工場 AI の要件分析とは、突き詰めれば、電子製造の現場でベテランの経験や人の目視確認に依存している作業を、AI が理解し実行できるタスクの一覧に翻訳することである。紹興の電子製造ベルトは、越城区の集積回路のパッケージ・テストから、上虞の表示モジュール、諸曁の電子部品まで、自動化からインテリジェント化へと登っていく段階にある。この段階の最も典型的な特徴は、設備が足りないことではなく、設備データ、工程パラメータ、品質判定をつなぐ AI 要件の整理手法が足りないことである。
1. 工場 AI の要件分析は実際に何を分析するのか
それは IT 部門が記入する調達リストではない。工場 AI 要件分析の中核は、生産の流れの中で、高頻度で反復的であり、視覚や経験に基づく判断に依存し、誤りが許されにくいノードを特定することにある。SMT 実装後の AOI 再判定を例に取れば、従来の方法は拡大画像を人が確認するもので、1日に数千枚に及び、疲労とともに見逃し率が上がる。要件分析がすべきは、見逃しという漠然とした問題を、欠陥種別の分布、画像取得の精度、過検出の許容しきい値、MES との連携方式といった定量化可能な指標に分解することである。
紹興の電子製造の現場では、この分析は通常、1本のラインのボトルネック工程から始まる。工場全体ではなく、まず生産能力、歩留まり、人手のいずれかを制約している点を見つける。
2. 主な機能モジュールと技術的な要点
完全な工場 AI 要件分析は、通常4つのモジュールをカバーする。
1. データ収集とラベリングの要件。電子工場のデータソースは雑多で、AOI 画像、SPI はんだ検査データ、リフロー炉の温度プロファイル、実装機のリジェクト記録などがある。要件分析は、AI に必ず必要なデータは何か、どのサンプリング頻度か、誰がどの基準でラベリングするかを明記しなければならない。紹興の多くの電子工場は、画像はあるがラベルのない履歴データを抱えており、ラベリングの工数を要件段階で見積もる必要がある。
2. モデル能力の境界の定義。AI は万能ではない。要件分析は、求められる欠陥検出率、許容される過検出率、モデルの反復サイクルを明示しなければならない。外観欠陥検査で、検出率99.5%以上かつ過検出率1%未満を求めるなら、一般的な監視カメラではなく、高解像度の産業用カメラと多灯式光源を検討すべきである。
3. エッジコンピューティングと導入アーキテクチャ。電子ラインはタクトが速く、AOI ステーションは通常ミリ秒単位の応答を要求する。要件分析は、推論をライン上のエッジボックスで行うのか、職場レベルのサーバーで行うのかを決めなければならない。紹興の一部の電子工場は階高が限られ、キャビネットの設置スペースも狭いため、放熱と電源も要件に書き込む必要がある。
4. 既存システムとの統合。AI は孤島ではない。検査結果はトレーサビリティのために MES へ戻り、欠陥は PLC の排出動作をトリガーし、工程パラメータは SCADA へフィードバックされる。要件分析は、OPC UA、Modbus TCP、データベースの中間テーブルといったすべてのインターフェースプロトコルを列挙しなければならない。
3. 電子製造における典型的な適用シーン
紹興の企業で車載カメラモジュールを製造しているものを想定する。課題は具体的である。レンズ組立後の外観検査は、3人の女性作業者が顕微鏡下で傷と塵埃を確認しており、日産能力に限界があり、判定等級の基準も人によって異なる。
このシーンで工場 AI 要件分析は次のように展開する。まず欠陥を定義する。0.1mm を超える傷は NG、直径0.05mm を超える塵埃は NG とする。次に撮像方式を決める。同軸光と低角リングライトを併用し、0.02mm の細部を解像できる解像度とする。続いてモデル指標を設定する。傷の検出率は99%以上、塵埃の過検出率は2%以下とする。最後にタクトを設定する。1モジュールあたりの検査時間は3秒以内とし、既存のコンベヤ速度に合わせる。
もう一つの想定シーンは SMT ラインの段取り替えである。電子工場は機種の切替が頻繁で、段取りには実装プログラム、炉温度、AOI パラメータの調整が必要となる。AI 要件分析は、段取りパラメータの推奨に向けられる。過去の段取りデータでモデルを学習し、新規受注が来たときに初期パラメータ一式を自動推奨し、試作での不良を減らす。この要件は、多品種少量の紹興の電子工場にとって特に現実的である。
4. 選定と導入のアドバイス
紹興の電子製造企業は、AI 要件分析を行う際にいくつかの落とし穴を避けるべきである。
最初から工場全体の AI を追わないこと。まず1本のライン、1つの工程で検証する。市場には AOI 再判定や外観検査向けの標準化モジュールを提供するベンダーも多く、少ないサンプルでまず閉ループを実証できる。
要件書には、ラベリングの責任者と検収の責任者を明記しなければならない。AI プロジェクトの失敗のほとんどは、データのラベリング品質が不足していることに起因する。電子工場では、すべてを IT に任せず、工程技術者と品質技術者が共同で欠陥等級を定義するとよい。
紹興の地域産業の支援体制も考慮すべきである。紹興には集積回路と表示モジュールの基盤があり、一部の AI ビジョンベンダーは長江デルタにサービスチームを持ち、現地での立ち会い調整とモデル反復に対応できる。ソフトウェアライセンスを売るだけのベンダーより、現地に来て要件調査を行うベンダーを選ぶべきである。
予算配分では、撮像ハードウェアと光源が最も大きな割合を占めることが多く、モデル開発は成熟したフレームワークを再利用できる。ハードウェアの選定は要件段階で確定し、後になって画質不足で手戻りするのを避けるべきである。
5. 今後の展望
工場 AI の要件分析は、プロジェクト型から日常業務へと移りつつある。以前は AI プロジェクトごとに要件書が1冊あった。現在、紹興の一部の電子工場では AI 工程技術者という役割を設け、ラインの要件を集め、AI の実現可能性を評価し、ベンダーとの窓口を担っている。この役割は SMT と組立の工程を理解し、データのラベリングとモデル指標の基本も押さえている。
もう一つのトレンドは、生成 AI が要件分析の工程に入ってくることである。たとえば大規模モデルを使って欠陥判定基準の文書の草案を作成したり、ベテランの口頭の経験を構造化されたルールに変えたりする。ただしこれはまだ初期段階であり、電子製造は決定性を要求するため、生成 AI は生産ラインを直接制御するよりも、支援的なプログラミングや文書整理に使われることが多い。
紹興の電子製造にとって、AI 要件分析の能力は、実装機のプログラミングや炉のプロファイル設定と同じ、基本的な工程スキルになりつつある。この方法を早く確立した企業は、受注時に手作業の再判定コストを少し低く見積もり、高精度モジュールの受注を少し多く取れるようになる。