検品AIが判断に迷ったら、誰が確認するのか？――本導入前に決めたい判定基準
検品AIを始めるとき、モデルやカメラ、学習データの枚数よりも先に決めたいことがあります。
最初に決めるべきことは、何をOKとし、何をNGとし、何を人が確認するREVIEWにするかです。
検品AIのPoCでは、よく「画像認識の精度」が注目されます。正解率、再現率、適合率、不良検出率は、もちろん重要な指標です。しかし、本導入で本当に問われるのは、AIが現場の品質判断に入ったとき、誰がその判定を信用し、どのアクションを取れるかです。
製造業のAI活用では、品質管理や予知保全が主要ユースケースとして挙げられることが多く、スマートマニュファクチャリングでも品質保証は重要なテーマです。ただし、品質領域では、AIの出力が説明できなければ運用に乗りません。
「不良を見つけるAI」では足りない
検品AIの目的を「不良を見つけること」と置くと、議論が狭くなります。
現場で必要なのは、不良を見つけることだけではありません。流してよいものを止めず、止めるべきものを流さないことが必要です。判断に迷うものは適切に人へ回し、判定理由を後から説明できるようにします。そのために、検査員や品質保証部門が納得できる基準を作ります。
つまり、検品AIは単なる画像分類ではなく、品質判断の一部です。
AIが「NG」と出したとき、その製品は廃棄するのか、再検査するのか、手直しするのか、品質保証へ回すのか。AIが「OK」と出したものに不良が混ざったとき、責任はどう扱うのか。AIが迷うケースはどこへ流すのか。ここが決まっていなければ、本導入には進めません。
OK/NG/REVIEWの3分類で考える
検品AIでは、最初からOKとNGの二択にしない方がよいです。現実の品質判断には、迷う領域があります。
そこで、最初に設計すべきはOK/NG/REVIEWの3分類です。
NGは明確に基準外と判断したものです。対応には、図にある停止・手直し・品質確認に加えて、廃棄も含まれます。REVIEWは、AIまたは判定基準上、判断が難しいものを人が確認する区分です。
このREVIEWをどう設計するかが重要です。REVIEWが多すぎるとAI導入効果が出ません。少なすぎると不良流出リスクが高まります。どの範囲を人が見るべきかを、品質リスクと現場負荷のバランスで決める必要があります。
良品基準をどう作るか
検品AIでは、不良データを大量に集めることが難しい場合があります。不良はそもそも少なく、種類もばらつきます。そこで有効なのが、良品の範囲を明確にする考え方です。
人が良品と確認したデータを基準に、どの特徴が正常範囲に収まり、どれだけ逸脱しているかを確認します。逸脱した項目数やフレーム数をもとに、OK/REVIEW/NGを分けます。この考え方は、少数の不良データで無理に分類モデルを作るより、品質保証の説明に乗せやすい場合があります。
重要なのは、AIがブラックボックスで「不良」と言うのではなく、どの特徴がどれだけ基準から外れているかを示すことです。
品質保証部門が見るポイント
検品AIを本導入する際、品質保証部門は次のような点を見ます。
判定基準は既存の品質基準と整合しているか
AIが誤判定した場合の影響範囲はどこか
REVIEWに回す基準は妥当か
判定ログは残るか
後から説明できるか
ライン条件や照明条件が変わったときに再評価できるか
モデル更新時に品質保証が確認できるか
ここをPoCの最後に議論すると遅いです。最初から品質保証部門を巻き込み、何をもってOK/NG/REVIEWとするかを決める必要があります。
PoCで見るべき指標
検品AIのPoCでは、単純な正解率だけでなく、次の指標を見るべきです。
特にREVIEW率は重要です。AIがほとんどをREVIEWに回すなら安全ではありますが、業務効果は出ません。逆にREVIEWを減らしすぎると流出リスクが上がります。このバランスを決めるのが品質設計です。
最初に決めるべき5つのこと
検品AIを本導入に進めるには、PoC前に次の5つを決めるべきです。
判定対象：どの不良、どの部位、どの工程を対象にするか
判定基準：OK/NG/REVIEWをどう分けるか
アクション：各判定後に現場が何をするか
責任分界：AI、検査員、品質保証の役割をどう分けるか
再評価ルール：条件変更やモデル更新時にどう確認するか
この5つがないまま画像認識PoCを始めると、技術検証としては成功しても、業務導入で止まりやすくなります。
判定基準は「現場が説明できる言葉」にする
検品AIでは、特徴量やモデル内部の説明だけでは現場に伝わりません。品質保証部門や検査員が説明できる言葉に落とす必要があります。
たとえば、「スコアがしきい値を超えた」ではなく、「境界部のにじみが良品範囲を超えている」「光漏れが通常範囲より広い」「背景ムラが複数フレームで継続している」といった説明です。
