{
  "name": "製造業AI用語集（日英中）",
  "license": "CC BY 4.0",
  "licenseUrl": "https://creativecommons.org/licenses/by/4.0/deed.ja",
  "attribution": "株式会社サオス MFG-AI（https://mfg-ai.com/terms/）",
  "source": "https://mfg-ai.com/terms/",
  "count": 400,
  "note": "type が entry の語は短い三言語の用語ページ、article の語は詳しい日本語の解説記事つきの用語です。日本語の釈義は記事の要約文、英語・中国語の釈義は要点の短い説明です。",
  "terms": [
    {
      "id": "artificial-intelligence",
      "type": "entry",
      "ja": "人工知能",
      "abbr": "AI",
      "en": "Artificial Intelligence",
      "zh": "人工智能",
      "category": "AI基礎",
      "definition": {
        "ja": "人工知能は、認識・判断・予測・生成といった人間の知的な働きの一部をコンピュータで実現する技術の総称です。製造業では外観検査、設備の予知保全、需要予測、文書検索などに使われます。導入の成否はアルゴリズムそのものより、目的の明確さとデータの質・量に左右されることが多い分野です。",
        "en": "An umbrella term for technologies that let computers perform tasks such as recognition, judgment, prediction and content generation. In manufacturing it is applied to visual inspection, predictive maintenance, demand forecasting and knowledge search.",
        "zh": "让计算机实现识别、判断、预测和生成等部分人类智能活动的技术总称。在制造业中广泛用于外观检测、预测性维护、需求预测和知识检索等场景。"
      },
      "related": [
        "machine-learning",
        "deep-learning",
        "generative-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/artificial-intelligence"
    },
    {
      "id": "machine-learning",
      "type": "entry",
      "ja": "機械学習",
      "abbr": "ML",
      "en": "Machine Learning",
      "zh": "机器学习",
      "category": "AI基礎",
      "definition": {
        "ja": "機械学習は、人がルールを一つずつ書く代わりに、データからパターンや規則性をコンピュータに学ばせる手法です。製造現場では、良品・不良品の判定、品質特性の予測、設備異常の検知などに使われます。学習に使ったデータと運用時のデータの条件がずれると精度が落ちるため、継続的な監視と再学習が前提になります。",
        "en": "A family of methods in which computers learn patterns from data instead of following hand-written rules. Factories use it for pass/fail judgment, quality prediction and equipment anomaly detection.",
        "zh": "不依靠人工逐条编写规则，而是让计算机从数据中学习规律的方法。工厂常用于良品判定、质量特性预测和设备异常检测。"
      },
      "related": [
        "supervised-learning",
        "unsupervised-learning",
        "deep-learning"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/machine-learning"
    },
    {
      "id": "deep-learning",
      "type": "entry",
      "ja": "深層学習／ディープラーニング",
      "abbr": "DL",
      "en": "Deep Learning",
      "zh": "深度学习",
      "category": "AI基礎",
      "definition": {
        "ja": "深層学習は、多層のニューラルネットワークを使い、データから特徴を自動的に抽出して学習する機械学習の一分野です。画像・音・振動波形のように人が特徴を定義しにくいデータに強く、外観検査の自動化で広く使われています。一方で大量の学習データと計算資源が必要で、判断根拠が見えにくい点が現場導入時の論点になります。",
        "en": "A branch of machine learning that uses multi-layer neural networks to learn features directly from data. It excels at images, sound and vibration signals and underpins most AI visual inspection systems.",
        "zh": "利用多层神经网络从数据中自动提取特征并进行学习的机器学习分支。擅长处理图像、声音和振动波形，是AI外观检测的主要技术基础。"
      },
      "related": [
        "neural-network",
        "cnn",
        "transformer"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/deep-learning"
    },
    {
      "id": "neural-network",
      "type": "entry",
      "ja": "ニューラルネットワーク",
      "abbr": "NN",
      "en": "Neural Network",
      "zh": "神经网络",
      "category": "AI基礎",
      "definition": {
        "ja": "ニューラルネットワークは、脳の神経細胞のつながりを模した計算モデルで、入力から出力までを多数の重み付きの結合で表します。層を深く重ねたものが深層学習で、画像認識や時系列予測など製造業のAI活用の多くで中核になっています。構造や学習率などの設定によって性能が大きく変わるため、調整の工夫が必要です。",
        "en": "A computational model loosely inspired by the brain's neurons, mapping inputs to outputs through many weighted connections. Stacking many layers yields deep learning, the core of most image and time-series AI in factories.",
        "zh": "模仿大脑神经元连接方式的计算模型，通过大量带权重的连接把输入映射为输出。多层堆叠即为深度学习，是工厂图像识别和时序预测的核心。"
      },
      "related": [
