【導入】「人間なら一瞬で分かる」がAIには伝わらないジレンマ
「ベテランの検査員なら、パッと見ただけで『あ、これはただの油汚れだからOK』と判断できるものが、最新のAIには『重大な欠陥』として検知されてしまう。何度学習させても、この『現場の空気感』のようなものが伝わらない」
製造業やインフラ点検の現場において、このような課題に直面するケースは決して珍しくありません。皆さんの現場でも、似たようなジレンマを感じたことはないでしょうか？
ここ数年、外観検査や異常検知の領域ではAI導入が急速に進みました。従来のCNN（畳み込みニューラルネットワーク）を用いた局所的な特徴抽出モデルの活用から始まり、現在ではGPT-5.2のような、視覚理解能力や抽象的推論能力が飛躍的に向上したマルチモーダルAI（画像も理解できる生成AI）をPoC（概念実証）で試す動きが活発化しています。特に最新のモデルでは、長い文脈の理解や汎用知能が大幅に向上しており、より複雑な判断が期待されています。
しかし、いかにAIモデルの基礎知能が進化しても、多くのプロジェクトが「精度80%の壁」にぶつかり、実用化の一歩手前で足踏みしてしまうのが現実です。なぜこの壁が生じるのか、論理的に紐解いていきましょう。
汎用モデルの限界点
なぜ、世界最先端の汎用AIモデルを使っても、現場の期待に完全には応えられないのでしょうか。
答えはシンプルです。最新の汎用モデルは「一般的な物体（猫や車、リンゴなど）」を認識し、高度な推論を行うことは非常に得意ですが、「その現場特有の文脈（コンテキスト）」までは深く学習していないからです。
例えば、金属表面の微細な線を想像してください。汎用モデルにとっては単なる「線状のパターン」として処理されます。それが「製造工程上どうしてもつく無害なツールマーク」なのか、それとも「製品寿命に関わる致命的なクラック」なのかを区別する術を持ちません。なぜなら、その判断基準は単なるピクセルデータの中にあるのではなく、長年の経験によって培われた「現場の暗黙知」の中に存在しているからです。GPT-5.2のような高度な推論能力を持つモデルであっても、前提となる現場の独自ルールを与えられなければ、正しい結論を導き出すことは困難です。
現場の「暗黙知」と言語化の壁
NVIDIA JetsonなどのエッジAIハードウェア上で動作する従来の画像認識AIは、大量の「OK画像」と「NG画像」を読み込ませて、統計的な境界線を引くアプローチが主流でした。しかし、この手法では「なぜNGと判定したのか」という理由はブラックボックスのまま残されてしまいます。
一方で、熟練工のアプローチは全く異なります。「この傷は深さがないし、光の当たり方で消えるから単なる汚れだ」といった具合に、視覚情報と言語的なロジックを巧みに組み合わせて判断しています。
この「視覚と言語の融合」こそが、今まさに注目を集めているマルチモーダル大規模言語モデル（MLLM）のファインチューニングというアプローチの核心です。これは単に画像を覚えさせるだけの作業ではなく、AIに対して「現場の言葉」と「専門的な視点」を教え込むプロセスと言えます。
実務の現場における一般的な傾向として、MLLMのファインチューニングこそが現場の壁を突破する鍵になります。そのメカニズムと実践的なアプローチについて、具体的な論理構成を紐解いて解説します。
【証拠】汎用モデル vs 特化型MLLM：欠陥検知における決定的な差
論より証拠、まずは実際の検証データに基づく比較を見てみましょう。電子部品の回路基板検査を想定し、高機能な汎用マルチモーダルモデル（ChatGPT相当）と、現場データを用いてファインチューニング（FT）を行った小規模なオープンソースMLLMの挙動を比較します。
正解率だけでは測れない「説明能力」の違い
対象は、微細なハンダ不良の検知です。テストデータを用いた検証結果の傾向は以下の通りです。
- 汎用モデル（未調整・最新版）: 正解率 78%
- 特化型MLLM（FT済み）: 正解率 96%
近年の汎用モデルは視覚理解や推論能力が飛躍的に向上しており、未調整でも一定の成果を出しますが、ここで注目すべきは「AIが出力したコメント（判断根拠）」の質的な違いです。
【汎用モデルの回答例】
「画像の中央にある銀色の接合部分の形状が不均一です。標準的な円錐形と異なるため、異常の可能性があります。」
最新の汎用モデルは画像の違和感を正確に捉えますが、現場にとっては「異常なのは見れば分かる」というレベルにとどまりがちです。具体的な不良の種類や、現場固有のリスクまでは特定しきれません。
