【製造業】【簡易】ナレッジAIの最新トレンド整理

AI活用
  1. ― ターボ機械設計・製造業設計システムにどう使うべきか ―
  2. 1. まず結論：ナレッジ系AIの進化マップ
  3. 2. 「RAG終了」の正体：本当にRAGは終わるのか？
  4. 3. 製造業設計における「ナレッジ」は1種類ではない
  5. 4. 最新トレンド1：Hybrid RAG
  6. 5. 最新トレンド2：RAPTOR・階層型検索
  7. 6. 最新トレンド3：GraphRAG / Knowledge Graph
  8. 7. 最新トレンド4：Agentic RAG
  9. 8. 最新トレンド5：Corpus2Skill / SkillBank
  10. 9. 最新トレンド6：MBSE / SysML v2 / Digital Thread
  11. 10. 最新トレンド7：CAE・シミュレーションAI
  12. 11. 実ツール整理
    1. 11.1 個人・小規模PoC向け
    2. 11.2 RAG・エージェント開発向け
    3. 11.3 企業ナレッジ検索向け
    4. 11.4 PLM / CAD / CAE系
  13. 12. ターボ機械設計ナレッジシステムの推奨アーキテクチャ
  14. 13. ターボ機械設計オントロジーの例
  15. 14. 設計エージェントの具体例
    1. 14.1 類似設計検索エージェント
    2. 14.2 CFD条件チェックエージェント
    3. 14.3 設計審査エージェント
    4. 14.4 変更影響分析エージェント
  16. 15. MCPとAgent Skillsの意味
  17. 16. 実装ロードマップ
    1. Phase 1：まずはRAG PoC
    2. Phase 2：設計メタデータ整備
    3. Phase 3：Knowledge Graph化
    4. Phase 4：Skill化
    5. Phase 5：Agentic化
  18. 17. 成功の評価指標
  19. 18. 絶対にやってはいけないこと
    1. NG 1：PDFを全部ベクトルDBに入れて終わり
    2. NG 2：版数・承認状態を無視する
    3. NG 3：数値計算をLLMに暗算させる
    4. NG 4：設計判断をAIに丸投げする
    5. NG 5：セキュリティと権限を後回しにする
  20. 19. ターボ機械設計システムに対する最終提案
  21. 20. まとめ

― ターボ機械設計・製造業設計システムにどう使うべきか ―

2026年時点の大きな流れは、単なる社内文書検索AIから、設計判断・設計手順・CAE実行・PLMトレーサビリティまで扱う“設計支援エージェント”へ進化している、という理解が一番わかりやすいです。

「RAG終了」「Corpus2Skill」という話もあり、ナレッジの扱いは、かなり重要です。ただし、製造業の設計システムでは RAGが完全に終わる というより、単純なベクトル検索RAGだけでは足りなくなり、RAG＋GraphRAG＋Agentic RAG＋Skill化＋PLM/MBSE連携へ分化する、と見るのが正確です。動画タイトル上も「Corpus2Skill」によって“検索ではなく探索するAI”という文脈になっています。

1. まず結論：ナレッジ系AIの進化マップ

製造業の設計ナレッジAIは、ざっくり次の順番で進化しています。

世代中心技術できること弱点
第1世代文書検索、全文検索設計資料・議事録・仕様書を探す答えを統合できない
第2世代通常RAGPDF、Word、Excelから根拠付き回答複数文書・設計履歴・因果関係に弱い
第3世代Hybrid RAG / RAPTORキーワード＋ベクトル＋階層要約文書の関係性はまだ弱い
第4世代GraphRAG / Knowledge Graph部品、要求、解析、試験、変更を関係で辿るグラフ構築が大変
第5世代Agentic RAGAIが自分で検索、再検索、比較、検証するコスト・遅延・安全管理が課題
第6世代Corpus2Skill / SkillBank文書を“手順・技能”として再利用するまだ新しく、設計適用はこれから
第7世代Digital Thread + AI AgentPLM、CAD、CAE、MBSE、実験を接続企業システム統合が重い