        "deep-learning",
        "hyperparameter",
        "bayesian-optimization"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/neural-network"
    },
    {
      "id": "training-data",
      "type": "entry",
      "ja": "学習データ",
      "abbr": null,
      "en": "Training Data",
      "zh": "训练数据",
      "category": "AI基礎",
      "definition": {
        "ja": "学習データは、機械学習モデルにパターンを学ばせるために使うデータです。外観検査なら良品・不良品の画像とその判定結果、予知保全なら設備のセンサーデータと故障履歴が該当します。量よりも、実際の運用条件（照明・品種・季節など）をどれだけ網羅しているかが精度を左右します。",
        "en": "The data used to teach a machine learning model. In manufacturing this might be labeled product images for inspection or sensor logs paired with failure history for maintenance.",
        "zh": "用于让机器学习模型学习规律的数据。在制造业中，可以是带判定结果的产品图像，也可以是与故障记录对应的设备传感器数据。"
      },
      "related": [
        "annotation",
        "dataset-split",
        "data-augmentation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/training-data"
    },
    {
      "id": "inference",
      "type": "entry",
      "ja": "推論",
      "abbr": null,
      "en": "Inference",
      "zh": "推理",
      "category": "AI基礎",
      "definition": {
        "ja": "推論は、学習済みのAIモデルに新しいデータを入力し、判定や予測の結果を得る処理です。製造ラインでは、撮影した製品画像を検査モデルに通して良否を判定する場面などが該当します。ラインのタクトタイム内に結果を返す必要があるため、処理速度や実行場所（エッジかクラウドか）の設計が重要になります。",
        "en": "The process of feeding new data into a trained AI model to obtain a prediction or judgment. On a production line, inference must often finish within the cycle time, which drives choices between edge and cloud execution.",
        "zh": "将新数据输入已训练好的AI模型并得到判定或预测结果的过程。在产线上推理往往需在节拍时间内完成，因此要考虑在边缘还是云端执行。"
      },
      "related": [
        "edge-ai",
        "cycle-time",
        "model-deployment"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/inference"
    },
    {
      "id": "hyperparameter",
      "type": "entry",
      "ja": "ハイパーパラメータ",
      "abbr": null,
      "en": "Hyperparameter",
      "zh": "超参数",
      "category": "AI基礎",
      "definition": {
        "ja": "ハイパーパラメータは、学習率や層の数、木の深さなど、学習を始める前に人が決めておくモデルの設定値です。データから自動で学習される重みとは区別されます。製造データは件数が限られることが多く、設定次第で過学習しやすいため、交差検証やベイズ最適化で系統的に探索するのが一般的です。",
        "en": "Settings fixed before training, such as learning rate, number of layers or tree depth, as opposed to parameters the model learns from data. They are usually tuned systematically with cross-validation or Bayesian optimization.",
        "zh": "在训练开始前由人设定的模型参数，如学习率、层数、树深度等，区别于模型从数据中学到的权重。通常借助交叉验证或贝叶斯优化系统地调优。"
      },
      "related": [
        "bayesian-optimization",
        "training-data",
        "neural-network"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/hyperparameter"
    },
    {
      "id": "overfitting",
      "type": "entry",
      "ja": "過学習",
      "abbr": null,
      "en": "Overfitting",
      "zh": "过拟合",
      "category": "AI基礎",
      "definition": {
        "ja": "過学習は、モデルが学習データに過度に適合し、新しいデータに対する精度が落ちてしまう状態です。不良サンプルが少ない製造データでは特に起こりやすく、検証では高精度でも量産ラインで外れる原因になります。学習データの拡充、モデルの単純化、検証データの適切な分割で防ぎます。",
        "en": "A state in which a model fits its training data too closely and performs poorly on new data. It is common with the small defect datasets typical of manufacturing.",
        "zh": "模型过度拟合训练数据、导致对新数据精度下降的状态。在不良样本稀少的制造数据中尤其容易发生。"
      },
      "related": [
        "hyperparameter",
        "cross-validation",
        "domain-shift"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/overfitting"
    },
    {
      "id": "dataset-split",
      "type": "entry",
      "ja": "学習・検証・テストデータの分割",
      "abbr": null,
      "en": "Train/Validation/Test Split",
      "zh": "训练集/验证集/测试集划分",
      "category": "AI基礎",
      "definition": {
