Media > AI活用ユースケース > 品質管理 > プリント基板の製造会社が、めっきまでの工程の記録から Python で電気検査の不良が出やすいロットを確率で予測し、外観検査を全数にするロットを決める

プリント基板の製造会社が、めっきまでの工程の記録から Python で電気検査の不良が出やすいロットを確率で予測し、外観検査を全数にするロットを決める

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

めっきの工程を終えた基板の製造ロットごとに、仕様・材料・積層・穴あけ・めっきの記録から、最終の電気検査で不良が管理値を超える確率を Python で予測します。確率の高い順に、外観検査を全数にするロットを検査の枠の中で選びます。

サマリー
連携・自動化
Python
対象業界
製造
対象部門
品質管理/生産
対象業務
内容確認・チェック/集計・分析
主な課題
人手が足りない/判断に時間がかかる/属人化している
AIで行う処理
予測
主な効果
判断支援/品質標準化/属人化解消
導入難易度
★★★★☆
実装レベル
本格構成
費用感
個別開発(大)
人間の確認
条件付き
現在工数
30h/月
AI導入後
10h/月
想定削減
67%
年間削減
240h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 毎朝と夕方、品質保証課の担当が生産管理の仕組みから、めっきを終えたロットの一覧(品番・層数・数量・めっき槽・材料のロット)を書き出す
  2. 品番ごとに、仕様表で最小の線幅と間隔、最小の穴の径、板厚を確かめる
  3. めっき液の分析の記録とめっきの厚さの測定の値、穴あけ機のドリルの記録を開き、ロットごとに書き写す
  4. 主任が、品番の過去の不良の出方と書き写した値を見比べ、外観検査を全数にするロットと断面の観察を足すロットに印を付ける
  5. 検査の係に、印の付いたロットを伝える
  6. 最終の電気検査で不良が多かったロットは、翌日以降に原因を調べる
導入後(After)
  1. 自動毎日7時と15時に、Python がめっきを終えたロットの一覧、品番の仕様、材料のロット、積層の記録、ドリルの記録、めっき液の分析の値、めっきの厚さの測定の値を読み込む
  2. 自動ロットごとに項目をそろえる(めっきが終わった時点で分かっている値だけ)
  3. 自動学習済みのモデルで、電気検査で不良の率が管理値を超える確率を出し、校正した確率に直す
  4. 自動確率の高い順に並べ、その日の検査の枠の数だけ「全数」の印を付け、枠を超えた危ないロットに「枠外」の印を付ける
  5. 自動確率の合計から、その日に管理値を超えそうなロットの本数の見込みを出す
  6. 人主任が一覧を見て、全数にするロットと断面の観察を足すロットを決め、検査の係に伝える
  7. 人「枠外」が多い日は、主任が検査の係長と枠を増やすかを決める
  8. 自動電気検査が終わったら、実際の結果を予測と並べて記録する
各工程の詳しい説明を読む
  1. 毎朝と夕方、品質保証課の担当が生産管理の仕組みから、めっきを終えたロットの一覧(品番・層数・数量・めっき槽・材料のロット)を書き出す
  2. 品番ごとに、仕様表で最小の線幅と間隔、最小の穴の径、板厚を確かめる
  3. めっき液の分析の記録とめっきの厚さの測定の値、穴あけ機のドリルの記録を開き、ロットごとに書き写す
  4. 主任が、品番の過去の不良の出方と書き写した値を見比べ、外観検査を全数にするロットと断面の観察を足すロットに印を付ける
  5. 検査の係に、印の付いたロットを伝える
  6. 最終の電気検査で不良が多かったロットは、翌日以降に原因を調べる

(a)検査の枠の配り方が主任の経験で決まる。 4番の見比べは、「この品番はアスペクト比が高いので、添加剤が下寄りの日は穴の中が危ない」という主任の記憶で成り立っています。主任のいない日は、層数の多い順という別の基準になります。

(b)不良に気づくのが最後の電気検査。 印を付けなかったロットで不良が多いと、分かるのは外層の加工もソルダーレジストも終わった後で、作り直すにも材料から始めることになります。その間に同じめっき槽で次のロットが流れています。

(c)書き写しに時間を取られる。 3番は、めっき液の記録、厚さの測定、ドリルの記録と、仕組みが別々なので1ロットずつ開いて書き写しています。 主任が見比べる時間より、書き写す時間のほうが長い日があります。

