A: 継続学習型モデルを生産ラインで動かす前提は、アルゴリズムがどれだけ進んでいるかではなく、データ基盤が「使いながら学ぶ」という行為を支えられるかどうかです。合格水準のデータ基盤がなければ、モデルは稼働した瞬間から劣化し、学ぶ速さが速いほど大きく間違えるようになります。
1. データには結果ラベルだけでなく時系列ラベルが必要
生産ラインのデータの特徴は時間順序性の強さです。ある自動車部品会社のダイカストマシンが1サイクルあたり数百の測定点、温度、圧力、速度、冷却時間などを生成するとします。モデルに「このロットは合格か不合格か」だけを教えても、工程がどう変化したかを学べません。継続学習には、どの時間窓のどのパラメータがドリフトして品質の変化を招いたかという時系列の注記が必要です。こうしたラベルがなければ、モデルの更新は毎回、盲人が象を撫でるようなものになります。
2. データフローは一方向ではなく閉じた循環で戻ってくること
多くの工場のデータは一方向です。センサーからSCADAへ、SCADAからデータベースへ、それで終わりです。継続学習にはライン側の推論結果を戻すフィードバック経路が必要です。ある電子工場がAOIの再判定を行う場合、モデルが最初にNGと判定した基板について、人手の再判定結果が自動で書き戻され、推論、人による確認、サンプル保存、増分学習というループを形成する必要があります。ループの遅延は分単位に抑えなければなりません。そうでなければモデルは常に昨日のライン状態を学ぶことになります。
3. データ分布が監視可能であること。ドリフト検知は必須
ライン上の型替え、材料変更、シフト変更は、いずれもデータ分布を変えます。継続学習型モデルにはドリフト検知が不可欠です。たとえば射出成形の現場がメルトインデックスの異なる新しいペレットのロットに切り替えたとき、モデル入力分布の偏移がしきい値を超えたら警報を出すか更新を止めるべきです。この監視がなければ、モデルは異常を正常として学習してしまいます。15以上の業界にわたる120社超の顧客での配備経験から言えば、継続学習の成否はモデルそのものよりもドリフト検知で決まります。
4. 履歴データが追跡可能であること。バージョン管理は欠かせない
継続学習は古いデータを捨てるという意味ではありません。各回の増分学習でどのサンプルを使い、あるモデルバージョンがどのロットのラインデータに対応するのかを追跡できなければなりません。ある新エネルギー電池工場が極板塗工の面密度モデルを20回更新したとします。ある日まとまった不良が出たとき、問題前のバージョンへ戻し、どのロットの新サンプルがモデルを歪めたかを特定できる必要があります。データのバージョン管理がなければ、継続学習は制御不能になります。
5. エッジ側に十分な計算資源と保存の余裕が必要
継続学習はしばしばラインのエッジで行われ、すべてをクラウドへ送るわけにはいきません。エッジボックスや産業用PCは、増分学習用に計算資源の30%以上を余裕として確保し、保存領域は直近数週間の最も価値あるサンプルをローリングで保持できる必要があります。階層型の保存戦略を勧めます。生データはすべて中央に保持し、エッジにはハード例と直近サンプルだけを残します。ある電子工場は直近72時間の全データと直近30日のハード例をエッジに置いており、ディスクを圧迫せずこれで足りています。
まとめの助言です。継続学習の枠組みに飛びつかないでください。2週間かけて既存データを監査します。時系列ラベルはあるか、閉じたフィードバックループはあるか、ドリフト監視はあるか、バージョン追跡はあるか。4つのうち2つ以上が欠けているなら、まずデータ基盤を直してください。そうでなければ継続学習モデルはラインで1か月ももちません。まず1ステーション、1モデルから始めてデータループを証明し、それから複数ラインへ広げるほうが、最初から全工場に展開するよりはるかに安全です。