【品質管理部門×DX】
歩留まり向上、検査の省力化などにAIを活用するための第一歩
DX推進の礎となる“データプレパレーション” のイロハ

顧客に対して高品質な製品を提供することを求められる品質管理部門。工場内における生産体制の改善活動や製造部門に対する品質教育など、製品やサービスの品質維持や改善活動などを行っており、高品質なものづくりが強みの日本の製造業において重要な役割を担っています。

製造基盤白書（2021年版ものづくり白書）によれば、生産工程の改善や多工程を処理する技能に次いで、品質管理に関する知識・技能が重要視されています。高い品質を維持するためには、品質管理部門の高度な知識や技能が必要不可欠です。

品質管理を行う上では、データに基づく客観的な判断を行うことが必要であることは言うまでもありません。品質管理の手法には様々なものがあり、現場から得られた各種のデータを、グラフやヒストグラム、パレート図といった、従来のQCツールなどを駆使して、品質改善につなげていることでしょう。その意味では、すでに現場にはデータ化された情報が得られる環境にあると言えます。

これらのデータを活用しながら品質を高めつつ、人材難の現場において業務効率化を進めていくためには、これまでのようにExcelなどでデータを集計するような属人的な手法ではなく、機械学習をはじめとしたAI技術を活用した課題解決のアプローチが重要になってきます。

この活動については、DXを推進するプロセスに必要な、デジタルを適用する“デジタライゼーション”の段階と言えます。多くの経営者がDX推進に向けた取り組みに期待を寄せている今、すでにデジタル化が実現している品質管理の領域において、デジタル技術のさらなる活動を進めるデジタライゼーションに取り組むことは、まさに絶好のタイミングと言えるでしょう。

品質管理では、ライン上の設備改善や検査手法の高度化が常に求められていますが、具体的にAIを活用することで、どのようなことが実現できるようになるのでしょうか。

AIによって過去の実績データから傾向を学習し、未来を予測できるようになります。これを品質管理に応用すると、過去に担当者が行ってきた、複雑で複合的な判断に用いた実績データを学習することで、コンピュータが人間の代わりに判断を行なう予測モデルを作成できるのです。具体例を挙げると、人が職人技で行っていた打音検査の結果からの判断を行う、経験則的に行われていた工具寿命の推定を行うといったことが可能です。また、生産設備の予知保全や、熟練者による目視検査の自動化にも役立てることができます。品質管理において効率化できていない属人化された業務を、データを活用して精緻に判断し、精度アップや熟練技術者の経験だけに頼らない業務フローを構築するといった、品質向上に向けた活動に生かすことができるわけです。

ただし、どんな分野にもAIがすぐに活用できるとは限りません。費用対効果の大きいテーマへの取り組みは重要ですが、実際のAIプロジェクトでは、期待していた精度に至らないなどの理由で失敗してしまう事例もあります。

では、どんなテーマが成功しやすいのでしょうか。その鍵となるのは、AI化したいと考えている業務への深い理解です。AIの性能を実用水準まで向上させるためには、AI化したい事象に関わる因果関係や、相関関係を十分に理解していることが重要です。そのため、実際の成功プロジェクトを見ると、まだ取り組んだことがない全く新しい業務のAI化に比べ、これまで現場が取り組みを続けてきた業務のAI化の方が成功しています。まずは既存業務の効率化や自動化をテーマに取り組み、その成功体験をもとに新しい大きなテーマへ取り組むことが、組織のAIへの取り組みを成功させるポイントです。また、業務への理解が成功率に直結するという性質から、AI開発は専門の開発業者に外部発注するのではなく、専門家でなくとも扱えるAI開発ツールを活用して内製化することが最近のトレンドとなりつつあります。

AIは何でもできる魔法の杖ではないため、大きなチャレンジテーマを掲げながらも、地に足の着いた部分からスタートし、成功体験を積んでいくことが重要です。日々の活動において、実現性と、それを改善したことで得られるビジネスインパクトの両軸でテーマを設定していくことをまずは考えていきたいところです。

AI導入による品質向上のプロセスにおいては、現場から得られるデータを機械学習含めたAIプラットフォームに投入し、そこからモデルづくりを経て検証していくことになりますが、そのモデルづくりに欠かせないプロセスがあります。現場から得られたデータを機械学習のモデルづくりに利用できる形に、データを結合・整形・クレンジング（洗浄）していく前処理です。

実際の現場では、工程ごとに異なる設備が導入されており、異なるプラットフォームにてデータが別々に蓄積され、フォーマットも異なっているのが一般的です。これらをきちんと機械学習に活かせる形に整理していくことが必要ですが、この前処理に多くの時間を割かざるを得ず、本来時間をかけて試行錯誤すべきモデルづくりに時間をかけられないプロジェクトも少なくありません。実際には、モデルを開発する時間の何倍もの時間をかけてデータを準備するということも現実的に発生しているのです。

だからこそ、データの変換や加工・クレンジングといったデータプレパレーション処理を効率的に実施することが、その後工程で成果を生むためには重要です。また、精度の高いモデルを作成するためには、データの変換や加工だけでなく、学習すべきでないイレギュラーなデータの除去といった作業も前処理段階で行う必要があります。

もちろん、既存の設備だけでなく、IoTセンサーなどをラインに設置して新たにデータを取得することや、作業者の動線が把握できるセンサーを作業者に携帯させ、人の行動データを取得して、品質や生産性の向上に役立てるといったことも、改善テーマによっては必要です。新たなデータが増えるたびに、最初からデータを整えていくような手間は避けたいところでしょう。将来的な拡張も考えると、新たなデータを追加していくことも考慮したうえで、効率的にデータプレパレーションが実施できる環境を整備したいところです。