日産はどのようにして、Sonatusと共に車両開発サイクルを加速させているのか

0:00 ポッドキャストの紹介

「Driving Innovation 」ポッドキャストの新たなエピソードへようこそ。

現代の自動車は、設計と工学の面において驚くべき成果ですが、その開発、試験、検証はますます複雑化しています。

本日は、世界をリードする自動車メーカーの1社が、データ駆動型のアプローチとAI の活用を通じて、量産前の検証プロセスを刷新し、その複雑さを解消して効率化を図り、最終的にはコスト削減を実現している事例について詳しくご紹介します。

司会のサンジェイ・カトリです。本日は、日産テクニカルセンター・ヨーロッパのe-プランニング、コーディング、サイバーセキュリティ担当シニアエンジニア、サラ・ドレイさんをお迎えできることを大変嬉しく思います。サラさんには、同センターが「Sonatus Collector」（AI ）および「AI Technician」を活用して、検証における大きな課題をどのように解決し、車両開発プログラムを加速させているかについてお話しいただきます。

本稿では、イベント駆動型データ収集の威力を探るとともに、複雑な車両サブシステム間のデータを連携させることで得られる知見、そして反復的な閉ループ型ワークフローが、根本原因分析の手法にいかに根本的な変革をもたらしているかについて解説します。

サラ、このポッドキャストにご出演いただき、ありがとうございます。

こんにちは、お会いできて嬉しいです。またここに来られて嬉しいです。

1:24 車両開発における検証上の課題

ありがとうございます。では、早速本題に入りましょう。御社は、日産「リーフ」や「ジューク」といった、数々の賞を受賞し、人気を博しているモデルの車両開発プログラムの中心的役割を担っています。ちなみに、「日産リーフ」が数々の賞を受賞されたこと、おめでとうございます。御社のチームが直面していた検証上の課題とはどのようなもので、それが新たなアプローチの模索につながったのでしょうか？

ええ、ありがとうございます。素晴らしい質問ですね。というのも、これは開発段階を通じて、私たちや多くのOEMメーカーにとって課題となってきたことだからです。

当社の標準的な開発プロジェクトにおいては、根本原因の究明において困難に直面することが多い。

業界内では珍しいことではありませんが、当社の製造工場がヨーロッパの2つの研究開発センター（英国とスペイン）から遠く離れているため、データ収集は非常に困難になることがあります。現場に赴くか、少なくとも適切な場所に適切なタイミングで、必要なスキル、知識、能力を備えた人材を配置する必要があります。 しかし、常にそうできるとは限りません。多くの場合、データを収集して現場を離れ、その後で分析を行います。そして、その分析を終えた後でも、データをさらに深く掘り下げ、どのシナリオやどのCAN接続において、どのECUにどのような問題が発生しているのかを徹底的に分析するために、さらなるデータ収集が必要になることがあります。そのため、より多くのデータログが必要となりますが、すでに現場を離れてしまっている場合、これは少々問題となります。

また、開発サイクルに関して言えば、生産ラインを流れる車両が増えていくにつれて、製造過程で問題が発生することもあります。

従来の仕組みでは、12ボルトのバッテリーが接続されると、データロガーが作動します。

しかし、そのデータロガーに何が記録されているかは、それがラインの終点に到達し、誰かがそれを回収してデータをアップロードし、クラウド上で利用可能になったことを通知してくれるまで分かりません。そうして初めて、私たちはそのデータを再度確認することができるのです。

そのため、調査の進捗が鈍化し、かなり時間がかかってしまいます。私たちは業務のスピードアップを図りたいと考えています。当社には素晴らしい製品が揃っていますから、それらを顧客の元に、もっと迅速にお届けできるようにしたいのです。

製品自体も以前よりはるかに複雑になっています。そのため、検討すべき開発上の課題が数多くありますが、これらは一般的な課題です。しかし、顧客にはこうした課題が表に出ないようにしたいと考えています。

