生成ＡＩの急速な普及で、社会のあらゆる分野が「AIをどう使うか」という問いに直面しています。下水道も例外ではない。画像解析、流量予測、異常検知、運転支援、報告書作成――。すでにAIを活用した技術開発は進み、一部では実装も始まっています。しかし、現場からは「まだほとんど使われていない」という声も聞こえてきます。
なぜ、このギャップが生まれるのか。何が現場への適用を阻んでいるのか。どうすれば適用が進むのか。中央大学の山村寛氏、埼玉県下水道公社の若狭公一氏、NJSの竹田功氏、日立製作所の山野井一郎氏を招き、「AIは下水道を変えるのか？」をテーマに、研究、現場、コンサルティング、技術・ベンダーという異なる立場から、AIの現在地と下水道の未来を議論していただきました。
（全３回：企画・進行・記事 奥田早希子氏 一般社団法人Water-n代表理事 ・Webジャーナル「Mizu Design」編集長）
「環境新聞」に掲載された記事をご厚意により転載させていただいています。
下水道×AIの現在地を知る
若狭氏 肌感覚で「現場への実装はまだ」
山村氏 技術はある。なぜ実装できないかの追及を
山村寛氏 中央大学社会理工学部人間総合理工学科教授
――今日は「ＡＩが良いのか悪いのか」という結論に持っていきたいわけではありません。ＡＩを誰が、どのように、どんな責任を持って使うのか。そして、どんな社会を目指すのか。そこを掘り下げたいと思っています。
まず、下水道の中でＡＩは今どれくらい使われているのでしょうか。現場の感覚から伺えますか。
若狭氏 最初に整理した方がいいと思うのですが、「下水道のＡＩ」と言った時に、何を指すかによって答えはかなり違います。
例えば、ChatGPTのような生成ＡＩなのか。それとも、処理場やポンプ場のプラントの中に実装されるＡＩなのか。
生成ＡＩについては、下水道分野でも皆さんと同じように使い始めています。「これもできるのではないか」「あれにも使えるのではないか」と、いろいろ試している段階です。
一方、プラントや維持管理の中にＡＩがどれだけ入ってきているかというと、肌感覚では「まだまだ」です。
「あれをしたらいいのではないか」「これもできるのではないか」というアイデアは皆さん持っています。しかし、実際に一歩踏み込んで導入するところまでは、なかなか行っていません。
――例えば、水処理や汚泥処理の運転方法をＡＩが考えるような使い方はされていないということですか。
若狭氏 ほとんどないと思います。少なくとも、ＡＩを組み込んだシステムを入れることを前提に仕様を作り、発注するという段階にはまだ至っていません。
――一方で、竹田さんは事前にいただいたコメントで「部分的には実装されている」と指摘されていましたね。
竹田氏 私はコンサルタントの立場でＰＰＰの提案や、新しい点検技術、ソフトウェアなどにも関わっていますので、ＡＩはかなり身近な存在です。その感覚で言うと、部分的には実装されていると感じています。
例えば画像処理です。これまでアナログだった点検データをデジタル化し、ひび割れなのか、汚れなのかをＡＩで判定する。そうした技術はすでに動き始めています。
報告書の作成などでは、生成ＡＩの活用も進んでいます。そういう意味では、ＡＩはもう業務の中に入り始めています。
ただ、現場でＡＩが直接判断し、設備を動かすところまではまだ難しいですね。
今後はフィジカルＡＩの方向へ進んでいくと思いますが、現状では、ＡＩが必ずしも毎回同じ答えを出すとは限りませんので、「判断」を任せるには課題があります。
――イメージとしては、現場そのものよりも、現場から得たデータを解析するバックオフィス側では、ＡＩがかなり使われ始めている。一方、現場の設備を直接動かすところはこれから、ということでしょうか。
竹田氏 そういう整理はできると思います。
――山野井さんは、ＡＩ技術を提供するお立場です。メーカーから見ると、現在地はいかがでしょうか。
山野井氏 先ほど竹田さんからも話があったように、画像解析は比較的先行している分野だと思います。
一方で、私自身が開発に携わっている上下水道を中心とする監視制御システム分野については、ＡＩ以前から数理モデルを使った制御技術があります。確実性という意味では、まだ数理モデルの方が強い領域もあります。
