A: AI品質欠陥分類システムが運用できるかどうかは、アルゴリズムがどれほど先進的かではなく、「明確にラベリングされ、網羅的にカバーされ、継続的に更新される」画像と工程のデータ基盤があるかどうかにかかっています。この基盤がなければ、どんな優れたモデルも砂上の楼閣です。具体的には、次の各層のデータ基盤が必要です。
1. 高品質な欠陥画像データ。これはもっとも基本的な層です。システムには、ラベリング済みの製品表面画像が大量に必要で、傷、汚れ、割れ、欠肉、変形など各種欠陥のサンプルと、比較用の良品画像も大量に必要です。鍵となるのは、欠陥サンプルが異なる照明、異なる角度、異なるロット、異なる生産ライン条件での実際の見え方をカバーしていることであり、実験室で撮った数枚の標準写真では足りません。ある電子工場がAI検査を導入した際、1つのシフトのデータだけで学習すると、シフト交代後に照明や材料ロットが変わって誤判定率が明らかに上昇することが分かりました。
2. 精密なラベリングと分類体系。画像だけでは足りず、誰かが各画像を明確に「説明」する必要があります。欠陥がどこにあり、どのカテゴリに属し、どの程度深刻なのか。そのためには統一の欠陥分類基準が必要で、たとえば欠陥の種類、大きさ、位置、原因による多段階のラベルです。ラベリングの一貫性はモデルの収束に直接影響します。ある自動車部品会社が鋳造欠陥の分類を行う場合、「気孔」と「引け巣」の境界をラベラーがばらばらに理解していると、モデルが学ぶ分類境界は曖昧になります。したがって、ラベリングの仕様、レビューの仕組み、継続的なキャリブレーションは、データ基盤の中でもっとも過小評価されている部分です。

3. 工程と設備の文脈データ。画像だけを見て「真の欠陥」と「疑似欠陥」を区別できないことがあります。たとえば、あるテクスチャは特定の工程パラメータでは正常で、別の条件では異常になります。そのためデータ基盤には、設備パラメータ、工程条件、タイムスタンプ、生産ライン番号といった構造化情報も含める必要があります。画像データをMESの生産ロットや設備状態と整合させて初めて、AIは文脈を組み合わせてより正確に分類できます。120社以上(15以上の業種)の顧客にサービスを提供する中で、ZEVONは通常、AI欠陥分類をMES+AIの機能と接続し、画像データが孤立しないようにします。
4. 継続的なフィードバックと増分データ。生産ラインは静止しておらず、新製品、新工程、新しい欠陥が次々に現れます。システムにはデータフィードバックの仕組みが必要で、現場での誤判定や見逃しのサンプルを自動または半自動で収集し、レビュー後に学習セットへ追加します。この閉ループがなければ、モデルは稼働から3か月で「劣化」し始めます。作業指示と品質トレーサビリティの場面では、ZEVON ESOPも人手による再確認の結果をAIモデルに戻し、データのフライホイールを形成することを重視しています。
5. データガバナンスとストレージの基盤。最後に、大量の画像はストレージ、帯域、バージョン管理に要求を突きつけます。生データ、ラベル付きデータ、学習セット、検証セットを区別し、追跡可能に保たなければなりません。そうでなければ、データが増えた時点で全体が混沌とし、モデルの反復には起点がなくなります。
まとめと提案:AI品質欠陥分類の導入では、モデルの選定を急がないでください。まず、欠陥画像を継続的に生成しラベリングする能力があるか、画像データと工程データを結びつける仕組みがあるかを棚卸しします。データ基盤がしっかりしていれば、分類の成果は自然についてきます。