AIは「測定値」を学ぶ。製品そのものではない
品質AIの学習では、寸法、硬さ、濃度、外観の良否といった測定値や判定結果を正解（目的変数）として使います。AIが学ぶのは、工程条件とこの測定値の関係です。測定値が製品の真の値を正しく表していれば問題ありませんが、測定のたびに値がぶれる、測定者によって結果が違う、という状態では、AIは製品の差と測定のぶれを区別できません。
例えば、ある寸法のばらつきのうち半分が測定誤差だとします。このとき、工程条件からどれだけ精度よく予測しても、残りの半分は測定のぶれなので原理的に説明できません。説明できない部分が大きいモデルを見て「データが足りない」「手法が悪い」と考え、データ集めや手法の変更に時間を使ってしまうのが典型的な失敗です。
ゲージR&Rで切り分ける2つの誤差
測定系分析（MSA）は、測定の仕組み全体（計測器、測定者、測定方法、環境）がどれだけ信頼できるかを評価する手法の総称です。その中心がゲージR&R（Repeatability & Reproducibility）で、測定のばらつきを2つに分けます。
| 成分 | 意味 | 主な原因 | 対策の方向 |
|---|---|---|---|
| 繰り返し性（Repeatability） | 同じ人が同じ部品を同じ計測器で何度も測ったときのばらつき | 計測器の分解能・精度、部品の置き方、治具 | 計測器の更新、治具の改善、測定点の固定 |
| 再現性（Reproducibility） | 測定者が変わったときの平均値の差 | 測定手順の解釈の違い、技能差 | 手順書の明確化、教育、自動測定化 |
外観の良否のように数値でない判定については、複数の検査員が同じサンプルを判定したときの一致率を見る「計数値のMSA（属性一致分析）」を行います。外観検査AIで良否ラベルの揺れが問題になるのは、これと同じ構造です（製造AIの正解ラベルを参照）。
実施手順：品質AIの準備として行う場合
一般的なゲージR&Rの進め方は次のとおりです。
- 対象の測定項目を決める：品質AIで目的変数として使う測定値を選ぶ
- サンプルを選ぶ：工程のばらつきの範囲をカバーするよう、10個程度の部品を選ぶ（良品の範囲内だけでなく、規格の端に近いものも含める）
- 測定者と回数を決める：普段その測定を行っている2〜3人が、それぞれ各部品を2〜3回測る。部品の順番はランダムにし、前の結果が分からないようにする
- 分散を分解する：分散分析（ANOVA）で、製品間・繰り返し性・再現性の成分を求める
- 判断する：測定系のばらつきが、全体のばらつきや規格幅に対してどの程度かを評価する
判断の目安として、測定系のばらつきが全体（または規格幅）の10%未満なら良好、30%を超えると不適切、その間は用途によって条件付きで許容、という基準が広く使われています。品質AIの準備としては、これに加えて「AIで説明したいばらつきに対して、測定誤差がどれだけを占めるか」を見ることが重要です。
結果別の判断：AIに進むか、測定を直すか
ゲージR&Rの結果によって、品質AIの進め方は変わります。
- 測定系が良好：そのまま要因分析や予測モデルに進む
- 繰り返し性が大きい：計測器や治具の見直しが先。AIで工程条件をいくら分析しても、測定のぶれは消えない
- 再現性が大きい：測定者ごとの差をまず解消する。暫定策として、測定者を説明変数に入れて差を補正する方法もあるが、根本対策は手順の統一や自動測定
- 製品間のばらつき自体が小さい：工程がすでに安定しており、AIで改善できる余地が小さい可能性がある。テーマの見直しを検討する
最後のケースは見落とされがちですが重要です。測定誤差に比べて製品間の差が小さい工程は、AIの投資対象として優先度が低いと判断できます。
インライン計測とラボ分析で注意する点
インライン計測（ライン上の自動測定器）では、測定者の差はありませんが、ワークの位置ずれ、温度、汚れによる誤差が出ます。また、計測器の校正がずれると、ある時点から全データが一方向にずれます。品質AIのデータに使うなら、校正の履歴と測定値を紐付けて残し、校正の前後でデータの分布が変わっていないかを確認します。
ラボ分析では、分析者、分析装置、試薬のロットによる差があります。さらに、サンプリング時刻と分析値の記録時刻がずれている問題もあります。ソフトセンサーのように分析値を正解にするAIでは、この時刻の扱いが精度を左右します。
品質AI全体の中で測定とトレーサビリティがどう土台になるかは製造業の品質AIの4領域で整理しています。
よくある質問
ゲージR&Rにはどのくらいの時間がかかりますか
測定1回の時間と、部品数×測定者数×回数で決まります。10部品×3人×3回なら90回の測定です。準備と分析を含めて、1つの測定項目で数日程度を見込むのが一般的です。
過去データしかない場合でも測定誤差を見積もれますか
同じ部品を繰り返し測ったデータや、検査工程と受入検査で同じ製品を測ったデータがあれば、ある程度は見積もれます。ただし条件が管理されていないため、正式なゲージR&Rの代わりにはなりません。
AIで測定誤差を補正することはできますか
測定者や計測器ごとの系統的なずれ（バイアス）は、モデルに説明変数として入れることで補正できる場合があります。しかし、ランダムなぶれ（繰り返し性）はAIでは取り除けません。測定系の改善が根本対策です。
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。
