品質予測を「現場で使える仕組み」にする：製造業の軽量MLOps実践10本ノック

本記事では、加工条件から不良リスクを予測する架空モデルを題材に、モデルを作った後に必要な保存、推論、現場提供、監視、再学習、プロジェクト運営を一続きで確認します。対象は No.091〜No.100 です。

分析精度だけでなく、誰が・いつ・何に使い、異常時にどう止めるかまで設計することが、製造現場への定着には欠かせません。

[!NOTE] 本資料は、数理工房 (もしくは代表である和山個人) が過去に企業研修において使用した notebook を企業様の許可を得て再構成・編集のうえ公開しています。 掲載データはすべて架空のものであり、実在する企業・工場・数値とは一切関係ありません。

はじめに：この記事で扱う製造業の実務課題

ある部品工場では、温度・圧力・振動・サイクル時間から工程内不良を予測するモデルを試作しました。しかし、担当者のNotebookでしか動かず、製造技術者が日々のロット判定に利用できません。本記事では、この「モデルはあるが業務になっていない」状態を解消します。

現場でよくある状況

• 学習時の列順や前処理が推論時に再現されない
• CSVの一括判定、結果の保存、画面/APIなど利用経路がない
• 精度低下を誰がどの指標で検知し、いつ再学習するか未定義
• モデルの誤判定時に、現場・品質保証・ITの責任分界が曖昧

なぜこの問題は判断が難しいのか

機械学習の価値は精度だけでは決まりません。見逃し損失、確認工数、応答時間、稼働率、データ品質、説明可能性を同時に扱う必要があります。さらに、工程条件や材料ロットが変われば、学習時の関係が将来も続くとは限りません。

今回扱うノックの全体像

No.	テーマ	実務上の成果物
091–093	保存・読込・推論関数	再現可能な推論部品
094–095	バッチ推論・CSV出力	日次の判定ファイル
096–098	API・画面・ダッシュボード	利用者別の提供経路
099	再学習タイミング	監視ルールと判断表
100	プロジェクトの進め方	段階導入ロードマップ

今回は Pipeline に前処理とモデルをまとめ、学習時と推論時の処理差を防ぎます。

Python 環境の準備

主要ライブラリを読み込み、乱数シードを固定します。グラフの日本語は環境依存の文字化けを避けるため英語表記にします。

from pathlib import Path
import ast
import json
import platform
import joblib
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import sklearn
from IPython.display import display
from sklearn.compose import ColumnTransformer
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler

SEED = 42
rng = np.random.default_rng(SEED)
ARTIFACT_DIR = Path("artifacts_10")
ARTIFACT_DIR.mkdir(exist_ok=True)
pd.set_option("display.max_columns", 20)
print({"python": platform.python_version(), "pandas": pd.__version__,
       "scikit-learn": sklearn.__version__, "matplotlib": matplotlib.__version__})

{'python': '3.13.1', 'pandas': '3.0.3', 'scikit-learn': '1.9.0', 'matplotlib': '3.11.0'}

架空データの作成

3つの設備で生産した1,200ロットを作ります。不良確率は、高温・高振動・長いサイクル、旧設備M-03、夜勤で上がる設定です。これは因果関係の証明ではなく、以降の運用設計を具体化するための架空データです。

n = 1200
df = pd.DataFrame({
    "lot_id": [f"LOT-{i:05d}" for i in range(1, n + 1)],
    "timestamp": pd.date_range("2025-01-01", periods=n, freq="2h"),
    "machine_id": rng.choice(["M-01", "M-02", "M-03"], n, p=[0.4, 0.35, 0.25]),
    "shift": rng.choice(["day", "night"], n, p=[0.65, 0.35]),
    "temperature_c": rng.normal(180, 7, n),
    "pressure_mpa": rng.normal(5.2, 0.45, n),
    "vibration_mm_s": rng.gamma(3.0, 0.55, n),
    "cycle_time_s": rng.normal(48, 4, n),
})
logit = (-4.0 + 0.085*(df.temperature_c-180) + 0.75*(df.vibration_mm_s-1.5)
         + 0.07*(df.cycle_time_s-48) + 0.55*(df.machine_id == "M-03")
         + 0.30*(df.shift == "night") + 0.15*np.abs(df.pressure_mpa-5.2))
prob = 1 / (1 + np.exp(-logit))
df["is_defect"] = rng.binomial(1, prob)
print(f"rows={len(df):,}, defect_rate={df.is_defect.mean():.1%}")
display(df.head())

