「なぜ不良が出るのか」が追えていますか
製造現場で不良品が出たとき、どう対応していますか。
「工程を止めて確認する」「担当者に原因を聞く」「選別して出荷を止める」──どれも当然の対応です。ただ、「なぜその不良が出たのか」を、データをもとに追跡できているでしょうか。
多くの中小製造業では、検査結果は記録していても、その記録を体系的に分析する仕組みがありません。不良が出るたびに担当者が経験と感覚で原因を探り、再発防止策を打ちます。しかし似たような不良が、また別の条件で繰り返される──この繰り返しに悩む現場は珍しくありません。
品質検査データをAIで分析する仕組みは、「なぜ不良が出るか」のパターンを、蓄積された記録の中から引き出します。
品質検査データとは何か
品質検査データとは、製品の検査工程で記録される情報の総称です。主に次のようなものが含まれます。
- 検査日時・ロット番号・製品番号
- 検査項目（寸法・外観・電気特性など）と測定値
- 合否判定の結果
- 不良内容の分類（傷・寸法外れ・欠け など）
これに加えて、製造条件（設備の設定値・使用材料のロット・作業者・温度や湿度など）を紐づけて記録できると、AIによる分析の精度が大きく上がります。
「うちにはそんなデータはない」と思う方もいるかもしれません。ただ、紙の検査票・スプレッドシートの合否記録・設備の設定台帳など、バラバラでも記録として残っているものが出発点になります。まず「今、何が記録されているか」を確認するところから始まります。
AIで分析すると何が変わるか
蓄積された品質検査データをAIで分析すると、主に2つの変化が起きます。
1. 不良発生のパターンが見える
「月曜の朝に不良率が上がる」「特定の材料ロットを使ったときに寸法外れが増える」「夏場の午後、温度が高い時間帯に表面不良が集中する」──人が大量のデータを手で集計していると見落としやすい傾向を、AIは自動で引き出します。
データが少ない段階では傾向が出にくいですが、3〜6ヶ月分の記録が蓄積されると、分析の精度が上がります。
2. 条件と不良の相関が分かる
単独の条件ではなく、「温度×材料ロット×加工速度の組み合わせ」のように、複数の条件が重なったときに不良が出やすい、という関係性を見つけることができます。
経験のある担当者の「この条件のときに出る気がする」という感覚を、データで裏付け・補完します。担当者の経験を否定するのではなく、その経験をデータで強化します。
品質改善サイクルをデータで回す
AIを使った品質改善の流れは、次のサイクルで回します。
STEP 1 検査データを収集・整理する
既存の記録を一箇所に集め、分析できる形に整えます。紙の記録であればデジタル化が必要です。最初は完璧でなくてよく、「ロット・日時・合否・不良分類」の4項目が揃えば分析は始められます。
STEP 2 AIでパターンを抽出する
蓄積されたデータに対してAIを適用し、不良率と各条件の相関を探ります。異常が多い時間帯・設備・材料ロットなどを自動で絞り込みます。
STEP 3 現場で仮説を検証する
AIが示すパターンはあくまで「仮説の入口」です。「この条件のときに不良が多い」と分かったら、現場で実際に確認します。AIが原因を断定するのではなく、原因追跡を効率化します。
STEP 4 改善アクションを実施し、再計測する
原因が特定できたら改善策を実施し、その後のデータで効果を確認します。改善の前後でデータが蓄積されるため、次のサイクルの精度が上がります。
Before/After：「感覚頼り」から「データ把握」へ
データ分析の仕組みを導入する前後で、現場の対応が変わります。
導入前 は、不良が出るたびに担当者が個別に原因を探します。記憶や日報に頼り、横断的な傾向を掴みにくい状態です。担当者が異動・退職すると、その経験も失われます。
導入後 は、不良パターンがデータとして可視化されます。「前回の不良と似た条件か」を記録から確認でき、対応の再現性が上がります。担当者の経験がデータで補強されるため、人が変わっても知見が残ります。
製造業のAI品質分析で押さえておくこと
品質検査データの分析を進める上で、あらかじめ理解しておくべき点があります。
AIは「相関」を見つけるが、「因果」は人が判断する
AIは「この条件と不良率に関係がある」という統計的な相関を示します。「だからこの条件が原因だ」という因果関係の判断は、現場の知識を持つ人が行います。AIの出力はあくまで仮説の起点であり、調査の方向を絞り込む道具です。
データ量と質が分析の精度を決める
記録の量が少ない、または条件の記録が不十分だと、AIが意味のあるパターンを見つけにくくなります。最初から高精度の分析を求めるより、まず記録を継続して蓄積することが先決です。
画像検査と混同しない
「AI品質検査」には、カメラで製品を撮影して不良品を自動で見つける「AI外観検査（画像認識）」と、今回説明した「検査データの統計分析」の2種類があります。どちらもAIの活用ですが、目的・投資規模・必要なデータが異なります。今ある記録をまず活かせるのは後者です。
始め方：まず「検査記録を整える」から
品質検査データの分析は、高度なシステムを入れるところから始まりません。最初のステップは「記録を整えること」です。
1. 今の検査記録を一覧にする
紙・Excelどちらでも構いません。「ロット番号」「日時」「合否」「不良の種類」が揃っているか確認します。揃っていない項目があれば、今日から記録を追加します。
2. 製造条件を紐づける準備をする
検査記録に、使用した材料のロット・設備の設定値・作業者・温度や湿度などを関連づけられるようにします。すべての条件を一度に揃える必要はありません。最初に加えやすい条件から始めます。
3. 3〜6ヶ月分のデータが溜まったら分析を試みる
サンプル数が少ないと統計的な傾向が出にくいです。まず記録を継続し、ある程度のデータ量を確保してから分析に進みます。この期間に「どんな分析をしたいか」を整理しておくと、導入時の設計が早まります。
「記録が残ること」が次の改善の土台になる
品質検査データの分析は、不良を「発見する」だけでなく、「なぜ出るか」を追跡し、次の改善の根拠にします。問題が起きてから動くのではなく、データに基づいて先手を打てる現場に変わります。
長野・諏訪・岡谷の製造現場では、記録の形式も業種も様々です。私たちは、今ある記録をどう整理し、どこから分析を始めるかを、現場の実態に合わせて一緒に整理します。高度なシステムを入れる前に、今の記録から何が読み取れるかを確認するところから始めます。