(d)枠が余る日と足りない日がある。 印を付ける数は主任の感覚で決まり、危なそうなロットが多い日にも枠の数で打ち切り、少ない日には枠を使い残します。 何本ぐらい危ないロットがあるかを、数で見積もる材料がありません。

  1. 【自動】 毎日7時と15時に、Python がめっきを終えたロットの一覧、品番の仕様、材料のロット、積層の記録、ドリルの記録、めっき液の分析の値、めっきの厚さの測定の値を読み込む
  2. 【自動】 ロットごとに項目をそろえる(めっきが終わった時点で分かっている値だけ)
  3. 【自動】 学習済みのモデルで、電気検査で不良の率が管理値を超える確率を出し、校正した確率に直す
  4. 【自動】 確率の高い順に並べ、その日の検査の枠の数だけ「全数」の印を付け、枠を超えた危ないロットに「枠外」の印を付ける
  5. 【自動】 確率の合計から、その日に管理値を超えそうなロットの本数の見込みを出す
  6. 【人】 主任が一覧を見て、全数にするロットと断面の観察を足すロットを決め、検査の係に伝える
  7. 【人】 「枠外」が多い日は、主任が検査の係長と枠を増やすかを決める
  8. 【自動】 電気検査が終わったら、実際の結果を予測と並べて記録する

6番目で決めるのは主任です。 一覧が出すのは過去の記録から見た確率で、めっき槽の見た目の変化や、穴あけ機の前の日の調子は記録に入っていません。 主任はそれを足して決めます。

5番目と7番目が、これまで無かった動きです。 確率を校正してあるので、「今日は管理値を超えそうなロットが4.6本ある」と数で言えます。枠が3本なら、残りの1〜2本をどうするかを、朝のうちに決められます。

02今回想定するシステム構成

構成図
生産管理の仕組み(製造ロットの流れ、工程の実績、材料のロット)
+ 品番の仕様表(層数・最小の線幅と間隔・最小の穴の径・板厚)
+ めっき液の分析の記録 + めっきの厚さの測定の記録
+ 穴あけ機のドリルの使用の記録 + 電気検査の記録(学習の答え)
   │
   ▼【トリガー】毎日7時と15時(工場のサーバーの定時実行)
Python(pandas)
   ├──▶ めっきが終わった時点の値だけで、ロットごとの項目をそろえる
   ▼
scikit-learn の HistGradientBoostingClassifier
   │   答え=最終の電気検査で不良の率が品番の管理値を超えたか(1/0)
   ▼
CalibratedClassifierCV(FrozenEstimator、sigmoid)── 確率を校正する
   ▼
Python ── 確率の順に並べ、検査の枠で「全数」「枠外」の印、本数の見込み
   ▼
【人】主任が全数にするロットと断面の観察を決める
役割想定する製品代替候補
実行環境Python(pandas・scikit-learn)R
処理エンジンscikit-learn の HistGradientBoostingClassifier と CalibratedClassifierCVscikit-learn の LogisticRegression、LightGBM の二値分類
集計Python(並べ替え、検査の枠の印、本数の見込み、当たり方の記録)表計算の計算式
保管工場のファイルサーバー(学習の記録、一覧、当たり方の記録)-

新しく足すのは、Python の処理と、ロットとめっき槽・材料のロットのひも付けをそろえる作業です。 生産管理の仕組みと検査の記録には書き込みません。この構成が出すのは、ロットごとの確率と、検査の枠の候補の一覧までです。

予測のエンジンに HistGradientBoostingClassifier を選んだのは、欠けた値と区分の列をそのまま扱えるからです。 公式のページでは、欠けた値(NaN)をそのまま扱え、学習のときに分かれ目ごとに欠けた値をどちらに送るかを学ぶとされています。めっきの厚さの測定は抜き取りで、測っていないロットがあるので、この性質が効きます。区分の列は、categorical_features の既定 from_dtype で、pandas の Categorical の型の列が区分として扱われます。

確率の校正には CalibratedClassifierCV を使います。 公式のページでは、学習済みの分類器は FrozenEstimator で包んで校正でき、その場合は渡した記録がすべて校正に使われ、学習と校正の記録が重ならないように利用者が気を付けるとされています。

