SFI開発記＃07　これ、自動で全部できない？　

みなさん、こんにちは。Vertysの山本です。

ここまでの話を振り返ると、こうなります。

• 前処理に8割の時間がかかる
• 可視化と項目選択でまた時間を食う
• 分析手法が多すぎて選べない

で、ここまで来ると、当然こう思うわけです。

　　

「これさ、全部まとめて自動でできないの？」

---

　　　　　　　　

データを放り込んだら、あとはソフトが勝手にやってくれる。

前処理も、グラフ化も、分析手法の選定も、結果の表示も。

それ、最高じゃないですか。

　　

「それ、AutoMLでできるんじゃないの？」

---

　　　　　　

こう言われることがあります。

AutoML（自動機械学習）という技術は、すでに世の中にあります。

Google、DataRobot、H2Oなど、有名なツールもたくさんある。

データを入れたら、最適な分析手法を自動で選んでくれて、設定の微調整までやってくれる。

確かに便利です。

でも、製造現場の課題をAutoMLだけで解決できるかというと、そうではありません。

理由は5つあります。

　　

違い①：前処理はAutoMLの守備範囲外

---

　　　　　　　　　　　

記事#4で書いたように、製造業のデータ解析では、全工数の8割が前処理です。

工程ごとにバラバラのCSV。

ロット番号の体系が違うデータの紐づけ。

波形データからの特徴量抽出。

欠損値や異常値の処理。

AutoMLが動き始めるのは、データがきれいに整った後の話です。

しかし、製造現場がいちばん困っているのは、まさにその「整える」部分。

ここを誰かがやらないと、AutoMLの入り口にすら立てません。

私たちは、この8割の工程そのものを自動化したいと考えました。

　　

違い②：現場が必要とする「可視化」が違う

---

　　　

AutoMLにも簡単なグラフ表示はあります。

でも、製造現場のエンジニアが求める可視化とは、かなり違います。

記事＃５で書いたように、現場のエンジニアはまず相関行列、ヒストグラム、散布図、トレンドを一覧にして、データの全体像をつかみたい。

OK/NGで色分けして、不良モード別にも見たい。

SN比や歪度・尖度で、効きそうな変数を自分の目で判断したい。

こうした「現場の人が考えるための可視化」は、AutoMLの守備範囲ではありません。

AutoMLはあくまで「モデルを作る」ためのツール。

データを理解し、項目を選び、現場の知見を分析に反映する ―― その手前の工程は、ユーザーに丸投げです。

私たちは、可視化と項目選択こそが、現場の人がいちばん時間を使うべき場所だと考えています。

だから、ここを徹底的に使いやすくする。

　　

違い③：全アルゴリズムの結果を、ユーザーが自分で見られる

---

　　　　　　　　　　　　

AutoMLは基本的に、「最も良かったモデル」を返してくれる仕組みです。

ランキング上位は見られるかもしれません。

でも、試したすべての手法の詳細を比較できるツールは、意外と多くありません。

私たちが目指すのは違います。

試したすべてのアルゴリズムの結果を、ユーザーが自分の目で確認できること。

精度はどうだったか。学習にどれくらい時間がかかったか。推論は速いか。どの変数が効いていたか。

それぞれの手法について、全部見られる。

「AIが選んだ1位」をそのまま使ってもいいし、

「精度は2位だけど、推論が速いからこっちにしよう」という現場判断もできる。

結果をブラックボックスにしない。

判断の材料は全部開示して、最終的な選択はユーザーに委ねる。

　　

違い④：「どうすればOKになるか」まで提案する

---

　　　　　　　　　　　　　　　　　　　　　

AutoMLは「どの手法が精度が高いか」を教えてくれます。

でも、「じゃあ、製造条件をどう変えればいいのか」は教えてくれません。

現場が本当に欲しいのは、

「温度をあと3度下げれば、OK率が上がりますよ」

という改善の提案です。

分析結果から逆算して、最適な製造条件を探索する ―― いわゆるプロセス最適化。

これはAutoMLの守備範囲の完全に外にあります。

（この話は、次回の記事⑧で詳しく書きます。）

　　

違い⑤：分析して終わりではなく、現場で「使い続ける」

---

　　　　　　　　　　　　　　　　　　　　　　　

AutoMLでモデルを作ったとして、それをどうやって現場で運用するか。

リアルタイムにデータを監視して、異常があればアラートを出す。

モデルの精度が落ちてきたら再学習する。

この「使い続ける」部分も、AutoMLは面倒を見てくれません。

私たちは、モデルを作るだけでなく、現場で回し続ける仕組みまで含めて、ひとつのソフトでカバーしたいと考えました。

　　

まとめると、こういう違いです

---

　　　　　　　　　　　　　　　　　　　　　　　　

	AutoML	私たちが目指すもの
① 前処理（8割の工数）	✕ 対象外	⭕ 取り込み〜結合〜特徴量抽出まで
② 現場向けの可視化	△ 簡易的	⭕ 相関行列・散布図・SN比等を一覧表示
③ モデル選定・学習	⭕	⭕
③ 全手法の結果比較	△ 上位のみ	⭕ 全アルゴリズムの詳細を開示
④ プロセス最適化	✕ 対象外	⭕ 最適条件の逆算・提案
⑤ リアルタイム監視	✕ 対象外	⭕ 監視・アラート・再学習

　　

AutoMLが⭕なのは、この表の「モデル選定・学習」のたった1行だけ。あとは対象外か、部分的な対応にとどまります。

私たちは、上から下まで全部を、ひとつのソフトでカバーしたい。

しかも、製造業の現場データに特化した形で。

　　

理想のフロー

---

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

具体的にはこういう一気通貫の流れです。

STEP 1　データを取り込む

STEP 2　ゴミや抜けを自動で整える

STEP 3　複数の工程データを結合する

STEP 4　グラフで全体を俯瞰し、効きそうな項目を絞る

STEP 5　分析手法を全部自動で試して、ランキングで結果を見せる

STEP 6　一番いい手法の設定を、さらに自動で微調整する

STEP 7　「たまたま良い結果だった」を排除する検証を行う

STEP 8　最適な製造条件を逆算して提案する

STEP 9　完成したモデルで、リアルタイムに監視する
　　　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

STEP 5〜7あたりがAutoMLの守備範囲。

私たちは、STEP 1〜9の全体をカバーしたい。

しかもこれを、プログラミングなし、ドラッグ＆ドロップだけで操作できたら。

　　

ただし、「全自動」でもブラックボックスにしない

---

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

何度も言いますが、ここが大事です。

全部お任せで結果だけポンと出てきても、製造現場では使えません。

品質の判断に 「AIがそう言ったから」は通用しない から。

なぜその結果になったのか。

どの項目が効いているのか。

どれくらい信頼できるのか。

これが見えないと、現場は納得しません。

だから、自動で回すけれど、途中経過はいつでも確認できるようにする。

全アルゴリズムの結果も、全部開示する。

「中が見える自動化」。

これが、ツール全体を貫く設計哲学になりました。

やりたい人は中身を深く覗ける。

そうでない人は、ボタンひとつで結果を得られる。

どちらのユーザーも排除しない。
この思想が、後の開発で大きな意味を持つことになります。