rows=1,200, defect_rate=4.8%

	lot_id	timestamp	machine_id	shift	temperature_c	pressure_mpa	vibration_mm_s	cycle_time_s	is_defect
0	LOT-00001	2025-01-01 00:00:00	M-03	day	184.560784	4.865795	2.390549	51.370749	0
1	LOT-00002	2025-01-01 02:00:00	M-02	day	184.351209	4.666892	1.968884	44.359844	0
2	LOT-00003	2025-01-01 04:00:00	M-03	night	179.739255	5.665214	3.724858	51.636246	0
3	LOT-00004	2025-01-01 06:00:00	M-02	night	181.382894	4.433155	1.622987	47.156151	0
4	LOT-00005	2025-01-01 08:00:00	M-01	day	171.703708	5.617085	0.746812	46.240817	0

feature_cols = ["machine_id", "shift", "temperature_c", "pressure_mpa",
                "vibration_mm_s", "cycle_time_s"]
categorical_cols = ["machine_id", "shift"]
numeric_cols = [c for c in feature_cols if c not in categorical_cols]
X_train, X_test, y_train, y_test = train_test_split(
    df[feature_cols], df["is_defect"], test_size=0.25,
    random_state=SEED, stratify=df["is_defect"])
preprocess = ColumnTransformer([
    ("num", StandardScaler(), numeric_cols),
    ("cat", OneHotEncoder(handle_unknown="ignore"), categorical_cols),
])
model = Pipeline([
    ("preprocess", preprocess),
    ("classifier", RandomForestClassifier(n_estimators=160, min_samples_leaf=5,
                                           class_weight="balanced", random_state=SEED, n_jobs=-1)),
])
model.fit(X_train, y_train)
test_prob = model.predict_proba(X_test)[:, 1]
print(f"test ROC-AUC: {roc_auc_score(y_test, test_prob):.3f}")

test ROC-AUC: 0.654

No.091：学習済みモデルを保存する

実務での意味

検証済みモデルを成果物として固定すると、学習担当者のNotebookを開かずに同一ロジックを再利用できます。監査や不具合調査のため、モデル本体とメタデータを対で管理します。

分析・モデル化の考え方

前処理と分類器を一体化した Pipeline を joblib で保存します。特徴量、閾値、学習日時、ライブラリ版、評価値も記録し、「何を保存したか」を追跡可能にします。

Pythonで確認する

MODEL_PATH = ARTIFACT_DIR / "defect_risk_pipeline_v1.joblib"
META_PATH = ARTIFACT_DIR / "defect_risk_pipeline_v1.json"
joblib.dump(model, MODEL_PATH)
metadata = {"model_version": "1.0.0", "trained_at": "2025-04-15T09:00:00+09:00",
            "features": feature_cols, "threshold": 0.35,
            "test_roc_auc": round(float(roc_auc_score(y_test, test_prob)), 4),
            "sklearn_version": sklearn.__version__, "seed": SEED}
META_PATH.write_text(json.dumps(metadata, ensure_ascii=False, indent=2), encoding="utf-8")
print(MODEL_PATH, f"{MODEL_PATH.stat().st_size/1024:.1f} KiB")
print(META_PATH.read_text(encoding="utf-8"))

artifacts_10/defect_risk_pipeline_v1.joblib 877.0 KiB
{
  "model_version": "1.0.0",
  "trained_at": "2025-04-15T09:00:00+09:00",
  "features": [
    "machine_id",
    "shift",
    "temperature_c",
    "pressure_mpa",
    "vibration_mm_s",
    "cycle_time_s"
  ],
  "threshold": 0.35,
  "test_roc_auc": 0.6541,
  "sklearn_version": "1.9.0",
  "seed": 42
}

