A: 検査記録をデジタル化するだけではまったく足りません。サプライヤー品質管理のAIは、孤立した検査票ではなく、「サプライヤー、受入材、工程、完成品、アフターサービス」という連鎖を結び付けたマルチソースデータを糧にします。データ基盤の深さが、モデルが事後に責任を割り振るのではなく事前に警告できるかどうかを直接左右します。
1. 構造化された受入材・検査データが基盤
最も基本となる要素は受入検査記録ですが、従来のIQC台帳よりも詳細でなければなりません。バッチ番号、サプライヤーコード、材料コード、検査項目、測定値、判定結果、サンプリング計画、検査員、検査時刻のいずれも欠かせません。鍵は「合否」だけでなく「測定値」を持つことです。AIのトレンド分析や異常検知は、寸法、抵抗、成分といった連続変数の分布変化に依存するからです。ある電子部品工場が合否だけを記録していたとします。それではモデルは不良率しか計算できません。測定値を記録すれば、あるサプライヤーのコンデンサの値が公差帯の下限に沿って緩やかにドリフトしていることを見つけ、2〜3バッチ早く警告を出せます。この層のデータ品質が、後続のすべての分析の上限を決めます。
2. サプライヤーのマスタデータとバッチのトレーサビリティデータを接続する
サプライヤーファイルは名前と連絡先だけでは済みません。参入資格、過去の実績、材料のマッピング、原産地、工順、二次サプライヤーの情報を含める必要があります。さらに重要なのがバッチの前方・後方トレーサビリティです。受入バッチは、生産の作業指示、完成品のシリアル番号、出荷バッチ、さらにはアフターサービスの修理記録まで結び付かなければなりません。ある自動車部品メーカーが、組立て後にあるバッチのシールから漏れが見つかったとします。バッチの連携がなければ全数検査しかできませんが、トレーサビリティの連鎖があれば、AIは影響範囲を素早く特定し、どのサプライヤーのラインのどの原料バッチが原因かを遡れます。トレーサビリティデータが不完全だと、AIは受入側をぐるぐる回るだけで、真の品質閉ループに入れません。
3. 工程とアフターサービスのデータが予兆警告能力を増幅する
多くの企業が見落とす部分です。ラインの欠陥データ、工程パラメータ、設備状態、そしてアフターサービスの顧客クレーム、返品、修理記録も、材料とバッチによってサプライヤーに紐付ける必要があります。AIの価値は相関を見つけることにあります。サプライヤーの射出成形部品の寸法変動は、その材料変更、金型交換、シフト変更と関係しているかもしれません。その情報はサプライヤーの変更記録から得なければなりません。工程とアフターサービスのデータがなければ、モデルは受入合格率しか計算できず、根本原因の特定やリスク予測はできません。データの次元が揃っているほど、警告は早くなり、誤報は少なくなります。
4. データガバナンスとラベルの品質がモデルの実用性を決める
データがあればよいわけではなく、クリーンでなければなりません。材料コードを統一し、同じねじが3つのシステムで3つのコードを持たないようにします。検査項目を標準化し、異なる検査員が「表面の軽微な傷」に一貫した基準を適用できるようにします。過去データについては、どのケースが真の欠陥で、どれが誤判定で、どれが特採で受け入れたものかを明確にラベル付けします。AI品質管理の失敗の多くは、アルゴリズムが弱いのではなく、ラベルのノイズが多すぎることが原因です。モデリングを議論する前に、マスタデータガバナンスと検査基準の統一をしっかり行ってください。
まとめと提言:AIを活用したサプライヤー品質管理のデータ基盤は、検査の測定値、サプライヤーのマスタデータ、バッチのトレーサビリティ、工程とアフターサービス、データガバナンスの5層で構築できます。まず受入検査の構造化と測定値の記録から始め、並行してバッチのトレーサビリティを接続し、その後、工程とアフターサービスのデータを段階的に取り込みます。この基盤があって初めて、AIは「合格率の計算」から「リスク予測と根本原因の特定」へと進化できます。ERP時代から数十年にわたり製造業に深く関与し、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は、データ統合とマスタデータガバナンスの実践蓄積が一般的に豊富です。選定時には、そのデータモデルが上記の5層をカバーしているかを確認してください。