<!-- 想定ニーズ（ジョブ）: 「機械学習」で検索する製造業の経営者・DX担当が、機械学習とは何か・自社の何に使えるか・導入前に何を見ればよいかを、専門用語に飲まれず理解したい。 満たし方: AI⊃機械学習⊃深層学習の入れ子を図と表で明示し、3分類・製造の用途・精度指標の読み方・向き不向きの3軸を提示。読後に「自社のこの工程は機械学習の候補か」を自分で切り分けられる状態にする。 促すアクション: 自社の一工程を3軸に当てはめて候補を絞る。判断が難しければ相談する。 -->

機械学習とは｜製造業での使い方と導入前の判断軸

この記事を読むとわかること

機械学習は、データからパターンを自動で学習し、新しいデータに対して予測・判断を行うAI技術です。AIの中に機械学習があり、機械学習の中に深層学習がある、という入れ子の関係を押さえると、技術選定の入口を間違えません。製造業での用途は「予測・分類・異常検知・最適化」の4つに集約され、精度は正解率だけでなく「見逃し」と「過検出」で読みます。導入の成否を分けるのはアルゴリズムの新しさではなく、データの質と量、そして自社の業務にそもそも機械学習が要るのかという見極めです。読み終える頃には、自社のどの工程が機械学習の候補かを切り分ける判断軸が手に入ります。

機械学習とは何か？AIとの入れ子の関係で理解する

機械学習（Machine Learning, ML）は、データからパターンや規則性を自動的に学習し、新しいデータに対して予測・判断を行うAI技術です。ルールベースAIとの違いははっきりしています。ルールベースは人間が「もし温度が80度を超えたら異常」といったルールを一つずつ書き込みます。機械学習は、過去のデータから「どういう状態が異常か」を機械が自分で見つけ出します。書ききれないほど条件が複雑な問題ほど、機械学習の出番になります。

つまずきやすいのが「AI」「機械学習」「深層学習」の関係です。この3つは並列ではなく、入れ子になっています。総務省の情報通信白書（令和元年版）も、AIという広い概念の中に機械学習があり、機械学習の手法の一つとして深層学習（ディープラーニング）がある、という包含関係で整理しています。

AI（人工知能）

最も広い概念。ルールベースも含む

タイプ 1

機械学習（ML）

AIの一部：データからルールを自動で学習

• 教師あり学習
• 教師なし学習
• 強化学習

タイプ 2

深層学習（DL）

機械学習のさらに一部：多層ニューラルネット

• 画像認識（外観検査）
• 時系列予測

言葉で押さえ直すと、次の入れ子です。この関係を取り違えると、「AIを入れる」という話が「深層学習ありき」に飛んでしまい、本当は単純な機械学習で十分だった、あるいは機械学習すら要らなかった、という遠回りが起きます。

階層	位置づけ	代表例
AI（人工知能）	最も広い。ルールで動くものも含む	エキスパートシステム
└ 機械学習（ML）	AIの一部。データからルールを学習	ランダムフォレスト、XGBoost
└ 深層学習（DL）	機械学習の一部。多層ニューラルネット	CNN（画像）、Transformer（言語）

製造業で扱う課題の多くは、実は深層学習まで踏み込まなくても、機械学習の領域で解けます。深層学習が本領を発揮するのは外観検査など画像を扱う一部の領域です。詳しくは深層学習の解説で整理しています。

機械学習には何種類あるのか？（教師あり・教師なし・強化学習）

機械学習は「学習のさせ方」で3つに分かれます。総務省の情報通信白書も、正解ラベル付きデータを使う教師あり学習、ラベルなしデータを使う教師なし学習、行動と報酬から学ぶ強化学習、の3方式で分類しています。

分類1

教師あり学習

正解ラベル付きデータで学習

• 代表アルゴリズムランダムフォレスト、XGBoost
• 製造の例外観検査の良否判定、需要予測

分類2

教師なし学習

ラベルなしでパターンを抽出

• 代表アルゴリズムクラスタリング、主成分分析
• 製造の例設備データの異常検知

分類3

強化学習

試行錯誤で報酬を最大化

• 代表アルゴリズムQ学習、PPO
• 製造の例段取り順序・スケジューリング

使い分けは、手元にデータがどう揃っているかで決まります。過去の「良品／不良品」の記録がラベルとして揃っているなら教師あり学習が第一候補です。不良の事例が少なく、何が異常かを事前に定義しづらいなら、正常データだけで学習できる教師なし学習の異常検知から入るのが現実的です。強化学習は、段取りや配車のように「良い手を試しながら方策を育てる」問題に向きますが、シミュレーション環境の整備が要り、中小規模ではまず教師あり・教師なしから検討します。

学習方法	代表アルゴリズム	向く製造タスク
教師あり（分類）	ランダムフォレスト、XGBoost、CNN	外観検査の良否判定、故障予知
教師あり（回帰）	線形回帰、XGBoost	翌月の需要予測、歩留まり予測
教師なし	クラスタリング、主成分分析、オートエンコーダ	設備データの異常検知、工程のグループ分け
強化学習	Q学習、PPO	段取り順序・スケジューリング最適化