今後の本命は、**「社内文書に答えさせるAI」ではなく、「設計プロセスそのものをナレッジ化し、AIエージェントが設計作業を支援するシステム」**です。

2. 「RAG終了」の正体：本当にRAGは終わるのか？

結論から言うと、**終わるのは“素朴なRAG”**です。

普通のRAGは、質問に近そうな文書チャンクをベクトル検索で拾って、LLMに渡して回答させます。これは便利ですが、ターボ機械設計のような領域ではすぐ限界が出ます。

たとえば、次のような質問です。

「過去の低圧最終段で、水滴エロージョン対策としてノズル条件を変えた設計例はあるか。
そのとき流量、段落効率、翼振動、CFD境界条件、実機トラブルはどう変わったか？」

これは単純な文書検索では難しいです。なぜなら、答えが以下に分散しているからです。

  • 設計仕様書
  • CFD計算条件
  • 解析報告書
  • 試験報告書
  • 不具合報告
  • 図面改訂履歴
  • 設計審査議事録
  • 担当者メモ
  • Excel計算表
  • PLM上の承認履歴

通常RAGは、近い文章を拾うのは得意ですが、**「この設計変更が、どの要求・部品・解析・試験・不具合とつながっているか」**を構造的に理解するのは苦手です。

そこで出てきているのが、GraphRAG、Agentic RAG、Corpus2Skillです。

Corpus2Skillは、文書群を事前に階層化し、LLMエージェントがその階層を“目次を辿るように”探索する方式です。論文では、文書群をオフラインで階層的な skill directory に変換し、実行時にはベクトルDBやBM25に頼らず、LLMが階層をナビゲートして必要文書に到達する、という構成が説明されています。

つまり、RAGの次は、

検索するAI
から
探索し、比較し、根拠を集め、手順として実行するAI

へ進んでいる、ということです。

3. 製造業設計における「ナレッジ」は1種類ではない

ここが一番重要です。製造業の設計ナレッジは、単なる文書ではありません。

ターボ機械設計システムで扱うべきナレッジは、少なくとも次の7種類に分けるべきです。

ナレッジ種別例AI化の考え方
事実ナレッジ材料、寸法、流量、圧力比、回転数RAG、DB検索
手順ナレッジ基本設計手順、CFD手順、翼設計手順Skill化、ワークフロー化
判断ナレッジこの条件では反動度を下げる、翼長を増やすルール＋事例＋人間承認
関係ナレッジ要求→設計値→解析→試験→承認Knowledge Graph
経験ナレッジ過去トラブル、設計レビュー指摘RAG＋分類＋類似事例検索
計算ナレッジFortran、Python、Excel、CFD、FEMTool Agent、MCP、実行環境連携
管理ナレッジバージョン、承認、機密区分、責任者PLM、PDM、アクセス制御

ここを混ぜると失敗します。

「300個の設計文書をベクトルDBに入れたら設計AIになる」という発想は危険です。ターボ機械設計では、文書検索だけでなく、数値計算、設計根拠、改訂履歴、解析条件、承認状態までつながっていないと、実務では使いにくいです。

4. 最新トレンド1：Hybrid RAG

最初の実用ラインは、まだRAGです。ただし、ベクトル検索だけのRAGではなく、Hybrid RAGにするのが現実的です。

Hybrid RAGでは、以下を組み合わせます。

  • キーワード検索
  • ベクトル検索
  • メタデータ検索
  • 文書構造検索
  • 再ランキング
  • 親子チャンク
  • 表・図・PDFレイアウト解析
  • 回答根拠の引用

設計文書では、「LP final stage」「L-0 blade」「flutter」「erosion」「wet steam」「reaction」「enthalpy drop」など、専門用語が非常に重要です。ベクトル検索だけだと、意味的には近いが技術的には違う文書を拾うことがあります。したがって、専門用語検索＋ベクトル検索＋メタデータ絞り込みが必要です。

RAGフレームワークとしては、LangChain、LlamaIndex、Haystackなどが代表的です。LangChainはエージェントやLLMアプリ構築のためのフレームワークとして展開されており、HaystackもRAG、エージェント、マルチモーダル検索向けのオープンソースAIフレームワークとして説明されています。

