AI外観検査の導入で最初に揉めるのは、精度の数字そのものではなく「どちらの間違いを許容するか」です。見逃しと過検出はどちらかを減らせばもう一方が増える関係にあり、その配分は現場の事情で変わります。この記事では、しきい値を技術ではなく事業判断として設計する順序を整理します。
AI外観検査を「精度何%か」という一つの数字だけで評価しようとすると、導入の現場でほぼ確実に議論が止まります。理由は単純で、同じ「99%」でも、その1%の中身が見逃し（不良を良品と判定して出荷してしまう誤り）に寄っているのか、過検出（良品を不良と判定して弾いてしまう誤り）に寄っているのかで、事業へのインパクトが正反対になるからです。
外観検査（製品の表面キズ・欠け・異物・印字などを画像で良否判定する工程）の自動化を検討する背景には、多くの現場で共通した構造があります。熟練検査員の高齢化と採用難、多品種少量化による判定基準の複雑化、そして品質要求そのものの高度化です。人手の検査を「そのままAIに置き換えられないか」という相談は増え続けていますが、置き換えの成否は精度の一点ではなく、どの誤りをどれだけ許すかの設計で決まると考えられます。
「AIの認識率は何%出るのか」という問いに一つの数字で答えてしまうと、その数字が独り歩きします。営業と品質保証、製造技術、そして経営の間で、同じ数字を見ながら別々のものを想像したまま話が進み、いざ量産ラインに載せてから「思っていた挙動と違う」と揉める——これは珍しいことではありません。精度をどう捉えるべきかは、AI検査の精度の考え方でも整理しています。
本質的な問いは「精度は何%か」ではなく、「見逃しと過検出のどちらを、どこまで許容する工程なのか」です。この問いに先に答えないまま数字を追うと、技術的には優秀なのに現場で使われないシステムができあがってしまう可能性があります。
見逃しと過検出を同時にゼロへ近づけることは、原理的に難しいと考えられます。検査は「良品と不良の境界にしきい値を引く」作業であり、その線を厳しく引けば見逃しは減るが過検出が増え、緩く引けば過検出は減るが見逃しが増える——両者はトレードオフの関係にあるからです。片方を減らす調整は、多くの場合もう片方を増やす方向に働きます。
見逃しとは、実際には不良である製品を「良品」と判定してしまう誤りです。不良品が後工程や顧客に流れるため、クレーム・返品・最悪の場合はリコールにつながりうる、外側に漏れる誤りです。流出が起きたときの影響の重さは、見逃しとクレームで具体的に触れています。
過検出とは、実際には良品である製品を「不良」と判定してしまう誤りです。本来出荷できるものを弾くため、再検査・手戻り・歩留まり悪化という形で、内側にコストが溜まる誤りです。外に漏れない代わりに、現場の手間と廃棄が増えていきます。
判定のしきい値を「少しでも怪しければ不良」に寄せれば、不良を取りこぼす確率は下がりますが、良品まで数多く弾くようになります。逆に「明らかに不良のものだけ不良」に寄せれば、弾かれる良品は減りますが、微妙な不良がすり抜ける確率が上がります。どこに線を引いても、片方の誤りを完全に消すと、もう片方が現実的でない水準まで膨らむのが通常です。だからこそ「両方ゼロ」を目標に置くのではなく、「どちらをどれだけ許すか」を先に決める必要があると考えます。
どちらの誤りを重く見るかは、技術で決まるものではなく事業判断だと考えます。同じAIモデルでも、工程の性質——不良が流出したときの損害の大きさと、過検出を吸収できる後工程の余力——によって、置くべきしきい値が変わってくるためです。ここを技術者だけで決めると、後で品質保証や経営との合意が取れず、運用が続かない懸念があります。
出荷後の不良が人身事故や大規模リコール、ブランド毀損に直結する工程では、見逃しをできる限りゼロに近づける設計が妥当だと考えられます。この場合、しきい値は厳しく引き、過検出による再検査の手間はコストとして受け入れる判断になります。安全・法規に関わる部品や、一次流出の影響が甚大な製品がこれにあたりうると考えます。