生成AIは使いません。 出すのは確率と印の表です。

03どうやって実装するのか

Step1

処理の起点を決める

毎日7時と15時の2回、めっきを終えたロットについて予測します。 めっきの工程は昼夜で動いていて、夜のうちに終わったロットは朝の外層の露光の前に、昼に終わったロットは夕方の露光の前に見立てる必要があります。工場のサーバーの定時実行(Windows ならタスク スケジューラ)で Python のスクリプトを起動します。

予測の対象は「前の回の後にめっきを終えたロット」です。 前の回に予測したロットは出し直しません。同じロットの確率が回ごとに変わると、検査の係への指示がぶれるからです。めっきのやり直しをしたロットだけは、やり直しの後の値で出し直し、「再めっき」と印字します。

検査の枠の数は、毎回の実行の前に検査の係長が表に入れます。 枠の数は、その日の出勤の人数と、ほかの検査の詰まり具合で変わります。入っていなければ、前の日の数をそのまま使い、一覧に「枠の数は前日の値」と出します。

モデルの作り直しは3か月に1回にします。 作り直す前と後で、直近3か月の当たり方を比べ、悪くなっていれば前のモデルのまま使います。一覧には、作った日時とモデルの作成日を必ず印字します。

Step2

入力データを集める

データ中身取得元
製造ロットの記録ロット番号、品番、数量(パネルの枚数)、めっきの完了の日時、使っためっき槽、積層のプレスの号機、使った材料のロット生産管理の仕組み
品番の仕様層数、最小の線幅と間隔、最小の穴の径、板厚、穴の径に対する板厚の比(アスペクト比)、表面処理の種類品番の仕様表
めっき液の分析めっき槽ごとの分析の日時、銅の濃度、硫酸の濃度、添加剤の濃度、それぞれの管理の幅めっき液の分析の記録
めっきの厚さ抜き取りで測ったロットの穴の中のめっきの厚さめっきの厚さの測定の記録
ドリルの記録ロットの穴あけに使ったドリルの使用の回数(打った穴の数)、穴あけ機の号機穴あけ機のドリルの使用の記録
電気検査の結果ロットごとの検査の数、不良の数、不良の種類(オープン・ショート)、品番の管理値電気検査の記録

質を決めるのは、ロットとめっき槽のひも付けです。 1つのロットのパネルを2つの槽に分けて流すことがあり、記録には最初の槽しか残っていない工場があります。分けたときに両方の槽を記録する決まりを、導入の最初に作ります(第14章)。

めっき液の分析の値は、管理の幅の中での位置にして渡します。 濃度の値そのものより、「管理の下限から上限までのどのあたりか」のほうが、槽をまたいで比べやすいからです。

Step3

データの取得方法を決める

取るものどこから何に使うか
めっきを終えたロットの一覧生産管理の仕組みから毎回の実行の15分前に CSV で書き出す予測の対象
過去のロットの工程の実績生産管理の仕組みから月に1回 CSV で書き出す学習の記録
品番の仕様仕様表を CSV で保存する(品番の登録のたびに更新)設計の難しさの項目
めっき液の分析の値分析の記録を CSV で書き出すめっきの状態の項目
めっきの厚さとドリルの記録それぞれの記録を CSV で書き出すめっきと穴の項目
電気検査の結果検査の記録から毎日 CSV で書き出す学習の答えと当たり方

めっき液の分析の値は、「そのロットがめっき槽に入る前で、いちばん新しい分析」を結び付けます。 分析は1日に数回で、ロットがめっきを終えた後の分析の値を結び付けると、予測の時点ではまだ分かっていない値を使うことになります。 pandas の merge_asof のように、時刻の順に「直前の値」を結び付ける方法で、めっき槽ごとに結び付けます。

答えの「管理値を超えたか」は、品番ごとの管理値で決めます。 細い線の品番と太い線の品番では、ふだんの不良の率が違います。全品番で同じ線を引くと、難しい品番ばかりが1になり、モデルは「難しい品番か」しか学びません。 品番の管理値を超えたかで答えを作ると、同じ品番の中でいつもより悪いロットを学べます。

