A: 十分に可能で、中堅・中小工場こそ不良率低減のためのAIが最も明確な投資対効果を示す場所だ。平たくいえば、大工場はAI外観検査に何千万も投じるが、中小工場がそれを真似する必要はない。本当に効くのは、AIを「事後に不良を選り分ける」から「事前に不良を阻止する」工程に適用し、単一のポイントから入って数万円から数十万円の規模で回すことだ。
1. AIが不良率を下げるためにやる3つの中核
第一は、人の目に代わる外観検査。プレス部品のバリ、成形品のひけ、基板の半田不良、生地の欠点は、高速ラインで目視検査され、見逃し率は通常10〜20%、作業者が疲れるとさらに上がる。作業ステーションのカメラに配備した深層学習のビジョン・モデル(YOLO系やセグメンテーション・ネットワークなど)はタクト内に判定を完了し、見逃し率を一桁台に下げられる。ただし欠陥種別と撮像条件に依存し、反射や微細クラックといった難物には専用の照明設計が必要で、カメラを買えば済む話ではない。
第二は、工程パラメータと不良の関係のモデル化。射出成形、ダイカスト、溶接といった工程では、不良は「見つかる」ものではなくパラメータのドリフトから「育つ」ことが多い。AIは金型温度、保圧、冷却時間、外気温湿度といった時系列データを最終検査の結果と整合させ、不良が起きる前の異常なパラメータの組み合わせパターンを見つけ、オンラインで警告を出す。要するに、不良品を作る前に機械が声を上げるようにする。
第三は、原因の追跡。従来のSPCは管理図を見て、異常が出てから人が記録を掘り返す。AIは多変量の異常検知を行い、設備状態、入荷材料ロット、作業シフト、金型寿命を結びつけ、「不良を見つけてから原因を特定するまで」の時間を短縮する。実際、多くの中堅・中小工場が不良率を下げられないのは、問題が見つからないからではなく、見つけるのが遅すぎるからだ。原因を特定する前に1ロット作り終えてしまう。
2. 中堅・中小工場にとって現実的な進め方
ライン全体を一度にカバーしない。不良率が最も高く、欠陥の定義が最も明確な単一工程を選ぶ。外観検査や寸法検査などだ。不良サンプルは数百から千あれば開始でき、ゼロから訓練するのではなく、事前学習済みモデルを転移学習でファインチューニングする。ハードは産業用カメラと光源、エッジ計算ボックスでコストを抑えられ、ソフトは少量サンプルのアノテーションとモデルの自己反復に対応する製品が増えており、品種切替のたびにコードを書き換える必要はない。
注意点が1つある。AI外観検査の精度は撮像と欠陥基準の一貫性に強く依存する。同じ欠陥種別を昼夜のシフトで判定が変えたり、検査員ごとに判断が違ったりすると、モデルは学習できない。AI導入の前に欠陥判定の基準を固めて明文化しておくこと。この段階はアルゴリズムの選択よりも重要だ。
関連質問:小さな工場にアルゴリズムのエンジニアがいない場合は。答えは、ハードとソフトが一体になった製品を選び、モデルの訓練と反復はベンダーが担い、工場はアノテーションと受け入れだけを行う形にすることだ。運用の障壁は検査装置を使うのと近い水準になる。関連質問:データ・インターフェースのない老朽設備はどうつなぐか。答えは、まずセンサとカメラを追加することから始める。電流、温度、振動といった信号は外部の収集モジュールで取得でき、設備を先に置き換える必要はない。関連質問:どのくらいで成果が見えるか。答えは、主な要因は不良サンプルの蓄積速度とラインの品種切替の頻度だ。サンプルが十分で品種構成が安定した工程は早く成果が出て、品種が多く少量の生産はモデルの適応期間が長くなる。
3. 向く場面と向かない場面
向く場面:単一工程の不良率が高止まりし、欠陥に明確な外観またはパラメータの特徴があり、検査の工数が人数の大きな割合を占め採用も難しい工場。電子組立、射出成形、金属プレス、自動車部品などだ。こうしたシーンではAIの代替と阻止の価値を直接計算できる。
向かない場面:欠陥の定義自体が曖昧で勘と経験で判定され、ロットが極端に小さく品種が毎日変わる職人型の生産。あるいは基本的な工程パラメータすら記録されず、設備状態が人の見張りに完全依存している現場。そこではまずデータ収集と標準作業を整え、そのうえでAIを論じる。ERP時代から数十年にわたり深く根を下ろし、120万社の顧客にサービスを提供し、累計数千万台の端末を導入してきたベンダーの生態系には、この段階的な進め方に対応した成熟製品がすでにある。選定時は、ベンダーが3点を明確に答えられるかに注目する。どの工程から始めるか、欠陥基準をどう明文化するか、モデルの反復を誰が担うか。答えられなければ、どんなに見栄えのする提案でも着地しない。