再学習は「工程の変更」として扱う
品質判定に使うAIのモデルを入れ替えると、同じ製品に対する良否の判定が変わる可能性があります。これは検査基準や検査装置の変更と同じ性質の変更です。製造業には4M（人・機械・材料・方法）の変更管理の仕組みがあり、方法や設備の変更は、事前の評価・承認・記録が求められます。AIの再学習とモデルの切り替えも、この仕組みの中で扱うのが自然です。
変更管理の外で再学習を回すと、次のような問題が起きます。
- 顧客に届け出た検査方法と、実際の判定ロジックが食い違う
- 判定の傾向が変わった時期と理由を、後から説明できない
- 新しいモデルに問題があっても、元に戻す手順がない
再学習の技術的な仕組み（版管理、判定記録）は工場向けMLOpsで扱いました。この記事では、その上に載せる運用のルールを示します。
ルール1：再学習のきっかけを決める
再学習を「気づいたらやる」にしないため、きっかけを3種類に分けて決めておきます。
| 種類 | きっかけの例 | 判断する人 |
|---|---|---|
| 定期 | 四半期ごと、季節の切り替わり | データ基盤・AI担当（計画として登録） |
| 指標 | 人の再判定で覆る率が基準を超えた、判定スコアの分布が変化した | AI担当が検知し、品質保証と協議 |
| イベント | 新品種の追加、設備改造、治具交換、判定基準の改定、材料の仕入先変更 | 変更を起こした部門が変更管理票で通知 |
イベントによる再学習は、元の変更（設備改造など）の変更管理票と関連付けます。精度が落ちる仕組みと検知の方法はAIモデルのドリフト監視で扱っています。
ルール2：担当と承認者を分ける
再学習を実行する人と、本番への切り替えを承認する人を分けます。品質判定に使うモデルなら、承認者は品質保証部門です。
| 役割 | 担当の例 | 責任 |
|---|---|---|
| 実行 | データ基盤・AI担当、外部委託先 | データ準備、学習、評価レポートの作成 |
| 検証 | AI担当＋生産技術 | 評価データでの比較、現場での並行運用 |
| 承認 | 品質保証部門（保全用途なら設備保全の責任者） | 切替の可否判断、顧客への届出要否の判断 |
| 切替・監視 | 製造部門＋AI担当 | 段階的な適用、切替後の監視 |
外部のベンダーに再学習を委託している場合も、承認は自社で行います。承認の権限を外部に渡すと、判定基準の管理を外部に委ねることになります。
ルール3：切替前の検証基準を決めておく
承認の判断を属人的にしないため、検証の合格基準を事前に決めておきます。
- 固定の評価データでの比較：再学習の前後で同じ評価データセットを使い、見逃し率と過検出率を比べる。評価データセットには、過去に問題になった境界事例と見逃し事例を必ず入れる
- 見逃しを増やさない：品質判定では、過検出が減っても見逃しが1件でも増えたら原則不合格とする、のように非対称な基準にする
- シャドー運用：本番と並行して新しい版を一定期間動かし、判定の差分を人が確認する
- 変化の説明：判定が変わった事例について、なぜ変わったかを説明できるか
評価指標の読み方は見逃しと過検出のトレードオフも参照してください。
ルール4：ロールバック手順を用意する
新しい版に問題が見つかったときに、誰の判断で、何分以内に、どの版に戻すかを決めておきます。
- 旧版のモデルと閾値を、すぐ配布できる状態で保持する
- ロールバックの判断者（夜間・休日を含む）と連絡経路を決める
- 問題の版で判定したロット・シリアルを、MESの判定記録から抽出できるようにしておく（再検査の範囲を絞るため）
よくある質問
再学習のたびに承認手続きを踏むと、運用が回らなくなりませんか？
変更の影響の大きさで手続きを分けると回ります。たとえば、学習データの追加だけで閾値もモデル構造も変えない定期再学習は簡略手続き、閾値の変更や判定基準の改定を伴うものは正式手続き、というように区分を決めておきます。
予知保全のモデルにも同じ手続きが必要ですか？
品質判定ほど厳格でなくてよい場合が多いですが、保全の判断（停止・部品交換）を変える可能性があるので、設備保全の責任者の承認と記録は残してください。誤報が増えると現場がアラートを無視するようになるため、切替後の誤報率の監視は欠かせません。
再学習は内製すべきですか、外部委託でよいですか？
実行は外部委託でも構いませんが、評価データセットの管理、合格基準、承認は自社で持つべきです。内製と外注の考え方はAIは内製か外注かで整理しています。
この記事に出てくる用語
AIは「データ基盤」で決まる
PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある 全130本
- MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
- 製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
- 製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
- データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
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。