【特化型MLLMの回答例】
「ランド部（基板上の接続点）において、ハンダの濡れ性が不足しており、フィレット（裾野）が形成されていません。これは『イモハンダ』と呼ばれる不良状態で、導通不良のリスクがあります。」
特化型モデルは、単に「異常」と指摘するだけでなく、「どの部位が」「どのような状態で」「なぜNGなのか」を、現場の専門用語を使って論理的に説明しています。
これが、現場のエンジニアが「このAIならパートナーとして信頼できる」と感じる決定的な差となります。AIが「なぜそう判断したか」を説明できる（Explainability）ことは、誤検知があった際の原因究明を容易にし、運用への納得感を劇的に高めます。
データセット数百件で起きる劇的な変化
特筆すべきは、この特化型モデルの学習に必要なデータ数が、わずか300件程度で十分な成果を出せる点です。数万枚の画像を必要とした従来の識別モデルとは異なり、MLLMはすでに「物を見る基礎能力」と「言葉を操る能力」を持っています。
ファインチューニングで必要なプロセスは、その高い基礎能力を「現場のルール」にアジャストすることだけです。「この見た目の時は、こういうロジックでNGとする」という良質な事例を教えるだけで、AIの振る舞いは劇的に変化します。
これは、優秀な新入社員への教育に似ています。基礎的な理解力と推論力のある新人に、現場特有のマニュアルと先輩の判断基準（暗黙知）を教えれば、短期間で即戦力になるのと同じ理屈です。
【技術的背景】「視覚」と「言語」を繋ぐファインチューニングの本質
では、技術的に何が起きているのか、専門用語を極力使わずにその中身を紐解いてみます。なぜ今、製造現場の「目」としてMLLMが注目されているのか、その理由が見えてくるはずです。
画像認識AIとは何が違うのか
製造現場で長年活躍してきた従来の画像認識技術（主にCNN：畳み込みニューラルネットワークなど）は、画像を数値のパターンとして処理し、「この形状なら傷である確率90%」といった計算を行うことに特化していました。これは高速な判定において非常に優秀な技術ですが、そこには人間のような「意味」の理解はありません。
対して、現在注目されているMLLM（Multi-modal Large Language Model）は、画像の特徴を「言語と同じ意味空間」にマッピングして処理します。
少し想像してみてください。従来のAIが「大量のカタログから似た画像を探し出す（パターンマッチング）」作業だとすれば、MLLMは「画像を見て、それを詳細なレポートとして記述し、その内容に基づいて論理的に推論する」作業を脳内で行っているイメージです（厳密には埋め込みベクトル空間での処理ですが、直感的にはこの理解で十分です）。
マルチモーダル学習がもたらす「推論」の力
ファインチューニングを行う際、私たちは画像と一緒に「質問」と「理想的な回答（思考プロセス）」をセットでAIに教え込みます。
- 画像: 傷のある製品の写真
- 質問: 「この製品は出荷可能ですか？」
- 回答: 「いいえ、出荷できません。表面左下に長さ5mmの線状痕があり、深さが規定値を超えているため、品質基準書第3項に基づき廃棄対象となります。」
この学習プロセスを通じて、モデルは単に「傷＝NG」という単純な結びつきではなく、「視覚的特徴（線状痕）」→「評価基準との照合（深さ・長さ）」→「最終判断（廃棄）」という論理的なステップを習得します。
現在では、視覚情報を標準で扱える高性能なオープンソースモデルの選択肢が大きく広がっています。例えば、Llama 4はマルチモーダル（テキスト＋画像）に対応し、MoE（Mixture of Experts）アーキテクチャの導入により、高度な推論能力と効率的な処理を両立しています。さらに、最大1,000万トークンという長大な文脈を扱えるため、複雑な検査マニュアルを丸ごと読み込ませた上での判定も視野に入ります。
モデル選定においては用途に応じた使い分けが重要です。汎用的なテキスト処理には、1Bから405Bまで幅広いサイズ展開と128kコンテキスト対応を持つLlama 3.3が強力です。ただし、Llama 3.3は英語中心の設計であるため、日本の製造現場で日本語の指示による高精度な判定を行わせる場合は、Qwen3系モデルを優先して選択するか、Llama 3.1 SwallowやLlama-3-ELYZA-JP-8Bといった日本語強化の派生モデルを活用することが推奨されます。
特筆すべきは、これらの最新モデルが高度な能力を持ちながらも、MoEなどの技術で軽量化・効率化されており、一般的なPCやエッジデバイスでも実用的な速度で動作するようになっている点です。