製造業では機械学習を何に使えるのか？（4用途）

相談を整理すると、製造業の機械学習の用途は次の4つにほぼ収まります。予測は、翌月の受注量や設備の故障予兆、歩留まりを見通す使い方です。分類は、外観画像から良品／不良品を判定する検査が代表例です。異常検知は、設備の振動や電流の平常状態からのズレを捉えます。最適化は、生産計画の段取り順序を短くするような、条件の中で最良の解を探す使い方です。自社の課題がこの4つのどれに当たるかを最初に切り分けると、検討すべき手法と進め方が一気に絞れます。

進め方そのものは、用途が違っても共通のワークフローをたどります。

1

Step 1

課題設定

何を予測・分類するか

2

Step 2

データ収集

学習用データの確保

3

Step 3

前処理

クリーニング・特徴量設計

4

Step 4

モデル学習

アルゴリズムの適用

5

Step 5

評価

精度・汎化性能の検証

6

Step 6

本番運用

運用と継続的な改善

1

Step 1

課題設定

何を予測・分類するか

2

Step 2

データ収集

学習用データの確保

3

Step 3

前処理

クリーニング・特徴量設計

4

Step 4

モデル学習

アルゴリズムの適用

5

Step 5

評価

精度・汎化性能の検証

6

Step 6

本番運用

運用と継続的な改善

見落とされがちですが、労力の大半はStep 1〜3、つまり「何を解くかを決め、データを集めて整える」ところに割かれます。華やかなのはStep 4のモデル学習ですが、そこは全体のごく一部です。この重心のズレを知らないまま予算を組むと、モデルはできたのにデータが足りず動かない、という結果になりがちです。

機械学習の「精度」はどう読めばいいのか？

精度を「正解率が何％か」だけで見るのは危険です。不良品が全体の1％しかないラインでは、すべてを「良品」と判定するだけで正解率99％になってしまいます。数字は立派でも、肝心の不良は一つも見つけていません。だから製造では、正解率に加えて「見逃し」と「過検出」を分けて読みます。

指標	意味	製造での読み方
正解率（Accuracy）	全体で当たった割合	不良が稀だと高く出やすく、単独では当てにならない
適合率（Precision）	「不良」と判定したうち本当に不良だった割合	低いと、良品まで不良扱いする過検出が増える
再現率（Recall）	本当の不良のうち検出できた割合	低いと、不良の見逃しが増える
F値	適合率と再現率のバランスを一つにまとめた値	両者を一目で比べたいときに使う

どちらを優先するかは工程で変わります。不良の流出が致命的な最終検査では、多少の過検出を許してでも再現率（見逃しを減らす）を上げます。逆に、過検出のたびに人手の再確認コストがかかる工程では、適合率を重く見ます。「100点の精度」を目指す必要はありません。人が最終確認する前提で、どの指標をどこまで上げれば現場が回るかを決めるのが、実務的な精度設計です。

自社の課題は機械学習に向くのか？（3軸で判定）

導入すべきかを、3つの軸で判定します。第一に、そこにパターンがあるか。過去データに何らかの規則性がなければ、機械は学習しようがありません。第二に、データがあるか。学習には最低でも数百〜数千件のまとまったデータが要ります。第三に、ルールベースでは書ききれないほど複雑か。単純なIF-THENで十分なら、機械学習を持ち出す必要はありません。3つすべてがYESなら候補、一つでもNOなら別のアプローチを先に検討します。

ここで一段手前の見極めを付け加えます。「これは機械学習以前に、業務フロー自体を直せば済む話ではないか」を先に疑うことです。工程の順番や情報の受け渡しに無理があるだけなら、そこを整えるほうが速く、確実で、費用もかかりません。いきなり今の業務に機械学習を持ち込むと、導入それ自体が目的化し、筋の良い成果になりません。まず業務を見直し、その上で本当に必要ならデータと手法の話に進む——この順番が、投資を無駄にしない入口です。自社に機械学習が要らないと分かることも、立派な成果です。

なぜ機械学習プロジェクトは頓挫するのか？

つまずき方には型があります。代表的なものを5つ挙げます。

• PoCで終わる：モデルを作って満足し、運用に載せないまま立ち消える
• 過学習：手元のテストでは高精度でも、本番の新しいデータで性能が出ない
• データ漏洩：学習データに、本来は使えない未来の情報が紛れ込み、実力以上の精度に見えてしまう
• 説明できない：判断の理由を現場に示せず、「なぜこの判定か」に答えられず使われない
• 育て続けない：市場や設備の変化でデータの傾向が変わり、モデルが少しずつ劣化する

これらの多くは、アルゴリズム選びではなく、データと運用の設計で決まります。「どのアルゴリズムを使うべきか」を最初に問われることが多いのですが、成果の上限を決めるのはデータの質と量です。ノイズの多いデータは高性能なモデルでも結果が出ず、偏ったデータからは偏った判断が生まれ、少なすぎるデータは統計的に意味を持ちません。成果はプロンプトやモデルの新しさより、蓄えたデータで決まる——これがDelight Flowが現場で置いている判断軸です。データ収集体制の整備、欠損値・外れ値の処理、特徴量設計、ラベル品質の検証といった地味な工程こそ、結果を左右します。

