優良工場ほど画像AIが入らない──ゲリラ戦法の引き出しは、すでに揃っています　　Tech＃６

▸ 不良画像が集まらない工場こそ、画像AIの入れ方が試されます。

こんにちは。技術コラム第6回です。『うちの工場は優秀だからAIなんてすぐ入るよ』と胸を張る工場長にこそ、ぜひ読んでほしい逆説のお話です。

優秀ゆえのパラドックス

---

画像検査AIの話をすると、『AIが不良品を自動で見つけてくれるなんて最高だね』と期待されます。しかし、実際にプロジェクトが始まると、思わぬ壁に激突します。不良を出さない優秀な工場ほど、AIの学習が進まないのです。

AIの教科書には『不良画像を数千枚集めて学習させましょう』と書いてあります。至極まっとうな理屈です。しかし、不良率0.01%の優良工場で、数千枚の不良画像を集めるのに何年かかるでしょうか。その間に季節は変わり、材料ロットも変わり、設備の刃も摩耗します。集めている間に、前提条件が変わってしまうのです。

現場の声：本末転倒の瞬間

---

AIエンジニア：「すみません、学習データが足りないので、わざと不良品を作ってくださいませんか」

工場長：「……君は、うちの工場を潰す気か」

不良を減らすためにAIを入れるのに、AIのために不良を作る。笑い話のようですが、画像AI導入の初期にはこの悲劇が日本中で起きました。

本題：少量・偏在・高品質データの世界に合わせた武器を選ぶ

---

現場のAIは、研究室のような理想的データセットが揃うことは永遠にありません。だから、少ないデータで戦うゲリラ戦法が必要です。幸い、ここ数年で武器庫はかなり充実しました。

アプローチ	考え方	向いている場面
異常検知 （良品学習）	大量の良品だけを覚えさせ、『いつもと違う違和感』を不良として検出する	不良が稀、 または不良の種類が読めない工程
疑似不良生成	生成AIで良品画像にキズ・汚れ・欠けを合成し、教師データを水増しする	物理的な不良サンプルの入手が困難で、PoCを素早く回したい場面
Few-shot / Zero-shot 学習	数枚から数十枚の不良画像でもそこそこ動く軽量モデルを使う	新製品立ち上げ時のPoC、 多品種少量ライン
スパースモデリング	少量データで動き、入力特徴の貢献度を可視化できる説明可能な手法	説明責任が重い工程、 エッジ実装を前提とする場面
自己教師あり学習	ラベルなしの良品画像だけで特徴表現を事前学習する	ラベル付けコストが許容できない工程
ドメイン適応	類似工程の既存モデルを、自社工程に転移学習で適応させる	他拠点・他製品の類似ラインから水平展開したい場面
ハイブリッド （ルールベース×AI）	古典画像処理でROI抽出を行い、AIで分類・判定する	照明や位置が比較的安定している工程、 説明責任も担保したい場面

運用の王道は

『広めに拾って、人が確定、AIを育てる』

---

初手から完璧な自動判定を狙うと、だいたい事故ります。現場で現実的に回る運用パターンは以下です。

• 異常検知で『怪しい』を広めに弾く。過検出気味でOK
• 人が最終確認して正解ラベルを付与する
• 貯まったラベル付きデータで分類モデルを追加学習する
• 誤判定だけを重点的に再学習する（アクティブラーニング）
• 半年から1年で、過検出率を段階的に下げる

この運用設計が、『導入即100点を狙って挫折する現場』との決定的な違いです。

PoCの前に見るべき0次チェック

---

画像AIを提案する前に、現場側でチェックしておくべき前提条件を置いておきます。これを外して走ると、どんな高性能AIも沈みます。

• 照明の安定性：日照変動、外光混入、ランプの経時変化
• ワーク位置の再現性：治具の遊び、コンベア速度の変動
• カメラの分解能と公差：不良の最小サイズに対して、十分な画素数が確保されているか
• 検査タクトタイム：推論時間が工程タクトに収まるか
• アノテーション体制：誰が、どの基準で、どれくらいの頻度でラベル付けをするか

結論：データが少ないは、

もう言い訳にならない

---

『データが少ないから導入できない』は、もはや言い訳になりません。少量データ前提で組む武器は揃いました。あとは、工程と目的に合った組み合わせ設計の勝負です。

各アプローチの具体的な導入手順・コスト・成功事例については、本コラムの今後の回で一つずつ深掘りしていきます。どうぞお楽しみに。