スケジューリング最適化AI、高度化の鍵は「戦略」にあり。導入事例も解説

Laboro.AIコラム

スケジューリング最適化AI、高度化の鍵は「戦略」にあり。導入事例も解説

2024.11.27
株式会社Laboro.AI　リードマーケター　熊谷勇一
執行役員　マーケティング部長　和田崇

概　要

製造業や建設業をはじめとした業界で取組まれる計画策定タスク、いわゆる「スケジューリング」は、考慮すべき制約条件が膨大・複雑であることや、最適解を得るためのロジックを定式化しづらいことなどがあり、多くの企業のビジネス課題であり続けています。さらに、近年の人材不足を背景に、これまでスケジューリング成功の要であったベテランのノウハウをどう伝承していくかも喫緊の課題になっています。

こうしたことから、より高度な計画を策定させるための「スケジューリング最適化AI」の開発・導入・活用が多くの企業で検討されています。しかしAI活用をビジネス成果につなげるためには、技術力にも増して、多種多様なアプローチから適した手法を選択するための戦略が欠かせません。スケジューリング最適化AIの高度化のためのポイントを、導入事例も交えて考えていきます。

Laboro.AIの「最適化領域のカスタムAI開発」はこちら

目　次

スケジューリングとは

スケジューリング（scheduling）は「何かの予定を決めること」という意味の英語で、個人のスケジュール管理や、組織における作業計画の策定、コンピュータにおける処理順序の決定などの意味で用いられます。個人のスケジュール管理であれば一人で考えて決定していくこともできますが、例えば工場などの製造・生産現場で製造計画や生産計画をスケジューリングしたい場合、加味すべき条件が1000以上になることもあり、人力で最適なスケジューリングをするのはほぼ不可能で、近年、AIの活用可能性が大いに期待されています。

ビジネスにおけるスケジューリング

ビジネスにおけるスケジューリングとしては、例えば、
・製造業：製造計画　生産計画
・建設業：工事計画　施工計画
・物流業：配送計画　配送ルート計画
・医　療：治療計画
・インフラ：電力配分計画　鉄道運行計画
・研究開発：実験計画　調査計画
など、さまざま挙げられます。

これだけ多くの業界ビジネスで取組まれているスケジューリングは、一言で言えば、「定められた期限までにより高い成果を得るため、その計画を構成する人員や機械、予算などの資源をそれぞれの制約条件を踏まえて最適な配分を考えること」です。スケジューリングを含む、こうした複雑な条件の組合せを考えるタスクは「最適化問題」と呼ばれ、世の中の多くの領域で存在しています。

スケジューリングは、プロジェクトマネジメントの要となるプロセスであり、どれだけ良い計画を事前に立てられるかが、そのプロジェクトの成否を握ると言っても言い過ぎではありません。それだけでなく、国内・国外のビジネス環境が厳しさを増す中、いかに効率的かつ高度な計画を立てられるかが、ビジネスの競争力にも大きな影響を与えます。また、これまで各企業におけるスケジューリング業務は、作業環境や制約条件を熟知したベテラン人材の人手によって行われ、その知見が蓄えられてきました。ですが、こうした計画策定のためのノウハウをいかに次世代に伝承するかが重要になる一方で、昨今の少子高齢化や若手人材の不足が深刻化していることから、一つの解決策としてAIの活用が注目を集めているのです。

スケジューリングが特に課題となる業界

あらゆる産業・業務に関わるスケジューリングですが、特に人間が考えるだけでは最適解にたどり着けないほど複雑なスケジューリングが必要となる代表的な業界が、製造業、建設業、物流業です。

製造業

スケジューリングにおいて最も想像しやすく、例としても多く挙げられるのが製造業でしょう。代表的なものとして「どの製品を、いつまでに、どの程度生産するのか」という生産量・生産時期に関する「生産計画」と、組立てや加工などの工程・作業に関わる「製造計画」が挙げられます。

製造業においては、作業者･人材（Man）、機械設備（Machine）、材料（Material）の生産の三要素（3M）をそろえることが重要と言われ、材料が入っていること、つまり考慮に入れるべき変数・条件が多いことが特徴です。逆に言えば、製造業のように有形の製品を提供するのではなく、無形のサービスを提供する業界では、この材料がほとんど発生しないことになります。

参考：秋山高広「生産三要素と改善の方向性」

建設業

製造業に並んでスケジューリングが重要テーマになるのが建設業です。建築物や土木構造物の設計など工事の内容をまとめた「工事計画」、そしてその工事計画に基づいて実際の工事計画や工程、人員、資材、建機などを定めた「施工計画」が代表的な策定すべき計画です。