5. 最新トレンド2：RAPTOR・階層型検索

通常RAGの弱点は、文書を細切れにしすぎることです。

設計報告書では、1ページだけ見ても意味が取れないことが多いです。前提、目的、設計条件、解析条件、結果、考察、結論がつながって初めて意味があります。

RAPTORは、文書チャンクをクラスタリングし、階層的に要約して、複数レベルの要約ツリーから検索する考え方です。論文では、短いチャンクだけを検索する従来方式の限界に対し、下位チャンクから上位要約へツリーを作り、長文文書の文脈を取り込む方法として提案されています。

ターボ機械設計では、これはかなり相性が良いです。

たとえば、

  • プロジェクト全体要約
  • 段落設計要約
  • 翼列設計要約
  • CFD条件要約
  • FEM条件要約
  • 試験結果要約
  • 不具合対策要約

という階層を作っておくと、AIが「どこを見るべきか」を判断しやすくなります。

6. 最新トレンド3：GraphRAG / Knowledge Graph

ターボ機械設計・製造業設計で特に重要になるのが、GraphRAGです。

GraphRAGは、文書をただ検索するのではなく、部品、要求、仕様、解析、試験、変更、トラブル、対策をノードとエッジでつなぎます。

たとえば、次のような関係を作ります。

要求仕様
  └─ 必要出力
      └─ 段落熱落差
          └─ 翼列設計
              └─ CFD解析
                  └─ 圧力分布
                      └─ 翼振動評価
                          └─ 設計変更
                              └─ 試験結果

これにより、AIは単に「似た文書」を探すのではなく、設計変更の影響範囲を辿れるようになります。

製造業のデジタルスレッドでは、ナレッジグラフを使って製造データと関係性を表現することが実用的な方法として説明されています。また、PLM領域でも、CAD、仕様、要求、その他のデータサイロをKnowledge GraphとAIの基盤へ接続する流れが強調されています。

基盤技術としては、RDF、OWL、SPARQLなどのセマンティックWeb標準も重要です。W3CはRDFをWeb上のデータ交換標準モデル、OWLを物事や関係を表現するオントロジー言語として説明しています。

7. 最新トレンド4：Agentic RAG

Agentic RAGは、AIが一回検索して終わるのではなく、次のように動きます。

質問を理解する
↓
必要な情報タイプを分解する
↓
検索する
↓
根拠が足りないと判断する
↓
別の検索をする
↓
文書を開く
↓
表・図・式を確認する
↓
矛盾を検出する
↓
回答を作る
↓
根拠を引用する

これは設計業務に向いています。

たとえば、設計審査で、

「この設計変更は過去トラブルと矛盾していないか？」

と聞くと、AIは以下を自律的に確認する必要があります。

  • 過去の類似設計
  • そのときの設計値
  • 解析条件
  • 試験結果
  • 不具合履歴
  • 承認済み設計基準
  • 最新の設計標準

Agentic RAGのサーベイでは、従来のRAGが静的な検索フローに制約されるのに対し、Agentic RAGは自律的なエージェントによって検索戦略を動的に管理し、複雑なタスクに対応する方向性として説明されています。

8. 最新トレンド5：Corpus2Skill / SkillBank

今回の動画の中心に近いのがここです。

Corpus2Skillの本質は、文書を検索対象として置いておくのではなく、AIが辿れる“スキル階層”に変換することです。

通常RAG：

質問
↓
検索
↓
文書チャンク
↓
回答

Corpus2Skill：

文書群
↓
クラスタリング
↓
階層要約
↓
Skill Directory
↓
AIが目次を辿る
↓
必要文書を読む
↓
回答・実行

これは設計システムでは非常に重要です。

なぜなら、設計業務は「情報を知る」だけではなく、手順を踏むからです。

たとえば、ターボ機械基本設計の手順は、次のようなSkillにできます。

Skill: 蒸気ターボ機械段落基本設計
  - 入力確認
  - 熱落差配分
  - 流量確認
  - 速度三角形作成
  - 反動度設定
  - 翼高さ算出
  - マッハ数確認
  - 損失評価
  - 強度・振動チェック
  - 出力帳票作成