        "ja": "学習・検証・テストデータの分割は、手元のデータを、モデルを学習させる用、設定を調整する用、最終的な性能を確かめる用の3つに分けることです。テストデータを調整に使わないことで、本番での精度をより正しく見積もれます。製造データでは、同じロットや同じ日の画像が複数の組に混ざらないよう、時期やロット単位で分けることが重要です。",
        "en": "Dividing data into separate sets for training, tuning and final evaluation. In manufacturing, splitting by lot or time period prevents near-duplicate samples from inflating accuracy.",
        "zh": "将数据分为用于训练、调参和最终评估的三部分。在制造业中，应按批次或时间段划分，避免相似样本混入不同集合而高估精度。"
      },
      "related": [
        "cross-validation",
        "data-leakage",
        "training-data"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/dataset-split"
    },
    {
      "id": "data-leakage",
      "type": "entry",
      "ja": "データリーケージ",
      "abbr": null,
      "en": "Data Leakage",
      "zh": "数据泄漏",
      "category": "AI基礎",
      "definition": {
        "ja": "データリーケージは、本来は予測時点で得られない情報や評価用のデータが、学習に紛れ込んでしまう問題です。検証での精度が不自然に高くなり、本番で期待した性能が出ません。製造業では、検査後に記録される値を特徴量に入れてしまう、同一ロットのデータが学習と評価の両方に入る、といった形で起こりがちです。",
        "en": "A problem in which information unavailable at prediction time, or evaluation data, slips into training. It makes validation accuracy look unrealistically high and the model then underperforms in production.",
        "zh": "本不应在预测时获得的信息或评估数据混入训练过程的问题。会使验证精度虚高，上线后达不到预期效果。"
      },
      "related": [
        "dataset-split",
        "cross-validation",
        "overfitting"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-leakage"
    },
    {
      "id": "ground-truth",
      "type": "entry",
      "ja": "正解データ",
      "abbr": null,
      "en": "Ground Truth",
      "zh": "真值标注",
      "category": "AI基礎",
      "definition": {
        "ja": "正解データは、AIの学習や評価の基準となる「正しい答え」を付けたデータです。外観検査であれば、熟練検査員が判定した良否や欠陥の種類・位置がこれにあたります。検査員によって判定がばらつくと正解そのものが揺らぐため、判定基準の統一や判定のばらつき評価が欠かせません。",
        "en": "Data labeled with the correct answer, used as the reference for training and evaluating AI. In inspection, it is typically the pass/fail and defect labels assigned by experienced inspectors.",
        "zh": "带有\"正确答案\"、作为AI训练和评估基准的数据。在外观检测中，通常是熟练检验员判定的良否结果和缺陷类型。"
      },
      "related": [
        "annotation",
        "training-data",
        "gage-rr"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ground-truth"
    },
    {
      "id": "annotation",
      "type": "entry",
      "ja": "アノテーション",
      "abbr": null,
      "en": "Annotation",
      "zh": "数据标注",
      "category": "AI基礎",
      "definition": {
        "ja": "アノテーションは、画像や文章、センサーデータに対して、正解となるラベルや領域を付ける作業です。外観検査では、欠陥の種類を分類したり、欠陥部分を枠や塗りつぶしで指定したりします。手間がかかり品質がモデル精度を直接左右するため、判定基準の文書化と複数人でのチェック体制が重要です。",
        "en": "The work of attaching correct labels or regions to images, text or sensor data. For visual inspection it means classifying defects or marking their locations, and its quality directly affects model accuracy.",
        "zh": "为图像、文本或传感器数据添加正确标签或区域的工作。在外观检测中包括对缺陷分类或框选缺陷位置，其质量直接影响模型精度。"
      },
      "related": [
        "ground-truth",
        "active-learning",
        "gage-rr"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/annotation"
    },
    {
      "id": "explainable-ai",
      "type": "entry",
      "ja": "説明可能なAI",
      "abbr": "XAI",
      "en": "Explainable AI",
      "zh": "可解释人工智能",
      "category": "AI基礎",
      "definition": {
        "ja": "説明可能なAIは、AIがなぜその判定や予測をしたのかを、人が理解できる形で示す技術や考え方です。製造業では、不良判定の根拠を画像上に示したり、品質に効いている工程条件を特定したりする場面で求められます。品質保証や顧客への説明責任があるため、精度と並ぶ選定基準になることがあります。",
        "en": "Techniques and principles for showing, in human-understandable terms, why an AI reached a decision. In manufacturing it is used to highlight the basis for defect judgments and to identify process conditions that drive quality.",
        "zh": "以人类可理解的方式说明AI为何作出某一判定或预测的技术和理念。在制造业中用于展示缺陷判定依据、识别影响质量的工艺条件。"