ソフトウェアは非常に複雑です。さらに、サイバーセキュリティの課題もあります。検討すべき点は山ほどありますが、製品をリリースする段階までに、お客様に当社の製品が提供できる最高の価値を確実に届けたいと考えています。そのため、開発スピードを大幅に向上させると同時に、お客様に提供する品質をさらに高めることができています。

4:10 バリデーションプロセスにおけるデジタルトランスフォーメーション

そうですね、お話しされている内容は、プロセスを「デジタル化」あるいは「仮想化」することで、資産や試験車両を待つ必要がなく、手作業による転送などを多く行うことなく、よりダイナミックでリアルタイムな運用を実現するというものだと理解しました。 つまり、そのプロセスにおける多くの摩擦を軽減しているわけですね。そこで、CollectorAI やAI Technician を活用し、よりデジタル化され、AI を活用したワークフローを導入されたわけですが、どのような成果が見られましたか？

ええ、確かにかなり有望ですね。現在、もちろん概念実証（PoC）プロジェクトを進めているところですが、エンジニアたちはこの可能性に非常に意欲的です。先ほども申し上げた通り、従来はデータ収集のために現地へ出向かなければなりませんでした。

ポリシーをリモートで展開すれば、そのような操作を行う必要はなくなります。また、ポリシーの再展開も、やはり非常に迅速かつ簡単に行えます。

結果がすぐに確認できます。そのデータを「AI Technician」に取り込むと、FTA（故障木解析）を非常に迅速に進めることができます。 私たちの経験や知識を活かして、データに組み込むべき質問を投げかけることができ、AI Technicianがそれらの点と点をすべて結びつけてくれます。そのため、さまざまなSharePointやファイルをくまなく調べて知識をまとめたり、社内のあちこちの人に話を聞いたりする必要はありません。日産の知識をすべて集約し、AI Technicianを活用することで、それらをすべて統合できるのです。

ですから、これほど迅速に実行できるというのは、本当にワクワクする話です。こうした意思決定を行うには、依然として社内のすべてのエンジニアの協力が必要ですが、データへのアクセスが拡大し、しかも信頼性の高いデータが得られるようになったことで、少なくとも意思決定のスピードは向上しました。ですから、これは私たちにとって大きなメリットです。

6:04 リモートアクセスとグローバルな連携

つまり、まず第一に、エンジニアが車両に物理的にアクセスすることなく作業を行えるようになる、ということですね。つまり、テスト車両というリソースをめぐる競合や依存関係を解消できるわけですね。そしてもう一つは、おそらく試乗中であっても動的に作業を行えるようになることで、車両を戻して再セットアップしたり、車載ロガーを調整したりといった手間が省けるということですね。 つまり、そのように特徴づけられるのでしょうか？また、先ほど複数の拠点を持つグローバルチームについてお話しされましたが、日本の方々と連携していることも想定すると、こうした仕組みはチーム全体としてどのように役立っているのでしょうか？

そうですね、それによって状況に応じて柔軟かつ機敏に対応できるようになります。

ポリシーをリモートで展開できるこの機能のおかげで、バルセロナのテストコースを走行中の車両に対して、私が自宅からアクセスしたり、オフィスから操作したりすることが可能です。また、日本にいる誰かがダッシュボードのデータを確認することもできます。つまり、1台の車両と1つのデータセットを全員が共有できることで、これまでにはなかった方法でテストを行う際、テスト車両群全体を非常に幅広く活用する機会が生まれます。 通常、テスト車両は特定の機能や特定のテストに割り当てられています。つまり、このリモートアクセス機能を導入することで、世界中のすべてのエンジニアが利用できるリソースが実質的に増えることになります。これは本当に非常にエキサイティングなことです。

それでは、分析について話しましょう。

冒頭でも触れたように、私が挙げた車種を含め、最近の自動車は本当に素晴らしいものです。しかし、その一方で非常に複雑でもあり、多くの電子機器が搭載されているほか、私が「領域横断的な依存関係」と呼ぶような要素も多く、機能は複数のサブシステムにまたがっています。