結果の読み取り

モデルファイルだけでなく、閾値や特徴量をJSONに残したため、判定条件の取り違えを防げます。実運用ではGitのコミットID、学習データ期間、承認者、データ定義版も追加します。

No.092：保存したモデルを読み込む

実務での意味

製造現場のバッチやサーバーは学習処理を再実行せず、承認済み成果物を読み込みます。起動時の健全性確認が誤配備を早期発見します。

分析・モデル化の考え方

読込後に型、期待するステップ名、少数レコードでの推論を確認します。joblib は信頼できないファイルを読み込むと危険なため、社内の管理領域に限定し、ハッシュ検証も検討します。

Pythonで確認する

loaded_model = joblib.load(MODEL_PATH)
loaded_meta = json.loads(META_PATH.read_text(encoding="utf-8"))
assert list(loaded_model.named_steps) == ["preprocess", "classifier"]
smoke_prob = loaded_model.predict_proba(X_test.head(3))[:, 1]
display(pd.DataFrame({"model_version": loaded_meta["model_version"],
                      "defect_probability": smoke_prob.round(4)}))

	model_version	defect_probability
0	1.0.0	0.3970
1	1.0.0	0.2748
2	1.0.0	0.2073

結果の読み取り

保存前後で同じ入力形式を受け取り、確率が返りました。配備パイプラインでは、このスモークテストに加え、既知入力に対する期待値との一致も自動テストにします。

No.093：推論用関数を作成する

実務での意味

利用側にモデル内部を意識させず、入力検証・確率計算・閾値判定・版情報付与を1つの契約にまとめます。

分析・モデル化の考え方

確率を $\hat{p}(y=1\mid x)$、閾値を $t$ とすると、アラートは $\mathbb{1}[\hat{p}\ge t]$ です。閾値は精度最大化ではなく、見逃し損失と確認能力から決めます。

Pythonで確認する

def predict_defect(records, fitted_model=loaded_model, meta=loaded_meta):
    frame = pd.DataFrame(records).copy()
    missing = sorted(set(meta["features"]) - set(frame.columns))
    if missing:
        raise ValueError(f"missing columns: {missing}")
    probabilities = fitted_model.predict_proba(frame[meta["features"]])[:, 1]
    return frame.assign(defect_probability=probabilities,
                        alert=(probabilities >= meta["threshold"]).astype(int),
                        model_version=meta["model_version"])

sample = X_test.head(5).to_dict(orient="records")
display(predict_defect(sample))

	machine_id	shift	temperature_c	pressure_mpa	vibration_mm_s	cycle_time_s	defect_probability	alert	model_version
0	M-02	night	168.681284	5.803114	3.031016	48.535739	0.396985	1	1.0.0
1	M-01	day	167.631267	5.822293	1.519621	53.958552	0.274760	0	1.0.0
2	M-01	day	179.984248	5.807577	1.319119	44.209292	0.207304	0	1.0.0
3	M-03	day	168.900776	5.039525	0.966915	45.571332	0.007375	0	1.0.0
4	M-03	day	190.531547	5.347335	1.389076	50.565215	0.717243	1	1.0.0

