SFI開発記＃13　生成AIが伸びても、SFIが“旧来の解析”を捨てない理由

みなさん、こんにちは。Vertysの山本です。

今回は、ここ最近かなりよく聞かれる質問に、少し正面から答えてみます。「生成AIがここまで進化するなら、昔ながらの統計解析や機械学習って、もういらないのでは？」という話です。

結論から言うと、私はそうは思っていません。むしろ製造業では、生成AIが伸びれば伸びるほど、再現性のある“旧来の解析”の価値が、かえってくっきりしてきます。SFIを作っていても、そこは年々強く感じます。

賢さだけでは、工場は回らない

---

生成AIは本当にすごいです。文章も書けるし、要約もできるし、図表の説明も上手い。ちょっと驚くくらい気の利いた答えが返ってくることもあります。

ですが、製造業の現場で本当に大事なのは、たまに名回答を出すことより、いつも同じ条件で同じ答えを返すことです。

ここが、生成AIと従来型のデータ解析が大きく分かれるところです。

まず、一番大きいのは再現性（同じ条件なら同じ結果を返せる性質）です。生成AIは、その学習と出力の仕組み上、どうしても確率的に振る舞います。

もちろん温度設定を下げたり、出力を制御したりはできますが、「同じ入力なら必ず同じ答えを返す」「モデルが更新されても判定の意味が変わらない」という世界とは、もともとの設計思想が少し違います。

ここは、製造業だと想像以上に重い論点です。営業資料やブログであれば、少し言い回しが変わっても困らないことがあります。ですが、不良判定、設備停止、条件切り替えのような場面では、毎回わずかに違う答えが返るだけで、現場の運用そのものが不安定になります。

工場では、昨日OKだったものが今日NGになったら、それだけでかなり大きな話になります。しかも、その理由が“モデルの機嫌”のように見えてしまうと、現場はとても扱いにくい。製造業でまず求められるのは、ひらめきよりも、昨日の自分とケンカしないことなんです。

次に、推論（入力データに対してその場で答えを返す処理）の速度もかなり違います。従来の統計モデルやルールベース（あらかじめ決めた条件で判定する方式）、軽量な異常検知モデル（正常状態からのズレを見つけるモデル）なら、ミリ秒〜秒単位で安定して返せる処理がたくさんあります。一方で、生成AIはどうしても重めです。文章生成ならそれで困らないのですが、ライン横では事情が変わります。

「この瞬間の波形は危ないのか」「このアラームは先に止めるべきか」を即断したい場面では、考え込む時間そのものがボトルネックになります。

工場では、賢い返事よりも、早い返事のほうが高く評価される瞬間が、普通にあります。

「答えが深いのはありがたいんです。でも、止めるか流すかを3秒で決めたいときに、30秒の名文はいらないんですよね」

さらに言えば、説明責任（なぜその判定になったかを説明できること）の持ち方も違います。従来の解析なら、「このセンサー値が閾値（判定を分ける境目の値）を超えた」「この3変数の組み合わせが過去不良と高く相関した」「この管理図で外れた」といった説明ができます。完全に簡単とは言いませんが、少なくとも“どの条件で、なぜそう判定したか”は追いかけやすいです。

一方で生成AIは、もっと総合的で便利な代わりに、答えの根拠が少しふわっとしやすい。報告書を書くにはとても便利でも、不良判定の責任を持たせるには、まだ少し距離があります。品質保証の会議で「AIがそう言ったので」は、やはり通しにくいんですよね。

それから、数値データの扱い方にも向き不向きがあります。生成AIは言葉の世界では本当に強いです。

ですが、時系列（時間順に並んだデータ）の細かな揺れ、工程能力（工程が狙った品質を安定して出せる力）の変化、外れ値（他と比べて極端に外れた値）の定義、GRR（測定の繰り返し性・再現性を確認する評価）、相関（数字が一緒に動く関係）と因果（本当の原因と結果の関係）の切り分けといった領域では、従来型の統計解析や信号処理のほうが、まだまだ本職です。

生成AIは、その結果を説明したり、解析手順をガイドしたりするのは得意です。でも、解析そのものの土台を全部置き換えるかというと、そこは別問題です。

少し乱暴な言い方をすると、生成AIは優秀な解説者にはなれても、いつでも優秀な測定器にはなれません。

製造業で“旧来の解析”が残る理由

---

• 再現性：同じ条件で同じ答えを返しやすい
• 速度：現場の即時判断に耐えやすい
• 検証性（妥当かどうかを確認しやすいこと）：閾値、変数、判定根拠を追いやすい
• 実装性（現場に実際に載せやすいこと）：エッジや既存設備の近くでも動かしやすい
• 保守性（あとから直しやすく管理しやすいこと）：モデル更新の影響範囲を管理しやすい

たとえば、膜厚監視、充填量監視、設備保全の予兆検知のようなテーマでは、「あとでうまく説明できる」ことより、「その場で同じ基準で切れる」ことのほうが先に求められます。現場では、賢い分析であること以上に、運用に乗る分析であることが大事です。

