生成AIがあればSFIは必要ない⁉ Tech＃12
■ この記事の位置づけ
以前、開発記の第13回で「生成AIが伸びても、SFIが旧来の解析にこだわる理由」というテーマを書きました。反響が大きかったので、今回はTECH分野の深掘り版として、“では、生成AIには具体的に何ができなくて、SFIには具体的に何ができるのか” を、機能レベルで並べて説明します。
抽象論ではなく、現場のエンジニアが明日から線を引ける粒度まで落として書きます。
■ まず、前回記事の要約
前回の要旨はこうでした。
- 生成AIは、内部で確率的に振る舞う仕組みです。だから、同じ入力に対して、必ず同じ答えを返すという保証がない。工場の判定・監視・制御には向かない。
- 一方、生成AIは解析結果を人が使える言葉に翻訳する仕事では極めて強い。
- 結論：「判定の土台は、再現性の高い旧来解析が持つ。生成AIは、その結果を人に届ける翻訳者として使う」 ── この分業がいちばん現実的。
- SFIは前者（判定の土台）を担うツールとして設計している。
この結論を、ここから**「なぜ生成AIでは無理なのか」「SFIは具体的にどう解いているのか」**の2軸で、TECH視点から深掘りしていきます。
■ 深掘りの全体像 ── 生成AIが立ち入れない5つの領域
製造業のデータ解析には、生成AIが原理的に立ち入れない領域があります。「まだ性能が足りない」ではなく、アーキテクチャ（そもそもの設計思想）が違うという意味です。
以下の5つに整理しました。
| 領域 | 生成AIに求められる性質 | 実現可能か |
|---|---|---|
| ① 再現可能な数値予測 | 同じ入力から同じ出力を返す保証 | ❌ 不可能 |
| ② 波形からの特徴量抽出 | 時系列信号の厳密な数値計算 | ❌ 原理外 |
| ③ 目標値からの条件逆算 | 予測モデルの上での最適化計算 | ❌ アーキ外 |
| ④ 予測乖離の常時監視 | 秒未満の判定ループ | △ 実装困難 |
| ⑤ 品質工学に基づく変数選別 | 統計量に基づく決定論的判定 | ❌ 原理外 |
順に、**「何が違うのか」→「なぜダメなのか」→「SFIはどう解いているのか」**の3段で説明していきます。
領域① 再現可能な数値予測 ── 生成AIは”同じ入力→同じ出力”を保証しない
まず、一言で言うと
生成AIは、同じ質問をしても、答えが微妙に変わる仕組みです。
何が違うのか
生成AI（LLM／大規模言語モデルとも言います）は、次に来る言葉を確率分布から選ぶ構造で動いています。「温度」というパラメータを下げれば、揺らぎを小さくすることはできます。
しかし、次の要因が残るため、完全に同じ答えを返す保証はどうしても消えません。
- GPUの並列演算の順序が毎回わずかに違う
- モデル自体が更新されて中身が少しずつ変わる
- 前後の会話履歴が少し違えば、出力も引きずられる
一方、SFIが搭載する予測モデル（回帰19種・分類15種）は、いずれも決定論的アルゴリズムです。決定論的というのは、「決められた計算手順で、同じ入力から必ず同じ出力を返す」という意味です。
- Random Forest（多数の決定木で多数決するモデル）：同じ乱数シード（乱数の初期値）を使えば、必ず同じ木の集合が出来上がる
- XGBoost（勾配ブースティングという方式のモデル）：同じ設定なら、必ず同じ学習系列を辿る
- 線形回帰：同じデータから、必ず同じ係数が出る
なぜこれが工場で重いのか
工場では、「昨日OKだった条件で、今日NGが出る」は事件です。もしその原因が**”AIモデルの気まぐれ”に見えてしまう**と、現場は運用できません。
品質会議で「なぜこの条件を採用したんですか」と聞かれた時、“モデルがそう言ったから”では通りません。「同じ条件を、同じデータで、同じ設定で計算すれば、必ず同じ答えが返ります」と即答できる仕組みが要ります。
SFIはどう解いているのか
SFIの学習パイプラインは、乱数シードをブロック単位で固定できる設計です。学習時点のシード、データ、ハイパーパラメータ（モデルの設定値）を保存しておけば、いつでも同じモデルを再構築できます。
