測定した温度データの解析を行いました。
データ解析は得意です。
今回、 その得意な解析を
AIに任せてみました。
結果は……
指示を打ち込むだけで、
簡単にできてしまいました。
さらに、
計測に使った温度ロガーも、
AIに設計してもらい、
プログラムまで作ってもらった
という、AIづくし
測る道具も、
まとめる作業も、
AIと一緒。
AI時代になって、
仕事のやり方そのものが
変わってきている。
そう実感したと同時に、
ふと思ったことは、
「これ、みんなも普通にやってる?」
「自分は世の中の流れについていけてる?」
AI時代になって
「仕事が変わる」
と言われているけど、
正直あまり実感はなかった。
でも今回、温度計測を通じて
いろいろ活用・実践することで
その威力を思い知らされたし
仕事が変わる、という意味を
肌で感じたことで
改めて、俯瞰した位置からも
現状を把握してみたいと
思ったんです。
この記事では、
自分の体験と、
世の中の調査データを並べてみながら、
AI時代の働き方の「現在地」
を考えてみます。
AIをどこまで仕事に
取り入れたらいいのか
迷っている方の
参考になれば嬉しいです。
干し柿乾燥炉で異常が発生。原因は温度?
温度ロガーもAIと一緒に自作しました
以前の記事で紹介した
干し柿乾燥炉のデータロガーの続き編です。
前回の記事:高額なデータロガーは不要だった|安い部品とAIで干し柿乾燥炉の温度を測ってみた
このデータロガーで温度を測定すると、
もう以前のやり方には戻れません。
毎日、このロガーで作成されるグラフを見て
温度管理するようになりました。
乾燥炉は2台あります。
LOT単位で 18:00に乾燥を始めて、
乾燥は3日間行います。
注)全ての乾燥工程は別方式の乾燥機も使って
もっと長時間乾燥します。
(3日間では干し柿はできません)
つまり、全乾燥工程の一部分の話しです。
1・2日目は乾燥炉1、
3日目は乾燥炉1か2の どちらか
(その時の状況によります)。
異常と温度の関係を確かめたかった
そんな中、
乾燥中の干し柿に
異常が発生しました。
その異常は、(詳細は割愛しますが)
温度の上がりすぎが
もっとも疑わしい原因とされています。
調べたいとのは、
- ある温度以上になったLOTだけに異常が出ているのか
- 異常が出たLOTと出なかったLOTで、温度推移に違いはあるのか
つまり、 異常と温度の関係を LOTごとに比べたい。
そのためには、
まず各LOTの温度推移をグラフで
見える化する必要がありました。
従来のやり方では、
温度は目視確認できれば充分、
そんな温度データなどありません。
でも、今は自作の温度ロガーがあり、
過去の温度推移をCSVデータで
全て保存している。
つまり、こういうときのために
温度推移の解析が可能になった、
ということも大きな成果でした。
そこで早速、
温度推移をLOTごとにグラフ化して
その推移と異常とを
対比しようとしたんです。
面倒だったのは「データがバラバラ」なこと
測定期間も間隔もそろっていない
グラフ化は簡単に思えます。
CSVにエクスポートしたデータを
エクセルで読み込んでグラフ化するだけ。
問題は、
どんなCSVデータになっているかです。
今回のデータには
厄介な問題がありました。
データが均一ではないんです。
- 測定の開始と終了のタイミングが、LOTによってバラバラ
- 測定間隔が不均一(1分ごとのデータに、10秒ごとのデータなどが混ざっている)
理由ははっきりしています。
ひとつは、
データロガーを使い始めたとき、
使い方を明確に決めずに、
とにかく測ることを
優先してしまったこと。
もうひとつは、
異常が発生したときなどに
動作確認のため、
1秒ごとなどの細かい間隔で
測ったデータも
混在していること。
つまり、
