同じ生産ラインでも、熟練エンジニアなら、しわ、影、位置ずれを見ただけで、それが素材に生じる正常な変化なのか、品質に実際の影響を及ぼす欠陥なのかを即座に判断できることがあります。しかし、こうした判断基準が一部の担当者の経験にしか蓄積されていなければ、シフトやラインの変更、パッケージのリニューアル、人員異動のたびに品質検査基準まで変わりかねません。企業が AI ビジュアル検査（AI visual inspection）を導入しても、ばらつきのある判断をモデルに繰り返し実行させるだけになる可能性があります。
導入チームは、まず現場の経験をレビュー可能で繰り返し実行できるルールとして整理し、そのうえでモデルに画像をどう活用させるかを決める必要があります。TechOrange の報道によると、P&G と Siemens のシステムは柔軟な素材に生じる正常な変形を学習し、生産ラインのエッジ側で欠陥をリアルタイムに識別します。一方、Samsung SDI は AI と X 線（X-Ray）を組み合わせ、バッテリー内部の金属異物や構造的欠陥の識別に活用しています。これらの事例では異なる検査方法が採用されていますが、いずれも現場での判断に素材、製品構造、製造条件を組み込む必要があり、企業はルールとモデルの更新を継続的に管理しなければなりません。
熟練エンジニアが「どのように見ているか」を、まず検証可能なルールにする
現場担当者が「このしわは許容できる」と言ったとき、導入チームはさらに掘り下げる必要があります。どの位置を見たのか、反射をどう除外したのか、どのような場合に判定を変更するのか、不鮮明な画像に遭遇したときは誰に確認するのか。こうした問いによって、直感を複数の観察可能な条件に分解できるだけでなく、シフトや工場によって同じ欠陥に対する認識がどう異なるかも把握できます。この手順を省略すると、アノテーションは一見完了しているようでも、実際には互いに矛盾する基準が同じデータセットに混在することになります。
ルールを整理する際は、まず次の4種類の内容を明文化します。入力データに含める画像と製造情報、正常な変形・実際の欠陥・要確認案件を区別する判定条件、出力で使用する欠陥カテゴリーと判定理由、例外を処理する担当職務です。ルールには正例、反例、混同しやすい境界事例も添え、アノテーション担当者が前の画像のラベルを単に模倣するのではなく、判定理由を理解できるようにします。
管理者が試行段階へ進めるかを評価する際は、経験年数やシフトが異なる担当者が、同一のルールに従って同じ結論を得られるかを抜き取り確認する必要があります。特定のケースに見解の相違が集中している場合は、まず品質管理、製造プロセス、設備の各担当者を招集して定義を確認し、それらの案件は一時的に人による判定に回します。画像収集や展開範囲を性急に拡大してはいけません。
すべての判定に、後から追跡できるデータを残す
AI ビジョンの用途は、欠陥品を排除するだけでなく、品質の変化を追跡し、製造プロセスにおける異常の原因を特定する領域へと徐々に広がっていきます。そのためには、検査記録に元画像、製品またはロットの識別情報、検査日時、設備と生産ライン、欠陥カテゴリー、判定理由、人によるレビュー結果、例外処理の方法、関連する可能性のある製造工程を含める必要があります。これらの項目があれば、各判定がどのような根拠に基づいていたのかを後から確認できるほか、品質の変化が設備調整、原材料の違い、環境変化と同時に発生していたかどうかも照合できます。
ただし、データを大量に残しても、後から必ず原因を突き止められるとは限りません。企業はまず、各システムを共通のロット番号、作業指示番号、製品識別情報で連携できるかを確認し、画像品質と項目の完全性に関する最低基準を定める必要があります。高速生産ラインでエッジコンピューティング（edge computing）を採用する場合は、画像取得、分析、判定、排除に要する時間を現場で測定することも必要です。プログラマブルロジックコントローラー（programmable logic controller, PLC）と接続する場合は、タイムアウト、接続切断、要確認案件がどのように処理されるかをテストします。
したがって、受け入れ基準では過検出と見逃しだけでなく、要確認案件の割合、人による判定変更の理由、画像を使用できないケース、判定結果を製造記録と紐づけられるかどうかも確認すべきです。プロジェクト責任者は、まず1回分のシフトを対象に、画像の入力から担当者によるレビューまでを一件ずつ確認します。項目の欠落、誤った識別情報、追跡不能な判定を洗い出したうえで、試行範囲を拡大するかどうかを決定します。
モデルの更新には、責任者、バージョン、リリース条件を設ける