Step4

AIへ渡す前に整形する

  1. 答えを作る … 不良の数 ÷ 検査の数が品番の管理値を超えたら1、超えなければ0
  2. めっき液の値を管理の幅の中の位置にする … (値 − 下限)÷(上限 − 下限)
  3. ドリルの使用の回数を上限に対する割合にする … 穴の径ごとに上限が違うため
  4. めっきの厚さの欠けた値はそのままにする … 測っていないロットは NaN のまま渡します。0や平均で埋めません
  5. 区分の列の型をそろえる … めっき槽・プレスの号機・穴あけ機の号機・表面処理の種類を pandas の Categorical の型にします
  6. 外れたロットを外す … 試作のロット、途中で工程を止めたロット、検査の方法を変えた期間のロット
  7. 学習・校正・確かめの期間を時間で分ける … めっきの完了の日時の順に並べ、古い順に「学習」「校正」「確かめ」の3つに分けます

4番目を埋めないのは、「測っていない」こと自体に意味があるからです。 めっきの厚さは、主任が気になったロットを選んで測っている場合があり、測ったかどうかが、主任の見立てを映しています。 平均で埋めると、その情報が消えます。HistGradientBoostingClassifier は欠けた値のまま学べます。

7番目で3つに分けるのは、校正に学習と別の記録が要るからです。 公式のページでは、FrozenEstimator で包んだときは学習と校正の記録が重ならないよう利用者が気を付けるとされています。学習に使ったロットで校正すると、学習の記録にはよく当たる分、確率が極端に寄った形に直されてしまいます。 3年分なら、古い2年を学習、次の半年を校正、新しい半年を確かめに使います。

Step5

AIに処理させる

させるのは、めっきを終えたロットごとに「最終の電気検査で不良の率が管理値を超える」確率を出すことだけです。

出すもの作り方使いみち
校正した確率分類のモデルの確率を、校正の期間の記録で sigmoid で直す並べ替えと本数の見込み
その回の中の順位確率の高い順検査の枠の配り方
管理値を超えそうな本数の見込みその回のロットの確率の合計枠を増やすかの話し合い
主な理由そのロットの値が品番のいつもの値から大きく外れている項目主任が確かめに行く先
一覧の印決め方主任の動き
全数確率の高い順に、その回の検査の枠の数まで外層の外観検査を全数にする
枠外枠に入らなかったが、確率が品番の過去の平均の3倍以上枠を増やすか、断面の観察を足すかを決める
-それ以外これまでどおりの抜き取り

「全数」を確率の線ではなく枠の数で決めるのは、検査の係の手がその数しか無いからです。 線で決めると、危ないロットが多い日に枠を超える指示が出ます。枠で切って、はみ出した分を「枠外」として見せるほうが、主任が決めやすくなります。

校正の方法は sigmoid にします。 公式のページでは、isotonic は校正の記録が少ない(1000件よりずっと少ない)と過学習しやすく勧められないとされています。月300ロットの半年分は1,800件で、そのうち1になるロットは1割に届きません。件数が増えて1になるロットが多く集まってから isotonic と比べます。

させないこと理由
製品の合否・出荷の可否電気検査と品質の規格で決める
めっき液の調整・工程の条件の変更条件と不良の関係は因果ではない。変えるかは生産技術が決める
抜き取りより少ない検査への変更確率が低くても、客先と取り決めた検査は省かない
不良の原因の特定めっき・穴あけ・材料・エッチングのどれかは、品質保証課が調べる

2行目は、とくに気を付けてください。 モデルが言えるのは「この組み合わせで、過去に管理値を超えやすかった」ことまでで、「添加剤を足せば不良が減る」とは言えません。 添加剤が下寄りの日に、たまたま難しい品番が集まっていただけかもしれません。

Step6

指示内容を固定する

生成AIを使わないので、プロンプトはありません。 かわりに、学習・校正・確かめの中身を示します。

from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.calibration import CalibratedClassifierCV
from sklearn.frozen import FrozenEstimator
from sklearn.metrics import brier_score_loss
import numpy as np

