製造業における「技術伝承の切り札」としてのAI ～その課題と解決～

目次

1. はじめに
2. 熟練技術の本質～言語化しにくい「見極めの感覚」～
3. 識別系AIが支える「見極め力の継承」
4. 技術伝承AIのボトルネック～難度の高いアノテーション～
5. 高難度アノテーションを支える専門サービスの役割
6. まとめ
7. ヒューマンサイエンスのアノテーションサービスの特徴

1. はじめに

モノづくり立国の日本において、製造業界の熟練技術者の高齢化と人材不足が長年の課題です。AIを活用した技術伝承の取り組みは現在のトレンドというよりも、すでに模索され続けているテーマの一つです。

画像認識や異常検知といった、AIを活用した熟練技術者の「見極める力」を再現する試みは数多く行われてきましたが、現場レベルでの定着はまだ十分とは言えないことも多く、依然として課題が残っています。

熟練技術者の持つスキルやノウハウ、判断基準などは属人的で、言語化されずに曖昧なかたちで保有されていることが多く、それが遠因となってAI開発がPoC段階で止まるケースも多いとも言われており、熟練技術を伝承するAIの開発や導入を阻む大きな一因にもなっています。

昨今、技術伝承に関しては、マニュアルやナレッジマネジメントの文脈で、生成AIの利活用で課題を解決することがトレンドとして語られることが多いですが、本記事では、生成AIとは分け、より現場視点で識別系AIによる熟練の技術伝承を焦点に絞り、現状と課題、技術伝承においてAIを生かすためのキーポイントを説明していきます。

2. 熟練技術の本質～言語化しにくい「熟練技術者の感覚」～

熟練技術者のスキルは、数値やマニュアル等のテキストでは表現しづらい「暗黙知」が多く含まれます。外観検査や仕上げ工程などの細かな判断が求められる場面では、わずかな色差や形状の違いなどを瞬時に見極める「勘」や「コツ」が存在し、それらが結果的に品質を大きく左右します。前段でも言及した通り、このような熟練技術は言語化が難しく属人化・暗黙知化しやすい傾向にありますが、形式知化しようとマニュアル等に落とし込んでみても、感覚や経験に基づく判断は完全に再現することが難しく、次世代に引き継いでいくのは容易ではありません。

識別系AIはこうした「見えなかった熟練技術者の判断」を次世代に伝えるため、また広く活用するための有効な手段として期待され、現在も開発・導入が進んでいますが、こうようなAI開発・導入においては、AI精度を左右する教師データに「熟練技術者の感覚」を如何に落とし込み、準備出来るかどうかが、成功に大きく影響します。

▼関連ブログ
教師データの品質を担保、向上させるには？実践方法を解説！

3. 識別系AIが支える「熟練技術者の見極め力」の継承

ところで識別系AIとは、物体認識や領域の検出やパターン認識技術を用い、画像認識や異常検知など「識別」に特化したAI技術のことを指します。製造現場ではカメラやセンサー、さまざまなデータなどを解析して「判別」や「分類」「予測」などに活用されています。

● 画像認識AIで熟練者の「目」を再現（画像認識AIによる外観検査の自動化）
識別系AIの代表例である画像認識AIは、熟練検査員のOK／NG判断を学習し、その基準を再現し自動化する技術です。それら導入企業では、AIの判定結果を熟練検査者の判断と照合しながら調整を重ねることで、カメラ映像や静止画を分析し、表面の傷、塗装ムラなどをAIが判断し、AIが「熟練者の視点」に近づけるようになりました。
こうした取り組みによって「熟練者の目」がデジタルデータとして引き継がれる仕組みが整い、判断の属人化を防ぎ、外観検査などにおいて、AIが熟練検査員の判断基準を再現する事例が増えています。

熟練が必要で時間のかかる検査の省人化を図りつつ検査精度を大幅に向上 (トヨタ自動車)

● 異常検知AIによる「熟練技術者の違和感」の再現
熟練技術者は音や振動のわずかな違いなど、意識的・無意識的に関わらず、結果的に五感を働かせて異常を察知しています。AIはセンサーデータから正常状態を学習し、その逸脱を検出することで「違和感」を数値化して把握出来るようになり、早期の異常発見や品質安定化に貢献します。

これら事例は「熟練技術の伝承」において、これからの製造現場の一つの方向性を示していますが、ただ製造業界に求められる、100%に限りなく近い精度をAIで確保できることは少なく、完全に熟練技術者を代替することは難しいのが現状です。AI導入はあくまで「熟練者の判断を補完・再現するもの」として機能させることが重要です。また上記のような画像認識AIの例では、光の反射・撮影条件・個体差など現場特有の要素を加味した画像教師データを準備、学習させないと、結果的に誤検出や過検出が起こります。つまり「どんなデータを、どの粒度で学ばせるか」という教師データの設計や準備がAIの精度を大きく左右することになります。

4. 技術伝承のAI開発のボトルネック～難易度の高いアノテーション～

前段でも述べたとおり、AIが熟練技術を正確に学習するには、熟練技術や経験が落とし込まれた高品質かつ比較的大量の教師データが欠かせません。しかし実際には、熟練技術者の判断をデータ化することは容易ではなく、画像のどの箇所を重点的に学ばせるか、どのレベルでラベルを付与するかなど、AIの設計段階から専門性が求められます。また熟練技術は言語化されず曖昧であることも多いため、教師データ作成のためのアノテーション作業仕様に落とし切れずに、その結果、AIが「熟練技術者の感覚」を再現できなくなることも起こりえます。

