製造業のAI活用 – 外観検査・予知保全・現場データから始める現実的な手順

要点まとめ

• 製造業のAI活用の主な領域は、外観検査、予知保全、技術文書・ノウハウの検索、帳票業務、需要予測の5つです。
• 外観検査で不良品の画像が少ない場合は、良品画像だけで学習し、いつもと違う画像を検出する異常検知の手法が選択肢になります。
• 予知保全は、故障データが少ない設備では、まずセンサーデータの見える化と異常検知から始め、点検結果を記録しながら予測へ進むのが一般的です。
• カメラ・照明・搬送装置を含む検査ラインへの組み込みは、検査装置メーカーやFA系のシステムインテグレーターが適していることが多い領域です。
• AIの前提となる現場データ（在庫、作業指示、トレーサビリティ）が紙やExcelに分散している場合は、データの記録から整える必要があります。

製造業のAI活用 テーマを選ぶ3つの観点

最初のテーマは、次の3つの観点で候補を比べると判断しやすくなります。

• データがすでにあるか：画像、センサーデータ、文書などが、追加の設備投資なしで手に入るか。
• 効果を数字で示せるか：検査時間、設備の停止時間、問い合わせ対応時間など、現状と比較できる指標があるか。
• 現場の協力が得られるか：正解データの作成や試用に、現場の担当者が時間を割けるか。

3つがそろったテーマから始めると、短期間で結果が出やすく、次のテーマへの社内の理解も得やすくなります。データ収集のために設備投資が必要なテーマは、効果の見込みを別途検討したうえで段階的に進めます。

外観検査AI 撮影条件と判定基準を先に固める

外観検査AIは、カメラで撮影した製品画像から不良を見つける仕組みです。エンジニアの立場から見ると、精度を左右するのはAIのモデルより先に次の点です。

• 撮影条件の安定：照明、角度、製品の位置、外光の変化で画像の見え方が変わります。学習用と本番で撮影条件が違うと、精度は大きく下がります。
• 判定基準のすり合わせ：熟練者の間でも「この傷は許容範囲か」の判断が分かれることがあります。正解ラベルの付け方を品質保証部門と決めてから画像を集めます。
• 見逃しと過検出のバランス：見逃しを減らすと過検出が増え、再検査の手間が増えます。どちらをどこまで許容するかを先に決めます。
• 解像度と欠陥の大きさ：検出したい最小の傷が、画像上で数ピクセルしかないと判定は難しくなります。カメラの解像度と撮影範囲は、最小の欠陥の大きさから逆算して決めます。
• 不良品画像の少なさ：品質が安定した工場ほど不良品サンプルは集まりません。その場合は良品中心の異常検知を検討します。

検証の段階では、ラインに組み込む前に、過去に保存した画像やラインの横で撮影した画像で判定精度を確かめる方法もあります。生産を止めずに検証でき、ラインへの組み込みはその結果を見てから装置メーカーと相談できます。

ソフトウェア開発会社が担いやすいのは、既存設備で撮影した画像を使った判定モデルの検証、判定結果を記録・集計する仕組みなどです。ラインへの組み込みまで含めるなら、装置メーカーやSIerと組むのが現実的です。

予知保全AI 異常検知から段階的に進める

予知保全は、設備の振動、温度、電流、圧力などから故障の兆候をとらえ、計画的な保全につなげる取り組みです。重要な設備ほど故障しないよう管理されているため、「故障の前に何が起きていたか」の事例が足りないのが最初の壁です。そのため、次の順に進めるのが一般的です。

1. センサーやPLC（設備を制御する装置）のデータを一か所に集め、時系列で見える化する
2. 正常時のパターンから外れた状態を通知する異常検知を試す
3. 通知と実際の点検結果をひも付けて記録する
4. 事例がたまったら、残り寿命の推定や故障予測に進む

データ収集の段階では、取得間隔と時刻の扱いに注意します。振動のように変化の速い信号は、数秒おきの記録では兆候を取りこぼすことがあります。また、複数の設備やセンサーの時刻がずれていると、生産条件との突き合わせができません。収集の仕組みを作る前に、どの信号をどの間隔で記録し、生産実績や保全記録とどうひも付けるかを決めておきます。

見逃しと過剰な通知の許容範囲を保全担当者と決め、実際の点検結果を見ながら通知基準を調整します。通知が多すぎると、現場は確認しきれなくなります。

技術文書とノウハウを生成AIで検索する

作業標準書、設備マニュアル、過去の不具合報告をAIが検索し、根拠付きで回答する仕組み（RAG）は、新人や応援者がトラブル対応の手順を探す時間を減らし、熟練者に集中していた問い合わせを分散させる効果が期待できます。品質報告書や是正処置報告の下書きを、過去の類似事例をもとに作る使い方もあります。

製造業の文書で精度を左右するのは、手書きのメモ、スキャンした図面、略語の多い報告書の扱いです。最初は1ライン・1種類の文書に絞り、設備番号や部品番号で確実に検索できるかを確かめてから対象を広げます。文書整理のルールづくりと並行して進めると、ノウハウを文書として残すきっかけにもなります。

現場データの記録から整えるという選択肢

AIを使う前に、在庫、作業指示、品質記録、トレーサビリティ（製品の製造履歴をたどれる状態）のデータが紙やExcelに分散していることが、AI活用の障害になる場合があります。この場合は、AIより先に、現場でデータを記録する仕組みを整える方が効果が大きくなります。

ベトナム・ハノイを拠点とするAI開発会社NKKTech Globalは、QRコードの読み取り、在庫、作業指示、トレーサビリティをスマートフォンやタブレットで扱う自社製品Factory Managerを準備しています（2026年10月時点で提供開始前）。

当社の創業者Tony Nguyenは、日本企業と10年間仕事をしてきた経験があり、そのうち2年は日本で勤務しました。開発は、日本語対応のプロジェクトマネージャーが窓口となって進めます。

日本のお客様向けの体制は日本向けページ、作業標準書などの検索についてはRAG開発、業務の自動化についてはAI自動化サービスをご覧ください。工場全体のデータ整備から検討する場合も、対象の設備や工程を1つ決めておくと、相談や見積もりを具体的に進めやすくなります。

よくある質問

中小規模の工場でもAIを導入できますか？ 可能です。工場全体ではなく、1つの検査工程、1台の重要設備、1種類の報告書などに範囲を絞れば、小さな予算でも効果を確かめられます。センサーやカメラの追加が必要かどうかで費用が大きく変わるため、まず既存のデータで何ができるかを確認するのがおすすめです。

外観検査AIを作るには不良品の画像が何枚必要ですか？ 製品や不良の種類、求める精度によって異なるため、一律の枚数は示せません。不良品の画像が少ない場合は、良品画像を中心に学習する異常検知の手法を検討します。まず手元の画像で試し、精度がどこまで出るかを確認するのが現実的です。

図面や製造データを外部の開発会社に渡しても大丈夫ですか？ 秘密保持契約の締結、渡すデータの範囲の限定、アクセス権の管理、作業環境の確認が前提になります。機密性の高い情報は、一部のサンプルや加工したデータで検証する、自社の環境内で処理するといった方法も検討できます。