結果の読み取り

関数の戻り値に確率・判定・モデル版が揃い、下流工程が扱いやすくなりました。実務では数値範囲、null、カテゴリ候補、単位も検証し、エラーをログへ残します。

No.094：CSVに対してバッチ推論する

実務での意味

MESや検査装置から日次CSVが出る現場では、APIより先にバッチ推論を導入すると既存業務へ接続しやすくなります。

分析・モデル化の考え方

入力IDと予測を一対一対応させ、重複ID・欠損列・行数変化を検査します。今回は未判定の40ロットを模したCSVを作り、読込後に推論します。

Pythonで確認する

batch_input = df.loc[X_test.index[:40], ["lot_id", "timestamp"] + feature_cols].copy()
INPUT_CSV = ARTIFACT_DIR / "daily_lots.csv"
batch_input.to_csv(INPUT_CSV, index=False)
incoming = pd.read_csv(INPUT_CSV)
assert incoming["lot_id"].is_unique
assert set(feature_cols).issubset(incoming.columns)
batch_scored = predict_defect(incoming[feature_cols]).copy()
batch_scored.insert(0, "lot_id", incoming["lot_id"])
batch_scored.insert(1, "timestamp", incoming["timestamp"])
print(f"input={len(incoming)}, output={len(batch_scored)}, alerts={batch_scored.alert.sum()}")
display(batch_scored.head())

input=40, output=40, alerts=7

	lot_id	timestamp	machine_id	shift	temperature_c	pressure_mpa	vibration_mm_s	cycle_time_s	defect_probability	alert	model_version
0	LOT-00412	2025-02-04 06:00:00	M-02	night	168.681284	5.803114	3.031016	48.535739	0.396985	1	1.0.0
1	LOT-00587	2025-02-18 20:00:00	M-01	day	167.631267	5.822293	1.519621	53.958552	0.274760	0	1.0.0
2	LOT-00140	2025-01-12 14:00:00	M-01	day	179.984248	5.807577	1.319119	44.209292	0.207304	0	1.0.0
3	LOT-01174	2025-04-08 18:00:00	M-03	day	168.900776	5.039525	0.966915	45.571332	0.007375	0	1.0.0
4	LOT-00431	2025-02-05 20:00:00	M-03	day	190.531547	5.347335	1.389076	50.565215	0.717243	1	1.0.0

結果の読み取り

入力と出力の行数が一致し、要確認ロット数を得ました。運用時はファイル名規則、文字コード、再実行時の二重登録防止、途中失敗時のリカバリも決めます。

No.095：予測結果をCSVに出力する

実務での意味

予測を現場帳票やBIへ渡すには、確率だけでなく判定、モデル版、処理時刻を残す必要があります。これが後日の品質追跡にも使われます。

分析・モデル化の考え方

出力スキーマを固定し、保存後に再読込して件数と必須列を検証します。確率は情報を保持したまま、表示上のみ桁を整えます。

Pythonで確認する

OUTPUT_CSV = ARTIFACT_DIR / "daily_lots_scored.csv"
export_cols = ["lot_id", "timestamp", "defect_probability", "alert", "model_version"]
export_df = batch_scored[export_cols].copy()
export_df["scored_at"] = "2025-04-16T06:00:00+09:00"
export_df.to_csv(OUTPUT_CSV, index=False, float_format="%.6f")
check = pd.read_csv(OUTPUT_CSV)
assert len(check) == len(incoming) and set(export_df.columns) == set(check.columns)
print(f"saved: {OUTPUT_CSV} ({OUTPUT_CSV.stat().st_size:,} bytes)")
display(check.sort_values("defect_probability", ascending=False).head())

saved: artifacts_10/daily_lots_scored.csv (2,986 bytes)

	lot_id	timestamp	defect_probability	alert	model_version	scored_at
4	LOT-00431	2025-02-05 20:00:00	0.717243	1	1.0.0	2025-04-16T06:00:00+09:00
38	LOT-00036	2025-01-03 22:00:00	0.576321	1	1.0.0	2025-04-16T06:00:00+09:00
28	LOT-00014	2025-01-02 02:00:00	0.563290	1	1.0.0	2025-04-16T06:00:00+09:00
27	LOT-00994	2025-03-24 18:00:00	0.508810	1	1.0.0	2025-04-16T06:00:00+09:00
29	LOT-00286	2025-01-24 18:00:00	0.435847	1	1.0.0	2025-04-16T06:00:00+09:00

