テーマ12：AI活用条件

学習週：Week 14
優先度：★8位（使うこと自体が目的ではない）

1. AIが向く仕事・向かない仕事

1.1 AIが向く仕事

① パターン認識：大量データの中の規則性を見つける
   → 外観検査（不良品の画像分類）
   → 異常検知（設備の振動データから予兆を検出）

② 推奨・最適化：多変数の組み合わせを最適化する
   → 生産スケジューリング最適化
   → 在庫補充タイミングの推奨

③ 文書処理：非構造化データの情報抽出
   → 図面・仕様書からの情報抽出
   → クレーム報告書の分類・要約

④ 予測：過去データから将来を予測する
   → 設備故障の予知
   → 需要予測

1.2 AIが向かない仕事

① 規則が明確に書ける仕事
   → ルールベース処理で十分。AIは過剰
   → 例：「この条件なら承認、そうでなければ却下」

② 根拠の説明責任が必須の判断
   → AIの推論過程は不透明（ブラックボックス）
   → 法的・安全に関わる最終判断は人が持つ

③ データが極端に少ない状況
   → AIは大量データで学習する。数十件では機能しない

④ 正解の定義が曖昧な仕事
   → 判断基準自体を人が決めないとAIに学ばせられない

2. 製造業でのAI活用領域

2.1 AI外観検査

技術：Computer Vision + Deep Learning（YOLOv8, ResNet等）
用途：表面キズ・バリ・寸法異常の自動検出

導入条件：
  ① 不良の種類と合否基準が明確に定義されている
  ② 良品・不良品の画像データが数千枚以上収集できる
  ③ 照明・カメラ位置が安定している
  ④ 誤判定時の人による確認フローが設計されている

導入してはいけない状況：
  ・合否基準が人によって異なる（人間が統一されていない）
  ・不良の種類が多すぎて学習データが集まらない

2.2 予知保全（PdM）

技術：時系列異常検知（Isolation Forest, LSTM, Autoencoder）
用途：設備の故障予知・最適保全タイミング

導入条件：
  ① 設備にセンサー（振動・温度・電流）が設置可能
  ② 過去の故障記録が時刻付きで存在する
  ③ 正常稼働時のデータが十分に取れる
  ④ 保全部門がアラートに応答できる体制がある

3. 人が判断を持つべき境界条件

人が最終判断を持つべきケース：
  ① 安全に関わる判断（製品の出荷可否など）
  ② 法的責任が発生する判断
  ③ AIの信頼度（Confidence Score）が閾値以下の場合
  ④ 初めて遭遇するパターン（学習データにない状況）
  ⑤ 顧客との交渉・コミュニケーション

設計すべき仕組み：
  「AIが判断する領域」と「人が判断する領域」の境界を明確にする
  AIが自信を持てない場合は自動的に人へエスカレーション

4. 誤判定時の責任分担設計

責任の所在を事前に設計する：

AIが誤って不良品を良品と判定し出荷 → 誰の責任か？
  → システム導入者？品質管理者？最終確認者？

原則：
  ① AIの判断は「補助情報」として使う
  ② 重要な判断の最終確認は人が行い、その記録を残す
  ③ AI判断の精度（FPR・FNR）を定期的に評価する
  ④ 誤判定発生時のレポート・是正フローを設計する

推奨参考資料

✅ 実務チェックリスト

このテーマを「理解した」と言えるための確認項目

• 製造における代表的なAI活用領域（外観検査・予知保全・需要予測・スケジューリング）を説明できる
• 機械学習の「教師あり学習」と「教師なし学習」の違いを製造事例で説明できる
• AI導入前に必要なデータ条件（量・品質・ラベリング精度）を確認できる
• PoCの成功条件（精度目標・処理速度・現場負荷）を定量的に設定できる
• AIシステムの「モデルドリフト」（時間経過による精度劣化）への対応方針を説明できる

💡 ETO製造での適用ポイント

ETOではサンプル数が少ないため「大量データが必要な深層学習」は不向きなケースが多い。同一製品を何千個も生産するMTS工場では大量の不良データが蓄積できるが、ETOでは各案件の数量が少なく、不良も稀にしか発生しない。このため、少数サンプルでも有効な「異常検知（教師なし学習）」「ルールベース＋MLのハイブリッド」アプローチが実用的だ。

AIの価値が最も出やすい領域は「人の判断のばらつきが大きいプロセス」だ。外観検査や溶接品質判定は、検査員によって合否が変わることがある。このバラツキをAIで標準化することで、品質の一貫性が向上し、熟練検査員への依存度を下げられる。

AI導入はツールの選定より「良質な教師データの収集プロセス設計」が成否の8割を占める。「AIを導入したが精度が出ない」という失敗の多くは、教師データの量・品質・ラベリング精度の問題だ。データ収集・ラベリングの工数と体制を事前に見積もることが、AIプロジェクト成功の前提条件となる。

ETOにおけるAI活用の現実的なロードマップは、①まずデータ収集基盤を整備→②統計的分析で効果を出す→③一部工程でルールベース自動化→④データ蓄積後にMLを適用、という段階的アプローチが安全だ。最初からAIありきで計画すると、データが足りずPoCが失敗するリスクが高い。

🔗 関連テーマ