例えば土木工事においては、工期中で最もコストパフォーマンスの良い施工計画を立てるために、どの位置の土を、どの建機で、どの順番で工事するかといった膨大な条件の組合せを考慮する必要があります。人手によるマニュアル作業的な計画策定や、一般的によく用いられる数理最適化手法での策定には限界があるような複雑な計画が多く、強化学習など探索的なAIを活用できる可能性が模索されている業界の一つです。

当社の建設業でのプロジェクト事例についてはこちらをご覧ください。
土木工事での施工計画の最適化

物流業

物流業もスケジューリングが肝となる業界の一つです。「どの荷物を、どこに、どのルートで配送するか」の計画を考える「配送計画」あるいは「配送経路計画」がよく知られます。それだけでなく、物流倉庫内における在庫管理や入荷・出荷、ピッキングなど、多くの計画から成り立っているのが物流業です。

特に配送計画のスケジューリングでは、配達すべきモノとその配達タイミング（単に締め切りではなく、宅配便の時間帯指定のように受取可能タイミングも制約されることも）、配達員などの作業者、配送車などの他、ルーティングも重要な要素になります。ルーティングとは、配達元から配達先までの最適な経路を決めることで、距離、交通状況、有料道路の料金などを考慮する必要があるとなれば、配達員と配送車の拘束時間にも関わることから、かなり複雑な条件の組合せを加味した計画が必要になることは想像に難くありません。

AIで最適なスケジューリングを実現する四つのアプローチ

前述したような業界での複雑なスケジューリングを最適化するため、近年AIの活用が期待されているわけですが、「スケジューリング最適化AI」と一言で言っても、考えられる諸条件の組合せをどう探索させるかのアプローチがさまざま存在し、それぞれの業界・企業のビジネス環境や課題の特性に応じた最適な方法を選ぶことが鍵になります。ここでは代表的な四つのアプローチを取り上げます。

ルールベース

ルールベースは、高速かつ低負荷な処理が可能な半面、文字通り、そのルール・ロジックを定義する必要があるため、制約条件が多い複雑な問題への対応力は低い手法です。人間が事前に定めたロジックに基づいて計画を出力させる手法であるため、比較的シンプルな組合せによる問題で、かつ説明性（提案するスケジューリングに至った論理が説明できること）が求められるような場合での利用が向いています。

数理最適化

数理最適化は、より良い計画をその都度、しらみ潰し的に探索して出力させる手法で、ルールベースよりも複雑性への対応力がやや高い手法です。一方、用いるデータ量に応じて計算処理時間と負荷がかかる特徴があるため、制約条件がある程度ありながらもロジックが組めるという、中程度の複雑性を持つ問題への利用が向いています。

メタヒューリスティクス

まずヒューリスティクスとは、正解にある程度近い解を見つけ出すための経験則や発見方法のことで、「発見法」とも呼ばれます。例えば、服装からその人の性格や職業を判断することは、ヒューリステックな方法といえます。その上でメタヒューリスティクスとは、服装と性格・職業の関係といった特定の問題に依拠せず、幅広い分野に適用できる最適化・AI手法です。代表的なものに、解きたい問題を生物の進化の仕組みに模して、一番適応度の高い（生き残った）個体の遺伝子情報をその問題の解とする「遺伝的アルゴリズム」があります。その上で、スケジューリングにおけるメタヒューリスティクスの特徴は、都度計画を探索するものの、現実的な時間内で質の良い計画を探索・出力させることができることにあります。

参考：Webpia「遺伝的アルゴリズムとは？わかりやすく解説！」

強化学習

強化学習はAIの学習手法の一つで、スケジューリングにおいては「うまい計画策定の方法」を自律的に身に付けたAIに、AIが考える最適な計画を出力させるアプローチです。複雑な問題への対応力が非常に高く、計算処理時間も短く済む点にメリットがあります。ただし、シミュレータなどを含めた開発期間に時間がかかる上、説明性が低い特徴があります。そのため、中長期的な期間で解決が必要な複雑性の高い問題、かつ説明性がそれほど求められないケースでの利用が向いています。

ルールベース、数理最適化、強化学習の比較についてはこちらもご覧ください。
組合せ最適化ソリューション

個人とコンピュータのスケジューリングから、戦略の重要性を知る

ところでスケジューリングはビジネス、言い換えれば組織での業務だけでなく、実は個人の活動（人生）や、コンピュータの仕組みにも共通する重要な概念です。それらも改めて確認することを通して、スケジューリング最適化AIをより高度にビジネスに活かすためのポイントを探っていきましょう。

個人とコンピュータのスケジューリング

個人の活動、つまり人生についていう場合、スケジューリングとは、先々の予定について、いつ、どこで、何をするのかを決めるプロセスを指します。将来すべきタスクや予定されているイベントを洗い出し、優先順位や順序、所要時間などを勘案して、いつ何をするかを確定させます。