      },
      "related": [
        "shap",
        "grad-cam",
        "ai-governance"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/explainable-ai"
    },
    {
      "id": "discriminative-ai",
      "type": "entry",
      "ja": "識別系AI／判別AI",
      "abbr": null,
      "en": "Discriminative AI",
      "zh": "判别式AI",
      "category": "AI基礎",
      "definition": {
        "ja": "識別系AIは、入力されたデータがどのクラスに属するか、どんな値になるかを判定・予測するタイプのAIです。外観検査の良否判定、異常検知、需要予測など、従来から製造業で使われてきたAIの多くがこれにあたります。文章や画像を新しく作り出す生成AIと対比して使われる言葉です。",
        "en": "AI that classifies inputs or predicts values, as opposed to generating new content. Most established manufacturing AI, such as defect classification, anomaly detection and demand forecasting, is discriminative.",
        "zh": "对输入数据进行分类或数值预测的AI，与生成新内容的生成式AI相对。外观检测、异常检测、需求预测等制造业传统AI应用大多属于此类。"
      },
      "related": [
        "generative-ai",
        "classification",
        "anomaly-detection"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/discriminative-ai"
    },
    {
      "id": "generative-ai",
      "type": "entry",
      "ja": "生成AI",
      "abbr": "GenAI",
      "en": "Generative AI",
      "zh": "生成式人工智能",
      "category": "AI基礎",
      "definition": {
        "ja": "生成AIは、学習したデータをもとに文章・画像・プログラムなどの新しいコンテンツを作り出すAIです。製造業では、技術文書や過去トラブルの検索・要約、作業手順書の作成支援、PLCプログラムの生成などに活用が広がっています。もっともらしい誤りを出すことがあるため、出典の提示や人による確認の仕組みが欠かせません。",
        "en": "AI that creates new content such as text, images or code based on patterns learned from data. Manufacturers use it for searching and summarizing technical documents, drafting work instructions and generating control code.",
        "zh": "根据所学数据生成文本、图像、代码等新内容的AI。制造业用于技术文档检索与摘要、作业指导书编写和控制程序生成等。"
      },
      "related": [
        "llm",
        "diffusion-model",
        "discriminative-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/generative-ai"
    },
    {
      "id": "foundation-model",
      "type": "entry",
      "ja": "基盤モデル",
      "abbr": null,
      "en": "Foundation Model",
      "zh": "基础模型",
      "category": "AI基礎",
      "definition": {
        "ja": "基盤モデルは、大量で多様なデータで事前に学習され、追加の学習や指示によってさまざまな用途に転用できる大規模なAIモデルです。大規模言語モデルのほか、画像、時系列、ロボット制御向けの基盤モデルも登場しています。製造業では、少ない自社データで個別用途に合わせられる点が利点ですが、利用条件や運用コストの確認が必要です。",
        "en": "A large AI model pre-trained on broad, diverse data that can be adapted to many tasks through fine-tuning or prompting. Beyond language, foundation models now exist for images, time series and robot control.",
        "zh": "在海量多样数据上预训练、可通过微调或提示适配多种任务的大型AI模型。除语言外，还出现了面向图像、时序数据和机器人控制的基础模型。"
      },
      "related": [
        "llm",
        "fine-tuning",
        "robot-foundation-model"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/foundation-model"
    },
    {
      "id": "ai-poc",
      "type": "entry",
      "ja": "PoC（概念実証）",
      "abbr": "PoC",
      "en": "Proof of Concept",
      "zh": "概念验证",
      "category": "AI基礎",
      "definition": {
        "ja": "PoC（概念実証）は、AIなどの新しい技術が自社の課題に対して本当に効果があるかを、小さな範囲で試して確かめる取り組みです。製造業では、特定ラインのデータで検査精度や予測精度を検証する形が一般的です。成功基準や本番化の条件を事前に決めておかないと、検証だけで終わってしまいやすくなります。",
        "en": "A small-scale trial to verify whether a new technology such as AI actually solves a specific business problem. Defining success criteria and the path to production in advance is key to avoiding endless pilots.",
        "zh": "以小范围试验验证AI等新技术能否真正解决特定业务问题的做法。事先明确成功标准和量产化路径，是避免停留在试验阶段的关键。"
      },
      "related": [
        "poc-purgatory",
        "ai-roi",
        "ai-theme-selection"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ai-poc"
    },
    {
      "id": "poc-purgatory",
      "type": "entry",
      "ja": "PoC止まり／PoC地獄",
      "abbr": null,
