技術戦略・AIとIoTの活用

基本の仕組み

工場の温度センサで現在値を測り、目標との差に応じて加熱量を調整するのはフィードバック制御です。センサ、通信、処理、制御対象を分ければ、IoTシステムのどこで遅延や故障が影響するか考えられます。

教師あり学習は正解付きデータから予測関係を学び、教師なし学習はまとまり等を見つけ、強化学習は行動に対する報酬を手掛かりに方策を学びます。学習と評価のデータを分け、未知の条件で性能が保たれるか確認します。

技術の成熟度、開発費、特許、既存システムとの接続も採用判断の条件です。予測精度の高さだけで導入効果は決まりません。

カーボンフットプリントは、原材料調達から廃棄等まで、製品のライフサイクルにおける温室効果ガス排出量をCO₂相当量で示します。製造工程だけの削減が輸送の増加で相殺されることもあるため、対象範囲をそろえて比較します。

生成AIの中でも、大量の文章で学習した大規模言語モデル（LLM）は文章の生成や要約に使われます。もっともらしい誤りを出すことがあるため、機密情報の入力条件と結果の検証方法を決めます。

新技術の役割

IoTは現場の機器からデータを集め、AIは分類・予測・生成などに利用し、ロボットなどが物理的な作業を担います。技術ロードマップは、市場・製品・技術の将来の計画を時間軸で結び付けます。技術名よりも、利用目的と入力・出力を見て区別します。

技術の普及と事業化の壁

研究開発の成果が事業として実を結ぶまでには壁があるとされます。研究から製品開発へ進む間の壁を「魔の川」、製品開発から事業化までの壁を「死の谷」、事業化した後に市場競争で生き残るまでの壁を「ダーウィンの海」と呼びます。

新しい製品の普及では、新しいもの好きの初期採用者（アーリーアダプター）と、実用性を重視する多数派（アーリーマジョリティ）の間に深い溝（キャズム）があるとされます。また、優良企業が既存顧客向けの改良に集中するうちに、当初は性能の劣る新技術に市場を奪われる現象をイノベーションのジレンマといいます。