そしてコンピュータにおいては、どの処理をいつ実行するか、プログラムに割り当てる資源の切り替えをいつ実行するかなどを決定することを指し、スケジューラという制御システムによって自動的に実行されます。コンピュータのOSには、スケジューリングの対象や頻度などが異なるいくつかのスケジューラが搭載されており、協調してプログラム実行の切り替えをしていきます。「長期スケジューラ」と「短期スケジューラ」の二つがあり、これにより、一つのCPUで複数のプログラムが並列に動作しているように振る舞わせることができます。

時間的・資源的制約の中で目的に適った成果を

以上のように、個人でも、コンピュータでも、そしてビジネスでも、複数の作業を要する仕事がさらに複数あって、作業開始時期や納期を守った上で、有限な資源をどれくらい効率良く使うかを最適化する問題は、すべてスケジューリング問題です。時間的制約と、有限である資源の割り当てと、満たすべき制約条件の中で、より目的に適った成果を出すための計画づくりともいえ、有限である以上は戦略があった方がより効果的な使い方ができるはずです。

出典：IT用語辞典 e-Words「スケジューリング【scheduling】」
：宇野毅明「スケジューリング問題」

スケジューリングと戦略は密接

スケジューリングをする理由は「目的に適った成果を出す」ことであって、「なるべく多くの生産や販売を行う」ことではありません。なぜなら「なるべく」としてしまうと、際限なく利益を目指してしまいがちで、そのためにまた際限のない活動を助長してしまいます。そうすると、無理な資源の使い方をして持続可能性が低下したり、明確な目標数値がないために期待を下回る生産能力しか生かせなかったりしてしまいます。

そこで必要になるのが戦略です。戦略を定義付けるのは簡単ではありませんが、例えば音部大輔『なぜ「戦略」で差がつくのか』では、戦略を「目的達成のために資源をどう利用するかの指針」として定義しています。同書では、この定義にたどり着くまでに三つの「戦略が必要な理由」が検討されています。

一つ目は「達成すべき目的があるから」で、特にビジネスおいて行動には何かしらの目的があり、もし逆に目的がなければ戦略は必要ありません。二つ目は「資源には限りがあるから」で、前述の通りプロジェクトには締め切りや制約があり、資源を使う順序や量を決める指針が必要です。三つ目は、一つ目と二つ目を組み合わせた「達成すべき目的があり、かつ資源が有限であるから」です。目的がなければ一人ひとりが好きなように進めればいいし、仮に資源が無限であればどんどん使いまくればいいわけで、やはり戦略は必要ありません。

スケジューリングにおいても、計画を探索することそれ自体は確かにAIの力を借りることはできたとしても、「達成すべきビジネス成果に対してどのように計画を探索・策定するか」の方針としての戦略が重要になることは間違いありません。

AIスケジューリング導入事例

次にAIを活用したスケジューリングのビジネス導入事例をいくつか紹介します。

食品工場の生産計画立案にかかる時間を10分の1に短縮

ニチレイフーズでは2020年から「最適生産・要員計画自動立案システム」を運用しています。熟練者が複雑な制約条件をもとに立案していた生産・要員計画を、高度なAI技術を活用して再現・進化させるもので、最大16兆通りもの組み合わせの中から最適解を立案することに成功しています。

当初は、製造業などで使われている生産計画システムのいくつかを検証しましたが、ニチレイフーズの生産プロセスも複雑であるため、既存のシステムでは思うような成果が出ませんでした。そこで、数理最適化と機械学習を組み合わせた高度なAI技術を採用。過去数年分の膨大な生産計画データを用意し、整形した上でAIに学習させることで、熟練者の計画パターンを数値化することをまず実現しました。

計画立案時は、設備の稼働状況や納期、コスト、作業員のスキル、勤怠といった複雑な制約条件を考慮する必要があります。その際、熟練者はすべての制約条件を満たせない場合でも、臨機応変に条件を緩和しながら計画を立案しています。このような熟練者ならではのノウハウや経験則に基づく立案方法を再現すべく、検証やヒアリングを重ねながらチューニングを施し、少しずつ精度を高めていきました。その結果、1工場で最大16兆通りにもなる組み合わせの中から、最適解を高速に導き出す仕組みを構築しました。2024年現在は、六つの工場に導入し、従来の10分の1程度の時間に短縮して生産計画を自動立案することが可能になったとしています。