つまり、“半年前のあの判定を、今もう一度、まったく同じ手順で再現できる” ということです。生成AIでは、この”再現できる”を約束できません。
つまり、こういうことです
工場は、賢い答えより、揺れない答えを必要とする場面が多い。SFIは、その”揺れなさ”を最初から設計に組み込んでいます。
領域② 波形からの特徴量抽出 ── 生成AIは”数値計算エンジン”ではない
まず、一言で言うと
生成AIは、言葉を扱う道具です。数値計算を厳密にやる道具ではありません。
何が違うのか
製造業のデータの本質は、**時系列信号（時間の流れに沿って並んだ数値の波）**です。射出成形の圧力波形、溶接の電流波形、打錠の圧縮プロファイル、塗工のギャップ変動──どれも波形として現れます。
品質を左右する情報を波形から取り出すには、次のような数値計算が必要です。
- 時間領域の統計量（平均、分散、歪度、尖度、ピーク値、実効値など）
- 周波数領域の特徴量（FFT＝高速フーリエ変換で波を周波数に分解した時の主成分など）
- 形状特徴量（立ち上がり勾配、ピーク保持時間、面積、対称性）
- エントロピー系（波形の”複雑さ”を数値化したもの）
- 変動特徴量（自己相関、変動係数など）
これらは、厳密な数学の手順で計算するものです。1つずれれば、判定が変わります。
なぜ生成AIでは無理なのか
生成AIに「この波形の歪度を計算してください」と数値を投げると、桁が違う値を平気で返してくることがあります。それは生成AIがサボっているのではなく、数値計算のためのアーキテクチャではないからです。
生成AIは「文脈から自然な次の言葉を予測する」ように作られています。数式を厳密に解くようには作られていない。そこに数値計算を任せるのは、メジャーで温度を測ろうとするのと同じくらい構造的にずれています。
SFIはどう解いているのか
SFIは、波形が入力されると、5カテゴリ・33種類の特徴量を自動で切り出します。ここは、numpy、scipy、tsfreshといった従来からある数値計算専用ライブラリの世界です。同じ波形に対して、100回計算しても、1万回計算しても、必ず同じ値を返します。
さらにSFIは、この33種類を”どう組み合わせて品質に効かせるか”を、コードを書かずにブロックで組める設計にしています。生成AIに「解析コードを書いて」と頼めば書いてくれます。しかし、そのコードが返す値が正しいかどうかを検証する責任は、結局人間側に残ります。SFIは、その検証を済ませた部品を、再利用可能な形で提供する構造です。
つまり、こういうことです
波形の数値を扱う仕事は、生成AIの本業ではありません。SFIは、その仕事を専用ライブラリと専用ブロックで、正確かつ再利用可能な形にしています。
領域③ 目標値からの条件逆算（Backcast™） ── これがいちばん本質的な話
まず、一言で言うと
生成AIに「品質を目標値にするための最適条件」を聞いても、”それらしい答え”を書いてくるだけで、”本当に最適な答え”は計算していません。
少し長くなりますが、ここが今日の記事のいちばん深い部分です。
何が違うのか
生成AIに、こう質問したとします。
品質指標Yを目標値2.5に収めるには、温度・圧力・速度をいくつにすればいいですか
すると、生成AIはもっともらしい数値の並びを返してきます。
しかし、その数値には次のいずれの保証もありません。
- 予測モデルに入れた時、本当に目標値の2.5を返すか
- その条件が設備の制約（最大温度、応答限界など）を満たしているか
- その条件が、過去に不良が出た領域を避けているか
- その条件が、現行条件からの変更コストを最小化しているか
生成AIの答えは、訓練データの中で”それらしい”数値の並びを再構成しているだけです。予測モデルの上で最適化計算を回しているわけではありません。“それっぽさ”を返しているだけで、”最適さ”は計算していないのです。
なぜこの違いが致命的なのか
工場で条件を変える判断は、製品の歩留まりと現場の安全に直結します。「それっぽい条件」で不良が出れば、ロット単位の損失になります。「それっぽい条件」で設備の限界を超えれば、装置故障になります。
“最適そうに見える”と、”本当に最適である”の差は、工場では取り返しのつかない差です。
