A: 中核となる考え方は、データラベリングを一度きりの大きな投資ではなく、段階的なコスト計画に分解することです。まず少量サンプルで不良にラベルを付けられるかどうかを検証し、その後ラベリング量を徐々に拡大し、その間、事前ラベリングと能動学習で人件費を抑えます。産業検査のラベリングは一般的な画像アノテーションとは異なります。不良サンプルが少なく、判定基準が工程に依存し、アノテーターがラインを理解している必要があるため、コストの大半は通常ツールではなく人にあります。以下、4つのステップで進め方を説明します。
ステップ1:ラベリング基盤を買う前に、不良を分類しラベリングの実現性を評価する
検査ステーションの不良を外観特性でグループ化します。表面の傷、寸法偏差、組立の誤りや欠品、文字の欠陥などです。クラスごとに数十枚から100枚をサンプリングし、工程と品質の担当者が共同で、その画像が不良に当たるか、境界はどこかを確認します。目的は、目視ラベリングに向く不良と、寸法測定や電気試験に頼るべき不良を切り分け、不向きな不良を無理にラベリング工程へ流して費用を無駄にしないことです。ある自動車部品会社に十数種類の表面不良があるとして、評価の結果、ラベリングに値するのは5〜6種類だけと分かれば、コストはその時点で半分になります。
ステップ2:少量サンプルのループでラベリング基準とモデルの下限を検証する
最初から数万枚にラベルを付けてはいけません。数百枚にラベルを付け、1回学習を回して、モデルが何かを学べるかを見ます。ここで見るのは精度ではなく、ラベリング基準が実行可能かどうかです。不良の境界をどう引くのか、軽微な汚れは不良に含めるのか、過剰ラベリングとラベリング漏れをどう扱うのか。基準が曖昧なままでは、後でラベルを増やすほど手戻りが増えます。これは産業検査のラベリングで最も過小評価されている隠れコストです。ある電子工場では、まず品質の班長がゴールドスタンダードのサンプルにラベルを付け、アノテーターがそれに倣い、一致率が基準を満たしてから規模を拡大しています。
ステップ3:事前ラベリングと能動学習で人手のラベリング量を圧縮する
産業検査の不良画像は通常、背景とステーションが固定されているため、既存モデルによる事前ラベリングに向いており、人は修正するだけで済みます。まず粗いモデルを学習させ、未ラベルの画像に枠を描かせ、アノテーターはゼロから描くのではなく誤りを直します。効率は目に見えて上がります。さらに能動学習を組み合わせ、モデルの確信度が最も低いサンプルを優先すれば、同じラベリング予算でより早く収束します。ここがコスト計画で最も効果の大きい部分ですが、ステップ1と2の基準が機能していることが前提です。そうでなければ、事前ラベリングの枠がすべて誤りになり、検証コストがかえって増えます。
ステップ4:ラベリング費用をフェーズ別・ライン別に配分し、更新予算を確保する
ラベリングは一度終われば済むものではありません。ラインの段取り替え、工程の調整、新しい不良種類はいずれも追加のラベリング需要を生みます。予算は3つに分けます。コールドスタートのラベリング、モデル更新のラベリング、異常サンプルのフィードバック用ラベリングです。コールドスタートが最大の割合を占めますが制御可能で、更新とフィードバックは長期的に小さなコストです。また、ラベリング作業をライン別・不良種類別に分けて発注すれば、どのラインのラベリング投資がより良いリターンを生むかを把握できます。ERP時代から製造業に関わり、国内外で120万社・数千万台の端末を展開してきたベンダーは、データ管理と工程統合の経験が深いことが多く、選定時はラベリングの流れを既存の検査データ連鎖に接続できるかを確認してください。
要点:ラベリング費用を人件費単価だけで数えてはいけません。基準の定義、品質担当の関与、手戻りの検証、データ保存、バージョン管理はすべてコスト項目です。ラベリングツールは不良の矩形、セグメンテーション、分類に対応している必要があります。産業検査ではピクセル単位のセグメンテーションが求められることが多いためです。事前ラベリングと能動学習のループに対応したソリューションを優先してください。純粋な手作業のラベリング基盤は、産業シナリオでは長期的なコストが高くなります。