1万個のうち不良が100個（不良率1%）の工程で、AIがすべてを「良品」と判定したとします。不良を1個も見つけていないのに、正解率は99%です。製造業の検査や異常検知は、不良や異常がまれな「不均衡データ」の典型で、正解率（Accuracy）は性能を表しません。

そのため製造業では、用途に応じて次の5つの指標を使い分けます。

外観検査では、混同行列（判定と実際の組み合わせを4つに分けた表）で考えるのが基本です。不良を不良と判定（真陽性）、不良を良品と判定（見逃し）、良品を不良と判定（過検出）、良品を良品と判定（真陰性）の4つです。

続きをサイトで読む（製造業AIの基礎知識）

現場で使われなくなるAIには、共通する特徴があります。

どれも精度の問題ではなく、仕事の流れへの組み込み方の問題です。AIは「現場の手間を増やすもの」と受け取られた時点で、使われなくなります。

この傾向はAIツール全般に見られます。エクサウィザーズの利用実態調査（2026年10月公表）では、上位10%のユーザーがメッセージ量の約半分を占めていました。令和8年版労働経済白書では、AIと働くための研修を受けたAI利用者は日本で26.7%と、OECD平均の36.8%を下回っています。ライセンスや仕組みを配るだけでは、使う人と使わない人に分かれます。

続きをサイトで読む（製造業AIの基礎知識）

製造業のAI導入率を語るとき、まず区別すべきは次の2つです。

前者は工場の設備やシステムに組み込まれたAIの話で、後者は個人の事務作業の話です。生成AIの利用率が5割を超えても、工程でAIが動いている企業は1割強にとどまります。この2つを混同した「製造業の半数以上がAIを導入」という表現は、現在地を実態より大きく見せます。

続きをサイトで読む（製造業AIの基礎知識）

アノテーションとは、画像や時系列データに「良品／不良」「傷／打痕／異物」「停止理由」などの正解を付ける作業です。AIはこの正解を手本に学ぶため、手本そのものが人によって違えば、AIはその揺れごと学習します。検査員Aが不良とした微小な傷を検査員Bが良品とした場合、どれだけ高性能な手法を使ってもAIの判定は両者の中間でぶれます。

外観検査AIの典型的な失敗として、「何を不良とするか」の限度見本が人によって違い、正解ラベルが揺れることが挙げられます。撮像条件の変化や良品のばらつきと並ぶ、現場で最も多い失敗の一つです。

続きをサイトで読む（製造業AIの基礎知識）

用語の違いの詳細はAI・機械学習・ディープラーニングの違いと生成AIと予測AIの違いで扱っています。

精度の指標は精度指標の読み方、閾値の決め方は閾値のトレードオフで詳しく扱っています。

ベンダー資料の精度は、AUROCなのか、正解率なのか、見逃し率なのかで意味が大きく違います。外観検査の代表的手法PatchCoreは研究用データセットでAUROC最大99.6%ですが、決めた閾値では誤判定がゼロになりません。どのデータで、どの指標を、どの閾値で測ったかを確認してください。

続きをサイトで読む（製造業AIの基礎知識）

製造業のAIの費用は、AIのモデルを作る部分より、その周辺にかかることが多くあります。外観検査ならカメラ・照明・治具、予知保全ならセンサと通信、どの用途でもデータの整備と既存システム（MES・PLC）との連携です。

GoogleのSculleyらの論文（NeurIPS 2015）は、実際の機械学習システムのうち、機械学習のコードはごく一部で、データ収集、特徴量の抽出、監視、設定管理などの周辺の仕組みの方がはるかに大きく複雑だと指摘しています。

続きをサイトで読む（製造業AIの基礎知識）

2026年版ものづくり白書の図表によると、一連の製造プロセスのデータを取得している事業者は66.0%、取得データを活用しているのは51.4%、効果が出たのは43.9%でした（RIETI BBL資料のテキストから読み取った値で、図との対応は推定）。データを取っていても、その2割強は活用に至っていません。