そして、私がよく思うのは、こうしたサブシステム間の点と点を結びつけるのは、特に特定のデータサイロに注目している場合、難しい場合が多いということです。

AI のテクニシャン機能は、CollectorAI と連携することで、御社のエンジニアがこれらの領域にわたって関連性を把握する上で、どのように役立っていますか？また、それによってどのような知見が得られ、どの程度の時間短縮につながりましたか？

8:33AI データ分析における技術者の役割

エンジニアたちの技術力は並外れていますが、これほど複雑な車両に搭載されているあらゆるECUやシステムについて、すべてに精通しているわけではありません。そして、先ほども述べたように、そこにサイバーセキュリティという要素が加わると、私たちの取り組んでいる業務は、まさに新たな次元へと引き上げられるのです。

「AI Technician」を導入し、日産のナレッジ・データレイクと連携させることで、「AI Technician」はその知識を一元的に集約できます。これにより、誰もが専門家になることができます。

誰かからのメールを何日も待つ必要はありません。私たちは基本的に、特定の技術的な問題について根本原因の調査を行う際、どこに改善の余地があるかを把握できるようにしています。概念実証（PoC）の実施を通じて、根本原因の調査にかかる期間を2週間から2日に短縮できることが分かりました。これは非常に大きな成果です。

しかし、それが複雑さを打ち破り、エンジニアたちのためにあらゆる点をつなぎ合わせてくれるからこそ、本当にワクワクするんです。私はエンジニアなので、自分の日産に関する知識と結びついて返ってくる点が、本当に気に入っています。私は誰の言うことも鵜呑みにしません。答えをくれるなら、証拠が欲しいのです。

そして、私を納得させるには、本当に深く掘り下げて説明する必要があるんです。「Technician Solution」は、まさにそれを実現してくれます。私の言葉で説明が返ってくるんです。おそらく私がかつて書いたであろう文書を引用し始め、実際に「だからこそ私を信じてほしい」と説得できるほど深く掘り下げて説明してくれます。さらに、他の選択肢をなぜ除外したのかも説明してくれます。まるで自社のエンジニアと対話しているような感覚です。 だからこそ、このシステムが日産が持つ知識を本当に深く掘り下げているのだと確信できるのです。当社には長年にわたる蓄積があり、それを活用して質の高い回答を返してくれるため、エンジニアたちは、意思決定を裏付ける非常に豊富な知識を携えてそのプロセスに臨むことができます。これこそが私たちが目指す姿であり、私たちが実践していることです。しかし、現在はそれが時間のかかる作業となっています。「Sonatus 」（AI ）を使えば、そのプロセスをはるかに迅速に進めることができるのです。

興味深いですね。ええ、エンジニアの仕事が強化されている点が気に入っています。まるで、エンジニアの傍らにアシスタントがいるようなもので、彼らがアクセスできない情報や、本来は詳しくない分野の情報を、そのアシスタントが外に出て収集してくれるわけですから。また、そこにはある種の反復的なプロセスがあるようにも思えますよね？ つまり、データを取得して分析を行い、戻ってテストするというような、静的で直線的な、いわば順次的なプロセスというよりは、そういう感じですね。

11:10 クローズドループ・ワークフローの動態

この動的なデータ、つまりAI Technicianによる分析結果について、それを基に再び分析に戻り、反復処理を行うといった「閉ループ型ワークフロー」の側面について、いくつか説明していただけますか？また、そのような取り組みがどれほど一般的であるか、そして実際にどれほど役立っているのかについて、少しお聞かせいただけますか？

そう、エンジニアってのは、子供の頃からいつも「なぜ」と問い続けてきた人たちなんです。「なぜ？　なぜこんなことが起こるのか？」と。だから、問題が発生したり、懸念事項を調査する必要が生じたりしたときは、彼らは必ずそうするんです。データを渡してもらっても、そこからさらに「なぜ」を掘り下げていくんです。私たちはその考えに基づいて方針を定めています。

範囲がかなり広いため、ECUで発生したDTCをすべて探すよう指示するだけで済みます。そうすれば、システムがそれを検知して、自動的にデータを収集してくれます。これは本当に素晴らしいですね。しかし、それだけでなく、特定のCAN信号をターゲットに指定して取得することも可能です。

