この記事の要点
- AIが、ロットごとに検査が必要かどうかを、確率と確信度つきで判断します。
- 決まった割合で抜き取る検査から、疑わしいロットを優先して確認する検査に変わります。
- 検査記録などのCSVから始め、3〜8週のPoC（本格導入の前に効果を確認する試行）で検査の見逃しなどを測ります。
品質管理AIは、製造ラインで生産したロットに検査が必要かどうかをAIが判断し、疑わしいロットから順に確認できるようにするしくみです。クラスフォックスが設計した Vertical Decision AI SaaS の一つで、品質管理の責任者、検査担当者、製造部門の改善担当者の判断を支えます。本記事では、品質管理の現場で起きていること、AIが判断すること、導入後の1日、AIに任せる範囲の決め方、小さく始める手順を順に紹介します。
抜き取り検査の現場で起きていること
多くの製造現場では、品質管理担当者が、決まった割合でロットから製品を抜き取って検査しています。基準が明確で、誰が担当しても同じ手順で進められることが、この方法の利点です。
一方で、この方法では、すべてのロットが同じ扱いになります。材料の変更や設備の調整があった直後のロットも、安定して流れているロットも、同じ割合で検査されます。疑わしいロットに十分な検査を割けず、問題のないロットに時間を使っている場合もあります。
不良が見つかったときは、どのロットまで遡って確認するかという判断も必要になります。製造記録や検査記録を人が見比べて範囲を絞るため、品質管理の責任者に作業が集中しやすくなります。
検査の要否を判断する材料は、すでに現場に存在しています。設備の稼働記録、材料のロット情報、過去の検査結果などです。ただ、これらを検査の計画に生かす手順は、多くの現場で整っていません。
品質管理AIが判断すること
AIが判断するのは「検査要否」です。判断のパターンでいえば「リスク・異常の検知」、つまり危険か、異常かを見分ける判断にあたります。
AIは、設備の稼働記録、材料のロット情報、過去の検査結果などを手がかりに判断します。Decision AI は文章を生成するのではなく、決めた型どおりの答えを確率と確信度つきで返します。この業務では、次の3つの型で答えを返します。
| 答えの型 | この業務での問い |
|---|---|
| はい／いいえ | このロットは、追加の検査が必要か |
| どれを選ぶか | どの検査項目・検査方法を優先して実施するか |
| どの程度か | 各ロットの不良のおそれの度合い |
答えが型で返ってくるため、そのまま検査の優先順位表や検査計画につなげられます。品質管理担当者が一から優先順位を考えるのではなく、AIが出した候補を人が確認して決める流れに変わります。
導入後の品質管理の1日
たとえば、部品を加工して組み立てる工場で、1つのラインから使い始めた場合を考えてみます。
朝、検査担当者は画面で、その日に出荷するロットの一覧を確認します。ロットは不良のおそれが大きい順に並んでいて、「このロットは追加の検査が必要」といった判断に、それぞれ確信度が付いています。担当者は上から順に、検査の対象に印を付けます。
日中、検査担当者は優先度の高いロットから検査を進めます。検査の結果は記録に戻されるため、AIは次の判断で、最新の検査結果を手がかりに加えられます。異常の兆しがあるロットは、品質管理の責任者にすぐ共有されます。
夕方、品質管理の責任者は、その日の検査の結果とAIの判断を見比べます。AIが検査不要と判断したロットで不良が見つかった事例があれば、その条件を確認して、翌日以降の判断の見直しに生かします。検査の計画が、毎日の結果から少しずつ磨かれていきます。
AIに任せる範囲をどう決めるか
AIの答えには確信度が付きます。この確信度で、どこまでをAIに任せ、どこからを人が判断するかを定めます。
- 確信度95%以上：過去の検査結果と条件が明確に一致する、判断の難しくないロットです。自動で検査の優先順位表に反映します。
- 確信度70〜95%：材料や設備の条件が少し変わったロットなどです。検査担当者が確認してから決定します。
- 確信度70%未満：新しい製品や、新しい設備・材料を使ったロットなど、過去のデータが少ないものです。品質管理の責任者や専門家が判断します。
この閾（しきい）値は最初から決め打ちにせず、PoC（本格導入の前に効果を確認する試行）で検証して定めます。はじめはすべての判断を人が確認し、AIの答えと人の判断がどれくらい一致するかを見てから、任せる範囲を広げていくのが安全です。なお、出荷の可否のように最終判断が必要な業務は、人の承認を前提に設計します。
品質管理AIを小さく始める手順
いま使っている生産管理や検査の記録のしくみは入れ替えません。AIはそれらの上にのる「判断レイヤー」として入り、まずは手元のCSVから始められます。
- 検査記録、ロット情報、設備の稼働記録をCSVで書き出します。対象は1つのラインや1つの製品に絞ります。
- AIの判断と、品質管理担当者の判断を、過去のデータで比べます。この段階では、実際の検査計画は変えません。
- 合意できた判断から実際の検査に反映し、指標の変化を確認します。
PoCの期間は3〜8週が目安です。期間中は、次の5つの指標を測ります。
- 不良の見逃し件数
- 検査の対象にしたロットの比率
- 検査にかかる時間
- 不良が見つかったロットの検出の早さ
- AIの判断と担当者の判断の一致率
目標とする値は、PoCの前に現状を測ってから一緒に定めます。効果を確認できた範囲を広げ、ほかのラインや業務へ育てていく進め方です。業務の判断を一つずつAIに任せていくことが、AX（AIトランスフォーメーション）の現実的な一歩になります。クラスフォックスの Vertical AI SaaS は、初期費用0円・月額10万円（税別）から、1業務単位で始められます。
製造の判断を支えるほかのAI
製造現場には、検査のほかにも、毎日くり返される判断があります。たとえば、ラインの人員を状況に合わせて決める「作業員配置AI」などがあります。どの判断から始めるかは、現場で迷う時間が長い業務から選ぶのが近道です。
よくある質問
いま使っている生産管理や検査のしくみは入れ替える必要がありますか
入れ替える必要はありません。AIは既存のしくみの上にのる判断レイヤーとして入り、まずは手元のCSVで始められます。
どのようなデータが必要ですか
過去の検査結果、ロットの情報、設備の稼働記録が基本です。まずは手元にある範囲で始め、PoCの中で足りないデータを確認します。
どのくらいの期間で試せますか
PoCは3〜8週が目安です。期間中に結果を見ながら、進め方と任せる範囲を一緒に判断します。
トップ画像の写真：Photo by TECNIC Bioprocess Solutions on Unsplash
本記事で紹介する活用シーンは、クラスフォックスが設計した活用構想です。効果は、貴社のデータを使ったPoCで確かめます。
この記事を読んだ方へ