CAT = ["bath", "press", "drill_machine", "finish"]
NUM = ["layers", "min_line_um", "min_hole_mm", "thickness_mm", "aspect",
       "cu_pos", "acid_pos", "additive_pos", "drill_use_ratio", "plating_um"]
X_cols = CAT + NUM            # plating_um は測っていなければ NaN のまま

base = HistGradientBoostingClassifier(max_leaf_nodes=31, learning_rate=0.05,
                                      max_iter=500)
base.fit(train[X_cols], train["over_limit"],
         X_val=calib[X_cols], y_val=calib["over_limit"])   # 1万件未満でも早期終了を効かせる

cal = CalibratedClassifierCV(FrozenEstimator(base), method="sigmoid")
cal.fit(calib[X_cols], calib["over_limit"])                 # 学習と別の期間で校正

p_raw = base.predict_proba(test[X_cols])[:, 1]
p_cal = cal.predict_proba(test[X_cols])[:, 1]
print(brier_score_loss(test["over_limit"], p_raw),
      brier_score_loss(test["over_limit"], p_cal))

# 検査の枠で拾えた割合:日ごとに確率の上位 k 本を選び、1 だったロットの何割が入ったか
def hit_share(df, p, k):
    df = df.assign(p=p)
    picked = df.groupby("date", group_keys=False).apply(lambda g: g.nlargest(k, "p"))
    return picked["over_limit"].sum() / df["over_limit"].sum()

X_val と y_val を渡しているのは、早期終了のためです。 公式のページでは、early_stopping の既定の auto は、件数が1万を超えるか X_val と y_val を fit に渡したときに有効になるとされています。月300ロットの2年分は7,200件で、1万に届きません。早期終了の確かめには校正の期間を使いますが、校正の期間の答えを見るのは「何回で止めるか」だけです。

class_weight="balanced" は付けません。 公式のページでは、balanced はクラスの出現の割合に反比例する重みを自動で付けるとされています。1になるロットが1割に満たないので付けたくなりますが、付けると確率が実際より高く出て、「確率の合計=本数の見込み」が成り立たなくなります。 並べる力のために付けたいときは、付けたうえで必ず校正を通します。

当たり方は2つの数で見ます。 1つはブライアスコアで、公式のページでは予測した確率と実際の結果の差の二乗の平均で、小さいほど良いとされています。校正の前と後で比べ、後のほうが小さくなっていれば校正が効いています。 もう1つは hit_share で、日ごとの枠の数だけ上位を選んだとき、管理値を超えたロットの何割を拾えたかです。主任の印で同じ数を出して並べます。

本数の見込みも確かめます。 確かめの期間で、日ごとの「確率の合計」と「実際に管理値を超えた本数」を並べます。合計が4.6のとき、実際がおおむね3〜6本に収まっていれば、校正は使える水準です。 いつも実際より多いか少ないなら、校正の期間を新しくします。

Step7

出力形式を固定する

主任に渡すのは、次の一覧です。 毎回の実行の後に画面で開き、朝と夕方の検査の打合せで使います。

【11/02 7時の回 めっき完了ロットの見込み(07:06 作成/モデル作成 2026-10-01/検査の枠 3本)】

印ロット品番(層数)最小の線幅と間隔めっき槽確率品番の過去の平均主な理由
全数L-1102-031A-2210(10層)75µm槽338%6%添加剤が管理の幅の下寄り・アスペクト比が高い
全数L-1102-018B-0841(8層)100µm槽326%5%ドリルの使用が上限の92%
全数L-1102-044A-1977(6層)75µm槽121%7%めっきの厚さの測定なし・細い線
枠外L-1102-009C-0312(12層)100µm槽219%4%積層のプレスの号機の切り替え直後
-L-1102-022D-0560(4層)150µm槽12%2%-

この回で管理値を超えそうな本数の見込み:1.4本(全数の3本で0.9本分)

「主な理由」は、そのロットの値が品番のいつもの値から大きく外れている項目を並べたものです。 モデルの中身を説明するものではなく、主任が槽や穴あけ機を確かめに行く先の手がかりです。

機械で読む用には、同じ内容を CSV でも残します。 列は、ロット、印、校正前の確率、校正した確率、順位、検査の枠の数、モデルの作成日です。電気検査が終わったら、実際の結果をこの CSV の横に入れます。

Step8

システムへ連携する

つなぎ先方式内容
生産管理の仕組み毎回の実行の前に、めっきを終えたロットと工程の実績を CSV で書き出す予測の対象と学習の記録
めっき液の分析・厚さ・ドリルの記録それぞれ CSV で書き出して読む工程の状態の項目
電気検査の記録毎日、ロットごとの検査の数と不良の数を CSV で書き出す学習の答えと当たり方
検査の枠の表検査の係長が入れた数を読む「全数」の本数
検査の指示・生産の計画書き込まない(主任が決めてから入れる)-