ただ、数理モデルの場合、ある制御設定値を与えなければ、その通りに動かすことはできません。上下水道の場合、年間を通じて原水の濁度や天候など状況が変わったり、豪雨など通常とは異なる状態になったりすることもあります。そうした時でも最適な設定値そのものを与え続けられるかというと難しい。そこを今後、ＡＩが担う可能性があると思います。
その前段階として、すでに取り組まれているものもあります。例えば、天候情報や水系情報などを使い、ポンプ場への流入量をＡＩで予測するシステムです。
また、少し分野は異なりますが、薬品注入について、ベテランの方の操作を再現するようなシステムも開発されています。
ただ、ここで必ず問題になるのが、「ＡＩが出した答えをどう保証するのか」です。
――そこは大きな問題ですね。
山野井氏 メーカー側としては、まず熟練者が出した答えを正解として扱い、それをＡＩがきちんとなぞるところから始める。そういうアプローチがあります。
生成ＡＩについても、活用の可能性は広がっています。例えば、プロセスアラームが出た時のレポート作成に使う。あるいは、監視制御システムと対話できるようにする。
「なぜこの数値を変えたのですか」とシステムに聞けば、その理由を答える。そうなれば、人間の判断や操作の理由を形式知化できる可能性があります。
――ＡＩが「なぜその答えを出したのか」を説明できれば、後ほど議論する説明責任にもつながりますね。
山野井氏 そうです。重要なのは、検証できる余地を残すことです。ブラックボックスのままでは、現場で使ってもらうのは難しい。
提供側だけでなく、使う側も含めて、ＡＩが何をやっているのか分かる仕組みにしていく必要があります。
――ここまで聞くと、若狭さんは「まだあまり使われていない」と言い、竹田さんと山野井さんは「すでに使われている」と話しています。この違いは何でしょう。
若狭氏 画像解析など、現場から得られたデータを解析してもらい、結果を返してもらう使い方は少しずつ始まっています。
ただ、プラントの中に、設備の一つとしてＡＩが実装されているかというと、まだ少ない。そこが違いだと思います。
――そういうことなんですね。 山村先生は、事前コメントで「進んでいる、遅れているではなく、領域ごとの差が大きい」と指摘されていました。
山村氏 そうですね。ＡＩが「進んでいる」「遅れている」と一括りに語ること自体が違うと思っています。
領域によって、ものすごく差があります。
例えば上下水道以外を見ると、電力分野ではＡＩ活用がかなり進んでいます。すでに実装されているものもあります。プラント管理や維持管理でも、下水道で使おうと思えば使える技術、検証済みのシステムはたくさんあります。
ですから個人的には、大学が同じＡＩ技術を一から研究開発する必要は必ずしもないと思っています。もう技術はある。海外にもあるわけですから。
ＡＩそのものの進歩は非常に速いので、日本の研究開発費だけで追いつこうとしても難しいですよ。
むしろ重要なのは、「なぜ現場で使えないのか」「使うためにはどうしたらいいのか」です。現場と技術を結ぶところに、一つの重要な研究課題があると思っています。
――具体的には、どのような研究をされているのですか。
山村氏 浄水場や下水処理場に行って、「こういう技術があったらどうですか」「この技術は使えますか」と聞きます。
すると、「これは使えない」「こういうふうにしてほしい」という答えが返ってくる。
それを技術側に持ち帰り、実際に作ってみる。そして「あ、これはいいね」「これはちょっと駄目だね」と一緒に考える。
自分では、ある意味「翻訳者」だと思っています。現場の課題を翻訳して、技術に落とし込む。これからは、そういう役割の存在がますます重要になるのではないでしょうか。
――現場を知る人はＡＩを知らない。ＡＩを知る人は現場を知らない。その間を翻訳するということですね。
山村氏 そうです。ＡＩは従来の設備とは少し違います。物を作って、納めて終わりではありません。人が使うサービスに近い。だから、従来の業界構造や商流とは違う部分があり、そこを育てていく必要があると感じています。
何が普及を阻むのか
竹田氏 維持管理データの活用は必須
山野井氏 過去にない事例への対応が難しい
――では、技術があるのに、なぜ普及しないのでしょう。
竹田氏 実際にＡＩを使った実証に取り組んだ時、最初に苦労したのは、既存の維持管理事業者の協力を得ることでした。
維持管理業務は、３年、５年といった契約期間で区切られます。事業者から見れば、長年蓄積してきた運転ノウハウは自社の競争力の源泉です。
「これはうちの技術だ。なぜ他社に教えなければならないのか」という話になるのも致し方ないと思います。
