不良品検知AIのPoC入門：短期間で回す進め方と精度評価
不良品検知AIのPoC（効果検証）を、専門知識がない方にも分かるように基礎から解説する入門記事です。データ収集から判定精度の評価まで、短期間でPoCを回すための具体的な手順と判断基準を、製造現場の実例に沿って紹介します。
「目視検査をAIに置き換えたいが、本当に自社の不良品を検出できるのか分からない」——製造業の品質管理やDX推進の現場で、最初に必ずぶつかる疑問です。この不安に答えるための取り組みが、不良品検知AIのPoC（Proof of Concept：概念実証）です。 この記事では、AIの専門知識がない決裁者・現場担当者の方に向けて、PoCで何をやるのか、どんなデータをどれだけ集めればよいのか、そして「精度が出た」をどう判断すればよいのかを、順を追って解説します。
不良品検知AIのPoCとは、そもそも何をすることか？
PoCを身近な例えで言うと「新人検査員の試用期間」です。いきなり本採用（本番導入）するのではなく、まず限られた期間で「この人（AI）はうちの製品の不良を見分けられるのか」を試す期間を設けるイメージです。 試用期間と同じで、PoCで確認すべきことはシンプルです。
- 自社の実データ（画像やセンサー値）で、狙った不良を検出できるか
- 見逃しや誤検出がどの程度発生するか
- 本番導入した場合に、検査工数や流出不良がどれだけ減りそうか
逆に言えば、PoCの段階で完璧なシステムを作る必要はありません。目的は「導入判断に足る材料を短期間で得ること」であり、作り込みは本番フェーズの仕事です。ここを混同すると、PoCが半年、1年と長引く典型的な失敗に陥ります。
なぜ今、短期間でPoCを回すことが重視されるのか？
数年前まで、外観検査AIのPoCは「まずデータを1年分集めてから」といった進め方が一般的でした。しかし現在は状況が変わっています。 第一に、事前学習済みモデルや異常検知手法の進化により、数十〜数百枚程度の画像でも一次評価が可能になりました。良品画像だけを学習して「良品らしくないもの」を検出する手法（良品学習）を使えば、不良サンプルが少ない現場でも検証を始められます。 第二に、長いPoCほど失敗しやすいという経験則があります。期間が延びると担当者の異動や優先度の変化で立ち消えになり、「何も結論が出ないまま予算だけ消えた」という結果になりがちです。実務的には、1サイクル1〜2ヶ月で仮説検証を回し、結果を見て継続・撤退・条件変更を判断するのが現実的です。
PoCはどう進める？データ収集から精度評価までの5ステップ
典型的な不良品検知PoCの流れは次の通りです。
①対象の絞り込み → ②データ収集 → ③アノテーション → ④学習・推論 → ⑤精度評価と判断ステップ1：対象工程と不良モードを絞り込む
最初の分岐点です。「全部の不良を検出したい」と欲張ると必ず失敗します。PoCでは発生頻度が高い、または流出時の影響が大きい不良モードを2〜3種類に絞ります。例えば樹脂成形品なら「バリ」「ショートショット」「異物混入」のうち、まずバリと異物に絞る、といった判断です。
ステップ2：データを収集する
枚数の目安は手法によって変わりますが、実務感覚としては次の通りです。
- 良品学習（異常検知型）：良品画像100〜300枚＋評価用の不良画像20〜50枚
- 教師あり学習（分類・検出型）：不良モードごとに50〜200枚以上
枚数以上に重要なのが撮像条件の固定です。照明の当たり方、カメラと対象物の距離・角度、背景がバラバラだと、AIは不良ではなく撮影条件の違いを学習してしまいます。PoC段階では簡易的な撮像ブースでも構わないので、条件を揃えて撮ることが精度を大きく左右します。
ステップ3：アノテーション（正解付け）を行う
集めた画像に「これは良品」「これはキズ不良」といった正解ラベルを付ける作業です。ここで注意すべきは検査員による判定のブレです。ベテランと若手で「これは不良か？」の判断が分かれるケースは珍しくありません。PoC開始前に限度見本を整理し、判定基準を文書化しておくと、後工程の手戻りが激減します。
ステップ4：モデルの学習と推論
ここは技術パートナーやツールに任せる部分ですが、発注側として押さえるべきポイントは一つです。学習に使ったデータで精度を測らないこと。学習用と評価用のデータは必ず分け、評価は「AIが初めて見るデータ」で行います。ここが曖昧な報告書は信用できません。