さらに、CFD解析Skillなら、

Skill: ターボ機械翼列CFD設定
  - 形状確認
  - メッシュ条件選定
  - 境界条件設定
  - 乱流モデル選定
  - 収束判定
  - 流量・効率評価
  - 圧力分布出力
  - FEM連携用データ出力

となります。

Corpus2Skill論文では、文書コーパスを階層的なskill directoryに変換し、LLMエージェントが俯瞰、ドリルダウン、バックトラックを行いながら根拠を組み合わせる点が特徴とされています。

さらに新しい方向として、Anything2Skillという研究も出ており、外部知識を「再利用可能で、検索可能で、実行可能なスキル」に変換するという考え方が示されています。これはRAGを“知識アクセス”から“能力再利用”へ拡張する流れです。

9. 最新トレンド6：MBSE / SysML v2 / Digital Thread

製造業設計では、RAGやLLMだけを見ていると足りません。

本流は、MBSE、PLM、Digital Thread、AIエージェントの統合です。

SysML v2は、要求、構造、振る舞い、解析、検証を一貫して扱う次世代システムモデリング言語で、OMGはSysML v2、KerML、SysML v2 APIの採用を発表しています。SysML v2はテキスト構文も持ち、AIや自動化と相性が良い方向に進んでいます。

また、OSLCは異なるツール・ドメイン・組織をまたいでデータを接続し、デジタルスレッドを実現するための標準REST API群として説明されています。

STEP AP242も重要です。ISO 10303-242は、Managed Model Based 3D Engineering、つまり3Dモデルベース設計情報を扱う標準で、CAD形状、PMI、製品構造、変更・構成管理などに関係します。

ターボ機械設計システムでいうと、理想はこうです。

要求仕様
↓
SysML / MBSEモデル
↓
基本設計パラメータ
↓
CAD形状
↓
CFD解析
↓
FEM/振動解析
↓
試験結果
↓
設計審査
↓
PLM承認
↓
次回設計へのナレッジ化

これがAIでつながると、初めて「設計ナレッジシステム」になります。

10. 最新トレンド7：CAE・シミュレーションAI

製造業設計では、ナレッジAIとCAE AIが合流します。

Ansys SimAIは、過去のシミュレーション結果を使って設計代替案の性能を高速予測するAIプラットフォームとして紹介されています。また、Ansys 2026 R1ではGeomAIというジオメトリ向け生成AIプラットフォームも発表され、参照形状から新しい概念形状を生成・評価する方向が示されています。

Altair PhysicsAIも、過去のシミュレーションデータから新しいCAD・設計案の物理応答を高速予測する幾何深層学習エンジンとして説明されています。

ターボ機械設計では、これは次のように使えます。

  • CFDを毎回フルに回す前の粗い性能予測
  • 翼形状変更時の圧力分布予測
  • 翼振動リスクの一次スクリーニング
  • エロージョンリスクの傾向評価
  • 設計空間探索
  • 最適化の初期候補生成

ただし、重要なのは、AI予測を最終判定にしないことです。ターボ機械のような高信頼設計では、AIは候補生成・事前評価・探索加速に使い、最終判断は物理計算、試験、設計レビューで確認するべきです。

11. 実ツール整理

ここからは、現状の実ツールを用途別に整理します。

11.1 個人・小規模PoC向け

ツール位置づけ製造業設計での使い方
NotebookLM文書ベースの調査・要約論文、設計資料、議事録の理解補助
Obsidianローカル知識管理個人設計メモ、リンク型ナレッジ
AnythingLLMローカル/プライベート文書チャット社内資料PoC、オンプレ検証
DifyRAG・Agent・Workflow構築社内チャットボット、ワークフローPoC

NotebookLMはAIリサーチツールとして、ユーザーのソースを分析し、複雑な内容を整理する用途を掲げています。AnythingLLMはローカル/クラウドLLM、文書投入、エージェント、ベクトルDBなどを含むオールインワンAIアプリとして説明されています。DifyはAgentic Workflow、RAG pipeline、エージェントを構築・運用するプラットフォームとして展開されています。