もう一つ大事なのが、バリデーション（導入前に妥当性を確認する検証）のしやすさです。

製造業では、新しい仕組みを入れるときに「どの条件で試験したか」「何件中何件で再現したか」「境界条件はどうか」をきっちり確認します。従来型の解析は、この検証設計と相性がいい。評価指標も作りやすいし、合否基準も置きやすいです。

一方で生成AIは、質問文のわずかな違いで出力が変わることがあるし、モデル更新で微妙に性格も変わります。便利ではあるのですが、品質保証の帳票にそのまま載せるには、まだ一工夫どころか二工夫くらい必要です。

しかも、工場はオンプレ・エッジ・閉域網（社内設置・現場近く・外部と切り離したネットワーク）の事情も強いです。クラウド前提で巨大モデルを毎回呼ぶ設計は、通信、セキュリティ、コストの面で厳しいことがあります。

従来型の軽いモデルやルール処理なら、装置の近く、エッジPC（現場側で処理する計算機）、場合によってはPLC（設備制御用コントローラ）まわりに近い場所でも置きやすい。ここは地味ですが、かなり大事です。現場で強い仕組みは、派手なAIより「ちゃんとそこで動くこと」で勝つ場面が多いです。

コストの話も避けられません。生成AIは、便利さの代わりに、計算資源も利用料もそれなりに食べます。もちろん今後は安くなっていくでしょう。でも、24時間365日で大量の工程データに対して常時推論する用途では、従来型の解析のほうがずっと軽く、ずっと読みやすい原価になります。

しかも現場では、単発のデモ費用より、月次で積み上がる運用費のほうが効きます。PoC（概念実証）では成立しても、本番運用でじわじわ重くなる仕組みは、結局長続きしません。このあたりは、技術選定というより経営判断に近い話です。

工場では、技術の美しさと同じくらい、月末の請求書も大事です。少し夢のない言い方ですが、現場ではそこが案外いちばん現実です。

観点	生成AIが強い場面	従来解析が強い場面
再現性	文章整理・要約・対話支援	判定・監視・制御判断
速度	数秒〜十数秒許される支援	ミリ秒〜秒単位の即時処理
説明責任	報告書や仮説のたたき台	品質会議・監査・原因追跡
データ特性	文章、履歴、手順書、問い合わせ	数値、波形、時系列、工程条件
実装場所	クラウド支援、知識活用	エッジ、閉域、常時監視

では、生成AIはいらないのか。もちろん、そんなことはありません。ここを雑にすると、話が一気にもったいなくなります。生成AIは、解析結果を人に届けるところで非常に強いです。

たとえば、異常検知の結果を現場向けの言葉に直す。過去トラブル履歴から似た事例を探して説明する。日報や報告書の下書きを作る。ベテランの口頭知識を手順書のたたき台にする。こういう“翻訳”や“橋渡し”の仕事は、生成AIの得意分野です。SFIでも、私はそこにかなり大きな可能性を感じています。

要するに、構図はこうです。判定の土台は、再現性の高い旧来解析が持つ。生成AIは、その結果を人が使える形に変える。 これが、今のところいちばん自然で、いちばん現実的です。

異常かどうかを決める部分は、統計・信号処理・従来型ML（機械学習）で堅く作る。そのうえで、生成AIが「なぜこのアラームが上に来たのか」「過去に似た例は何か」「次に誰へ連絡するか」を人に分かる言葉で返す。これなら、両者の強みがぶつからず、ちゃんとかみ合います。

つまり、生成AIが前に出るべき場所と、裏方に回るべき場所を分けるわけです。全部をひとつの万能モデルに押し込むより、判定、監視、説明、引き継ぎを役割分担したほうが、結果として現場は安定します。ここは少し地味ですが、実運用ではかなり効く考え方です。

「生成AIに全部やらせる、ではないんです。判定は堅く、説明は柔らかく。その分業のほうが、現場ではやっぱり強いんです」

そしてこれは、SFIの思想にもかなり近いです。SFIは、現場のデータを速く扱い、再現可能な手順で解析し、その結果を人が判断に使える形へ落とすための道具として育ててきました。

言い換えると、SFIが大事にしているのは「賢そうに見えること」より「現場で繰り返し使えること」です。ここは地味ですが、工場向けの仕組みではかなり本質です。毎日回るものほど、派手さより安定が効きます。

生成AIが伸びたからといって、その土台を全部捨てる理由にはなりません。むしろ逆です。生成AIをうまく使うためにも、先に再現性のある解析基盤が必要になります。土台がふわふわしたまま、その上に賢い会話だけ乗せても、工場ではあまり長生きしません。

この先、生成AIはもっと良くなるでしょう。再現性を高める工夫も進むはずです。専用モデルや小型モデルも増えて、現場導入の幅も広がると思います。

それでも私は、製造業では「旧来のデータ解析が消える」のではなく、役割がよりはっきり分かれて共存する方向へ進むと見ています。ハンマーが進化したからといってノギスが消えないのと同じで、どちらも道具で、向いている仕事が違うだけです。

生成AIは万能選手ではなく、再現性のある解析基盤の上でこそ強く働きます