結果の読み取り

高リスク順の確認リストをCSVとして引き渡せます。ただし「alert=1だから不良確定」ではありません。追加検査の優先順位として使い、最終判断と対応履歴を別途記録します。

No.096：FastAPIで推論APIを作る

実務での意味

設備アプリやMESからリアルタイムに呼ぶ場合、HTTP APIはシステム間の契約を明確にします。入力・出力形式を固定し、複数システムから同じモデルを利用できます。

分析・モデル化の考え方

Pydanticで入力型を定義し、起動時に一度だけモデルを読み込みます。認証、TLS、タイムアウト、レート制限、監査ログは本番化で追加すべき要件です。

Pythonで確認する

api_source = r'''from fastapi import FastAPI
from pydantic import BaseModel
import joblib
import pandas as pd

app = FastAPI(title="Defect Risk API", version="1.0.0")
model = joblib.load("defect_risk_pipeline_v1.joblib")

class Lot(BaseModel):
    machine_id: str
    shift: str
    temperature_c: float
    pressure_mpa: float
    vibration_mm_s: float
    cycle_time_s: float

@app.get("/health")
def health():
    return {"status": "ok", "model_version": "1.0.0"}

@app.post("/predict")
def predict(lot: Lot):
    frame = pd.DataFrame([lot.model_dump()])
    probability = float(model.predict_proba(frame)[0, 1])
    return {"defect_probability": probability, "alert": probability >= 0.35}
'''
ast.parse(api_source)
(ARTIFACT_DIR / "api_app.py").write_text(api_source, encoding="utf-8")
print("FastAPI sample syntax: OK")

FastAPI sample syntax: OK

結果の読み取り

APIの最小契約を構文検証できました。Notebookではサーバーを起動しません。本番前には正常系・境界値・欠損・同時アクセスのテストと、モデルを安全にロールバックする仕組みが必要です。

No.097：Streamlitで簡易画面を作る

実務での意味

現場担当者がCSVやAPIを直接扱えない場合、簡易画面はPoCの利用障壁を下げ、運用要件を短期間で発見できます。

分析・モデル化の考え方

入力項目には単位・許容範囲・初期値を示し、結果は確率と次の行動をセットで表示します。画面は正式な品質判定システムの代替ではなく、段階導入の検証手段です。

Pythonで確認する

streamlit_source = r'''import streamlit as st
import joblib
import pandas as pd

st.title("加工ロット 不良リスク確認")
model = joblib.load("defect_risk_pipeline_v1.joblib")
machine = st.selectbox("設備", ["M-01", "M-02", "M-03"])
shift = st.selectbox("勤務帯", ["day", "night"])
temperature = st.number_input("温度 (°C)", 150.0, 210.0, 180.0)
pressure = st.number_input("圧力 (MPa)", 3.0, 7.0, 5.2)
vibration = st.number_input("振動 (mm/s)", 0.0, 10.0, 1.5)
cycle = st.number_input("サイクル時間 (s)", 30.0, 70.0, 48.0)
if st.button("判定"):
    x = pd.DataFrame([{"machine_id": machine, "shift": shift,
        "temperature_c": temperature, "pressure_mpa": pressure,
        "vibration_mm_s": vibration, "cycle_time_s": cycle}])
    p = float(model.predict_proba(x)[0, 1])
    st.metric("不良リスク", f"{p:.1%}")
    st.warning("追加検査を推奨") if p >= 0.35 else st.success("通常フロー")
'''
ast.parse(streamlit_source)
(ARTIFACT_DIR / "streamlit_app.py").write_text(streamlit_source, encoding="utf-8")
print("Streamlit sample syntax: OK")

