|
【講座の趣旨】
製造現場の異常検知は、実証段階で止まる例が後を絶ちません。原因の多くはアルゴリズムの選定ではなく、その
手前にあります。異常サンプルが足りない、運転条件によって「正常」の定義が動く、ラベリング工数が現場の負担になる、評
価指標が現場の意思決定に接続していない――この四点です。本講座はこの「手前」に焦点を当てます。生成AIは、異常を直接
見つける道具としてよりも、正常を生成して差分を見る、足りない異常データを補う、ラベリングの前段を担うという形で、こ
れらの壁を動かしはじめています。同時に、生成AIでも解決しない領域があり、その境界線を具体的に示します。後半では評価
の設計を扱い、シミュレーション上のスコアが実機性能を保証しないこと、見た目のもっともらしさと制御への有用性が相関し
ないことを踏まえ、単一のスコアで良否を判断しない目標の置き方をご提案します。化学プラント・製造業の実案件を、公開可
能な範囲で織り込みます。
【講座内容】
１．製造現場の異常検知はなぜ実証段階で止まるのか
1.1 異常サンプルの絶対的な不足
1.2 運転条件によって「正常」が動く
1.3 ラベリング工数が現場負担に跳ね返る
1.4 評価指標が現場の意思決定に接続しない
２．手法の地図と、それぞれが効く条件
2.1 しきい値・統計的手法（管理図、多変量統計）
2.2 機械学習（外れ値検知、One-Class）
2.3 深層学習（オートエンコーダ、時系列予測残差）
2.4 生成AI（正常の生成と差分、条件付き生成）
３．生成AIが変えた点と、変えていない点
3.1 「異常を見つける」から「正常を生成して差分を見る」への転換
3.2 大規模言語モデル・視覚言語モデルの役割は検知本体ではなく周辺にある
3.3 生成AIを入れても解決しない領域の見極め
４．データ整備の実務
4.1 センサー時系列／図面／画像／点検記録の扱い分け
4.2 欠測、サンプリング周期の不一致、タイムスタンプのずれ
4.3 正常データの切り出しと、期間の選び方
５．少数異常データ問題への対処
5.1 生成AIによる異常データの合成 ――どこまで許容されるか
5.2 合成データの妥当性をどう検証するか
5.3 シミュレーション・世界モデルからの学習データ生成
5.4 ドメイン適応と転移学習の使いどころ
６．ラベリングコストの削減
6.1 弱教師あり・半教師ありの実務適用
6.2 モデルによる候補抽出と、人手確認の分担設計
6.3 現場の点検記録・作業日報を教師信号に変える
７．「良い学習データセット」をどう判定するか
7.1 データセット側の評価指標
7.2 リークと過学習を生む典型パターン
８．評価をどう設計するか
8.1 ベンチマークの飽和 ――シミュレーション上のスコアは実機性能を保証しない
8.2 自己申告の評価値と第三者検証の乖離
8.3 「見た目のもっともらしさ」と「制御への有用性」は相関しない
8.4 三層で目標を置く ――物理整合性／制御有用性／改善の測定
９．現場に載せる
9.1 検知→通知→是正のループ設計
9.2 誤報コストと見逃しコストの置き方
9.3 ドリフト監視と再学習の運用
9.4 現場が使い続けるための説明性
１０．事例（公開可能な範囲）
10.1 プラントのセンサー時系列からの異常検知
10.2 図面とセンサーデータを跨いだ検知
１１．これから ――フィジカルAI、世界モデル、再帰的な自己改善
【質疑応答】
|
