トレーサビリティのデータはAIの学習データの「骨格」になる
トレーサビリティ（追跡可能性）は、製品やロットについて「いつ・どこで・どの部材で・どの設備と条件で・誰が作り、検査結果はどうだったか」を後から辿れる状態を指します。この履歴は、品質AIにとって次の2つの意味を持ちます。
- 正解ラベルの置き場所：良否判定、不良コード、顧客クレームがロットやシリアルに紐付いて記録されている
- 特徴量をつなぐキー：設備の時系列データや部材の受入検査値を、どの製品の結果と結び付けるかを決める
設備のセンサデータだけを集めても、そのデータがどの製品のどの工程のものか分からなければ、良否と関連付けられません。ISA-95でいうL3（製造オペレーション管理）にあたるMESは、作業指示・ロット・実績・品質判定・設備状態を持っており、この紐付けの役割を担います。MESとAIの関係全体はMESとAIの関係で扱っています。
履歴があるとAIでできる3つのこと
ロット・シリアルの履歴があると、品質AIで次の3つができるようになります。
| できること | 何をするか | 必要な紐付け | 効果の測り方 |
|---|---|---|---|
| 1 不良の要因分析 | 不良品と良品で、部材ロット・設備・条件・作業者の違いを統計やAIで比べる | 製品（ロット）× 工程 × 条件・部材 | 要因特定までの日数 |
| 2 影響範囲の特定 | 原因と分かった部材ロットや設備の異常期間から、同じ条件で作られた製品を洗い出す | 部材ロット → 製品の逆引き | 対象の洗い出しにかかる時間 |
| 3 リコール・選別範囲の最小化 | 影響を受けた可能性のある製品を、条件で絞り込む | シリアル単位、または小さいロット単位 | 選別・回収の対象数 |
1の要因分析では、決定木や勾配ブースティングとSHAP（各要因の寄与を示す手法）のような手法で、不良と関係の強い条件を候補として挙げます。ただし、観測データだけで因果は断定できません。AIが挙げた候補は、条件を変えた検証で確かめます。この手順は製品系譜（ジェネオロジー）で不良の真因を追うで詳しく扱っています。
2と3は、AIというより検索の問題ですが、紐付けの粒度で結果が大きく変わります。1日分を1ロットとして管理している工場では、ある部材ロットに問題が見つかったとき、その日に作った全製品が対象になります。部材の投入時刻と製品シリアルが紐付いていれば、対象を数十個まで絞り込めることがあります。
粒度が精度の上限を決める
トレーサビリティの粒度は、AIの精度の上限を決めます。次の図は、紐付けの粒度ごとにAIで分かることの違いを示したものです。
すべての製品をシリアル管理する必要はありません。粒度は、製品の単価、不良1件あたりの損失、顧客からの要求で決めます。自動車部品のように顧客がシリアル単位のトレーサビリティを求める場合は、その要求が粒度の下限になります。それ以外の製品では、作業指示（オーダー）単位のロットで、部材ロットの切替時刻と段取り時刻が分かれば、要因分析に必要な情報の多くは揃います。
紐付けを作るためにMESで確認する5項目
品質AIに使えるトレーサビリティがあるかは、MES（またはそれに代わる記録）で次の5項目を確認すると分かります。
- 部材ロットの投入記録：どの部材ロットを、どの作業指示に、いつ投入したかが記録されているか。投入をバーコードで読んでいるか、計画上の割当だけか
- 設備と作業者：各工程で、どの設備・どの作業者が作業したかが記録されているか
- 工程条件との時刻の対応：作業の開始・終了時刻が記録され、設備の時系列データと同じ時刻基準で結合できるか
- 検査結果の紐付け：工程内検査・最終検査の結果と不良コードが、ロットやシリアルに紐付いているか
- 手直し・再投入の記録：手直し品や再投入品が、元のロットとの関係を保ったまま記録されているか
5は見落とされがちです。手直し品を新しいロットとして扱うと、不良の発生工程と、その後の工程での結果がつながらなくなります。
よくある質問
MESがない工場でもトレーサビリティを作れますか？
作れます。作業指示書にバーコードを付け、部材投入と工程の開始・終了をハンディ端末で読むだけでも、ロットと部材・設備・時刻の対応は記録できます。ただし、記録の仕組みが工程ごとに別々になると結合が難しくなるため、コード体系は最初から共通にしておきます。
シリアル管理にすると費用はどのくらい増えますか？
刻印・ラベル貼付・読取の設備と、MESのデータ量の増加が主な費用です。製品の単価や顧客要求によって見合うかが変わるため、不良1件・回収1件あたりの損失と比べて判断します。高単価の製品や安全部品では、回収範囲を絞れる効果が大きくなります。
要因分析のAIが出した結果はそのまま信じてよいですか？
信じてはいけません。観測データから分かるのは相関で、因果ではありません。AIが挙げた要因の候補は、条件を変えた試作や、過去の類似事例との照合で確かめます。要因分析は、検証すべき仮説の候補を絞り込む道具として使います。
この記事に出てくる用語
AIは「データ基盤」で決まる
PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある 全130本
- MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
- 製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
- 製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
- データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
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。