こうした工程では「弾きすぎ」はある程度許容できます。弾いたものを人が再確認して良品に戻せばよく、その手間は流出の損害に比べれば小さいと整理できる場合が多いためです。ただし後述するように、過検出が無制限に増えてよいわけではありません。
一方、後工程に人の目視確認が残っている工程では、過検出が増えると人の負荷が跳ね上がり、運用そのものが立ち行かなくなる可能性があります。AIが弾いたものをすべて人が見直す前提なら、過検出が多いほど人の作業量は増え、AIを入れたのに人が楽にならない——むしろ確認地獄になる、という逆転が起こりうるからです。
この場合は、過検出をある程度抑える方向にしきい値を置き、その代わりに見逃しリスクをどこで補うか（サンプリング検査、重要欠陥だけ別ロジックで厳格化するなど）を別途設計する、という組み立てになりうると考えます。向き不向きを言い換えると、次のように整理できます。
見逃し厳格側が向くのは、流出1件の損害が極端に大きく、かつ過検出の再確認を回せる余力が後工程にある場合。過検出抑制側が向くのは、後工程の人的キャパが限られ、過検出の増加がそのまま現場の破綻に直結する場合。多くの現場はこの両極の間のどこかにあり、製品や欠陥の種類ごとに置き所を変える設計になると考えられます。
しきい値は感覚ではなく、三つの手順で根拠を積み上げて決めるのが現実的だと考えます。(1)見逃し1件と過検出1件のコストを金額と手間で概算する、(2)今の人による検査がどちらの誤りをどれだけ出しているかを先に測る、(3)AI単独ではなくAIと人の組み合わせで最終的な流出率を設計する——この順序です。順番を飛ばすと、比較の土台がないまま数字だけを議論することになります。
まず、見逃しが1件流出したときに発生しうる損害と、過検出が1件出たときに発生する手間を、それぞれ金額と工数で概算します。見逃し側はクレーム対応・返品・回収・信用低下まで含め、過検出側は再検査の人時・廃棄・ライン停止まで含めて置きます。ここで両者の「1件あたりの重み」が見えると、どちらに寄せるべきかの方向が自ずと定まってきます。数値はあくまで自社の一例として置くもので、他社の相場をそのまま当てはめられるものではないと考えます。
次に、AIの前に「現在の人による検査」がどちらの誤りをどれだけ出しているかを測ります。これを飛ばして「AIは人より精度が高いか」を議論しても、比較の基準が存在しません。人の検査にも見逃しと過検出は必ずあり、しかも体調・時間帯・繁忙で揺れます。現状のベースラインを数値化しておくことで、AIの評価が「理想100点との差」ではなく「今の運用との差」で語れるようになると考えます。
最後に、AI単独の精度ではなく、AIと人を組み合わせた最終的な流出率で設計します。たとえばAIが弾いた分だけを人が確認する、AIが自信を持って良品と判定したものは通す、といった役割分担を敷けば、系全体としての見逃しと過検出は、AI単独の数字とは別物になります。設計の対象はモデルの精度そのものではなく、この人とAIを含めた検査系全体の振る舞いだと考えます。判定根拠を現場が読めることも前提で、これは現場で説明できるAI検査で扱っています。
実運用では、AIを全自動の最終判定者にするより、AIと人の役割を分けて設計するほうが破綻しにくいと考えられます。AIが確信度の高い明白な良品・明白な不良をさばき、グレーゾーンだけを人に回す——という切り分けにすると、人の目は本当に判断の難しいものに集中でき、系全体の見逃しと過検出を同時に抑えやすくなるためです。
一つの現実的な形は、判定を「良品」「不良」「要確認（人へ）」の三つに分ける設計です。AIが自信を持って判定できる領域は自動で流し、境界付近のグレーだけを人に送る。こうすると過検出で人を潰すことも、見逃しを野放しにすることも避けやすくなります。どこまでをグレーとして人に回すかは、手順1・2で出したコストと現状値をもとに調整する対象になります。
AIの判定をそのまま出荷に直結させるのか、人の確認を必ず一段挟むのかは、工程のリスクに応じて変えるべき設計事項です。ブラックボックスのまま全面委譲すると、想定外の見え方をした不良を静かに見逃す懸念があります。どこに人のチェックを残すかの考え方は、AIをどこまで信用するかで整理しています。
