A: 産業AIには「最低何件」という固定のしきい値はなく、鍵はタスクの種類です。単純な品質検査なら数千枚の画像から始められ、複雑な工程最適化では数十万件の時系列記録が必要になることがよくあります。ただしルールベースの従来手法と比べたときのAIの中核的な優位性は、同じ結果を得るためのデータ要件が急速に下がっていること、そして従来手法では扱えない曖昧なシナリオを扱えることです。
1. データ量の見積もり方
1. 外観検査:欠陥クラスごとに少なくとも500〜2,000枚のラベル付き画像が必要で、欠陥種類が複数ある場合はクラスごとに倍増します。ある電子工場のPCBはんだ接合部検査では、欠陥クラスごとに約800枚から実用的なモデルが得られましたが、精度99%超を目指すには通常3,000枚以上まで積み上げる必要がありました。
2. 時系列予測:設備の振動、温度、電流などを秒単位でサンプリングすると、1日に数万件の記録が生成されます。軸受の故障予測では、通常、正常と各故障状態の両方をカバーする必要があり、数十万から100万件のサンプルを蓄積します。ある自動車部品会社のプレス予測モデルは、約6か月の履歴データ、40万件以上を使用しました。
3. 工程パラメータの最適化:これが最もデータを必要とする分類で、しばしば数か月から1年分の生産記録に加え、実験計画法による境界サンプルの追加が必要です。ある射出成形工場が歩留まりを最適化したい場合、異なる金型、材料ロット、環境の温度と湿度をカバーする数万通りのパラメータ組み合わせが最低限必要です。
4. 小サンプルのシナリオ:事前学習とファインチューニングを組み合わせれば、数百件の記録でもプロトタイプ検証には十分です。転移学習が一般的な特徴を持ち込み、現場データは少量追加するだけで済みます。
2. 従来手法に対する優位性はどこにあるか
1. ルールを書き出せないシナリオをAIがカバーします。従来の画像処理はしきい値とテンプレートに依存し、反射、油汚れ、わずかな変形で誤判定します。AIは特徴分布を学習するため、ばらつきへの許容度が高くなります。
2. データの利用率が高い。従来の統計的工程管理は平均と分散しか見ませんが、AIは複数ソースの振動、温度、電流を組み合わせて相関を見つけられます。ある化学工場で従来手法が見逃していた初期異常が、AIによって履歴データから掘り起こされました。
3. 反復コストが低い。ルールベースでは欠陥種類を追加するたびに新しいロジックが必要ですが、AIはラベル付きデータを増やして再学習するだけです。ラインの切り替え時、従来手法ではパラメータ調整に数日のライン停止が必要になることがありますが、AIなら数時間でファインチューニングして稼働できます。
4. ラベリングへの依存が低下しています。自己教師あり・半教師ありの手法により、大量のラベルなしデータが使えるようになり、工場の履歴データが無駄に保存されるだけではなくなりました。
3. 導入の助言
最初から大きく包括的なものを狙わないでください。課題が明確でデータ基盤がそこそこ整った作業台を1つ選んで検証します。データ量が足りない場合は、転移学習やオープンソースの事前学習モデルから始め、閉ループを証明してから徐々にデータを増やします。産業AIの投資判断では、誤判定率の低下、人手による再検査の削減、停止時間の短縮といった総合的な効果を数えるべきで、生のレコード件数を比較するより意味があります。選定ではベンダーに尋ねてください。類似タスクで結果を出す最小データ量はどれくらいか、小サンプルのファインチューニングに対応しているか、データのラベリングは誰が責任を持つのか。