「とにかくデータだけ保存しておけば、
あとはなんとかなるだろう」
と、その後の解析の手間とか考えずに
だらだら測定~保存だけしていた
ということが原因です。
最初から
・異常が出ることを前提にしてなかった
・日々の管理に役立てば満足だった
というのが、
こういうバラバラなデータを生んだのでした。
手作業でやると、こうなる
これを手作業でグラフにしようとすると、
ざっとこんな作業が必要です。
- LOTごとに、乾燥開始から終了までの範囲を切り出す
- 測定間隔の違うデータをそろえる(間引く・平均する など)
- 動作確認用の細かいデータを見分けて扱いを決める
- 時刻をそろえて、LOT同士を比べられる形にする
- グラフを作り、軸・目盛り・凡例を整える
こういう「作業」をよくやっていました。
「あぁ、またこういう解析に必要な処理ね。。。」
細部にこだわらなければ
1~2時間くらいかな。
それくらいの時間、
とれなくもない。
しかし、
この時期は干し柿生産者にとっては
ピークに忙しい。
少し ため息がでた その時、
あ、
AIに依頼するって手もあるじゃん。
って思いつきました。
AIに「グラフにして」と頼んでみた
CSVデータをアップロードして、
以下のように入力しました。
「乾燥炉1と2の温度測定CSVデータを添付します。
LOT毎に、乾燥温度の推移をグラフにして下さい。
グラフ横軸は、日時で、乾燥3日間の範囲になります。
1日目と2日目は乾燥炉1を使いますが、
3日目は乾燥炉1か乾燥炉2のどちらかです。
(3日目に使う炉はそのときによって変わります)
なので、グラフは、乾燥炉1と乾燥炉2を縦に並べて表示してください。
各ロットの乾燥時間は以下の通りです。
LOT-3:10/23 18:00 ~ 10/26 18:00
LOT-4:10/25 18:00 ~ 10/28 18:00
:
」
やってもらっている間は
別の作業をしてました。
気がついたら、終わってました。
LOTごとの温度推移グラフが
画像形式でそれぞれありました。
しかも、中身に対する見解付きで。
バラバラだった測定期間や測定間隔も、
こちらが細かく手順を指示しなくても
整理してくれていました。
すごっ。さすがやわ。
今度はそれを印刷して出力したい。
私は紙でみる派だし、
家族に説明するためにも、紙出力がほしい。
画像単体で印刷するのは
面倒だし、両面印刷もできない。
だからエクセルに画像を順に貼り付けて・・・
と昔はやっていた。
それも面倒。
「一括で印刷したいので、PDFなどにまとめてください。各LOTをA4横で。」
すぐに作ってくれた。
ダウンロードして、
印刷ボタン1回押すだけで、
各LOTのグラフを紙出力できました。
なんて楽なん!
結果:
1~2時間の作業が、1分に。
1分というのは指示を入力する時間
AIが考えている時間は別のことができるので
自分の実働は0分
そして肝心の 異常と温度の関係は……
温度の何が異常だと
明確に説明はできませんでした。
結果の値が単に、
「異常があったか無かったか」
だけであり、
異常のレベルの大きさは?
異常がないものは本当に正常だったか?
(後工程で異常がでているので、内在していた可能性大)
つまり、結果の計測特性が
正しい関係性を把握するには
不足だった、ということです。
グラフ化するなどの「作業」は
AIで効率化することができた。
大切なのは、
「どんなデータを取るか」
人間の役割は
これからホントに
「考える」
というところのウエイトが
増えていくんだなと
実感した次第です。
世の中は、どこまでAIで働き方を変えているのか
さて、ここから少し高い目線で
AI利用による働き方の変化について
考察していきたいと思います。
冒頭の疑問。
自分だけ特別なのか?
それとも、みんなもう
こうなっているのか?