またアノテーションの作業段階においても熟練技術者の専門性が必要になります。ただ自社で熟練技術者自らが大量のアノテーション作業を行うには、時間の捻出やコストの面でも相当難しく、開発が滞るリスクが伴います。（それを防ごうと、社内の空いている人材に作業を依頼せざるを得なくなり、結果的に「熟練技術者の感覚」をデータに落とし込めなかった、などの事例は、アノテーションベンダーへの依頼のきっかけとして良く耳にします。）

一方、アノテーションベンダーへ外注する場合、大量の教師データ確保を期待できますが、当該技術への知識や経験が不足しているため、熟練技術を担保した教師データの精度を確保することが課題となります。そのため、社内、社外いずれの場合においても、教師データの「質」と「量」の二つの要素を両立することが、熟練技術の伝承を目的としたAI開発を行う上で、大きなボトルネックとなっているのが現実です。

5. 高難度アノテーションを支える専門代行サービスの役割

このようなAIの開発や導入において、自社内で人材を確保して行うアノテーションを行う場合、またはベンダーに外注・代行してもらう場合、いずれにおいても熟練技術者の技術や判断基準を正確に作業者に継承した上で作業を行うことが必要かつ重要になります。

それぞれの企業の方針や何を優先するかで、自社で行うか外注化するかを決めることにはなりますが、アノテーションを外注化し、熟練技術者の判断基準などのノウハウや技術を継承する際には、言語化されたアノテーション作業の仕様書通りに、ただ忠実に遂行するだけでは不十分です。

冒頭でも述べた通り、熟練技術者の「勘」や「コツ」は言語化することが難しく、それらを仕様書にもれなく落とし込むのは困難で現実的ではありません。そのため、小ロットのアノテーションを繰り返し、お客様の熟練技術者が都度フィードバックを行い、判断基準などでの微妙なニュアンスはミーティングなどの場を設けて口頭で伝承し、ベンダー側でも同様の手段で作業者に継承していくことが求められます。

言い換えれば、お客様とコミュニケーションを密に連携、寄り添いながら、課題や要求に対し柔軟に解決・対応できるアノテーションベンダーでないと実現は難しいと言えます。

アノテーションベンダーは当該ドメインの専門技術を保有していることはほとんどありません。ただアノテーション作業にはどの分野、どんなものにおいても、言語化できない曖昧で微妙なニュアンスが存在します。それがゆえ、人による作業が避けられない所以でもあります。アノテーションベンダーの多くは、必然的にそういった対応経験が豊富なため、精度を確保し安定させるための作業・管理方法や、勘所を熟知していることも多く、当該熟練技術を持っていなくても、上記のようなアノテーションベンダーであれば、外注・代行サービスを利用することも有効な手段の一つであると言えます。

6. まとめ

これまで述べてきたように識別系AIは熟練技術の伝承において、継続的に組まれている一方で、未だその導入やその成功を阻む大きな課題が存在するのも事実です。ただメディアではポジティブな面ばかりが強調されがちですが、AIの開発導入には高精度かつ大量のデータが必要であり、100%の精度を確保できないAIは人の代わりではなく、人をサポートするものとしてAIと人の協業を機能させることが必要となります。このような課題や事実と向き合い、一歩ずつクリアしていくことで、熟練技術者の「勘」や「コツ」を次世代や社内に広く継承するAIの導入と活用が着実に進化していきます。

7. ヒューマンサイエンスの教師データ作成、LLM RAGデータ構造化代行サービス

教師データ作成数4,800万件の豊富な実績

ヒューマンサイエンスでは自然言語処理に始まり、医療支援、自動車、IT、製造や建築など多岐にわたる業界のAIモデル開発プロジェクトに参画しています。これまでGAFAMをはじめとする多くの企業様との直接のお取引により、総数4,800万件以上の高品質な教師データをご提供してきました。数名規模のプロジェクトからアノテーター150名体制の長期大型案件まで、業種を問わず様々なアノテーションやデータラベリング、データの構造化に対応しています。

クラウドソーシングを利用しないリソース管理

ヒューマンサイエンスではクラウドソーシングは利用せず、当社が直接契約した作業担当者でプロジェクトを進行します。各メンバーの実務経験や、これまでの参加プロジェクトでの評価をしっかりと把握した上で、最大限のパフォーマンスを発揮できるチームを編成しています。

生成系AI LLMデータセット作成・構造化、「AIに最適化するマニュアル作成・整備支援」にも対応

データ整理ためのラベリングや識別系AIの教師データ作成のみでなく、生成系AI・LLM RAG構築のためのドキュメントデータの構造化にも対応します。創業当初から主な事業・サービスとしてマニュアル制作を行い、現在では「将来的な生成AI・RAG導入・活用に向けての業務ナレッジ整備やマニュアル化の支援」も行っております。さまざまなドキュメントの構造を熟知している当社ならではのノウハウを活かした最適なソリューションを提供いたします。

自社内にセキュリティルームを完備

ヒューマンサイエンスでは、新宿オフィス内にISMSの基準をクリアしたセキュリティルームを完備しています。そのため、守秘性の高いデータを扱うプロジェクトであってもセキュリティを担保することが可能です。当社ではどのプロジェクトでも機密性の確保は非常に重要と捉えています。リモートのプロジェクトであっても、ハード面の対策のみならず、作業担当者にはセキュリティ教育を継続して実施するなど、当社の情報セキュリティ管理体制はお客様より高いご評価をいただいております。

内製支援

弊社ではお客様の作業や状況にマッチしたアノテーション経験人材やプロジェクトマネージャーの人材派遣にも対応しています。お客様常駐下でチームを編成することも可能です。またお客様の作業者やプロジェクトマネージャーの人材育成支援や、お客様の状況に応じたツールの選定、自動化や作業方法など、品質・生産性を向上させる最適なプロセスの構築など、アノテーションやデータラベリングに関するお客様の困りごとを支援いたします。