現場エンジニアがアノテーションと更新に参加すれば、製品や製造プロセスの変化にシステムを追随させることができます。ただし、自主管理であっても権限と責任を明確にしなければなりません。企業はプロセスをデータ収集、アノテーション確認、更新評価、試行検証、本番展開に分け、各段階に責任者、入力データ、完了条件、承認者を設定できます。ルールの変更はアノテーション基準に影響し、本番展開は生産ラインでの判定に影響するため、いずれの段階にも人による承認を設けるのが適切です。
更新のたびにバージョン履歴も残す必要があります。少なくとも、変更理由、使用したルールのバージョン、影響を受ける製品または生産ライン、検証担当者、リリース承認者、問題発生時に前のバージョンへ戻す方法を記録します。特定の素材、照明、設備状態でモデルの性能が安定しない場合は、その制約を適用範囲に明記し、範囲外の案件を担当者による確認へ回します。こうした仕組みにより、現場でルールを継続的に改善しながら、未検証の変更がそのまま本番プロセスに入ることを防げます。
管理者は更新を承認する前に、変更前後のエラー種別、人による判定変更の記録、境界事例の結果をチームに提示させ、前のバージョンへ戻す手順がテスト済みであることを確認すべきです。今回の変更内容、責任者、復元方法をチームが明確に説明できない場合は、リリースをいったん停止し、記録を補完してから再審査します。
まず発生頻度の高いシナリオからスキル（AI Skill）を整備する
最初のパイロットには、判定頻度が高く、ルールが比較的安定しており、人によるレビューを手配しやすい検査シナリオが適しています。導入チームはまず、現場エンジニアに入力データ、判定条件、出力形式、例外処理を列挙してもらい、定型化された手順を AI Skill として整理します。試行期間中は人による判定を継続し、不一致の理由を一件ずつ記録します。ルールが安定した後、類似製品やほかの生産ラインにも適用できるかを順番に評価し、第一段階では既存工場の品質検査基準を維持します。
EgentWrX を活用すれば、企業は熟練担当者の定型的な判断を AI Skill として記述し、該当する状況で AI Agent に同一のルールを適用させることができます。従業員が自作したスキルを全社展開する場合は、事前のレビューが必須です。また、データ収集、アノテーション確認、更新評価、本番展開をタスクとワークフローとして構築し、引き継ぎ前に人による承認を設定することで、指定された担当者が確認してから次の段階へ進むようにできます。
パイロット終了時、管理者は、異なる担当者でもルールを繰り返し実行できるか、すべての例外に明確な対応先があるか、変更のたびにバージョン履歴と承認記録が残されているかを確認する必要があります。この3点をすべて満たしていることを確認してから、ほかの生産ラインへスキルを展開します。いずれか1点でも口頭での申し送りに依存している場合は、まずプロセスを整備し、一部の担当者の経験を全社基準として形だけ整えることがないようにします。
よくある質問
現場画像が十分になくても、先に開始できますか？
まずはルールの整理と画像の棚卸しから始められます。既存の画像が正常な変形、実際の欠陥、境界事例を網羅しているかをチームで確認し、現場エンジニアが判定理由を補足します。特定のケースについて十分な根拠がない場合は、人による判定を継続しながらデータを収集します。
アノテーションルールの責任者は誰にすべきですか？
品質管理または製造プロセスの管理者がルールに責任を持ち、熟練エンジニアが判断根拠を提供します。IT チームと AI チームは、そのルールをデータとプロセスに実装します。部門間で見解が分かれた場合は、指定された事業責任者が最終判断を下し、その理由をバージョン履歴に記録します。
検査モデルはどのくらいの頻度で更新すべきですか？
更新のタイミングは、製品、素材、設備、エラー傾向の変化に応じて決定すべきです。チームは人による判定変更や要確認案件を定期的に確認できますが、更新のたびに境界事例のテストを完了し、指定された担当者の承認を得て、前のバージョンへ戻す手順を用意しておく必要があります。
パイロットをほかの生産ラインへ展開できるか、どのように判断すればよいですか？
まず、ほかの生産ラインの素材、設備、照明、品質検査の定義が類似しているかを確認します。製品名が同じであっても、現地の画像と現場担当者によってルールを再検証する必要があります。違いによって判定条件が変わる場合は、新しいバージョンのスキルを作成し、改めて審査します。
参考資料
- P&G は紙製品、Samsung SDI はバッテリー内部の金属を検査：AI ビジョンは従来の光学検査の死角をどう克服するのか？ — TechOrange がまとめた、P&G、Siemens、Samsung SDI による AI ビジュアル検査の活用事例。