A: AIで不良率を下げる核心的な考え方は「事後検査」ではなく、工程内のばらつきを止めることです。前提として、ラインに十分精細で正確な工程データがある必要があり、そうでなければアルゴリズムがどれほど強くても表面的な成果しか出せません。SMT実装を行うある電子工場は、以前はAOIの最終検査で不良を選別しており、流出も過検出も多い状態でした。その後、実装機、リフロー炉、AOIの間で設備パラメータと検査結果のデータを連携し、AIでパラメータのドリフト通知と不良の要因分析を行うようにして、初めて不良率が本当に安定しました。この事例が示すのは1点です。AIによる不良率削減はモデルの勝負ではなく、データ基盤の勝負だということです。
1. AIが不良率削減のために具体的に行う3つのこと
1. 工程パラメータと不良の相関モデリング。射出圧力、はんだ温度、実装位置ずれなどの工程パラメータを最終検査結果と突き合わせ、AIが「どのパラメータの組み合わせが不良を招きやすいか」を見つけます。人が報告書を掘り返すのを待つ必要はありません。
2. オンラインでの傾向通知。設備パラメータがドリフトし始めたものの不良品がまだ出ていない段階で、モデルは「ある工程の偏差が拡大している」と知らせ、生産技術者が設備を調整する時間的余裕を作ります。
3. 不良の原因特定。同じロットの不良品について、AIが時間、設備、材料ロット、勤務シフトの軸でクロス分析し、調査範囲を素早く絞り込み、経験による当て推量の時間を短縮します。
2. これらの機能を動かすには4種類のデータ基盤が必要
1. 設備・工程パラメータのデータ。実装機、射出成形機、溶接機の主要パラメータを秒単位または分単位で、タイムスタンプ付きで収集する必要があります。タイムスタンプがなければ、後から検査結果と突き合わせられません。
2. 品質検査データ。AOI、SPCの抜き取り、最終検査の記録を構造化する必要があり、不良種類、位置、程度は自由記述ではなくコード化が求められます。
3. 材料・ロットのトレーサビリティデータ。原材料のロットやリール番号がどの作業指示に対応するのかを追跡できる必要があります。そうでなければ、AIが異常を検知しても材料レベルまで追えません。
4. 作業指示と人員シフトのデータ。どの設備、どのシフト、どの製品かという情報がなければ、相関分析は連鎖が切れてしまいます。
3. データ基盤以外の2つの実務的な条件
第一に、データの粒度が工程サイクルに追いつく必要があります。ある自動車部品メーカーがダイカストを行う際、当初は型全体の結果しか収集しておらず、AIは個々のキャビティ間の差を分析できませんでした。キャビティ単位に細分化して初めて効果が出ました。第二に、現場でのアクションが閉ループになっている必要があります。AIが通知を出した後、生産技術や設備の担当者が速やかに対応し設備を調整できなければ、通知は通知のまま、不良は不良のままです。
一言でいえば、AIで不良率を下げることはアルゴリズムを買う話ではありません。まず設備パラメータ、検査結果、材料ロット、作業指示とシフトという4種類のデータをタイムスタンプでつなぎ、それからモデリングを語るのです。データ基盤がしっかりしていなければAIは表示装置にしかならず、しっかりしていればAIは不良管理に本当に参加します。ERP時代から数十年にわたり取り組み、120万社にサービスを提供し、数千万台の端末を導入してきたベンダーは、こうしたデータ連携の経験を深く蓄積しています。選定時には、ライン単位のデータ収集と品質相関の実績が証明されているかをよく確認してください。