場面1：構想・テーマ選定で出てくる用語（6語）
| 用語 | 意味 | 現場での注意点 |
|---|---|---|
| 1. 機械学習 | データから規則やパターンを学習する手法の総称 | AIと呼ばれる製品の多くはこれ。ルールを人が書く方式とは別物 |
| 2. ディープラーニング（深層学習） | 多層のニューラルネットを使う機械学習 | 画像・音・文章に強い。データと計算資源が多く要る |
| 3. 生成AI | 文章・画像・コードなどを生成するAI | 文書検索や手順書作成に強く、数値の予測や合否判定は従来型のAIの領域 |
| 4. PoC（概念実証） | 本番前に、小さな範囲で効果と実現性を確かめる取り組み | 技術検証ではなく、本番判断の材料集め。合格ラインを事前に決める |
| 5. ROI（投資対効果） | 投資額に対してどれだけの効果が出るか | 効果は不良・停止・工数を金額に換算し、運用費と横展開費も含める |
| 6. ユースケース | AIを適用する具体的な業務と目的 | 「外観検査」ではなく「最終検査の流出不良を減らす」まで具体化する |
用語の違いの詳細はAI・機械学習・ディープラーニングの違いと生成AIと予測AIの違いで扱っています。
場面2：データの準備で出てくる用語（7語）
| 用語 | 意味 | 現場での注意点 |
|---|---|---|
| 7. 学習データ | モデルを作るために使うデータ | 量より、ロット・季節・品種のばらつきを代表しているかが大事 |
| 8. 評価データ（テストデータ） | 学習に使わず、精度の確認だけに使うデータ | 学習データと混ざると精度が実力以上に見える |
| 9. アノテーション（ラベル付け） | データに正解（良否、不良の種類など）を付ける作業 | 判断基準が人で揺れると精度が下がる。限度見本でそろえる |
| 10. 教師あり学習 | 正解ラベル付きのデータで学習する方式 | 不良の種類分けや需要予測など。ラベル付けのコストが課題 |
| 11. 教師なし学習 | 正解ラベルなしでデータの構造を学ぶ方式 | 異常検知やクラスタリング。結果の解釈に人の知識が要る |
| 12. 良品学習 | 良品データだけで学習し、良品から外れたものを異常とする方式 | 不良が少ない立ち上げ期に向く。正常のばらつきを含めないと過検出が増える |
| 13. データ拡張 | 画像の回転・明るさ変更などで学習データを水増しする手法 | 現実にない変化を加えると逆効果。実際の撮像条件の変化を模す |
場面3：モデルと精度の議論で出てくる用語（7語）
| 用語 | 意味 | 現場での注意点 |
|---|---|---|
| 14. モデル | 学習の結果できあがった、入力から出力を計算する仕組み | 版を管理し、どの版で判定したかを記録する |
| 15. 推論 | 学習済みモデルで新しいデータを判定・予測すること | 推論の速度がタクトに間に合うかを確認する |
| 16. 閾値 | 異常度や確信度がいくつ以上なら異常とするかの境目 | 閾値で見逃しと過検出の量が入れ替わる |
| 17. 見逃し（偽陰性） | 不良を良品と判定すること | 流出クレームに直結。通常は最優先で抑える |
| 18. 過検出（偽陽性） | 良品を不良と判定すること | 再検査工数と歩留まりロスになる |
| 19. AUROC | 閾値を動かしたときの判定性能を1つの数でまとめた指標 | 閾値に依存しないため、実運用の見逃し率は分からない |
| 20. 過学習 | 学習データに合わせすぎて、新しいデータで精度が落ちること | PoCの精度が高すぎるときは疑う |
精度の指標は精度指標の読み方、閾値の決め方は閾値のトレードオフで詳しく扱っています。
場面4：本番と運用で出てくる用語（6語）
| 用語 | 意味 | 現場での注意点 |
|---|---|---|
| 21. ドリフト | データの傾向や、入力と正解の関係が時間とともに変わること | 材料ロット・季節・設備改造で起きる。精度劣化の主因 |
| 22. 再学習 | 新しいデータでモデルを学習し直すこと | 誰が、いつ、どのデータで行うかを導入前に決める |
| 23. MLOps | モデルの開発・配布・監視・再学習を継続的に回す仕組み | 工場ではモデルの版をロットのトレーサビリティに記録する |
| 24. 並行運用（シャドー運用） | 人の判定とAIの判定を同時に回して差を確認する期間 | 本番切り替え前に必ず置く。差分が閾値見直しの材料になる |
| 25. Human-in-the-loop | AIの出力を人が確認・承認する工程を組み込む設計 | 設備の設定変更や重要な判定では承認を挟む |
| 26. 横展開 | 1ラインで成功したAIを他ライン・他工場に広げること | 撮像条件・センサー位置・マスタを揃えないとコストが膨らむ |
場面5：データ基盤とインフラで出てくる用語（4語）
| 用語 | 意味 | 現場での注意点 |
|---|---|---|
| 27. エッジAI | 設備の近くの機器で推論すること | 遅延・帯域・可用性・機密性の理由で選ぶ。多数の機器の管理が課題 |
| 28. MES（製造実行システム） | 作業指示・ロット・実績・品質を管理する工場のシステム | AIの学習ラベルの供給元であり、判定結果を工程に戻す出口になる |
| 29. OPC UA | 設備データを型・単位つきでやり取りする産業用の標準規格 | 業界別の情報モデル（コンパニオン仕様）で設備をまたいで扱える |
| 30. RAG（検索拡張生成） | 社内文書を検索してから生成AIが回答する方式 | 古い版の文書を参照すると誤答する。文書の版管理が要る |
よくある質問
AIとディープラーニングは同じ意味ですか
ドリフトはどのくらいの頻度で起きますか
決まった頻度はありません。材料ロットの切り替え、季節による温湿度の変化、設備の改造や治具交換のたびに起き得ます。精度を継続的に監視し、変化に気づける仕組みを用意しておくことが大切です。
PoCと本番の違いは何ですか
PoCは限られた範囲で効果と実現性を確かめる段階で、本番は業務の中で継続的に使う段階です。本番では、データ連携、業務手順への組み込み、精度監視と再学習、障害時の対応が必要になり、PoCより範囲が大きく広がります。
この記事に出てくる用語
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。
