問題は「品種ごとにモデルを作る」前提にある
多品種少量生産でAIがうまくいかない典型は、品種ごとにモデルを作り、品種が増えるたびに学習データを集め直す運用です。品種が数百あると、どの品種もデータが足りず、品種の追加や設計変更のたびに再学習が必要になり、運用が回らなくなります。外観検査の典型的な失敗としても、品種切替のたびに再学習が必要になって運用が止まるケースがよく挙げられます。
解決の方向は、品種をまたいで1つのモデルで扱う、または品種ごとの学習量をごく少なくすることです。そのための工夫を4つに分けて示します。
工夫1：良品学習で品種ごとの学習量を減らす
外観検査では、良品画像だけで学習する異常検知（良品学習）を使うと、品種ごとに必要なデータを大きく減らせます。研究では、VisAデータセットの少数ショット設定のように、学習画像を5枚または10枚に絞った条件で評価が行われています。CLIPという画像と言語の事前学習モデルを使うWinCLIPは、良品画像を1枚も使わないゼロショットで、MVTec ADの分類性能91.8%、良品1枚を使うと93.1%を報告しています（いずれも研究用データセットでの値）。
量産ラインでそのまま使える精度とは限りませんが、新品種の立ち上げ時に少数の良品で検査を始め、データが貯まるにつれて精度を上げていく運用の土台になります。
工夫2：品種をまたぐ共通の特徴で学習する
多くの品種が同じ材料、同じ加工方法、同じ欠陥の種類を共有しているなら、品種を区別せずに「傷」「打痕」「バリ」などの欠陥そのものを学習させる方法があります。撮像の条件（照明、距離、背景）を品種間でそろえておくと、1つのモデルで複数の品種を扱いやすくなります。
需要予測では、同じ考え方が成果を上げています。Walmartの42,840系列を予測したM5コンペ（2020年）では、上位50手法すべてが多数の系列を1つのモデルで学習する方式でした。品目ごとの販売履歴が短くても、他の品目のパターンから学べるためです。
工夫3：品種マスタと連携し、品種の違いを入力に入れる
品種ごとにモデルを作る代わりに、品番・材質・寸法・工程といった品種の属性をモデルの入力に加えます。設備の異常検知では、運転モード（品種・負荷）ごとに正常の基準を分けることが最も効くとされています。品種が切り替わったことをAIが知らなければ、負荷の変化を異常と誤判定します。
この品種の情報を正しく渡すには、AIと品種マスタ、作業指示（どの品種をいつ作っているか）を持つMESとの連携が欠かせません。品番の改番や統廃合でマスタが整っていないと、同じ品種が別物として扱われます。マスタデータの整備は、多品種のAIでは特に重要です。
工夫4：計画系はAIではなく最適化で解く
多品種少量の生産計画は、段取り替えの順序や設備の割り当てが複雑になり、人の計画者の負担が大きい領域です。ここで使うべきは、過去データから学ぶ機械学習より、制約と目的を数式にして解く数理最適化や制約プログラミングです。最適化は品種ごとの学習データを必要とせず、品目マスタ、工程表、標準時間、段取り表があれば計画を作れます。
日立製作所が2023年5月に発表した日立ハイテクの半導体製造装置（多品種の装置）の事例では、制約プログラミング技術で計画を自動立案し、立案時間を約5分の1にしたとされます（日立発表）。2025年に公開されたオープンソースのPyJobShopの評価では、9,000以上の問題でCP-SATソルバーの平均最適性ギャップが3.40%でした。予測と最適化の使い分けは予測AIと数理最適化の違いで詳しく扱っています。
よくある質問
品種が100以上ある工場で外観検査AIは使えますか
使える場合があります。品種をまたいで欠陥の種類と撮像条件が共通していれば、1つのモデルで複数品種を扱えます。新品種は良品学習で少数の画像から始め、データが貯まってから精度を上げる運用が現実的です。
新製品の需要予測はどうすればよいですか
履歴がないため、類似品の販売パターンや製品属性を使う方法が一般的です。多数の品目を1つのモデルで学習する方式なら、類似する品目の情報を新製品の予測に活かせます。
多品種少量の生産計画にAIは向いていますか
計画そのものには、機械学習より数理最適化や制約プログラミングが向いています。機械学習は、標準時間や段取り時間の予測など、計画の入力側を改善する用途で使います。
- SPot-the-Difference Self-Supervised Pre-training for Anomaly Detection and Segmentation（Zou et al., arXiv 2207.14315）
- WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation（arXiv 2303.14814, 2023年3月26日）
- M5 accuracy competition: Results, findings and conclusions（Makridakis et al., 2020年）
- 日立ハイテクの半導体製造装置における生産計画の自動立案（日立製作所, 2023年5月24日）
- PyJobShop: Solving scheduling problems with constraint programming in Python（Lan & Berkhout, arXiv 2502.13483）
この記事に出てくる用語
外観検査AIの選び方
良品学習か不良学習か、撮像系を誰が持つか。精度の数字だけで選ばないための比較軸 全51本
- 外観検査AIとは？2つの学習方式と導入5ステップを製造現場の目線で解説
- 製造業のAI活用10領域：外観検査・予知保全から設計・技能伝承まで一覧
- 外観検査AI製品の比較軸10項目：学習方式・撮像系の範囲・エッジ対応・再学習の手間
- 自動車メーカーのAI活用：溶接・塗装検査から生産計画・フィジカルAIまで10用途
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