Streamlit sample syntax: OK

結果の読み取り

入力から行動提案までを一画面にまとめました。導入評価では、利用者が迷った入力、判定後の実行行動、処理時間を観察し、正式システムの要件へ反映します。

No.098：予測結果をダッシュボード化する

実務での意味

管理者には個票だけでなく、設備別の警告率、時間推移、処理量が必要です。偏りを見つけ、保全・条件調整・確認要員配置につなげます。

分析・モデル化の考え方

警告率はモデル出力の割合であり、不良率そのものではありません。母数を併記し、設備構成や製品構成の変化とともに読みます。

Pythonで確認する

dash = batch_scored.groupby("machine_id").agg(
    lots=("lot_id", "size"), alert_rate=("alert", "mean"),
    mean_risk=("defect_probability", "mean")).sort_index()
display(dash.style.format({"alert_rate": "{:.1%}", "mean_risk": "{:.1%}"}))
fig, ax = plt.subplots(figsize=(8, 4.5))
ax.bar(dash.index, dash["alert_rate"] * 100, color="#2878B5")
ax.set_title("Alert Rate by Machine")
ax.set_xlabel("Machine")
ax.set_ylabel("Alert rate (%)")
ax.grid(axis="y", alpha=0.3)
plt.tight_layout()
plt.show()

	lots	alert_rate	mean_risk
machine_id
M-01	10	20.0%	26.3%
M-02	16	12.5%	16.9%
M-03	14	21.4%	21.9%

結果の読み取り

設備間の警告率差を俯瞰できます。ただし40件の小標本なので、直ちに設備異常とは断定できません。製品・材料・勤務帯で層別し、実不良との突合を経て調査優先度を決めます。

No.099：モデルの再学習タイミングを設計する

実務での意味

材料、設備、条件、検査基準が変わるとモデルは劣化します。定期再学習だけでは早すぎる変化を見逃し、逆に不要な更新で検証負荷を増やします。

分析・モデル化の考え方

入力ドリフトと予測性能を分けて監視します。Population Stability Index は区間ごとの基準比率 $e_i$ と現行比率 $a_i$ から $PSI=\sum_i(a_i-e_i)\ln(a_i/e_i)$ とします。PSIは変化の信号であり、劣化の証明ではありません。

Pythonで確認する

def psi(expected, actual, bins=10):
    edges = np.unique(np.quantile(expected, np.linspace(0, 1, bins + 1)))
    edges[0], edges[-1] = -np.inf, np.inf
    e = np.histogram(expected, bins=edges)[0] / len(expected)
    a = np.histogram(actual, bins=edges)[0] / len(actual)
    e, a = np.clip(e, 1e-6, None), np.clip(a, 1e-6, None)
    return float(np.sum((a - e) * np.log(a / e)))

current_temp = rng.normal(185, 7, 400)  # 条件変更後を想定
temp_psi = psi(X_train["temperature_c"].to_numpy(), current_temp)
monitor = pd.DataFrame({
    "signal": ["temperature PSI", "30-day ROC-AUC", "missing rate", "new machine"],
    "observed": [round(temp_psi, 3), 0.68, 0.012, 1],
    "trigger": [0.20, 0.70, 0.01, 1],
    "action": ["investigate/retrain", "retrain review", "stop and fix data", "revalidate"]})
monitor["triggered"] = [temp_psi >= .20, .68 < .70, .012 > .01, True]
display(monitor)

	signal	observed	trigger	action	triggered
0	temperature PSI	0.504	0.20	investigate/retrain	True
1	30-day ROC-AUC	0.680	0.70	retrain review	True
2	missing rate	0.012	0.01	stop and fix data	True
3	new machine	1.000	1.00	revalidate	True

結果の読み取り

複数のトリガーが発火しました。自動で即時置換するのではなく、原因調査→再学習→過去モデルとの比較→品質責任者の承認→段階リリースを行います。正解ラベルの到着遅延も監視設計に織り込みます。

