ナレッジセンター
目次

Q: AI品質欠陥分類システムのベンダーを選ぶとき、何に注意すべきか

A: この種のベンダーを選ぶとき、核心はアルゴリズム名がどれほど派手かではなく、欠陥分類の原理を明確に説明でき、自社のライン条件で安定して再現できるかどうかです。原理を説明できないベンダーは、パラメータ調整と検収を終わりのない押し問答にします。

1. まず欠陥分類にどの技術ルートを使っているかを見る。AIという言葉に惑わされない

欠陥分類は主にいくつかのルートに分かれます。従来のマシンビジョンと特徴量エンジニアリング、画像分類のためのCNN畳み込みネットワーク、そしてこの二年で登場したビジョン大規模モデルや少数サンプル学習の手法です。どれを既定で使うのか、なぜ自社の欠陥種別に適するのかを明確に問う必要があります。たとえば傷や汚れのようにテクスチャの差が小さい欠陥と、欠品や誤品のような構造的な欠陥では、モデルへの要求がかなり異なります。自動車部品企業が表面欠陥検査を行うとして、ベンダーが汎用の分類モデルしか適用できないなら、反射のある金属部品では失敗しがちです。どのバックボーンを使い、少数サンプルをどう扱い、クラスの不均衡をどう解くかを説明できるベンダーだけが信頼できます。

2. 分類原理がクローズドセットかオープンセットかを理解する。これが後々の維持コストを決める

クローズドセット分類は学習時に見た欠陥クラスしか認識できないため、新しい欠陥には再ラベリングと再学習が必要です。オープンセットや異常検知の手法は未知の欠陥を異常として通知できます。ライン上の欠陥種別は工程変更とともに増えるのが普通なので、クローズドセットのソリューションを選ぶ工場は自社の欠陥スペクトルが安定しているかを評価する必要があります。ベンダーがこれを自ら提起しないなら、こちらから提起してください。

3. データラベリングとサンプル不足をどう扱うかを見る

欠陥サンプルは本質的に希少で、これは業界全体の課題です。信頼できるベンダーは、学習開始に何枚必要か、少数サンプルのファインチューニングに対応するか、ラベリングツールが含まれるか、増分データがどう戻るかを明確に説明します。データが多ければ多いほどよいと曖昧に言う相手は、エンジニアリング実装をほとんど考えていません。

4. 推論の配備形態とサイクルタイムへの適合能力を検証する

分類システムはラインに組み込まれるため、推論遅延、GPUの選定、エッジ配備に対応するか、既存のMESやPLCとどう統合するかを事前に問う必要があります。ある電子機器工場は1個あたり数百ミリ秒のサイクルで回っています。モデルがどれほど正確でも、推論が追いつかなければ役に立ちません。

関連する補足:こうしたシステムの価格は何で決まるか

主に四つです。欠陥クラス数とモデルの複雑さ、カスタムの光学撮像方案が必要か(レンズや光源はソフトウェアより高価なことが多い)、配備点の数、その後のラベリングとモデル反復のサービスです。予算が膨らみやすいのは撮像方案と点数で、ソフトウェアのライセンス料だけを見ないでください。

関連する補足:検収時に分類原理が本当に機能するかをどう判断するか

ベンダーが見せるきれいなデータセットだけを見ないことです。自社のラインで自社の欠陥サンプルを使ってブラインドテストを行わせ、クラスごとの再現率と誤警報率、とくに希少な欠陥クラスを確認します。さらに、誤判定の理由を説明できるかも確認します。これは原理がしっかりしているかどうかを反映します。

向く・向かないの境界:欠陥クラスが比較的安定し、撮像条件の基盤があり、ラベリングと継続的な保守に投資する意思がある工場は、こうしたシステムに向きます。欠陥形状が毎日変わり、ラインの照明が極端に不安定で、データの閉ループに責任を持つ人がいない工場は、急いで導入すべきではありません。さもなければシステムは飾りになります。ベンダー選定の最低ラインは一文です。原理と合格基準を技術合意書に書かせ、スライドの上に残さないことです。

分野: AI-FAQ