PoCとは何か — 「デモ」とは根本的に違う
PoC（Proof of Concept：概念実証）とは、AI外観検査が自社の検査工程で実用的に機能するかを検証する実験です。ベンダーのショールームで見るデモンストレーションとは根本的に異なります。
デモは「この技術はすごい」を見せる場であり、最適化された環境で最も得意な検査対象を使って実施されます。一方、PoCは「自社の製品を、自社のラインで、自社の品質基準で検査できるか」を検証する場です。
PoCなしでAI検査を導入してはいけない理由
AI外観検査は「導入すれば必ず成功する」技術ではありません。照明条件、製品の表面状態、不良の種類、ラインのタクトタイムによって、実現可能性は大きく変わります。PoCなしで数百万円の設備投資を行い、稼働後に「使い物にならない」と判明するケースは少なくありません。PoCは保険ではなく必須プロセスです。
PoCを始める前に決めること
① ゴールの明確化
PoCの最も重要なステップは、開始前に「何をもって成功とするか」を数値で定義することです。曖昧なゴール設定はPoCの最大の失敗原因です。
| 評価指標 | 定義 | 目標値の目安 |
|---|---|---|
| 検出率（Recall） | 不良品を正しくNGと判定する率 | 95%以上（安全部品は99%以上） |
| 過検出率（FPR） | 良品をNGと誤判定する率 | 5%以下（理想は2%以下） |
| タクトタイム | 1個あたりの検査時間 | ラインのタクトタイム以下 |
| 品種切替時間 | 品種変更時のパラメータ切替 | 30秒以内（多品種ラインの場合） |
ゴール設定のコツ
「検出率99%、過検出率0%」のような非現実的な目標を設定すると、どのベンダーのPoCも「失敗」になります。まず現在の目視検査の検出率・過検出率を計測し、「目視と同等以上」を最低ラインに設定するのが合理的です。目視検査の検出率は、多くの現場で80〜90%程度です。
② サンプル画像の準備
PoCの精度はサンプル画像の品質で決まります。「良い画像」ではなく「現実的な画像」を集めることが重要です。
| 画像の種類 | 必要枚数 | ポイント |
|---|---|---|
| 良品 | 50〜100枚 | 複数ロット・複数日に分けて撮影。特定の条件に偏らない |
| 不良品（種類ごと） | 各10〜20枚 | キズ・汚れ・欠けなど種類別に分類して撮影 |
| グレーゾーン品 | 10〜20枚 | 「検査員によって判定が分かれる」製品。AIの真価が問われる |
| NG画像（限度見本） | 各5〜10枚 | 「ギリギリNG」の製品。判定境界の設定に使用 |
③ 評価環境の設計
PoCの環境が本番と乖離していると、結果に意味がありません。以下の条件は本番と同一にするのが鉄則です。
- 照明：本番で使う予定の照明を使用。デスクライトでの撮影は論外。
- カメラ距離・角度：本番のワーキングディスタンスを再現。
- 搬送速度：可能であれば本番のラインで実施。無理なら、ライン速度と同等のタクトタイムで評価。
- 外光条件：本番環境の外光を再現（窓からの日差し、天井照明の影響）。
PoCの進め方（4フェーズ）
机上検証
サンプル画像でAI検査の実現可能性を確認。1週間。
オフライン検証
本番環境に近い条件でサンプルワークを検査。1週間。
ライン並行稼働
本番ラインでAI検査を並行稼働。1〜2週間。
評価・判断
定量データに基づき、本番移行の可否を判断。2〜3日。
PHASE 1：机上検証（1週間）
お客様から提供されたサンプル画像を使い、AIモデルの初期検証を行います。この段階で「そもそもこの検査はAIで実現可能か」の大枠を判断します。
Nsightでは机上検証を無料で実施しています。サンプル画像を送っていただくだけで、検出可能性と推奨する照明・カメラ構成を報告します。
PHASE 2：オフライン検証（1週間）
本番環境に近い照明・カメラを用意し、サンプルワークをオフラインで検査します。ここで照明の最適化とAIモデルのチューニングを行います。
このフェーズで最も重要なのは照明の選定です。同じ欠陥でも照明が違えばAIの検出精度は劇的に変わります。照明の選定だけで1週間を使っても惜しくありません。
PHASE 3：ライン並行稼働（1〜2週間）