とりわけ製造現場では、データの本命はベテランの判断や勘といった「暗黙知」です。支援した事例では、設備故障対応がベテランに属人化していた現場で、熟練者の判断知識をデータ化・構造化し、若手がいつでも「ベテランAI」に質問できる会社の資産に変えました。別の事例では、過去案件が属人化して類似探索に時間がかかっていた状態を、過去案件から類似事例をAIで即抽出できるようにし、検索時間を約90％削減しました。いずれも、派手なモデルではなく、現場に眠るデータを使える形に整えたことが効いています。

回避策は突き詰めると2つです。運用まで含めて設計すること、そして精度そのものより、現場が納得して使える説明可能性を優先することです。品質保証のように「理由なき判断」が受け入れられない領域では、この順序を外すと現場に定着しません。

専門人材がいなくても始められるのか？

近年はAutoML、つまり機械学習の工程を自動化するツールが普及し、データサイエンティストが不在でも一定水準のモデル構築ができるようになりました。ただしAutoMLが肩代わりするのはあくまでモデル構築の部分です。何を解くべきかという業務理解と、そのデータが信頼に足るかというデータ品質の判断は、依然として人の仕事として残ります。

中小製造業の現実解は、データサイエンティストの自社採用にこだわらないことです。採用は難しく、コストも高い。外部パートナーと連携しつつ、社内には「機械学習を理解して橋渡しできる人」を一人育てる。標準的なモデル構築はAutoMLで効率化し、人の力は業務理解と運用設計に集中させる——この分業なら、専門部隊を抱えなくても始められます。

より広い製造業AIの全体像は、製造業のAI・機械学習にまとめています。

機械学習を導入するメリットと注意点

導入を判断する前に、得られるものと引き受けるコストを両方見ておきます。

観点	メリット	注意点（デメリット）
品質	人が見落とす微細な異常・不良を検出できる	判断の根拠が見えにくく、現場の納得を得る工夫が要る
生産性	予測・分類を自動化し、人を判断業務に回せる	効果が出るのは当てどころ（詰まっている工程）に当てたときだけ
技能継承	ベテランの判断をデータに写して残せる	元になる暗黙知データの整備に手間がかかる
コスト	定型の検査・予測にかかる工数を減らせる	データ収集・運用・再学習に継続コストがかかる
立ち上げ	AutoMLで専門人材なしでも着手できる	業務理解とデータ品質の判断は人に残る

メリットはいずれも「当てどころが合っていれば」という条件つきです。詰まっていない工程に入れると、注意点（コストと手間）だけが残ります。だからこそ、手法を選ぶ前に「自社のどの工程に効くか」を見極める順序が要になります。

よくある質問

Q1. 機械学習と深層学習は何が違うのか

深層学習は機械学習の一部です。多層のニューラルネットワークを使い、画像や音声など非構造化データで力を発揮します。表形式の構造化データや、数百件程度の少ないデータでは、XGBoostなどの機械学習のほうが精度も扱いやすさも上回ることが少なくありません。

Q2. 機械学習にはどのくらいのデータが必要か

用途によりますが、目安として最低でも数百〜数千件のまとまったデータが要ります。件数だけでなく、ラベルの正確さや偏りの少なさといった質も同じくらい重要です。件数が足りないうちは、正常データだけで始められる教師なしの異常検知が入口になります。

Q3. 機械学習の精度はどのくらい必要か

用途次第で、100％を目指す必要はありません。人が最終確認する前提なら、外観検査で見逃しを抑える再現率、需要予測で実用に足る誤差、というように工程ごとに必要な指標と水準を決めます。正解率一つで判断しないことが要点です。

Q4. 教師あり学習と教師なし学習、どちらから始めるべきか

過去の良否や結果がラベルとして揃っているなら教師あり学習が近道です。ラベルが乏しく、何が異常かを定義しづらいなら、正常データだけで学習できる教師なしの異常検知から入るのが現実的です。

Q5. データサイエンティストを採用すべきか

中小製造業では採用難・コスト高が実態です。外部パートナーと連携しつつ、社内に「機械学習を理解する人」を一人育てるのが現実解です。AutoMLで標準的な部分を効率化すれば、専門部隊がなくても始められます。

Q6. まず何から手を付ければよいか

自社の一工程を「パターンがあるか」「データがあるか」「ルールベースでは複雑すぎるか」の3軸に当てはめて候補を絞ります。その前に、機械学習以前に業務フローの見直しで解ける話ではないかを一度疑うと、遠回りを避けられます。

---

私たちDelight Flowは、製造現場のAI活用に専門特化した東大発のスタートアップです。「自社のこの工程は機械学習の候補か」「データがこれで足りるのか」を自社の状況に当てはめて整理したいときは、初回相談（無料）でお話を伺います。

製造AI顧問サービスを見る　ご相談ください

関連記事

• 製造業のAI・機械学習（このテーマのまとめ）
• 深層学習とは
• 生産計画とは