現場条件——照明・カメラアングル・製品の個体差・ラインの速度——が変われば、同じしきい値でも見逃しと過検出の出方は動きます。元キーエンス画像処理事業部の現場知見 × VLM（画像を言語モデルで解釈し、柔軟な良否判断や根拠提示を行う技術）× Jetsonエッジ（現場端末で推論を完結させる小型AI計算機）× 産業用カメラ × 現場ライティングを一体で設計するAI外観検査では、モデル単体ではなく撮像から判定・人への引き継ぎまでを含めて調整する前提で考えます。
しきい値の設計は、技術よりも合意形成と前提の置き方で失敗しやすいと考えられます。よくあるつまずきを、あらかじめ知っておくと避けやすくなります。
最初の一歩は、精度目標を掲げることではなく、自社工程の客観的な把握と現物での検証だと考えます。見逃し1件・過検出1件のコスト概算と、現状の人の検査が出している誤りの測定——この二つが揃って初めて、しきい値を「今の運用より流出とコストが改善するか」という基準で議論できるようになるためです。
いきなり全ラインへ展開するのではなく、対象を一つの製品・一つの欠陥種類に絞り、現物サンプルで見逃しと過検出の出方を測る小さな検証から始めるのが現実的だと考えます。ここで得たコスト重みと現状値をもとにしきい値の当たりをつけ、AIと人の役割分担を設計し、限られた範囲で運用してから広げる。評価設計から現場検証まで伴走する導入コンサルティングでは、この順序で進める前提で考えています。
結論として、AI外観検査で問うべきは「人より精度が高いか」ではなく「今の運用より流出とコストが改善するか」だと考えます。見逃しと過検出のトレードオフを事業判断として引き受け、現状を測り、AIと人の組み合わせで系全体を設計する——この順序を踏むことが、現場で使い続けられる検査に近づく道だと考えられます。数値や効果は現物・現場での検証を前提とし、自社の工程に固有の条件で確かめることをおすすめします。
一つの数字ではお答えできないと考えます。精度は見逃し（不良を良品と判定）と過検出（良品を不良と判定）の配分によって意味が変わり、同じ数値でも事業インパクトは正反対になりうるためです。実際の精度は製品・欠陥・照明・カメラなど現場条件に強く依存するため、現物サンプルでの検証を前提にご判断いただくことをおすすめします。
工程の性質による事業判断だと考えます。流出が人身やリコールに直結する工程では見逃しを強く抑え、過検出の再検査を受け入れる。後工程に人の目視が残る工程では、過検出の増加が人を破綻させうるため過検出を抑える方向になりえます。まずは見逃し1件と過検出1件のコストを自社基準で概算することから始めるのが現実的です。
その問いより「今の運用より流出とコストが改善するか」で評価すべきだと考えます。比較には現状の人の検査が出している見逃し・過検出を先に測る必要があり、それがなければ基準が存在しません。人とAIは対立ではなく組み合わせで設計でき、系全体の誤り率は役割分担で変わりうると考えます。
工程と製品によって適否が分かれるため、現物での検証を経て判断するのが確実だと考えます。撮像条件・欠陥の種類・後工程の人的余力によって、しきい値の置き方も人との分担も変わります。一つの製品・欠陥に絞った小さな検証から始め、コストと誤り率で効果を確かめてから広げる進め方が現実的だと考えます。
継続的な見直しが必要だと考えます。製品変更・照明の劣化・ライン速度・季節などでデータの見え方は動き、同じしきい値でも見逃しと過検出の出方が変わりうるためです。判定結果と根拠を記録し、両者の推移を監視して再調整する運用を、導入の最初から織り込んでおくことをおすすめします。
精度の数字を追う前に、まず自社工程の見逃しと過検出のコストと現状値を測ることから始められます。元キーエンス画像処理事業部の知見をもとに、現物サンプルでの検証と評価設計から一緒に組み立てます。
しきい値の設計について相談する