11.2 RAG・エージェント開発向け

ツール特徴向いている用途
LangChainエージェント、ツール連携、評価カスタム設計AI開発
LlamaIndex文書処理、RAG、エージェント設計文書RAG、複雑PDF
Haystack本番向けRAGパイプライン検索・QA・マルチモーダル
DifyGUIでRAG/Agent構築早期PoC、業務アプリ化

LlamaIndexは複雑な文書、表、チャート、画像などを扱うdocument intelligenceやエージェント文脈を打ち出しています。

11.3 企業ナレッジ検索向け

ツール位置づけ注意点
Glean企業内検索・Work AISaaS前提、権限連携が重要
Onyxオープンソース企業AI検索自社ホストしやすい
Microsoft/Google系Office/Drive/Workspace連携既存環境依存

Onyxは、社内文書・アプリ・人に接続するオープンソースAIチャットで、hybrid search、advanced RAG、knowledge graphなどを掲げています。Gleanは企業データに接続したWork AI、エンタープライズ検索として展開されています。

11.4 PLM / CAD / CAE系

領域ツール例役割
PLMTeamcenter, 3DEXPERIENCE, Windchill, Aras設計データ、BOM、変更管理
CADNX, CATIA, Creo, SolidWorks形状・図面・PMI
CAEAnsys, Altair, Simcenter, Abaqus解析・最適化
AI CopilotTeamcenter Copilot, Siemens Industrial CopilotPLM/製造業務のAI支援

Teamcenter Copilotは、生成AIとTeamcenter管理データを組み合わせ、情報検索・生産性向上を支援するものとして紹介されています。Siemens Industrial Copilotも、設計、計画、運用、サービスまで産業バリューチェーンを支援するAIとして説明されています。

12. ターボ機械設計ナレッジシステムの推奨アーキテクチャ

ターボ機械設計や製造業設計全般に適用するなら、次の構成が現実的です。

[Layer 0] データソース
  - 設計仕様書
  - 過去設計報告
  - CFD/FEM解析結果
  - 図面、CAD、BOM
  - Excel計算表
  - Fortran/Python設計コード
  - 試験報告書
  - 不具合・トラブル報告
  - 設計審査議事録
  - PLM変更履歴

[Layer 1] 取込・整形
  - OCR
  - 表抽出
  - 図面メタデータ抽出
  - PDFレイアウト解析
  - バージョン管理
  - 機密区分付与
  - プロジェクト、部品、年度、設計段階タグ付け

[Layer 2] ナレッジ構造化
  - 文書インデックス
  - ベクトルDB
  - キーワード検索
  - ナレッジグラフ
  - 設計オントロジー
  - Skill Directory

[Layer 3] 推論・検索
  - Hybrid RAG
  - GraphRAG
  - Agentic RAG
  - Corpus2Skill
  - 計算ツール呼び出し
  - CAE/PLM API連携

[Layer 4] 設計エージェント
  - 要求分析エージェント
  - 類似設計検索エージェント
  - 基本設計エージェント
  - CFD条件確認エージェント
  - 振動・強度レビューエージェント
  - 設計審査エージェント
  - 変更影響分析エージェント
  - 報告書作成エージェント

[Layer 5] 人間承認
  - 設計者確認
  - 主任レビュー
  - 承認履歴
  - 根拠保存
  - 監査ログ

ポイントは、RAGだけを中核にしないことです。

設計システムの中核は、次の4つです。

1. 文書検索
2. 関係性グラフ
3. 設計手順Skill
4. 計算・解析ツール実行

13. ターボ機械設計オントロジーの例

最初から完璧なオントロジーを作る必要はありません。まずは以下のような粒度で十分です。

Product
  - Steam Turbine
  - Gas Turbine
  - Compressor

Component
  - Rotor
  - Blade
  - Nozzle
  - Casing
  - Bearing
  - Seal

DesignParameter
  - Mass Flow
  - Pressure Ratio
  - Reaction
  - Rotational Speed
  - Blade Height
  - Chord
  - Stagger Angle
  - Mach Number