つまり、CANネットワーク上の関連する情報を探していることが分かっている場合は、その設定を行うことで、そのデータも取得できるようになります。このように、複数のデータ収集を同時に行うことで、私が確認したい事項をすべて網羅することができます。これらのデータログはすべて自動的にAWSにアップロードされます。そうしてAWS上に保存されたデータは、日産のノウハウと並べて比較・分析できるようになります。

そして、「AI Technician」を使えば、その情報を詳細に分析し始めることができます。その先で素晴らしいのは、FTAから得られた知見、つまり「なぜ」というすべての要因をポリシーに反映させ、再展開できる点です。つまり、私の自宅の庭にいる私でも、スペインや日本など世界中のチームメンバーでも、ユーザーインターフェースから簡単に再展開を行うことができます。そして、このサイクルを繰り返し続けることができるのです。

クローズドループシステムを採用することで、さらなる安全性が確保されます。また、日産のデータは他社のクラウド上に保存されることはありません。そのため、その点に関してはセキュリティ上の脆弱性が一切ありません。こうして、自社のデータがすべて一元管理されているという安心感を持ちつつ、そのデータを徹底的に分析することも可能になります。

だから、本当にすごいんだよ、本当に。

13:19 コストと効率への影響

グローバルチーム間の連携強化について、少しお話しされていましたね。

これらのツールを、今後発売予定の「Juke」や「LEAF」といったモデルにも展開していく中で、スマートテストAI による検証において、次のステップとしてどのようなことをお考えですか？

ええ、ありがとうございます。今こそ、デジタル化の取り組みをさらに進め、その成果をこのプロセス全体に還元する絶好の機会です。また、概念実証（PoC）を通じて、どこにメリットがあるかを確認できれば、そこから本格的に取り組んでいけます。 その後、[AI]の技術者から提案を受け、新たな機会を得ることができます。例えば、社内の傾向を分析して、車両群に特定の異常が見られる箇所を特定したり、あるいは車両群全体のデータを保護したい場合、1台の車両でも、多数の車両でも対応可能です。そうすることで、どこで同時テストを実施できるかを検討し始めることができるのです。

つまり、データセットが必要なのは私だけかもしれませんし、同じ車からのデータセットを必要としている同僚が2、3人いるかもしれません。その1台の車に対してポリシーを設定すればよいのです。3台もの異なる車を用意する必要はありません。

つまり、試験車両においてその削減を実現できたのは、そういう点でした。コストは高いですし、これらは試作車ですから。ですから、それを実現できることには、私たちにとって常にメリットがあります。

さて、サラ、本当に参考になりました。貴重な時間を割いてくださり、心から感謝しています。お忙しい中、本当にありがとうございました。今回の会話は大変参考になり、私も多くのことを学びました。現在進行中のプロジェクトについては、自分でもかなり理解しているつもりでしたが、やはり多くのことを学ぶことができましたし、あなたのおかげでさらに深い理解が得られました。ですから、今回お越しいただき、本当にありがとうございました。

ありがとうございます。お招きいただきありがとうございます。皆さんと話せるのは、いつだって楽しいですね。

15:16 まとめと重要なポイント

これで、「Driving Innovation 」ポッドキャストの、今回も示唆に富んだエピソードは終了となります。日産テクニカルセンター・ヨーロッパが、Sonatus のコレクターであるAI およびAI のテクニシャンの協力を得て、量産前のテストと検証を根本的に変革している様子をご紹介しました。イベント駆動型のデータ収集と、AI を活用したクローズドループのワークフローを活用することで、日産ヨーロッパは車両開発を加速させ、コストを削減し、グローバルチームの連携強化を実現しています。 このスマートなテスト手法が、ジュークやリーフといったモデルの未来をどのように形作っているかを共有してくださったサラ・ドレイ氏に心から感謝いたします。また、今後のエピソードでは、AI を活用した車両開発および検証の進化について、さらに多くの情報をお届けできることを楽しみにしています。