さらに、ＡＩに置き換われば、現場の人員が減らされるのではないかという懸念もあります。
行政側は「ＡＩを使いたい」と言う。しかし現場側には、「人を減らされたくない」「自社のノウハウを他社に渡したくない」という思いがある。ここに大きな壁があると感じます。
――技術以前に、人や組織の問題があるということですか。
竹田氏 そうです。
それに、自治体の担当者は数年で異動します。ある担当者が課題意識を持っても、ＡＩ導入には時間がかかります。その方が担当している間に成果が出るとは限らず、異動後にうやむやになるかもしれません。
トップが「これをやる」と判断する、あるいは国の支援制度がある。そういう条件がなければ、なかなか大きな投資には踏み切れないと思います。
――現場にＡＩを導入するにはデータが必要だが、維持管理事業者が蓄積した運転データの入手が難しいということでした。だとしても、まずはＡＩを現場に導入し、順次、学ばせていくことはできないのでしょうか。
竹田氏 そうかもしれませんが、残念ながら処理場には、ＡＩが学びやすい「失敗データ」がほとんどないのが現状です。
――失敗データがないとは、どういうことでしょうか。
竹田氏 下水処理場は放流水質を順守する必要があり、現場では、当然ですが、基準を逸脱しないように運転するよう努めています。そのため学習できる失敗データが集まりません。
ＡＩに学習させるには、「こうすると失敗する」「この操作をした結果、基準を逸脱した」というデータが必要なので、シミュレーション上で異常状態を作り、エラーを学習させる必要が出てきます。
――皮肉なことに、現場が優秀であればあるほど、ＡＩが欲しい失敗データは蓄積されないわけですね。
竹田氏 そういう面があります。
山野井氏 失敗データがないという問題は、メーカー側でも非常に大きいです。
例えば、ポンプなどの振動データから故障を予測しようとします。ところが、10年たっても壊れないことがある。すると、正常な振動データばかり蓄積されます。
結果として、「いつもと違う状態になりました」とは言えても、「あと何日で壊れます」とまでは言えまえせん。
さらに、下水道は開かれた環境を相手にしています。50年に一度の豪雨があったり、過去にない気象条件があったり、更新工事によって運用条件も変わったりします。さまざまな変動要素があるのです。
ＡＩは基本的に過去の事例から学びますが、下水道では、過去にない状態にも答えなければなりません。そこが非常に難しいと感じます。
――ＡＩは「初めて」に弱い。下水道に求められるＡＩは、工場の中で一定の条件を与えられて動くＡＩとは違うんですね。
山野井氏 そうです。
豪雨、流入水の水質や水量の変動、設備状態など、さまざまな条件を考えながら安定稼働させなければなりません。ある意味、「総合格闘技」のようなマネジメントです。
将来的には、工事を扱うＡＩ、運用を扱うＡＩなど、それぞれのＡＩを作り、さらに上位のＡＩがそれらを協調させるような世界も考えられます。
ただ、そこへ行くには、まずデータ基盤を整えなければなりません。
――公共事業の場合、前例がない技術は導入が難しいということは以前から言われています。新しい技術は、今でもやはり現場で採用されにくいのでしょうか。
若狭氏 これまでは、新技術を実装するまで非常に時間がかかりました。石橋を叩いて進むようなところがありましたよね。
ただ、埼玉県八潮市で道路陥没事故が起きてから、少し空気が変わったと感じています。
例えば、管路内を調査するドローンです。以前なら、研究段階で実証を重ね、慎重に検討していたでしょう。
しかし事故後は、「とにかくやってみろ」という流れが生まれました。すぐに調べなければならない。従来の方法だけでは間に合わない。そうした切迫感があり、管理者側も「前例がないとか、そんなことを言っている場合ではない」と考え方が変化したと感じています。
そこでコンサルタントやメーカーが次々に技術を提案し、現場側は必要なフィールドを提供する。そういう今までとは少し異なるスピード感で技術導入が進み始めたと感じます。
――ＡＩも同じでしょうか。
若狭氏 なんらかの切羽詰まった状況になれば、一気に導入される可能性はあると思います。
――とはいえ、切羽詰まった状況になってほしくはありませんね。
若狭氏 確かにそうですね。ただ、下水道の置かれた状況を見ると、もう切羽詰まっていると言えるのかもしれません。
※
（つづく）