検品AIが「買うもの」から「つくるもの」に変わる

結論から言う。

産業用の異常検出（検品AI）に使える実世界データセットが無料で公開された。これと少数ショット学習を組み合わせれば、SIerに300万円払っていた検品AIを、自前5万円で構築できる道が開けた。

「5万円」の内訳はシンプルだ。GPU付きの中古PCかクラウドの計算コスト（月数千円〜）、カメラ（産業用でも数万円）、そしてエンジニアの学習コスト。ソフトウェアとデータセットは無料。300万円の大半を占めていた「SIerの人件費と独自データ構築費」がごっそり消える構造になっている。

これは中小製造業にとって、ちょっとした事件だ。

何が出たのか——ISP-ADという「現場そのまま」のデータセット

公開されたのは「Industrial Screen Printing Anomaly Detection Dataset（ISP-AD）」。スクリーン印刷工程から収集された、実際の欠陥画像と合成欠陥画像を含む大規模データセットだ。

これまでも産業用の公開データセットは存在した。有名なのはMVTec ADで、異常検出の研究では定番だった。しかし問題があった。照明が均一で、背景がきれいで、欠陥がはっきり写っている。要するに「お行儀の良い」データばかりだった。

現場はそうじゃない。

照明ムラがある。表面に微妙な模様がある。欠陥のコントラストが弱くて人間でも見逃す。ISP-ADはまさにそういう「現場のリアル」を反映している。弱いコントラストの表面欠陥、構造化パターン上の微細な異常、不完全な撮影条件——これらが含まれることで、実際の工場に持ち込んだときの精度ギャップが小さくなる。

研究論文上の精度と現場の精度が乖離する問題は、検品AI導入の最大の落とし穴だった。ISP-ADはここに正面から切り込んでいる。

なぜ「少数ショット学習」が中小企業の武器になるのか

データセットが無料で手に入っても、自社製品の不良品画像は大量に持っていない——これが中小企業の現実だ。不良品が少ないのは良いことだが、AIの学習には困る。

ここで効いてくるのが「少数ショット学習（Few-shot Learning）」だ。

従来の機械学習は、数千〜数万枚の画像が必要だった。少数ショット学習は、文字通り数枚〜数十枚の画像で新しい異常パターンを学習できる。ISP-ADのような汎用データセットで「異常とは何か」のベースを学ばせておき、自社の製品画像を数枚見せるだけで検出モデルが動き始める。

最近の研究で注目されているのが、Vision Foundation Models（VFMs）を活用したアプローチだ。大規模な画像データで事前学習済みのモデルをベースに、異常検出に特化した注意機構（Power-Law Self-Correlation Enhanced Attention＝PL-SCEA）を組み込む。これにより、テクスチャの微細な変化や構造の歪みを少ないサンプルから捉えられるようになる。

さらに踏み込んだ技術もある。「Decoupling Product-Agnostic Anomaly Representations（DPA）」というフレームワークは、ある製品で学習した異常パターン（傷、汚れ、欠けなど）を、別の製品にも転用できるようにする。つまり「ゼロショット」——自社製品の不良画像がゼロでも、異常検出モデルを構築できる可能性がある。

製品ごとに異常画像を何百枚も集める必要がなくなる。これはデータ収集コストの消滅を意味する。

コストの内訳を分解する——300万円は何に消えていたのか

中小製造業がSIerに検品AIを発注すると、ざっくり200万〜500万円かかる。典型的な内訳はこうだ。

注意すべきは「人的コスト」だ。自社にAIの基礎を理解できる人材が必要になる。ただし、ここで言う「理解」は論文を読めるレベルではない。Pythonの基礎がわかり、公開されたチュートリアルに沿ってモデルを動かせるレベルで十分だ。最近はHugging FaceやGoogle Colabで、コピペに近い操作でモデルを試せる環境が整っている。

300万円の大半は「データを集めて整理する人件費」と「モデルを一から作る開発費」だった。この2つが、無料データセットと事前学習済みモデルで限りなくゼロに近づく。これが構造変化の本質だ。

「で、結局どうすればいいの？」——中小製造業が今やるべき3つのこと

1. まず触ってみる（コスト：0円、時間：半日）

ISP-ADをダウンロードし、Google Colabで公開されている異常検出モデル（PatchCoreやAnomalib等）を動かしてみる。自社の製品画像を数枚撮って入れてみる。精度は粗くていい。「AIが不良品を見つける」という体験を、まず社内の誰かがすることが最初の一歩だ。

2. 自社の検品コストを数字にする（コスト：0円、時間：1日）

年間の不良品コスト、目視検品にかかっている人件費、外注検査費用を洗い出す。ここが曖昧なままだと「AIを入れて何が変わるのか」が判断できない。年間の不良品コストが500万円を超えているなら、5万円の投資は即決できるはずだ。

3. 小さく実装する（コスト：3万〜5万円、時間：1〜2週間）

中古のGPU付きPC（Jetson Nanoなら2万円台）、USB産業カメラ（1万〜3万円）、オープンソースの異常検出フレームワーク。この3点セットで、1ライン分の検品AIプロトタイプが組める。完璧を目指さない。「目視の補助」として横に置くだけでいい。

これは「検品」の話だけじゃない

本質的に起きていることは、「専門家にしかできなかったことが、データとモデルの民主化で誰にでもできるようになる」という構造変化だ。検品AIはその一例にすぎない。

同じ構造は、需要予測、在庫最適化、設備の予知保全にも広がっている。共通するのは「高品質なデータセットの無料公開」と「少ないデータで動く学習手法の進化」の掛け算で、導入コストが桁で変わるという現象だ。

SIerに300万円払うのが悪いわけじゃない。ただ、その300万円の中身が「本当に300万円分の価値があるのか」を問い直すタイミングが来ている。データもモデルも無料で手に入る時代に、何に金を払うべきか。それは「自社の現場に合わせたチューニング」と「運用の仕組み化」だ。ここにこそ、中小企業の経営者が頭を使うべきポイントがある。

地方の中小製造業こそ、この波に乗れる

大企業は既存のSIer契約や社内稟議のしがらみで動きが遅い。中小企業は経営者が「やる」と決めれば来週から始められる。意思決定の速さは、技術の民主化が進む局面では最大の武器になる。

5万円で検品AIを試せる時代に、300万円の見積もりを眺めて悩んでいる場合じゃない。まず触れ。数字を出せ。小さく回せ。それだけで、検品ラインの景色が変わる。

—