続きをサイトで読む（製造業AIの基礎知識）

製造業AIで使うデータは、次の6種類に分けられます。

外観検査AIの精度は、撮像条件でほぼ決まります。照明、カメラの解像度、ワークの位置決めを先に固め、欠陥が画像に写ることを確認してから集めます。画像はデータ量が大きいため、全量を長期保存するか、不良と判定されたものだけを残すかを決めておきます。

振動や電流は、サンプリング周期で取れる情報が変わります。ヒストリアンは保存容量を抑えるために変化の小さいデータを間引く（デッドバンド圧縮）ことが多く、その結果、異常の兆候になる高い周波数の特徴が消えることがあります。

続きをサイトで読む（製造業AIの基礎知識）

DX（デジタルトランスフォーメーション）は、デジタル技術を使って業務や事業のやり方を変えることを指します。AIはそのための手段の一つで、DXの中には、AIを使わない取り組み（紙の帳票の電子化、受発注のシステム化、設備データの見える化）も多く含まれます。逆に、業務のやり方を変えずにAIだけを入れても、それはDXとは言えません。

製造業では、DXを次の3段階で捉えると、AIをどこで使うべきかが分かりやすくなります。

続きをサイトで読む（製造業AIの基礎知識）

「AI導入前の不良率2.0%が導入後1.2%になった」という報告は、それだけではAIの効果を示していません。同じ期間に材料ロットが変わった、品種構成が変わった、作業標準を改訂した、といった別の要因でも不良率は動くからです。導入前後の数字を並べるだけの効果測定は、横展開の判断を誤らせ、他のラインで同じ効果が出ない原因になります。

WEFのグローバル・ライトハウス・ネットワークは、2025年9月コホートで不良が平均41%減ったと報告しています。ただし、これは選ばれた先進工場の自己申告ベースの成果で、AI単独ではなくデジタル化と業務改革全体の効果です。

続きをサイトで読む（製造業AIの基礎知識）

AI開発の見積もりが会社ごとに大きく違うのは、見積もりの範囲が違うからです。ある会社はモデル開発だけを見積もり、データの整理や撮像系の改善、運用中の再学習を「別途」や前提条件に回しています。別の会社はそれらを含めて見積もっています。金額だけで比べると、範囲の狭い見積もりが安く見え、後から追加費用が積み上がります。

追加費用が出やすいのはデータの準備です。Anacondaの2022年の調査（133か国3,493人）では、データサイエンティストは時間の約38%をデータ準備とクレンジングに使い、モデルの選択・学習・デプロイには約26%しか使っていませんでした。

続きをサイトで読む（製造業AIの基礎知識）

AIのモデルや製品を選ぶのは、担当者とベンダーの仕事です。経営者が決めるべきなのは、どの課題にAIを使うか、そのためにデータと人にどれだけ投資するか、どこまで続けてどこで止めるか、という資源配分の判断です。

BCGが2024年10月に公表した調査（CxO 1,000人・59か国）は、AIで価値を出している企業の資源配分の目安を「人とプロセスに70%、技術とデータに20%、アルゴリズムに10%」としています。アルゴリズムは全体の1割にすぎず、残りの9割は経営判断の領域です。

AIのテーマは現場からいくらでも出てきます。

続きをサイトで読む（製造業AIの基礎知識）

設計・開発部門で使われるAIは、次の5つに分けると整理しやすくなります。成熟度と、必要なデータの種類がそれぞれ違います。

始めやすいのは1と5です。過去図面の検索は、設計の重複を防ぎ、部品の共通化を進めるという効果が分かりやすく、データ（図面とBOM）も社内にすでにあります。

生成設計の代表例として、GMとAutodeskのシートブラケットがあります。Autodeskの事例ページによると、従来品より40%軽く20%強く、8部品を1部品に統合しました。

続きをサイトで読む（製造業AIの基礎知識）

製造業AIのプロジェクトで情報システム部門が担う役割は、データ基盤、セキュリティ、運用（MLOps）の3つに集約できます。どのテーマを選び、どの精度で合格とするかは現場部門が決めるべきことで、情シスが代わりに決めることはできません。一方で、データをどこから取り、どこに貯め、どう守り、モデルをどう更新し続けるかは、現場部門だけでは決められません。