検査の指示には書き込みません。 一覧の印をそのまま全数の指示にすると、めっき槽の見た目や穴あけ機の調子を見ないまま検査の配り方が決まります。

Step9

人が確認する

  1. 作った日時、モデルの作成日、検査の枠の数を見る … 枠の数が「前日の値」になっていないかを確かめます
  2. 「全数」と「枠外」のロットの理由を見る … めっき液の位置、ドリルの使用、厚さの測定の有無を確かめます
  3. 記録に無い事情を足す … めっき槽の見た目、穴あけ機の前の日の調子、客先から指摘の出ている品番かを足して、全数と断面の観察を決めます
  4. 本数の見込みが枠を大きく超える日は、検査の係長と話す … 枠を増やすか、外層の露光の順番を入れ替えて時間を作るかを決めます

目標は、300件をならして1件2分です。 印の無いロットは流し見るだけで、時間を使うのは「全数」と「枠外」のロットの理由を確かめるところです。

Step10

例外に対処する

起きること対応
めっき液の分析の記録が半日以上無い直前の値で予測し、「分析が古い」と出す
新しい品番・初めての仕様予測は出すが「前例少」と出し、主任が自分で見立てる
ロットを2つのめっき槽に分けて流したパネルの枚数の多いほうの槽で予測し、「槽分割」と出す
めっきのやり直しをしたやり直しの後の値で出し直し、「再めっき」と出す
検査の枠の数が入っていない前の日の数で印を付け、「枠の数は前日の値」と出す
電気検査の管理値を変えた品番変えた日から答えを作り直し、作り直しまでは「管理値変更」と出す
作り直したモデルが前より外れる前のモデルのまま使い、作り直しの記録を残す
定時の実行が動かなかった担当が手で実行する。日付の古い一覧は使わない

2行目は、とくに大事です。 多品種の基板の工場では、毎月いくつも新しい品番が流れます。学習の記録に前例の無い品番では、モデルは仕様の似た品番から推しはかった確率しか出せません。 層数と最小の線幅の組ごとに学習の記録の件数を数え、一定の件数に満たないロットに印を付けます。

Step11

記録を残す

  • 実行の日時、使ったモデルの作成日、学習・校正・確かめの期間と件数、外したロットと理由
  • ロットごとの校正前と校正した確率、順位、印、主な理由、その回の検査の枠の数
  • 主任が一覧と違う判断をしたロットと、その理由
  • 電気検査の実際の結果(検査の数、不良の数、オープン・ショートの別)
  • 月ごとの当たり方(ブライアスコアの校正前と後、枠で拾えた割合、日ごとの本数の見込みと実際)

「枠で拾えた割合」が、この構成の健康診断です。 でたらめに選べば、枠の数がロットの1割なら1割しか拾えないところ、3割、4割と拾えていれば、枠の配り方として役に立っています。 主任の印より下がり続ければ、めっき液や材料の変化をモデルが追えていません。

04実装レベルの3段階

最小構成:1つの品番の系統で、手で書き出した記録で Python を動かし、過去の半年で当たり方を見る / 予測の当たり方の確認
半自動化:上記+全部の品番で、毎日2回ロットごとの確率と順位の一覧を出す / ロットごとの確率と並べ替え
本格構成:上記+確率の校正、検査の枠の印、本数の見込み、主な理由、当たり方の記録まで行う / 見込みから枠の配り方、見直しまで

本記事の想定は本格構成です。 半自動化では確率と順位は出ますが、校正をしていないので確率の合計を本数として読めず、主任は枠の数を自分で決めています。 理由の書き出しも主任が記録を開いて確かめています。 半自動化で1件6分が4分ほどに、本格構成で2分になります。 差が大きいのは、書き写しが無くなったうえに、枠の配り方と理由の書き出しまで機械で出せるようになるからです。 段階を飛ばさないでください。 半自動化を3か月使うと、どの系統で上位に不良のロットが集まり、どこで集まらないかが分かります。集まらない系統の記録(槽の分割、測定の抜け)を直してから、校正と枠の印を足します。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
3 名
月間件数
300 件
1件あたり現在時間
6 分
1件あたり導入後時間
2 分
現在  300件 × 6分 ÷ 60 = 30 時間/月
導入後 300件 × 2分 ÷ 60 = 10 時間/月
月間削減時間
20h
削減率
67%
年間削減時間
240h
年間金額換算(時間単価3,300円)
79万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