出典：ニチレイフーズ「AI活用で生産計画を自動立案！　生産性向上と働き方改革をめざす」

既存アプリと新システム連携で配送時間2割減目指す

西濃運輸は荷物の配送ルート作成を自動化する実証実験を始めました。期間は2024年9月1日から2025年2月末までで、6〜8の支店が対象です。西濃運輸の配達情報管理アプリ「カンナビ」と、AIベンダーが開発した配車・配送ルートを作成するクラウドをシステム連携するかたちです。

カンナビでは、配送先の位置情報などは表示されますが、コース順はドライバーが決めており、属人的な運用になっていました。荷物の荷札などについたバーコードをカンナビでスキャンし、配車・配送ルート作成クラウドが車両の走行データなどをAIで解析して最適なルートをはじき出し、経験の浅いドライバーでも的確なルートを通れるようにすることを狙っています。配送時間は約20%の削減を目指すとしています。

出典：日本経済新聞「西濃運輸、名古屋大発新興と配送ルート自動化の実証実験」

作業割当表の作成が1時間から1分に

食品スーパー大手のサミットは、客数予測、部門別売上高予測、商品発注、値下げ・廃棄という作業の他、従業員への作業割当にAIを導入しています。

同社は、事前に予測した客数や各部門の売上高から作業量を算出した上で、店舗責任者が約200の作業項目に対し、作業の優先度や従業員の出勤・退勤時間、習熟度などを踏まえ、エクセル上に10分単位で作業を割り当てるという人員配置手法を使っています。多いときには1店舗当たり100人以上の従業員が働いており、従来は、作業割当表の作成に1時間程度かかることもありました。

2023年にAIシステムを全店に導入したところ、約1分で数十万通りの候補の中から最適な作業割当表を作成できるようになりました。もちろん、店舗責任者が最終調整しなければならないものの、時間にして年8万時間程度、人件費換算で1億2000万円程度の削減効果があったとしています。

出典：日経ビジネス「サミット全店、値引き業務にAI導入へ　住友商事が後押し」

AIスケジューリングのメリットも戦略あってこそ

AIでスケジューリングをするメリットは、前述の通り、より制約条件が多い複雑な問題を人間以上の精度で解けたり、短時間で解けたりすることです。しかしデメリットとして、選択するアプローチによって開発期間が長くなったり、説明性が低くなったりするなど、得意・不得意がそれぞれあることに注意が必要です。また、解くべき問題の内容によっては、必ずしもAIを用いることなく、ルールベースや数理最適化といった従来手法を用いれば十分なこともあります。さらには、そうしたAI手法と非AI手法を組み合わせることも有効な場合もあります。

そうした手法からどれを選び、時に組み合わせ、十分なビジネスインパクトを実現するには、こちらも前述の「目的達成のために資源をどう利用するかの指針」としての戦略が欠かせません。さらにこの戦略を立てるには、明確な目的・目標と、何の資源がどれだけ使えるかの正確な把握が必要です。

言い換えるならば、スケジューリング最適化AIの高度化のポイントは、AI技術そのものではなく、事前のビジネス目的と戦略の設計にあるということです。一般的には「要件定義」などとも言われますが、ビジネス環境の確認・整理、達成すべき目的と戦略、ロードマップの策定などを踏まえて、開発・導入すべきAIの設計を考えることが肝要で、当社では、こうした複雑な問題に対応し、ビジネス成果に貢献するためのAIの設計を検討するプロセスを「ソリューションデザイン」と名付け、より重要なものとして位置付けています。

スケジューリング最適化を含むAIの開発・導入に当たっては、当社のようにビジネスとAIそれぞれの視点から解くべき課題を俯瞰することを得意とするAIベンダーに相談することも有効な選択肢ですが、いずれにしても、AIはあくまでビジネス課題解決のためのソリューションです。導入ありきではなく、ビジネス成長のためにどう貢献できるかを第一に考えることを決して忘れてはなりません。

Laboro.AIの「最適化領域のカスタムAI開発」はこちら

執筆者

マーケティング部　リードマーケター　熊谷勇一

中央大学文学部卒業、北陸先端科学技術大学院大学情報科学研究科博士前期課程修了。日本経済新聞社など日経ブランド企業で16年、雑誌、書籍、ウェブサイト、動画などの編集・執筆を手掛けた後、2022年からLaboro.AIに参画。

執行役員マーケティング部長　和田崇

立教大学大学院経営学修士（マーケティング論・消費者行動論）。立教大学大学院ビジネスデザイン研究科博士後期課程中退。KDDI株式会社に入社、コンシューマ向け商品・サービスのクロスメディアによるプロモーション施策の立案・企画運営に携わったのち、全国漁業協同組合連合会を経て、2019年にLaboro.AIに参画。マーケティング／ブランディング業務に従事する傍ら、NewsPicksプロピッカーとして活動するほか、日経クロストレンドなどメディア寄稿多数。