ステップ5：精度を評価し、継続可否を判断する
詳しくは次章で解説しますが、事前に「見逃し率○%以下、過検出率○%以下なら本番検討に進む」という合格ラインをPoC開始前に決めておくことが重要です。結果を見てから基準を決めると、判断が主観に流されます。
判定精度はどう評価すればよい？「精度98%」に騙されない見方
PoCの報告で最も誤解が生じやすいのが精度の解釈です。例えば不良率1%のラインでは、「全部良品」と答えるだけのAIでも正解率は99%になります。つまり正解率（Accuracy）だけを見ても意味がありません。 実務で見るべき指標は次の2つです。
- 見逃し率：実際の不良のうち、AIが良品と誤判定した割合。品質保証上、最も重い指標
- 過検出率：実際は良品なのに、AIが不良と判定した割合。高すぎると再検査工数が増え、現場の信頼を失う
この2つはトレードオフの関係にあります。判定のしきい値を厳しくすれば見逃しは減りますが過検出が増えます。多くの現場では「見逃しはほぼゼロにし、過検出はAIが弾いたものを人が再確認する」という運用に落とし込みます。全数目視から「AIが疑わしいと判定した1〜2割だけ人が見る」体制に変わるだけでも、工数削減効果は十分に出ます。 もう一つ重要なのが、不良モード別に精度を分解して見ることです。全体の検出率が高くても、特定の不良だけ極端に検出できていないケースはよくあります。
上の例のように、コントラストが明確なキズ・打痕は検出しやすい一方、変色のような微妙な差異は苦手、という傾向が見えることがあります。この場合「変色は引き続き人が見る」「照明を変えて再検証する」など、モード別の対策を判断できます。全体平均だけの報告では、この判断ができません。
費用感・準備・期間の目安はどれくらいか？
外部パートナーと組む場合の一般的な相場感として、不良品検知のPoCは期間1〜3ヶ月、費用は数十万〜300万円程度のレンジに収まるケースが多いです。撮像環境の構築が必要か、既存の検査画像が使えるかで大きく変わります。 また、PoCの工数の内訳は多くの人の想像と異なります。実際にはAIモデルの構築よりも、データ収集と正解付けに大半の時間がかかります。
この構成比が意味するのは、PoCの成否の半分以上は発注側の準備で決まるということです。外部に依頼する場合でも、次の3点は自社側で用意しておくと立ち上がりが格段に速くなります。
- 不良モードの一覧と、それぞれの発生頻度・影響度の整理
- 限度見本または判定基準書（良品・不良品の境界の明文化）
- 既存の検査記録や不良品サンプルの現物（廃棄せず保管しておく）
よくある3つの誤解
誤解1：「AIに任せれば100%検出できる」
人の目視検査でも見逃しは一定確率で発生しており、AIも同様です。目指すべきは「人の検査精度を超える、または同等の精度で工数を大幅に減らす」ことであり、100%を前提にすると導入判断ができなくなります。
誤解2：「不良品の画像が大量にないと始められない」
前述の通り、良品学習型の手法なら不良サンプルが少なくても検証を始められます。「不良データが貯まるまで待つ」のは、多くの場合、着手を遅らせるだけです。
誤解3：「PoCで精度が出れば、そのまま本番に使える」
PoCは選別した条件下での検証です。本番ではライン速度、照明の経年変化、製品ロットの違いなど変動要因が増えます。PoCの合格は「本番導入の設計に進んでよい」という判断材料であり、そのまま横展開できる完成品ではありません。ここを社内で共有しておくと、後の期待値のズレを防げます。
次の一歩：まず何から始めればよいか
この記事を読んで「うちでもやれそうだ」と感じた方は、大掛かりな準備の前に、次の3つから着手することをおすすめします。
- 直近半年の不良データを整理し、頻度と影響度で対象モードを2〜3個に絞る
- 不良品サンプルの廃棄を止め、現物と写真を保管するルールを作る
- 「見逃し率・過検出率がいくつなら次に進むか」の合格ラインを社内で仮決めする
この3つが揃っていれば、社内で進める場合も外部パートナーに相談する場合も、PoCは驚くほどスムーズに立ち上がります。逆にこれが曖昧なまま始めると、期間だけが延びていきます。まずは自社の不良データの棚卸しから、小さく確実に始めてみてください。