      "en": "PoC Purgatory",
      "zh": "试点困境",
      "category": "AI基礎",
      "definition": {
        "ja": "PoC止まりは、AIの概念実証を繰り返しても本番運用に進めず、成果が現場に定着しない状態を指します。原因として、成功基準の曖昧さ、データ基盤や運用体制の不足、投資対効果の説明不足などが挙げられます。テーマ選定の段階から本番化を見据えた計画を立てることが対策になります。",
        "en": "A situation where AI pilots are repeated without ever reaching production use. Common causes include vague success criteria, weak data infrastructure and operations, and unclear return on investment.",
        "zh": "AI概念验证反复进行却始终无法进入正式运行、成果难以落地的状态。常见原因包括成功标准模糊、数据基础与运维体制不足以及投资回报不清晰。"
      },
      "related": [
        "ai-poc",
        "mlops",
        "model-deployment"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/poc-purgatory"
    },
    {
      "id": "ai-roi",
      "type": "entry",
      "ja": "AI投資対効果",
      "abbr": "ROI",
      "en": "Return on Investment of AI",
      "zh": "AI投资回报率",
      "category": "AI基礎",
      "definition": {
        "ja": "AI投資対効果は、AI導入にかかった費用に対して、どれだけの効果（コスト削減、不良低減、稼働率向上など）が得られたかを示す指標です。製造業では、検査工数の削減や停止時間の短縮など、金額に換算できる効果で示すことが求められます。開発費だけでなく運用・再学習の費用も含めて評価することが重要です。",
        "en": "A measure of the benefits gained from AI, such as cost savings, fewer defects or higher uptime, relative to its cost. Evaluations should include ongoing operation and retraining costs, not just development.",
        "zh": "衡量AI投入成本与所获效益（降本、减少不良、提升稼动率等）之比的指标。评估时应包含运维和再训练费用，而不只是开发费用。"
      },
      "related": [
        "ai-poc",
        "tco",
        "ai-theme-selection"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ai-roi"
    },
    {
      "id": "tco",
      "type": "entry",
      "ja": "総保有コスト",
      "abbr": "TCO",
      "en": "Total Cost of Ownership",
      "zh": "总拥有成本",
      "category": "AI基礎",
      "definition": {
        "ja": "総保有コストは、システムやAIを導入してから使い終えるまでにかかる費用の合計です。初期の開発・購入費だけでなく、クラウド利用料、保守、モデルの再学習、人員教育なども含みます。生成AIでは利用量に応じた課金が積み上がるため、導入前の見積もりで見落とされやすい項目です。",
        "en": "The total cost of a system or AI solution over its full life, including not only initial development or purchase but also cloud fees, maintenance, retraining and training of staff.",
        "zh": "系统或AI方案在整个生命周期内的费用总和，不仅包括初期开发或采购，还包括云服务费、维护、模型再训练和人员培训。"
      },
      "related": [
        "ai-roi",
        "token-cost",
        "mlops"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/tco"
    },
    {
      "id": "ai-theme-selection",
      "type": "entry",
      "ja": "AI導入テーマ選定",
      "abbr": null,
      "en": "AI Use-Case Selection",
      "zh": "AI应用场景选择",
      "category": "AI基礎",
      "definition": {
        "ja": "AI導入テーマ選定は、自社のどの業務課題にAIを適用するかを決めるプロセスです。製造業では、効果の大きさ、データの有無、現場の受け入れやすさ、技術的な実現性を比較して優先順位を付けます。最初のテーマ選びがその後の社内展開を左右するため、短期で成果が見えやすいものから始めることが多いです。",
        "en": "The process of deciding which business problems to tackle with AI. Manufacturers typically rank candidates by impact, data availability, shop-floor acceptance and technical feasibility.",
        "zh": "决定将AI应用于哪些业务课题的过程。制造企业通常从效果大小、数据可得性、现场接受度和技术可行性等方面排出优先级。"
      },
      "related": [
        "ai-poc",
        "ai-roi",
        "ai-roadmap"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ai-theme-selection"
    },
    {
      "id": "edge-ai",
      "type": "entry",
      "ja": "エッジAI",
      "abbr": null,
      "en": "Edge AI",
      "zh": "边缘AI",
      "category": "AI基礎",
      "definition": {
        "ja": "エッジAIは、クラウドではなく、カメラや産業用PC、設備の制御装置など現場に近い機器の上でAIの推論を行う方式です。通信の遅れを避けて即座に判定できるため、ラインの検査や設備制御に向いています。データを社外に出さずに済む利点がある一方、機器ごとのモデル更新や管理の仕組みが必要です。",
        "en": "Running AI inference on devices close to the shop floor, such as cameras, industrial PCs or controllers, rather than in the cloud. It enables low-latency decisions and keeps data on site.",