Analysis
  - 1D Meanline
  - CFD
  - FEM
  - Campbell Diagram
  - Flutter Analysis
  - Erosion Evaluation

Result
  - Efficiency
  - Stress
  - Frequency
  - Damping
  - Pressure Distribution
  - Wetness
  - Droplet Diameter

Issue
  - Flutter
  - Erosion
  - Leakage
  - Efficiency Drop
  - High Stress
  - Manufacturing Constraint

Countermeasure
  - Geometry Change
  - Material Change
  - Coating
  - Flow Path Change
  - Operating Condition Change

このような構造を作ると、AIが以下のような質問に答えやすくなります。

「過去に反動度を下げたとき、効率と翼振動にどんな影響があったか？」

「低圧最終段の湿り蒸気条件で、エロージョン対策をした設計例を出して」

「このCFD条件は過去の承認済み条件と矛盾していないか？」

14. 設計エージェントの具体例

14.1 類似設計検索エージェント

入力：

蒸気条件、流量、回転数、段落、翼高さ、湿り度、設計目的

出力：

類似案件一覧
設計条件比較
差分
過去トラブル
参照すべき報告書
注意点

14.2 CFD条件チェックエージェント

入力：

メッシュ条件
境界条件
乱流モデル
入口全圧・全温
出口静圧
周期境界
収束条件

出力：

過去標準条件との比較
不足条件
異常値
参考案件
修正候補

14.3 設計審査エージェント

入力：

設計変更案
変更理由
解析結果
リスク評価

出力：

設計基準との整合
過去トラブルとの照合
未確認項目
追加解析提案
レビュー用チェックリスト

14.4 変更影響分析エージェント

入力：

翼形状変更
材料変更
流量変更
圧力比変更

出力：

影響する部品
影響する解析
影響する要求仕様
再承認が必要な文書
過去類似変更

これはGraphRAGと非常に相性が良いです。

15. MCPとAgent Skillsの意味

今後、設計AIでは AIが外部ツールを安全に呼び出す仕組み が重要になります。

MCP、Model Context Protocolは、AIアプリケーションが外部データソース、ツール、ワークフローに接続するためのオープン標準として説明されています。Anthropicの説明でも、MCPはAIツールとデータソースの安全な双方向接続を作るための標準とされています。

ターボ機械設計なら、MCP的な仕組みで以下を呼び出せます。

- 設計DB検索
- PLM検索
- CADメタデータ取得
- CFDジョブ投入
- FEM結果取得
- Excel計算
- Python設計コード実行
- Fortran設計コード実行
- 報告書テンプレート生成

また、AnthropicのAgent Skillsは、PowerPoint、Excel、Word、PDFなどの文書作業やカスタムSkillをエージェントに持たせる仕組みとして説明されています。

製造業設計では、これをこう置き換えるとわかりやすいです。

Skill = 設計者が普段やっている作業手順を、AIが呼び出せる形にしたもの

16. 実装ロードマップ

Phase 1：まずはRAG PoC

対象：

設計標準書
過去報告書
設計審査議事録
トラブル報告

やること：

PDF/Word/Excelを取り込む
メタデータを付ける
Hybrid RAGを作る
根拠引用付きで回答させる

評価：

正しい文書に到達するか
回答に根拠があるか
古い基準を誤って使わないか

Phase 2：設計メタデータ整備

文書ごとに、最低限これを付けます。

プロジェクト名
年度
機種
部品
設計段階
承認状態
機密区分
版数
適用範囲
廃止/有効

ここをやらないと、RAGはかなり危険です。

Phase 3：Knowledge Graph化

まずは全部をグラフ化しなくてよいです。

最初は次だけで十分です。

要求
部品
設計パラメータ
解析
試験
不具合
対策
文書
担当部署

質問例：

この不具合に関係する設計値は？
この解析結果に紐づく図面は？
この設計変更で再評価すべき項目は？

Phase 4：Skill化

設計手順をSkillにします。

候補：

ターボ機械基本設計Skill
速度三角形作成Skill
翼高さ算出Skill
CFD条件設定Skill
振動レビューSkill
エロージョン評価Skill
設計審査資料作成Skill