これにより、巨大なクラウドサーバーに依存することなく、工場の現場にあるローカルサーバー内で独自の「現場AI」を運用することが現実的になりました。機密性の高い製品画像を外部に送信せず、セキュアな環境で自社専用の頭脳を育てられる点は、製造業にとって極めて合理的な選択肢と言えます。
【実践知】成功企業が密かに行っている「データ作成」の泥臭い真実
ここからが本記事のハイライトです。多くの技術記事には「モデルの選び方」や「学習パラメータの設定」が書かれていますが、現場でプロジェクトを成功させるための最大の変数はそこではありません。
勝負は、「学習データ（特にテキスト部分）をどう作るか」で決まります。
画像の綺麗さよりも「キャプションの質」
適切に導入された事例の傾向として、AIエンジニアよりも、現場の熟練工の方に多くの時間を割くケースが多く見られます。具体的には、過去の不良画像に対して「なぜこれを不良としたのか」を口頭で説明してもらい、それをテキスト化する作業を行います。
失敗するケースでは、既存の検査ログにある「NG：傷」という短いラベルだけを使って学習させようとします。これではMLLMの「言語能力」を活かせません。
成功するケースでは、以下のようなリッチなキャプション（説明文）を作成します。
「一見すると汚れに見えるが、エッジ部分が鋭利であり、光の反射が不連続であることから、これは打痕であると判断できる。機能には影響しないが、外観基準書第3項に基づきB級品とする。」
このように、「迷いやすいポイント」や「判断の根拠」を含めたデータを作成することこそが、最大の参入障壁であり、競合他社が真似できない差別化要因になります。
熟練工の視線をデータ化するアプローチ
「そんな詳細な記述を書く時間はない」という課題もよく挙げられます。そのための工夫として、アイトラッキング（視線計測）やボイスレコーダーを活用する手法があります。
検査員が検査中に「あ、ここ気になるな…でも大丈夫か」と独り言を言った内容を録音し、それを文字起こしして画像のキャプションとして利用するのです。これにより、熟練工の「無意識の注視点」や「思考プロセス」を効率的にデータ化できます。
このアノテーション（データ作成）作業自体が、実は社内の技術伝承（ナレッジマネジメント）としても機能するという副次的な効果も報告されています。AIを作る過程で、ベテランの暗黙知が形式知化されるからです。
【展望】「見るAI」から「対話するAI」へ変わる現場業務
最後に、この技術がもたらす未来についてお話しします。MLLMのファインチューニングが進めば、AIは単なる「検査機」を超えた存在になります。
異常検知から「原因推定・対処提案」へ
従来のAIは「ここが異常です」とアラートを出すまでが仕事でした。しかし、現場特化型のMLLMは、その先まで踏み込めます。
「このパターンの亀裂は、成形機の温度設定が低すぎる時に発生しやすい傾向があります。ヒーターの設定を確認してください」
このように、画像から異常を検知するだけでなく、過去のトラブル事例やマニュアルの知識と照らし合わせて、原因の推定や対処アクションの提案まで行う「AIアシスタント」へと進化します。
スモールスタートで始めるためのロードマップ
いきなり全工程に導入するのはリスクが高いでしょう。まずは、人間でも判断が割れるような「グレーゾーン」の判定支援や、特定の新人教育用のツールとしてPoCを始めることをお勧めします。
- 特定工程の選定: ベテランの知見が必要な「難所」を選ぶ。
- データ作成: 100〜300件程度の良質な「画像＋説明文」を用意する。
- モデル構築: オープンソースのMLLMをベースにファインチューニングを行う。
- 現場検証: AIの出力に対する現場のフィードバックをループさせる。
このサイクルを回すことで、AIは確実に「現場の頼れるパートナー」として育っていきます。
まとめ
製造現場における画像認識の課題は、もはや「画素の解析」ではなく「文脈の理解」にシフトしています。MLLMのファインチューニングは、熟練工の暗黙知をAIに継承させるための最も有効な手段の一つです。
- 汎用モデルでは見抜けない現場固有の異常を検知できる。
- 「なぜ異常なのか」を言語化することで、現場の納得感を得られる。
- 数百件のデータからスタートでき、データ作成自体が技術伝承になる。
「うちの現場の『微妙なニュアンス』はAIには無理だ」と諦めていた方にこそ、この技術の可能性を知っていただきたいと思います。
コメント