        "zh": "不在云端，而是在摄像头、工控机或控制器等靠近现场的设备上执行AI推理的方式。可实现低延迟判断并让数据留在现场。"
      },
      "related": [
        "edge-computing",
        "inference",
        "model-compression"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/edge-ai"
    },
    {
      "id": "gpu",
      "type": "entry",
      "ja": "GPU",
      "abbr": "GPU",
      "en": "Graphics Processing Unit",
      "zh": "图形处理器",
      "category": "AI基礎",
      "definition": {
        "ja": "GPUは、もともと画像処理用に作られた、多数の計算を同時に並列で処理できる半導体です。深層学習の学習や推論を高速に行えるため、AIの計算基盤として広く使われています。製造業では、クラウドで学習しエッジ向けの小型GPUで推論する構成が一般的で、調達コストや供給状況も導入計画の論点になります。",
        "en": "A processor originally designed for graphics that performs many calculations in parallel. It is the standard hardware for training and running deep learning models, both in the cloud and in compact edge devices.",
        "zh": "最初为图形处理设计、可大规模并行计算的芯片。是深度学习训练和推理的标准硬件，既用于云端，也有面向边缘的小型产品。"
      },
      "related": [
        "inference",
        "edge-ai",
        "saas"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/gpu"
    },
    {
      "id": "model-deployment",
      "type": "entry",
      "ja": "モデルのデプロイ",
      "abbr": null,
      "en": "Model Deployment",
      "zh": "模型部署",
      "category": "AI基礎",
      "definition": {
        "ja": "モデルのデプロイは、開発したAIモデルを実際の業務システムや現場の機器に組み込み、使える状態にすることです。製造業では、検査装置やMES、設備の制御系と連携させる必要があり、PoCから本番へ進む際の大きな壁になります。デプロイ後の性能監視や更新の手順まで含めて設計することが重要です。",
        "en": "Integrating a trained AI model into production systems or shop-floor equipment so it can be used in daily operations. In manufacturing it often requires connecting to inspection equipment, MES or control systems.",
        "zh": "将训练好的AI模型集成到业务系统或现场设备中、使其投入实际使用的过程。在制造业中往往需要与检测设备、MES或控制系统对接。"
      },
      "related": [
        "mlops",
        "inference",
        "edge-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/model-deployment"
    },
    {
      "id": "supervised-learning",
      "type": "entry",
      "ja": "教師あり学習",
      "abbr": null,
      "en": "Supervised Learning",
      "zh": "监督学习",
      "category": "機械学習・手法",
      "definition": {
        "ja": "教師あり学習は、入力データと正解ラベルの組を使って、入力から正解を予測する規則を学ばせる機械学習の手法です。良品・不良品のラベル付き画像による外観検査や、工程条件から品質値を予測するモデルが代表例です。正解ラベルを揃える手間がかかり、特に不良サンプルが少ない場合は工夫が必要になります。",
        "en": "A machine learning approach that learns to predict correct answers from pairs of inputs and labels. Typical factory examples are defect classification from labeled images and quality prediction from process conditions.",
        "zh": "利用输入数据与正确标签的配对，学习从输入预测答案的机器学习方法。典型应用包括基于带标签图像的缺陷分类和根据工艺条件预测质量。"
      },
      "related": [
        "unsupervised-learning",
        "classification",
        "regression"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/supervised-learning"
    },
    {
      "id": "unsupervised-learning",
      "type": "entry",
      "ja": "教師なし学習",
      "abbr": null,
      "en": "Unsupervised Learning",
      "zh": "无监督学习",
      "category": "機械学習・手法",
      "definition": {
        "ja": "教師なし学習は、正解ラベルを与えずに、データそのものの構造やまとまりを見つけ出す機械学習の手法です。製造業では、設備の稼働パターンの分類や、普段と異なるデータを見つける異常検知に使われます。ラベル付けの負担が小さい反面、見つかったまとまりの意味は人が解釈する必要があります。",
        "en": "Machine learning that finds structure or groupings in data without labeled answers. In factories it is used to group operating patterns and to flag unusual data for anomaly detection.",
        "zh": "不提供正确标签、直接从数据本身发现结构或分组的机器学习方法。在工厂中用于运行模式分组和异常检测。"
      },
      "related": [
        "clustering",
        "anomaly-detection",
        "supervised-learning"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/unsupervised-learning"
    },
    {
      "id": "self-supervised-learning",
      "type": "entry",
      "ja": "自己教師あり学習",