自社条件で導入効果を整理したい方へ

このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 産業機器・車載・通信機器向けの多層のプリント基板を、多品種の小中ロットで作っている工場。製造ロットごとに、使った材料のロット、積層のプレスの号機、穴あけのドリルの使用の回数、めっき槽とめっきの厚さの測定の値、最終の電気検査の不良の数が2年分以上記録に残っている場合。外層の外観検査(AOI)を全数にできるロットの数に限りがあり、どのロットを全数にするかを品質保証課の主任の経験で決めている場合。
向いていない
  1. 製造ロットと材料のロット・めっき槽のひも付けが記録に無く、どの条件で作ったかが後から分からない場合。電気検査の結果を日ごとの合計でしか持っておらず、ロットごとに分けられない場合。外観検査をすでに全ロット全数で行っていて、検査を厚くする先を選ぶ必要が無い場合。なお、製品の合否の判定、出荷の可否、工程の条件の変更、客先と取り決めた検査の方法の変更は、この構成では代替できません。

07最小構成で試す方法

  1. オープンの不良が多い品番の系統(たとえば8層以上で最小の線幅が100µm以下)を1つ選び、直近3年の製造ロットの記録を書き出す
  2. ロットごとに、めっき槽の分析の値(めっき前の直前のもの)、ドリルの使用の回数、めっきの厚さの測定の値を付ける
  3. 第7章の前処理で項目をそろえ、古い2年で学習、次の半年で校正、新しい半年で確かめる
  4. 確かめの半年で、日ごとに確率の上位3本を選んだとき、管理値を超えたロットの何割が入ったかを数える
  5. 同じ半年で、当時の主任が全数にしたロットにも何割が入ったかを数え、並べる

最初は1つの系統で始めます。 ひも付けの整った系統で、めっき液の値とドリルの使用がどれだけ効くかをまず見ます。

出てきた内容判断
上位3本に、主任の印と同じかそれ以上の不良のロットが入る系統を広げ、毎日の一覧を出す段階に進む
本数の見込みが実際といつもずれる校正の期間と、class_weight を付けていないかを確かめる
学習の当たりが良すぎて、新しい半年で外れるめっき後の分析の値や、外層の外観検査の結果を項目に使っていないかを確かめる

3行目でよくあるのは、めっきの後に分かる値を項目に入れていることです。 たとえば「同じ槽のその日のほかのロットの不良の率」や「外層の外観検査の指摘の数」は、学習の記録にはそろっていても、めっきが終わった時点では分かりません。 項目の一覧を作るとき、1つずつ「めっき完了の時点で分かるか」を書き添えておくと、この誤りを防げます。

08実装時につまずきやすいポイント

問題対策
めっき後の分析の値を結び付ける槽に入る前の直前の値を時刻の順に結び付ける
全品番に同じ管理値で答えを作る品番ごとの管理値を超えたかで答えを作る
測っていない厚さを平均で埋めるNaN のまま渡す。測ったかどうかにも意味がある
学習に使った記録で校正する学習と校正の期間を分ける
balanced で確率がずれる付けないか、付けたら必ず校正を通す
記録が少ないのに isotonic で校正する1000件よりずっと少ないうちは sigmoid
ロットを無作為に分けて確かめるめっきの完了の日時の順に分ける
1万件未満で早期終了が効かないX_val・y_val を渡す
確率を条件の変え方として読む関係は因果ではない。 条件を変えるかは生産技術が決める

上の3行が、この構成の失敗のほとんどです。 どれも「めっきが終わった時点で、何が分かっていたか」を正しく再現することから起きます。

4行目から6行目は、本数の見込みを狂わせます。 並べ替えの順は変わらなくても、確率の合計が実際の本数と合わなくなり、「今日は何本危ない」という話ができなくなります。

最後の行は、運用に乗ってから出てくる問題です。 一覧の「主な理由」に添加剤が並ぶと、添加剤を足したくなります。理由は確かめに行く先で、変える条件ではありません。

09セキュリティ・AIガバナンス上の注意点

この構成で扱うデータ: 品番の仕様(層数・線幅・穴の径)、めっき液の分析の値、工程の実績、不良の数と種類です。品番の仕様は客先の製品の設計に結び付いた情報で、客先との秘密保持の取り決めの対象になっていることが多いものです。

