工場デジタル化Ver17. 「IoTとAIの間に存在する巨大な谷」
2026/10/11
お読みいただきありがとうございます。
今回は、品質改善・不良低減を目的とした製造業AIの前提条件について書きたいと思います。
近年、製造業においてもAI活用への期待が高まっています。しかし、その議論の多くはAIそのものに焦点が当てられ、AIが学習するためのデータ基盤についてはあまり語られていないように感じます。
私は、製造業AIの成否はAIアルゴリズムそのものではなく、AIが学習する教師データの品質によって決まると考えています。本記事では、IoTによるデータ収集からAI活用に至るまでの間に存在する「巨大な谷」について考えてみたいと思います。
■はじめに
本記事で対象としているAIは、生成AIや文書検索AIではありません。
私がここで述べるのは、
品質不良の予兆検知
不良要因分析
最適な製造条件の探索
といった、製造データを学習し、不良低減や品質改善につなげるためのAIです。
製造業AIについて議論される際、多くの人は次のような流れをイメージしているように思います。
IoTデータ収集
↓
AI不良対策処方
設備からデータを収集し、そのデータをAIに学習させることで品質改善を実現する。
概念としては間違っていません。しかし実際の製造現場では、その間に非常に重要な工程が存在します。
私が考える現実の姿は以下のようなものです。
IoTデータ収集
↓
バッチ/ロット単位への製造データ集約
↓
品質データ統合
↓
教師データ構築
↓
AI不良対策処方
■AIが学習するのは製造条件と品質結果の関係性
IoTによって設備から膨大なデータを収集することは可能です。
温度、圧力、流量、振動、電流値など、多くの設備データが秒単位あるいは秒未満で取得できます。
しかし、それらのデータが大量に存在するだけではAIは学習できません。
AIにとって重要なのは、
どの製品を製造していたのか
どのバッチ/ロットだったのか
どの原材料を使用していたのか
最終的にどのような品質結果だったのか
という情報です。
AIが学習するのは温度や圧力の数値そのものではありません。
製造条件と品質結果の間に存在する関係性です。
そのため、設備データだけでは教師データとして成立しません。
■IoTはゴールではなく出発点
IoT技術の進歩により、設備データの取得は以前と比較して容易になりました。
しかし、AI活用の観点から見るとデータ収集は出発点に過ぎません。
工場には通常、
設備データ
生産実績データ
品質データ
原材料データ
保全データ
など様々な情報が存在します。
しかし、それらが個別に存在しているだけではAI活用の観点では十分とは言えません。
重要なのは、それらのデータが品質判定を行うロットやバッチ単位に集約されていることです。
設備データ、生産実績、品質結果、原材料情報などが同じ製造単位で整理されて初めて、AIが学習可能な教師データとして活用できるようになります。
■品質判定単位と製造データ集約単位を一致させる
理想を言えば、製造された全ての製品に個別IDを付与し、
個別製品ID
個別検査結果
個別製造履歴
を完全に紐付けることが望ましいでしょう。
例えば、
製品ID：A000001 → 良品
製品ID：A000002 → 不良品
製品ID：A000003 → 良品
といった形で管理され、それぞれの製品について製造条件が記録されていれば、AIにとって非常に価値の高い教師データとなります。
しかし現実には、コストや運用面から個品単位での完全なトレーサビリティを実現することが難しいケースも少なくありません。そのため、多くの製造現場ではロットまたはバッチ単位で品質判定が行われています。
例えば、
金型番号 ：100番
製造数量 ：1,000個
製造期間 ：2026年10月10日09:00:00 ～ 11:45:00
検査結果 ：
- 良品 970個
- 不良品 30個
不良内訳 ：
- 砂噛み 15個
- 湯回り不良 8個
- 引け巣 5個
- 寸法不良 2個
という品質結果が存在するとします。
この場合、
温度履歴
圧力履歴
サイクルタイム
設備状態
アラーム履歴
原材料情報
なども、同じバッチ単位で集約されている必要があります。
品質判定がバッチ単位で行われるならバッチ単位で。
品質判定がロット単位で行われるならロット単位で。
検査結果と製造データが同じ単位で管理されて初めて、有効な教師データとなります。
■検査結果と結び付かないデータは教師データにならない
私は製造業AIについて議論する際、「どれだけデータがありますか」よりも、「どの単位で品質判定していますか」の方が重要だと考えています。なぜなら、品質結果が紐付かないデータは教師データにならないからです。
極端な例ですが、何億件もの設備データが存在したとしても、
何個製造されたのか
内、何個不合格だったのか
どの不良が何件発生したのか
が分からなければ、品質改善のための学習はできません。
AIが学習するのは、
品質結果
⇕
製造条件
という関係性です。
そのため、品質結果と対応付けられていないデータは、どれだけ大量であっても価値が限定的です。
■教師データ構築こそ最大の仕事
製造業AIの議論では、AIモデルやアルゴリズムに注目が集まりがちです。
しかし実際には、その前段階こそが重要です。
必要な製造データが取得できているか
バッチやロット単位で集約されているか
品質結果と結び付いているか
不良分類まで整理されているか
欠損や誤りがないか
こうした条件が整って初めて教師データが構築されます。
そして教師データが整って初めて、AIは意味のある学習を行うことができます。
製造業においては、AIの構築よりも教師データの構築の方が大きなテーマになる場合も少なくありません。
■まとめ
私はAIそのものに懐疑的なわけではありません。
むしろ品質改善や不良低減において、AIは今後ますます重要な役割を果たしていくと考えています。
しかし、AIの性能はAIエンジン単体で決まるものではありません。
AIが学習する教師データの品質によって大きく左右されます。
AI時代だからこそ、
IoTによる高頻度データ収集
バッチ/ロット単位への製造データ集約
品質データとの統合
教師データ構築
の重要性はこれまで以上に高まっています。
製造業AIの成功は、AI導入時に決まるのではありません。
データをどのように収集し、どの単位で集約し、品質結果と結び付けるか、がキーになると思います。
IoTとAIの間に存在する巨大な谷を埋めることこそ、製造業において不良低減AIを実現するための重要な第一歩ではないでしょうか。
■サポート
製造業のデジタル化、IoT導入、データ活用、品質改善、不良低減AI活用についてサポートが必要な場合はお気軽にご連絡ください。
■TAGs
コメント