この説明ができると、AIの判定を、現場の品質に関する議論で使えるようになります。できなければ、AIはブラックボックスとして扱われ、最終的に人が全件確認する運用に戻ってしまいます。
REVIEWを価値ある業務にする
REVIEWは、AIが判断できなかったものを集めるだけの区分ではありません。品質リスクと業務効率のバランスを取るための重要な設計です。
REVIEWに回ったものを人が確認し、判断した理由を記録します。なぜOKにしたのか。なぜNGにしたのか。どの特徴が判断材料になったのか。この記録がたまると、判定基準の改善やモデル更新に使えます。
つまり、REVIEWはAI運用の学習ループです。ここを設計せずに、OK/NG二択だけで進めると、品質保証の信頼を得にくくなります。
本導入前の確認会
本導入前には、品質保証、製造、検査、情報システム、場合によっては法務・監査を含めて確認会を持つべきです。議題は、モデル精度の報告だけではありません。
判定基準、REVIEW率、誤判定時の対応、ログ、モデル更新、設備条件変更時の再評価、現場教育。この一式を確認して初めて、検品AIは業務システムになります。
検品AIの本導入とは、AIモデルを置くことではなく、品質判断の運用を変えることです。
良品データ中心で始める場合の注意点
不良データが少ない場合、良品範囲からの逸脱を見る方法は有効です。ただし、良品データの取り方を誤ると、基準そのものがずれます。
良品とされたデータは、本当に品質保証上の良品なのか。ロット、設備、照明、作業条件に偏りはないか。季節や材料差で変動しないか。人が良品と判断した理由は残っているか。
良品範囲を作るには、データ量だけでなく、データの代表性が重要です。現場では「いつもの良品」と「限界に近い良品」があります。この境界を品質保証部門と確認しながら作る必要があります。
現場教育もユースケースに含める
検品AIは、導入すればすぐ使われるわけではありません。検査員がAI判定の意味を理解し、REVIEW時に何を見るかを学ぶ必要があります。
AIがNGやREVIEWとした理由と、人が最終確認するポイントを学びます。これにより、AIと人の役割分担が明確になります。
教育を軽視すると、AI判定が出ても現場が全件見直す、または逆にAIを過信するという両極端が起きます。検品AIの本導入には、現場教育も含めるべきです。
評価会議の進め方
PoCの評価会議では、正解率の表だけでなく、実際の判定例を並べて議論します。OK、NG、REVIEWの代表例を見ながら、現場と品質保証が納得できるかを確認します。
「これはNGでよい」「これはREVIEWに残したい」「これは現場ではOK扱いだが顧客基準では注意が必要」といった議論が、判定基準を育てます。検品AIは、この会議を通じて業務に近づきます。
業務成果から考える力を、実践で身につける
この記事で扱った論点は、単独のAIツール選定では終わりません。実務では、業務部門、DX部門、データ部門、現場責任者が同じテーブルで議論し、どのユースケースを先に検証するかを決める必要があります。
そのときに必要なのは、AIの機能説明ではなく、業務成果から逆算して問いを立てる力です。どのKPI（成果を測る指標）を変えるのか。どの判断を支援するのか。どのデータが必要か。どこに人の確認を残すのか。PoCでは何を合意し、本導入では何を変えるのか。
AIを使える人材ではなく、AIを業務成果に接続できる人材を育てることが、製造業のAI活用では決定的です。
まとめ
検品AIを本導入に進めるために最初に決めるべきことは、モデルではなくOK/NG/REVIEWの基準です。AIの精度だけでなく、判定後のアクション、説明性、責任分界、品質保証の確認ルールまで設計する必要があります。
検品AIは、画像認識モデルではなく、品質判断の仕組みです。だからこそ、AIユースケース選定では、技術的に検出できるかだけでなく、品質保証として運用できるかを見なければなりません。
「AIで何ができるか」ではなく、「業務判断としてどう成立させるか」を考える力を育てることが重要になります。
参考情報
AIの活用を、テーマ選びから実践へ
自社のどの業務にAIを活かすか。選んだテーマをどう実現し、現場で使い続けられるようにするか。
AILでは、人材育成、実践知の蓄積・活用、導入に向けたコンサルティング、プロダクトの提供を通じて、企業のAI活用を支援しています。自社の課題に合った支援を、サービス紹介ページでご覧いただけます。
AI Librariumについて
本記事は、AI Librarium（アイブリウム）株式会社が発信しています。
AILは、専門家の知見や判断基準を、実務で使えるAI Skillとして届け、研修やコンサルティングを通じて企業の業務変革を支援します。その実践で得られた成果や課題を、AI Skillの改善と人材育成に活かし、次の変革につなげていくことを目指しています。