  1. データを外に出さない … 予測は工場のサーバーの中で動き、生成AIや外部のサービスに記録を送りません
  2. 客先の名前を一覧に載せない … 一覧に載せるのは自社の品番と仕様の値までにし、客先の名前と製品名は載せません
  3. 合否と出荷の判断は人が行う … 確率が低いことを、抜き取りの検査を省く理由にしません。 車載の基板では、客先と取り決めた検査の方法が優先します
  4. 作業者の評価に使わない … ロットごとの確率は、めっきや穴あけの担当者を評価するための値ではありません。 一覧に作業者の名前を載せません
  5. 客先との取り決めを先に確かめる … 全数の検査や断面の観察の頻度が客先との取り決めで決まっている品番は、取り決めより少ない検査に変えないことを一覧の決まりに書きます

誤りが起きた場合のリスクは、管理値を超えるロットを枠から漏らすことと、枠を危なくないロットに使ってしまうことの2つです。 前者は時点のずれで当たりが良く見えていると起き、後者は答えの線の引き方を誤って難しい品番ばかりが上に来ると起きます。どちらも前処理から出ているので、そこだけは設計で守ります。

10まず何から始めるか

1週目:記録の決まりを決める

ロットを2つのめっき槽に分けたときに両方を記録する決まりと、めっきの厚さを測ったロットの記録の残し方を、品質保証課とめっきの係で決めます。あわせて、品番ごとの電気検査の管理値の一覧をそろえます。

2〜3週目:1つの系統の記録をそろえる

オープンの不良が多い品番の系統を1つ選び、直近3年の製造ロットに、めっき前の直前の分析の値、ドリルの使用の回数、めっきの厚さをひも付けます。槽の分割の記録が無いロットには印を付けます。

4週目:上位3本で比べる

第8章のとおり、古い2年で学習、次の半年で校正、新しい半年で、日ごとの上位3本と当時の主任の印のそれぞれに、管理値を超えたロットの何割が入ったかを比べます。

2か月目: 全部の品番で毎日2回の一覧を出す半自動化を始めます。主任はこれまでどおり自分で印を付けながら、一覧と見比べます。3か月目以降: 確率の校正、検査の枠の印、本数の見込みを足します。枠で拾えた割合が主任の印と同じかそれ以上の月が続き、主任が出張の日でも担当が一覧で枠を配れるようになった時点で、この構成は完成です。


11関連ユースケース

12この仕組みを理解するための記事

13技術仕様の確認日・参考情報

技術仕様確認日:2026-11-02/最終更新:2026-11-03
確認した内容情報源確認日
HistGradientBoostingClassifier の fit(X, y, sample_weight=None, *, X_val=None, y_val=None, sample_weight_val=None) の形(X_val などは1.7で追加)。early_stopping の既定 auto は件数が1万を超えるか X_val・y_val を渡したときに有効になること。class_weight の balanced がクラスの出現の割合に反比例する重みを付けること。categorical_features の既定が from_dtype で Categorical の型の列を区分として扱うこと。欠けた値(NaN)をそのまま扱えること。predict_proba でクラスの確率を返すこと(scikit-learn 1.9.1)scikit-learn: HistGradientBoostingClassifier2026-11-02
学習済みの分類器を FrozenEstimator で包んで校正でき、その場合は渡した記録がすべて校正に使われ、学習と校正の記録が重ならないよう利用者が気を付けること。method に sigmoid(既定)・isotonic・temperature があること。isotonic は校正の記録が1000件よりずっと少ないと過学習しやすく勧められないこと。ensemble の既定 auto は FrozenEstimator のとき False になることscikit-learn: CalibratedClassifierCV2026-11-02
ブライアスコアが予測した確率と実際の結果の差の二乗の平均で、小さいほど良く、二値では0から1の範囲になることscikit-learn: brier_score_loss2026-11-02

製品の合否、出荷の可否、工程の条件の変更、検査の方法の変更は、工場の品質の決まりと客先との取り決めで決めてください。 本記事は上記の公開情報で確認できた範囲だけを扱っています。

実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。

自社の業務に使えるAI活用候補を整理します

このユースケース(UC-2542)についてのご相談はこちらから。

AI活用について相談する
目次