事例の概要
| 企業 | Merck & Co. |
|---|---|
| 地域 | 欧米 |
| 業種 | 医薬品 |
| 企業規模 | 大企業 |
| 用途 | 外観検査 |
| 使われた技術 | GAN・VAE（変分オートエンコーダ）による合成欠陥画像で外観検査AIを学習（AWS上） |
| 関連する製品・サービス | — |
成果
取り組みの内容
医薬品の外観検査では、欠陥の発生頻度が低く、学習に使える欠陥画像がなかなか集まりません。一方で見逃しは許されないため、判定の閾値を厳しくした結果、良品まで不良として除いてしまう誤排除が増えやすいという構造があります。誤排除は廃棄や再検査のコストに直結します。
Merck & Co.は、GAN（敵対的生成ネットワーク）とVAEを使って欠陥画像を合成し、欠陥のバリエーションを増やして外観検査AIを学習させました。AWSが2024年5月にHannover Messe 2024に関するブログで紹介した事例です。
成果として、複数の製品ラインで誤排除を50%超削減したとされています。対象ライン数、比較した期間、見逃し率がどう変わったかは、本DBが参照した資料では示されていません。
生成AIを対話ではなく学習データの作成に使った例で、生成AIで生産の指標を改善した公開事例としては数少ないものです。合成画像はあくまで学習の補助で、検査AIの評価は実際の欠陥品で行うことが前提になると考えられます。
この事例から読み取れること
- 当サイトの見方では、生成AIを学習データの補完に使う方法は、不良が少ない工程の検査AIで特に効果を出しやすい
- 誤排除の削減は廃棄・再検査コストに直結するため、検査AIの評価指標として見逃し率と並べて追うべきである
- 合成データで学習したモデルの評価は、実物の欠陥サンプルで行うという線引きを守る必要がある
本ページは企業・提供元が公開した情報にもとづき、費用負担を受けずに作成しています。成果の数字は発表時点のもので、当サイトによる検証値ではありません。