SFIはどう解いているのか（特許出願中の中核部分）
Backcast™分析法は、以下のような明確な計算手順で動いています。
- まず、予測モデル
f(X)→Yを学習する（Xは製造条件、Yは品質指標） - 制御可能な変数と、制約情報（許容範囲、変更禁止条件、過去不良条件、設備制約、現行条件からの変更量）を取得する
- 制約を満たす候補製造条件Xを、探索アルゴリズム（ベイズ最適化、遺伝的アルゴリズム、グリッドサーチの組合せ）で複数生成する
- 各候補について、予測品質値・制約違反リスク・変更量・変更コストを計算する
- 3つの順位付けモード（品質優先／変更最小優先／リスク最小優先）で順位付けして提示する
- 採用後、実績値と予測値の乖離を継続監視し、閾値を超えたら再提案または元条件への復帰候補を提示する
これは、予測モデルの”上”に、最適化計算のレイヤーを載せている構造です。生成AIの言語生成アーキテクチャでは、この構造は組めません。
SFIが特許出願中（特願2026-116053）としているのは、まさにこの**”予測の上に最適化を載せる”構造**です。
なぜ生成AIでは無理なのか、を1行で言うと
生成AIは”それらしい答え”を書きます。Backcast™は”制約を満たし、目標を達成し、リスクを最小化し、変更量を抑える答え”を計算します。
似ているのは見た目だけで、中身は完全に別物です。
つまり、こういうことです
生成AIは、条件提案を”文章として書ける”だけです。SFIは、条件提案を”計算として解いている”のです。この差が、現場で採用できるかどうかを分けます。
領域④ 予測乖離の常時監視 ── 秒未満で判定を返し続ける仕事
まず、一言で言うと
工場の監視は、24時間365日、秒未満で判定を返し続ける仕事です。生成AIをこの層に置くと、速度・コスト・通信のどれかで破綻します。
何が違うのか
工場の常時監視では、通常1秒未満の応答が求められます。装置1台につき数十チャネル、ライン全体で数千チャネル、これを止めずに監視し続ける必要があります。
一方、生成AI APIを1回呼ぶだけで、典型的には数百ミリ秒〜数秒かかります。これを判定ループに組み込むと、次の問題が起きます。
- 通信断が起きた瞬間、ライン停止の判定ができなくなる
- 月間の推論コストが、数百万円規模で積み上がる
- モデルバージョンが更新されると、判定基準がしれっと変わる
- クラウド前提の設計だと、工場のオンプレ・閉域網（社内設置・外部と切り離したネットワーク）要件を満たせない
“1回の推論は数秒で済む”は、単発デモでは成立します。しかしそれを常時×大量に走らせると、コストも通信量も、非現実的な規模になります。
SFIはどう解いているのか
SFIの監視レイヤーは、Apache Arrow + Rustエンジン（高速なデータ処理基盤）で構築されています。カタログにある”5〜7倍の処理速度”の実体は、これです。
- 予測モデルの推論は、現場のエッジPCで完結する（外部API呼び出し不要）
- 予測値と実績値の乖離を、リアルタイムで計算する
- 閾値を超えた瞬間、「再提案」「元条件への復帰候補提示」「アラート」を即座に選択肢として返す
- ネットワークが切れても、ローカルで判定を継続できる
これは特許請求項3で守られている領域（採用後の乖離監視と再提案／復帰候補提示）です。生成AIをこの層に置く合理性は、技術的にも、コスト的にも、運用的にもありません。
つまり、こういうことです
秒未満で答えを返し続ける層は、軽くて堅い決定論的アルゴリズムの独壇場です。ここに生成AIを置くのは、道具の使い方として間違っています。
領域⑤ 品質工学に基づく変数選別 ── 統計量で”なぜ落としたか”を説明できるか
まず、一言で言うと
「この変数は効かないから落としました」を、数式で説明できないと、品質保証の会議は通りません。
何が違うのか
波形から特徴量を33種類切り出しても、全部を予測モデルに突っ込むと過学習（学習データに合わせすぎて、新しいデータでは外す状態）します。効かない変数を落とす作業が必須です。
この選別には、統計量に基づく決定論的な判定が必要です。
- SN比（信号と雑音の比率で、変数の安定性を評価する指標）
- 歪度・尖度（分布の形状を数値化した指標）