      "abbr": null,
      "en": "Self-supervised Learning",
      "zh": "自监督学习",
      "category": "機械学習・手法",
      "definition": {
        "ja": "自己教師あり学習は、データの一部を隠して残りから予測させるなど、データ自体から学習課題を作り出して学ぶ手法です。人手のラベルなしで大量のデータから汎用的な特徴を獲得でき、基盤モデルの事前学習に広く使われています。製造業では、ラベルの少ない画像やセンサーデータを活用する手段として注目されています。",
        "en": "A method that creates its own training tasks from the data, for example by hiding part of an input and predicting it. It allows learning general features from large unlabeled datasets and underlies foundation model pre-training.",
        "zh": "从数据本身构造学习任务（如遮住部分输入再预测）的学习方法。无需人工标注即可从海量数据中学习通用特征，是基础模型预训练的常用方法。"
      },
      "related": [
        "foundation-model",
        "unsupervised-learning",
        "transformer"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/self-supervised-learning"
    },
    {
      "id": "reinforcement-learning",
      "type": "entry",
      "ja": "強化学習",
      "abbr": "RL",
      "en": "Reinforcement Learning",
      "zh": "强化学习",
      "category": "機械学習・手法",
      "definition": {
        "ja": "強化学習は、試行錯誤を通じて、得られる報酬が最大になる行動の選び方を学ぶ機械学習の手法です。製造業では、ロボットの動作習得、生産スケジューリング、プロセス制御の最適化などで研究・活用が進んでいます。実機で試行錯誤するのは危険やコストが大きいため、シミュレーション上で学習させてから現場に移すのが一般的です。",
        "en": "Machine learning in which an agent learns, by trial and error, which actions maximize a reward. It is applied to robot skill learning, production scheduling and process control, usually trained first in simulation.",
        "zh": "通过反复试错，学习选择能使回报最大化的行动的机器学习方法。应用于机器人动作学习、生产排程和过程控制，通常先在仿真中训练。"
      },
      "related": [
        "mathematical-optimization",
        "scheduling-optimization",
        "sim-to-real"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/reinforcement-learning"
    },
    {
      "id": "classification",
      "type": "entry",
      "ja": "分類",
      "abbr": null,
      "en": "Classification",
      "zh": "分类",
      "category": "機械学習・手法",
      "definition": {
        "ja": "分類は、入力データを「良品／不良品」「傷／打痕／汚れ」のように、あらかじめ決めたクラスのどれかに振り分ける機械学習の課題です。外観検査や不良モードの判定など、製造業のAI活用で最も多い形の一つです。不良の見逃しと過検出のどちらを重く見るかで、評価指標や閾値の決め方が変わります。",
        "en": "A machine learning task that assigns inputs to predefined classes, such as good versus defective or scratch versus dent. It is one of the most common AI tasks in manufacturing inspection.",
        "zh": "将输入数据划分到预先定义类别（如良品/不良、划伤/压痕）的机器学习任务，是制造业检测中最常见的AI任务之一。"
      },
      "related": [
        "regression",
        "confusion-matrix",
        "supervised-learning"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/classification"
    },
    {
      "id": "regression",
      "type": "entry",
      "ja": "回帰",
      "abbr": null,
      "en": "Regression",
      "zh": "回归",
      "category": "機械学習・手法",
      "definition": {
        "ja": "回帰は、入力データから温度や寸法、強度などの連続した数値を予測する機械学習の課題です。製造業では、工程条件から製品品質を予測したり、測定が難しい値を他のセンサー値から推定したりする場面で使われます。予測値の誤差の大きさが品質規格に対して許容できるかどうかが、実用化の判断材料になります。",
        "en": "A machine learning task that predicts continuous values such as temperature, dimensions or strength. In manufacturing it is used to predict product quality from process conditions or to estimate hard-to-measure values.",
        "zh": "根据输入数据预测温度、尺寸、强度等连续数值的机器学习任务。在制造业中用于根据工艺条件预测质量或估算难以直接测量的数值。"
      },
      "related": [
        "classification",
        "pls-regression",
        "soft-sensor"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/regression"
    },
    {
      "id": "clustering",
      "type": "entry",
      "ja": "クラスタリング",
      "abbr": null,
      "en": "Clustering",
      "zh": "聚类",
      "category": "機械学習・手法",
      "definition": {
        "ja": "クラスタリングは、ラベルを使わずに、似た特徴を持つデータ同士をグループに分ける手法です。製造業では、設備の運転状態の分類、不良品の傾向の把握、製品群の整理などに使われます。グループ数の決め方や、それぞれのグループが何を意味するかの解釈には、現場の知見が必要です。",
