AI 検査モデルの精度劣化と再学習 — 導入後に精度が落ちる理由と運用設計

AI 外観検査は「導入したら終わり」のシステムではありません。稼働開始時に高い精度を出していたモデルが、数ヶ月後には過検出を連発している —— こうした精度劣化は、AI 検査の運用で必ず向き合うことになるテーマです。この記事では、精度劣化がなぜ起きるのか、そして再学習を回し続けるための運用設計を紹介します。

モデルは変わらないのに、精度が落ちる理由

学習済みモデル自体は変化しません。変わるのは入力される画像の方です。この現象はデータドリフトと呼ばれ、製造現場では日常的に起こります。

• 材料・工程の変化: 材料ロットの切り替え、上流工程の条件変更、金型の摩耗などで、良品の見た目が学習時から徐々にずれていく
• 撮像環境の変化: 照明の経年劣化、カメラの位置ずれ、季節による外光の変化
• 新しい品種・不良モードの出現: 学習時に存在しなかったパターンは、モデルにとって未知の入力になる

学習時のデータは「その時点の工程のスナップショット」にすぎません。工程が生き物である以上、モデルは放置すれば必ず現実からずれていきます。

劣化に「気づける」仕組みが最初の投資先

精度劣化で最も危険なのは、見逃しが増えていることに誰も気づかないまま運用が続くことです。再学習の仕組みより先に、劣化を検知する仕組みを整えるべきです。

• 判定分布のモニタリング: NG 率・異常スコアの分布を時系列で監視し、じわじわとした変化を検出する
• 抜き取りの人による監査: OK 判定品の定期的な抜き取り確認で、見逃しの発生を早期に掴む
• グレーゾーン判定の記録: しきい値付近の判定が増えてきたら、分布がずれてきているサイン

再学習を「イベント」ではなく「ルーチン」にする

劣化に気づいてから慌ててデータを集め、開発者に再学習を依頼する —— この体制では、再学習のたびに数週間の精度低下期間が生まれます。安定運用している現場は、再学習を定常業務として設計しています。具体的には、(1) 運用の中で判定困難だった画像が自動的に蓄積される仕組み、(2) 蓄積データへのラベル付けを現場で回す手順、(3) 再学習したモデルを本番投入前に過去データで検証するプロセス、(4) 問題があれば前のモデルに戻せるバージョン管理 —— この一連の流れを、属人化させずに回る形にしておくことです。

まとめ

AI 検査モデルの精度劣化は異常事態ではなく、工程が変化し続ける以上の必然です。だからこそ、劣化に気づく監視と、再学習を日常業務として回す運用設計を、導入時からセットで作っておくことが長期安定稼働の条件になります。PGP では AI 外観検査の導入に加えて、AI 内製化支援として再学習運用・MLOps 基盤の設計まで支援しています。「入れたあと」の運用に不安がある方は、ぜひ設計段階からご相談ください。