- 分散比・相関係数（変数がどれだけ情報を持っているかを示す指標）
なぜ生成AIでは無理なのか
生成AIに「この変数を落としてください」と聞くと、雰囲気で答えます。同じデータに対して同じ判定を返す保証がなく、しかも判定根拠を数式で示せません。
品質保証の会議で「なぜこの変数を落としたのですか」と聞かれた時、“AIがそう判断したから”では絶対に通りません。監査対応もできません。
SFIはどう解いているのか
SFIは、田口メソッドの品質工学をベースにした変数選別ブロックを持ちます。33種類の特徴量を、SN比・歪度・尖度で自動評価し、効かない変数をふるい落とす。「なぜこの変数を落としたか」を、必ず統計量で説明できる構造です。
さらに、現場のエンジニアが「この変数は、物理的に効くはずだから残す」と手動で上書きできる設計にしています。自動選別が絶対ではなく、現場の判断が上位に来る。この透明性は、生成AIの”雰囲気判定”では絶対に実現できません。
つまり、こういうことです
変数選別は、”数字で説明できること”と”現場が上書きできること”の両方が要ります。SFIは、その両方を最初から設計に入れています。
■ ではSFIは、生成AIを排除しているのか
いいえ、逆です。SFIは、生成AIを**”翻訳者”として明確に位置づけて活用**しています。
元記事の結論、**「判定は堅く、説明は柔らかく」**を、SFIは以下のように実装しています。
| SFIの機能 | 担当 |
|---|---|
| 波形特徴量の抽出 | 従来型の信号処理（決定論的） |
| 変数の選別 | 品質工学＋従来型統計（決定論的） |
| 予測モデル | 回帰19種・分類15種の並列学習（決定論的） |
| Backcast™逆算 | 最適化アルゴリズム（決定論的） |
| 乖離監視・再提案 | ルールベース＋しきい値判定（決定論的） |
| レポート文章化 | 生成AI（翻訳） |
| 経営／現場／監査向けの構成調整 | 生成AI（翻訳） |
| 異常内容を平易な言葉に直す | 生成AI（翻訳） |
| 過去トラブル履歴からの類似検索 | 生成AI（翻訳） |
判定の土台はすべて決定論的に組み、生成AIは”人が読む言葉に変える最後のレイヤー”に閉じ込める。
これがSFIの設計思想です。生成AIの強みを殺しているのではなく、生成AIが本当に得意な領域に、集中投入しているわけです。
工場でいちばん効くAIの使い方は、たぶんこれです。
■ TECH視点でのまとめ ── アーキテクチャ選定の分岐点
技術選定の議論に落とすと、こういう分岐になります。
[その処理は、判定・監視・制御に使いますか？]
│
├─ YES → 決定論的アルゴリズムを選ぶ
│ （SFIの判定層、旧来ML、統計、信号処理）
│
└─ NO → 生成AIを選ぶ
（レポート化、対話支援、過去事例検索、要約）この分岐を最初に引かないと、PoC（概念実証）は通るが、本番運用でじわじわ壊れるという、いま多くの工場で起きている典型的な失敗パターンに嵌ります。
生成AIが伸びれば伸びるほど、この分岐を正しく引くスキルの価値が上がります。
“賢いAIを選ぶ”ではなく、“どこにどのAIを置くかを設計する” ── これが、これからの工場データ活用のTECH面の本丸です。
■ 結論
生成AIは、優秀な”解説者”にはなれます。しかし、いつでも同じ答えを返す”測定器”にはなれません。
だからSFIは、判定・逆算・監視を、決定論的な旧来解析で堅く固め、生成AIは翻訳レイヤーに閉じ込める設計を選びました。派手ではありませんが、工場で毎日回るものは、派手さより安定で選ばれます。
生成AIが進化しても、旧来の解析は消えません。役割がよりはっきり分かれて、共存する方向へ進むだけです。両方を、それぞれの得意な場所に正しく配置する。それだけです。
その”正しい配置”を、道具として現場に届けるのがSFIの役割です。
※本記事で言及した「Backcast™分析法」および「プロセス条件提案方法」は特許出願中です（特願2026-116053／株式会社Vertys）。
※元記事：SFI開発記#13 生成AIが伸びても、SFIが旧来の解析にこだわる理由
この記事へのコメントはありません。