No.100：機械学習プロジェクトの進め方を整理する

実務での意味

実務導入はモデル開発だけの案件ではありません。対象判断、業務変更、データ収集、システム接続、教育、監視までを段階的に合意します。

分析・モデル化の考え方

最初に業務KPIと撤退条件を定め、オフライン検証、シャドー運用、限定運用、本番展開の順にリスクを下げます。費用対効果は「不良削減額−追加検査費−運用費」で継続評価します。

Pythonで確認する

roadmap = pd.DataFrame([
    ["1. 課題定義", "見逃し損失・確認能力・KPIを合意", "品質保証/製造/経営", "2 weeks"],
    ["2. データ検証", "定義・欠損・時点・リークを確認", "製造IT/分析", "3 weeks"],
    ["3. オフライン検証", "基準手法と候補モデルを比較", "分析/品質保証", "3 weeks"],
    ["4. シャドー運用", "判断に使わず実データで記録", "現場/分析", "4 weeks"],
    ["5. 限定運用", "1設備・1製品で追加検査を支援", "現場責任者", "4 weeks"],
    ["6. 本番・監視", "SLA、監視、再学習、停止手順", "IT/品質保証", "continuous"],
], columns=["phase", "exit_criteria", "owner", "duration"])
display(roadmap)
print("Total pilot lead time:", sum([2, 3, 3, 4, 4]), "weeks")

	phase	exit_criteria	owner	duration
0	1. 課題定義	見逃し損失・確認能力・KPIを合意	品質保証/製造/経営	2 weeks
1	2. データ検証	定義・欠損・時点・リークを確認	製造IT/分析	3 weeks
2	3. オフライン検証	基準手法と候補モデルを比較	分析/品質保証	3 weeks
3	4. シャドー運用	判断に使わず実データで記録	現場/分析	4 weeks
4	5. 限定運用	1設備・1製品で追加検査を支援	現場責任者	4 weeks
5	6. 本番・監視	SLA、監視、再学習、停止手順	IT/品質保証	continuous

Total pilot lead time: 16 weeks

結果の読み取り

約16週間のパイロット例です。各段階に完了条件と責任者を置くことで、「精度は出たが使われない」を防ぎます。限定運用で業務KPIが改善しない場合は、閾値・業務フロー・課題設定まで戻って見直します。

対象ノックを通して見える実務上の示唆

1. 再現性はモデル単体では作れない：前処理、特徴量定義、閾値、版情報を一緒に管理します。
2. 提供経路は利用者で選ぶ：日次業務はCSV、システム連携はAPI、検証初期は簡易画面が適します。
3. 予測と意思決定を分ける：モデルはリスクを示し、検査・停止・条件変更の責任は業務ルールに置きます。
4. 監視は入力・出力・正解・業務KPIの四層：単一指標だけで再学習を自動決定しません。

実務導入する場合に必要なこと

• データ辞書、単位、取得時点、欠損時の扱いを明文化する
• 見逃しと誤警報の費用を踏まえ、設備・製品別に閾値を検討する
• モデル台帳、アクセス制御、監査ログ、バックアップ、ロールバックを整備する
• 現場、品質保証、製造技術、IT、分析担当のRACIを合意する
• シャドー運用で安全性と業務効果を確認し、停止条件を明文化する

まとめ

No.091〜No.100では、学習済みモデルを「使える・追える・止められる」仕組みに変えました。軽量MLOpsの出発点は大規模な基盤ではなく、再現可能な成果物、明確な入出力、段階導入、監視と責任分界です。技術指標と現場KPIを同じ会議で確認する運用が、継続的な価値につながります。

法人向けのご相談

数理工房では、製造データの棚卸し、予測・異常検知PoC、既存システムへの組込み、運用監視設計、社内研修まで、現場の成熟度に合わせて支援します。

📩 お問い合わせ: surikobo.co.jp/contact まずはお気軽にご相談ください。