Phase 5：Agentic化

AIに検索だけでなく、次をやらせます。

質問分解
必要資料の探索
根拠確認
不足情報の指摘
解析ツール呼び出し
報告書生成
レビュー観点提示

ただし、承認は人間です。

17. 成功の評価指標

設計ナレッジAIは、チャットの自然さではなく、次で評価すべきです。

評価軸指標
検索性能正しい文書に到達した率、Recall@k
根拠性引用が正しいか、根拠文書が有効版か
設計有用性レビューで使えたか、設計者の手戻りが減ったか
安全性機密文書を越権表示しないか
バージョン管理古い設計基準を使わないか
トレーサビリティ要求→設計→解析→試験を辿れるか
計算信頼性数値計算をLLM任せにしていないか
業務効果設計調査時間、レビュー準備時間、報告書作成時間

RAGPerfのような研究では、RAGパイプラインを embedding、indexing、retrieval、reranking、generation に分解し、性能と品質を評価する方向も示されています。

18. 絶対にやってはいけないこと

製造業設計AIで危ないのは、次です。

NG 1：PDFを全部ベクトルDBに入れて終わり

これはPoCとしてはよいですが、実務設計には不十分です。

NG 2：版数・承認状態を無視する

古い設計基準をAIが引用すると危険です。

NG 3：数値計算をLLMに暗算させる

LLMは式の説明は得意ですが、最終数値はPython、Excel、Fortran、CAEなどの確定ツールで計算させるべきです。

NG 4：設計判断をAIに丸投げする

AIは候補提示、根拠検索、チェックリスト作成、影響範囲分析に使うべきです。承認者にはしてはいけません。

NG 5：セキュリティと権限を後回しにする

設計資料には機密、輸出管理、顧客情報、未公開製品情報が含まれるため、最初から権限制御が必要です。

19. ターボ機械設計システムに対する最終提案

ターボ機械設計システムでは、次の形が最も現実的です。

短期：
  Hybrid RAGで設計文書検索AIを作る

中期：
  設計メタデータとKnowledge Graphを作る

中長期：
  設計手順をSkill化する

最終形：
  PLM / CAD / CAE / MBSE / 文書 / 設計コードを接続した
  設計支援エージェントにする

最終形は、こうです。

設計者：
  「この条件で低圧最終段の初期設計案を作って。
    過去類似設計、エロージョンリスク、翼振動リスク、
    CFD確認項目、設計審査の注意点も出して。」

AI：
  1. 要求仕様を分解
  2. 類似設計を検索
  3. 過去トラブルを確認
  4. 設計標準を確認
  5. 初期設計計算を実行
  6. CFD/FEM確認項目を提示
  7. リスクを整理
  8. 根拠文書を引用
  9. 設計審査資料のたたき台を作る

ここまで来ると、単なるナレッジ検索ではなく、設計業務の共同作業者になります。

20. まとめ

ナレッジ系AIの今後のトレンドは、次の一文に集約できます。

これからの製造業ナレッジAIは、
「文書を探すAI」から、
「設計根拠を辿り、設計手順を実行し、解析・PLM・MBSEと接続するAI」へ進化する。

ターボ機械設計では、特に次の4本柱が重要です。

1. Hybrid RAG
   文書・仕様・報告書を正しく検索する

2. Knowledge Graph / GraphRAG
   要求、部品、設計値、解析、試験、不具合をつなぐ

3. Corpus2Skill / SkillBank
   設計手順・解析手順・レビュー手順をAIが使える技能にする

4. Digital Thread
   PLM、CAD、CAE、MBSE、試験、承認を一本につなぐ

なので、「RAG終了」というより、正確には、

RAG単体の時代は終わり、設計ナレッジを構造化・手順化・エージェント化する時代に入った

という理解が一番よいです。

コメント

タイトルとURLをコピーしました