気になったので、
公的なデータなどを
調べてみました。
生成AIを使ったことがある人は約6割に
総務省の令和8年版情報通信白書によると、
日本で生成AIサービスを
使ったことがある人の割合は 58.8%。
前年度の調査では 26.7%だったので、
たった1年で 倍以上に増えています。
ビデオリサーチの調査でも、
直近1か月に生成AIを使った人の割合は
38%から60%
約1.6倍に増えています。
ChatGPTのことをチャッピーって言う人がいるくらいに
対話型AIは流行っていますから、
なんとなくうなずける値です。
企業でも「使っている」は9割近く
企業側を見ると、同じ白書で
「何らかの業務で生成AIを使っている」
と答えた日本企業は 86.4%でした。
PwC Japanグループの調査でも、
日本企業の生成AIの 活用・推進度は
87%まで広がっています。
でも「成果が出ている」は一部だけ
ここからが 興味深いところです。
同じPwCの調査で、
「期待を大きく上回る効果が 出ている」
と答えた割合は、
日本では 9%。
米国は38%
です。
白書でも、
日本で生成AIの活用が最も多いのは
議事録・メール作成補助(約7割)。
また、生成AIによる業務変革に
「組織的な取組はない」
と答えた日本企業は 約3割あり、
特に中小企業で多い傾向でした。
一方で、
大企業の正社員を対象にした
ストックマークの調査では、
AIに任せたい業務のトップは
「情報整理」と「確認業務」
(どちらも68%)でした。
それは、
今回 自分がAIに任せた作業
に近いものと思います。
体験と統計から見えた、AI時代の働き方の「現在地」
「使う」と「働き方を変える」の間には段差がある
調査を見て感じたのは、
「AIを使っている」と
「AIで働き方が変わった」は
別物だということです。
自分なりに整理すると、 こんな段階があると思います。
| 段階 | 内容 | 世の中の状況(調査から) |
|---|---|---|
| 1 | 使ってみたことがある | 個人の約6割 |
| 2 | 調べ物や文章作成で日常的に使う | 企業での活用は議事録・メール補助が中心 |
| 3 | 仕事の流れそのものをAI前提に組み替える | 大きな成果を実感しているのは日本企業の1割弱 |
(この段階分けは、調査結果をもとにした私の考えです)
今回の自分の行動は、
- 測る道具をAIと作る
- 不ぞろいなデータの整理をAIに任せる
- 自分は「異常と温度の関係」を考えることに集中する
という流れでした。
これは、段階3の入口に
近いのかもしれません。
自分だけが特別なわけではない
私が特別なわけではないでしょう。
私は今回のようなプログラミングは
できません。
AIに相談して、
言われた通りに組み立てて、
困ったらまた聞く。
やったのは それだけです。
白書では、
生成AIを使わない理由として
「自分の生活や業務に必要ない」
「使い方がわからない」
が多く挙がっていました。
逆に言えば、
「自分の困りごとをAIに そのまま相談してみる」
だけで、段差は越えられる。
今回の成果は、
それを実践できたことです。
人間の役割は「必要な情報」を決めること
もうひとつ 大事な気づきがあります。
データがバラバラだった原因は、
明確な使い方を決めずに
とにかく測定と保存だけした
という「テキトー」なスタンスです。
温度と結果との相関が取れなかったのは
結果の計測特性に問題があったからです。
AIは、バラバラなデータでも
見事に整理してくれました。
しかし、AIは結果を教えてくれません。
取ってくる情報に不備があれば
その範囲内でのみ、解答をくれます。
どんな目的のために
どんな情報をとるのか。
そこをしっかり決めれば、
計測の方法、設計、プログラム製作
測定したデータの解析まで
AIはやってくれます。
手を動かす作業はAI。
目的と手段(どんな情報を入手するか)を決めるのは人間。
手を動かす作業を減らすことができたぶん、
頭を使うウエイトが増えた、
の説明をするための実施例としても、
今回の事例は役に立つと思いました。
まとめ:時代の波に乗れているか?
生成AIを使ったことがある人は
すでに約6割。
でも、
働き方そのものを変えているところ
まで 行っている人は、
まだ多くはなさそうです。
今回の事例を実践できたことは、
自分も時代の最先端の働き方に、
ようやく追いつけてきたのかな?
と思いました。
でも、意外と簡単でしたよ(^^)v
もし今、
時間がかかって面倒に
感じている作業があれば、
まずは一度、
そのままAIに相談してみてはどうでしょう。
思っている以上に、
仕事のやり方が変わる可能性が
あるかもしれません。
出典
- 総務省「令和8年版 情報通信白書」個人における生成AIサービスの利用経験 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/text/nd111110.txt
- 総務省「令和8年版 情報通信白書」生成AIの業務利用状況 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/html/nd121130.html
- 総務省「令和8年版 情報通信白書」組織的な取組状況 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r08/text/nd121120.txt
- 総務省「令和7年版 情報通信白書」個人におけるAI利用の現状 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r07/html/nd112210.html
- PwC Japanグループ「生成AIに関する実態調査2026 春 6カ国比較」(DXマガジン記事) https://dxmagazine.jp/?p=217643
- ビデオリサーチ「ACR/ex」生成AI利用率(北海道新聞掲載リリース) https://www.hokkaido-np.co.jp/article/1368394/
- ストックマーク「AI時代の働き方調査2026」(MONOist記事) https://monoist.itmedia.co.jp/mn/spv/2603/30/news014.html