この分担が曖昧なままだと、2つの失敗が起きます。1つは、現場部門がベンダーと直接PoCを進め、工場ネットワークに無断で機器をつないでしまうこと。

続きをサイトで読む（製造業AIの基礎知識）

設備保全でAIを使う場面は、大きく5つに分けられます。点検記録のデジタル化、保全履歴の検索と対処法の提示、異常検知、故障診断と余寿命推定、そして保全計画の最適化です。このうち予知保全と呼ばれるのは後半の3つで、前半の2つは「記録と知識」を扱います。

始める順番は前半からを勧めます。理由は単純で、予知保全のアラームが当たっていたかを確かめるには、いつ・どの設備で・何が起きて・何をしたかという保全記録が要るからです。保全記録がCMMS（設備保全管理システム）の自由記述欄に散らばっていると、教師ラベルが作れず、異常検知モデルの評価ができません。

続きをサイトで読む（製造業AIの基礎知識）

工場でAIの取り組みが止まる原因として、McKinseyの2018年調査（700社超）は、人材69%、ROIの欠如61%、ビジョンの欠如59%を挙げています。ROIとビジョンの欠如は、工場の責任者が「この工場のどの数字を、AIでどれだけ動かすのか」を示せていないことと表裏の関係にあります。技術の選定はベンダーや情報システム部門に任せられても、何に使い、何で測るかは工場長にしか決められません。

AIのテーマは、必ず工場のKPIで言い換えます。

続きをサイトで読む（製造業AIの基礎知識）

生産管理部門がAIを使える業務は、需要予測、生産計画・スケジューリング、納期回答、在庫最適化の4つです。この4つは独立しておらず、需要予測が計画の入力になり、計画が納期回答の根拠になり、計画と実績の差が在庫を決めます。

注意したいのは、生産計画で使われる中心技術はAI（機械学習）より数理最適化だという点です。予測は「何が起きるか」を出し、最適化は「どうするか」を出します。両者の違いは予測AIと数理最適化の違いで詳しく扱っています。

需要予測の手法については、Walmartの日次販売42,840系列を予測したM5コンペ（2020年）の結果が参考になります。

続きをサイトで読む（製造業AIの基礎知識）

AIプロジェクトでは、データサイエンティストやAIベンダーがモデルを担当し、生産技術者は「現場の調整役」として扱われがちです。しかし、外観検査AIの精度の大部分は撮像系で決まり、欠陥が画像に写らなければどんなモデルでも検出できません。予知保全では、センサーの選定と取り付け位置、サンプリング周期が、取れる兆候の上限を決めます。AIの入力側を設計できるのは、設備と工程を知る生産技術者です。

以下の10のポイントは、外観検査・予知保全・条件出しの3つの場面に分けています。

カメラの解像度と視野から、検出したい最小の欠陥が画像上で何ピクセルになるかを計算します。

続きをサイトで読む（製造業AIの基礎知識）

品質管理は、製造業のAIの用途として最も多く挙がる分野です。Rockwell Automationの2025年の調査（17か国1,560人）では、50%が2025年にAI/機械学習を製品品質に適用する予定と答え、品質管理が2年連続でAIのユースケースの首位でした。日本でも、MONOistの「スマート工場動向調査2026」（2026年6月、有効回答349件）で、関心が高かった技術としてAI画像認識による品質検査が挙がっています。

品質保証部門の業務は、検査、工程の監視、不具合の解析、顧客対応、品質文書の作成・管理にわたります。

続きをサイトで読む（製造業AIの基礎知識）

製造業の省エネ・CO2削減でAIを使う方法は、次の3つに分かれます。後の段階ほど効果は大きくなりますが、必要なデータと仕組みも増えます。

最初の段階は、設備ごとの電力を測り、生産量で割ったエネルギー原単位で比べることです。生産量や外気温で補正した基準（ベースライン）を回帰モデルで作り、そこから外れた消費をAIで検知すると、休日の待機電力、エア漏れ、設定値の戻し忘れなどが見つかります。

続きをサイトで読む（製造業AIの基礎知識）