変えた時刻と、その変化が下流へ現れる時刻の対応も、実際の設備と運転記録から確かめる設計にします。
この対応付けは、品質情報を扱う製品にも見られます。Valmetの製紙向け情報管理の説明では、巻取・銘柄・シフトごとの報告、巻取の追跡、試験室の測定値と品質情報の統合を紹介しています。海外製品で示される機能を参考に、自分の職場では識別子、記録の粒度、設備接続、検査と承認のルールを確認します。機能が存在することから、各工場で同じ精度や効果が得られるとは判断しません。
経験の棚卸しでは、「抄紙を担当した」に加え、どの変化を監視し、何を確認して担当者へ連絡したかを残します。予測の原因を調べる際も、同時に変化した値をすぐ原因と決めず、操作、原料、計器、設備の状態を照合した経験を説明できます。自分の担当外だったパルプ工程や品質保証まで、理解・判断できる範囲として広げないことも、役割分担を決めるうえで大切です。
採取時刻と登録時刻のずれを、学習用データで扱う
ここからは、架空の巻取Rの品質試験を使った設計例です。試料の採取が10時、試験結果のシステム登録が11時だったとします。11時の行へ結果を結び付けるだけでは、その試験がどの製造状態を評価したのかを取り違えます。元の試験記録と巻取の履歴から対応する工程の区間を確認し、採取、測定、登録の時刻を分けて持つ案を検討します。時刻を確定できない記録は、対象の範囲を確認できるまで保留します。
| 記録 | 設計で確認する点 |
|---|---|
| 試料の採取と結果の登録 | 製造状態を表す時刻と、結果を利用可能になった時刻を分ける |
| 工程の運転値 | 対応する区間、集計方法、欠損の有無を残す |
| 巻取Rと仕上げ後の製品 | 巻き直しや分割後も、元の巻取へ戻れる対応を残す |
| 銘柄変更と紙切れ | 通常運転の区間と区別し、対象に含める条件を決める |
製造中に予測するモデルなら、その時点で利用できる情報だけを入力にします。後から登録された試験結果や、事後に確定した不良の情報が入力へ混ざると、過去の再現ではよく見えても実運転時には使えません。データの値だけでなく、いつ取得できたかを確認することが必要です。記録の遅れを扱った経験は、この入力仕様や、結果が届かない場合の表示へ具体化できます。
銘柄変更の途中、紙切れ後の立上げ、計器の点検中などは、通常運転と分けて記録します。扱う区間を除外するか、別の状態として学習・評価するかは、使いたい用途に合わせて決めます。一律に取り除くと、実際に利用者が判断したい変化を試せなくなる場合があります。反対に、対象外の状態で通常の予測値を表示し続けると、利用できる条件が伝わりません。表示を保留する条件も、工程の仕様に含めます。
評価用の期間は、学習に使った期間から分けます。同じ巻取に近い時刻のデータが両方へ分かれるだけでなく、時間の経過、銘柄、原料の切替え、設備の整備をまたいで確かめます。平均誤差が小さくても、特定の銘柄や品質の境界で外れる場合は、その条件を示します。単純な過去平均などの比較対象も置き、予測モデルを使うことで、どの判断に必要な情報が増えたかを確認します。
最初の成果物は、予測グラフに加えて、試料と工程を結んだ記録、対応付けできなかった区間、銘柄ごとの評価、利用対象から外した条件をまとめます。工程を知らない開発者が勝手に時刻を決めず、現場の知識を持つ人と確認できる材料にします。設備の状態をデータとモデルへ結び付ける設計は、工場データを同期し、現場の実績と照合する考え方とも接点があります。
品質予測を使う職務と、設備を動かす職務を見分ける
公開された取組の例として、Valmetは2026年3月31日、紙・板紙の強度特性を予測するIQ Virtual Sensorを発表しました。既存の工場データから引張・引裂きなどの特性を予測し、試験室からの情報も使う製品として説明されています。同じ発表で、高度制御と組み合わせる拡張にも言及しています。こうした製品資料では、予測の表示と、実際の操作へつなぐ構成を分けて読むことができます。
案件の要件でも、異常や品質変化の候補を示す、操作案を提示する、承認後に条件を変更する、という担当範囲を明らかにします。設備を操作する場合には、既存の制御や保護の仕組み、変更できる範囲、通信や計器の不調時の扱い、元の運転方法へ戻す条件を関係者と確認します。画面に予測を出せた段階で、自動運転まで評価した成果として扱わないようにします。
生産技術の経験者なら、品質や操業の課題からテーマを選び、工程の制約を整理する仕事を候補にできます。品質管理の経験者は、試験方法と採取の範囲、評価の基準、確認記録の設計を具体化できます。保全を担当していた人なら、計器・設備の状態や整備履歴とデータを照合する範囲を示せます。いずれも、経験した仕事の範囲と、AI案件で新しく担う責任を並べて確認します。
必要な学習は役割ごとに変わります。データ処理を担当するなら、時系列の集計、識別子の対応付け、欠損の扱いを実装して確かめる技能が必要です。モデルを作るなら統計と評価、設備と接続するなら通信・監視と変更管理も関係します。IPAが2026年4月に公表したデジタルスキル標準ver.2.0などを参照し、目指す職務の募集要件と、自分の経験・学習成果を照合します。特定の年齢や学習月数を、転職や案件責任者になれる期限として置く必要はありません。
学習用には、自作した巻取の履歴と架空の試験記録で、時刻を取り違えた場合と、対応を確認した場合の違いを見せられます。前職の運転値や顧客仕様を使わず、どの情報が予測時点では未取得か、対象外の銘柄をどう表示するかまで説明します。自分で実装した処理と、まだ関係者への確認が必要な条件を分けて残せば、担当できる仕事を伝えやすくなります。現場の仕事をたどり、予測の出力後の確認と運用まで設計することが、紙パルプの経験を新しい職務へつなぐ準備になります。
