MLinfo/製造業AI

Internalization Guide

品質予測のAI/MI実装ガイド

工程条件、原料ロット、測定値から、品質指標や不良リスクを予測するための実装ガイドです。

「製造業 品質予測 AI」「LightGBM 品質予測」で調べる人が、CSVの工程データから品質リスクを予測するためのページです。

実装の始め方

  1. 1ロットごとに工程条件、検査値、品質結果を横持ちの表にします。
  2. 2リークしやすい事後情報を除外し、時系列分割で評価します。
  3. 3LightGBMでベースラインを作り、重要因子をSHAPで確認します。
  4. 4品質しきい値をもとに、回帰と分類の両方で評価します。

自社データでPoCする時の考え方

まずは品質値を直接予測する回帰と、不良/良品を判定する分類の両方を比較します。

時系列やロット順でデータ分割し、未来データを過去データで予測する評価に近づけます。

SHAPで重要因子を確認し、現場で介入可能な条件かどうかを分けて見ます。

よくある落とし穴

  • ・検査後にしか分からない値を特徴量に入れるとリークになります。
  • ・ラインや製品品番を混ぜすぎると、モデルが品番差だけを覚えることがあります。
  • ・精度だけでなく、見逃し率と誤アラート率を現場運用に合わせて見る必要があります。

よくある質問

品質予測は分類と回帰のどちらで始めるべきですか？

品質指標が連続値なら回帰、不良判定が目的なら分類です。初期PoCでは両方作り、現場判断に近い方を採用するとよいです。

説明可能性はどう確保しますか？

LightGBMとSHAPを組み合わせると、どの工程条件や原料情報が予測に効いたかを説明しやすくなります。

おすすめ手法

LightGBMXGBoostRandom ForestCalibrationSHAP

関連する論文・実装

402 articles
製造業 99
製造業 86
製造業 84
製造業 82
製造業 81
製造業 75
製造業 73
arxivGitHubあり2026-06-08

Assessing Sample Quality in Conditional Generation under Compositional Shift

Transformerベースのモデルを改良し、ゲノム規制的情報を組み込んだモデルを提案。遺伝情報を組み込むことで、遺伝子発現の解釈と予測の精度が向上することを示した。

MI向き品質予測/異常検知自然言語処理RAG生成
用途
ゲノム規制的情報を組み込んで遺伝子発現の解釈を向上させる
難易度
Hard
コスト
High
→
製造業 72
製造業 69
arxivPaper only2026-06-08

Quality-Diversity Search in Sound Generation: Investigating Innovation Engines for Audio Exploration

この研究では、音楽生成における多様性を促進するためのオープンソース・フレームワークを開発します。このフレームワークは、音楽生成における多様性の促進を支援するために、進化的プロセスと多様性促進アルゴリズムを組み合わせたもの

MI向き品質予測/異常検知自然言語処理ファインチューニング分類生成テキスト
用途
音楽生成における多様性の促進
難易度
Hard
コスト
Low
→
製造業 68
製造業 68
製造業 67
製造業 66
arxivGitHubあり2026-06-08

FAME: Forecastability-Aware Mixture of Experts for Heterogeneous Time Series Forecasting

この研究では、複数の時系列予測を合わせたモデルを使用して、個々の時系列の特性を考慮した予測を行うFAMEを提案します。このモデルは、個々の時系列の特性を考慮することで、より正確な予測が可能になります。

表形式向きCPUで試しやすいセンサ/時系列深層学習Transformer予測テキスト時系列
用途
多様な時系列予測
難易度
Easy
コスト
Low
→
製造業 66
製造業 66
製造業 64