本番ラインでAI検査システムを設置し、目視検査と並行して稼働させます。この期間中はAI検査の結果で製品の合否を決めず、目視検査の結果との比較データを蓄積します。
並行稼働で検証すべきこと：
- AI検査と目視検査の判定一致率
- AIが見逃した不良（目視ではNGだがAIはOK）の分析
- AIの過検出（目視ではOKだがAIはNG）の分析
- タクトタイムの実測値
- 品種切替時の挙動確認
- 1日を通じた精度の安定性（午前vs午後、気温変化の影響）
PHASE 4：評価・判断（2〜3日）
並行稼働のデータを集計し、PoCの開始前に設定したゴール（検出率・過検出率・タクトタイム）を達成しているかを定量的に判断します。
| 判断 | 条件 | アクション |
|---|---|---|
| 本番移行Go | 全指標が目標値を達成 | 本番環境の設計・構築に進む |
| 条件付きGo | 一部指標が未達だが改善可能 | 照明変更・学習データ追加で再検証 |
| 見送り | 根本的に検出困難 | 検査方式の再検討（3Dカメラ、X線など） |
「見送り」も正しい判断
PoCの結果が目標に達しなかった場合、本番導入を見送ることは正しい意思決定です。「PoCに費用をかけたから」という理由で精度不十分なシステムを本番導入すると、より大きな損失につながります。PoCは投資判断のための情報収集であり、見送りは失敗ではありません。
PoCでよくある5つの失敗パターン
失敗①：ゴールが曖昧
「AIで検査できるか試してみたい」という目的でPoCを開始すると、終了後に「で、どうだったの？」と評価できない状態に陥ります。検出率○%、過検出率○%以下という数値目標を事前に合意することが必須です。
失敗②：サンプル画像が不十分
良品10枚、不良品5枚でPoCを実施しても、統計的に有意な結果は得られません。特に不良品のバリエーション（キズの大きさ・位置・種類）が不足していると、本番で未知の不良パターンに対応できません。
失敗③：PoC環境と本番環境の乖離
会議室のテーブルにサンプルを置いてスマホで撮影したPoCと、24時間稼働の本番ラインでは条件が全く異なります。照明・搬送速度・振動・外光の全てが異なれば、PoCの結果は本番の参考になりません。
失敗④：ベンダーに丸投げ
「全部お任せします」はPoCの失敗フラグです。検査基準の設定、グレーゾーンの判定基準、品種ごとの優先順位は、自社の品質管理担当者にしか決められません。ベンダーはAI技術の専門家ですが、あなたの製品の品質基準の専門家ではありません。
失敗⑤：1回のPoCで完璧を求める
最初のPoCで検出率99%を達成することはまずありません。PoCは反復的なプロセスであり、照明の変更、学習データの追加、閾値の調整を繰り返しながら精度を上げていくものです。1回で完璧を求めるのではなく、2〜3回の反復を計画に織り込んでください。
PoC費用と投資回収の考え方
| フェーズ | 費用目安 | 備考 |
|---|---|---|
| PHASE 1 机上検証 | 無料（Nsightの場合） | サンプル画像を送るだけ |
| PHASE 2 オフライン検証 | 20〜50万円 | 照明・カメラの貸出費を含む |
| PHASE 3 ライン並行稼働 | 30〜100万円 | 現場での設置・調整費を含む |
| 合計 | 50〜150万円 | 本番導入時にPoC費用を充当するベンダーもある |
PoC費用は「使い捨て」ではありません。PoCで得られる照明設計データ、AIモデルの初期学習データ、検査基準の定量化は、本番導入時にそのまま活用できます。また、PoC費用を本番導入費用に充当できるベンダーを選ぶことで、トータルコストを抑えることも可能です。
まとめ：成功するPoCの3条件
- 数値目標を事前に設定する — 検出率・過検出率・タクトタイムのゴールを合意してから開始。
- 本番と同じ環境で検証する — 照明・カメラ・搬送速度を本番に合わせる。
- 自社が主体的に関与する — 検査基準の設定はベンダーに丸投げしない。
まずは無料サンプル検証から
検査対象のサンプル画像をお送りいただければ、AI検査の実現可能性と推奨構成を無料で報告します。
無料サンプル検証を依頼する →最終更新日：2026-04-24