        "en": "A method that groups similar data points without using labels. Manufacturers use it to categorize operating states, find patterns among defects and organize product families.",
        "zh": "不使用标签、将特征相似的数据归为一组的方法。制造企业用它来区分设备运行状态、发现不良品规律和整理产品族。"
      },
      "related": [
        "unsupervised-learning",
        "feature-engineering",
        "anomaly-detection"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/clustering"
    },
    {
      "id": "decision-tree",
      "type": "entry",
      "ja": "決定木",
      "abbr": null,
      "en": "Decision Tree",
      "zh": "决策树",
      "category": "機械学習・手法",
      "definition": {
        "ja": "決定木は、「温度が○度以上か」のような条件分岐を木の形に積み重ねて、分類や予測を行う手法です。判断の流れを人が追いやすく、品質不良につながる条件の把握などに向いています。単独では精度が頭打ちになりやすいため、複数の木を組み合わせるランダムフォレストや勾配ブースティングの基礎として使われることが多いです。",
        "en": "A model that classifies or predicts by stacking if-then conditions in a tree structure. Its logic is easy to follow, and it forms the basis of ensemble methods such as random forests and gradient boosting.",
        "zh": "通过树状叠加\"如果…则…\"条件分支来进行分类或预测的模型。逻辑易于理解，也是随机森林和梯度提升等集成方法的基础。"
      },
      "related": [
        "random-forest",
        "gradient-boosting",
        "explainable-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/decision-tree"
    },
    {
      "id": "random-forest",
      "type": "entry",
      "ja": "ランダムフォレスト",
      "abbr": null,
      "en": "Random Forest",
      "zh": "随机森林",
      "category": "機械学習・手法",
      "definition": {
        "ja": "ランダムフォレストは、データや特徴量を変えて作った多数の決定木の結果を多数決や平均でまとめる手法です。過学習しにくく、設定の調整も比較的容易なため、品質予測や不良要因の分析で手堅い選択肢として使われます。どの特徴量が予測に効いているかを示す重要度も得られます。",
        "en": "An ensemble method that combines many decision trees, each built on varied data and features, by voting or averaging. It is robust to overfitting and is a dependable choice for quality prediction and root-cause analysis.",
        "zh": "将基于不同数据和特征构建的大量决策树结果通过投票或平均进行汇总的集成方法。不易过拟合，是质量预测和不良原因分析的稳健选择。"
      },
      "related": [
        "decision-tree",
        "gradient-boosting",
        "feature-importance"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/random-forest"
    },
    {
      "id": "gradient-boosting",
      "type": "entry",
      "ja": "勾配ブースティング",
      "abbr": "GBDT",
      "en": "Gradient Boosting Decision Tree",
      "zh": "梯度提升决策树",
      "category": "機械学習・手法",
      "definition": {
        "ja": "勾配ブースティングは、前の決定木が間違えた部分を次の決定木が補うように、木を順番に積み重ねていく手法です。表形式のデータで高い精度を出しやすく、工程データからの品質予測や設備の故障予測で広く使われています。XGBoostやLightGBMなどの実装が代表的です。",
        "en": "A method that builds decision trees sequentially, each correcting the errors of the previous ones. It delivers strong accuracy on tabular data and is widely used for quality and failure prediction from process data.",
        "zh": "依次构建决策树、让后一棵树修正前一棵树误差的方法。在表格数据上精度较高，广泛用于基于工艺数据的质量预测和故障预测。"
      },
      "related": [
        "random-forest",
        "xgboost-lightgbm",
        "decision-tree"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/gradient-boosting"
    },
    {
      "id": "xgboost-lightgbm",
      "type": "entry",
      "ja": "XGBoost／LightGBM",
      "abbr": null,
      "en": "XGBoost / LightGBM",
      "zh": "XGBoost／LightGBM",
      "category": "機械学習・手法",
      "definition": {
        "ja": "XGBoostとLightGBMは、勾配ブースティング決定木を高速かつ高精度に実行できる代表的なオープンソースのライブラリです。表形式の工程データやセンサー集計値を扱う品質予測で、まず試される定番の手法になっています。特徴量重要度やSHAPと組み合わせて、予測の根拠を確認しながら使われることが多いです。",
        "en": "Two widely used open-source libraries that implement gradient boosting decision trees with high speed and accuracy. They are a go-to baseline for quality prediction on tabular process data.",
        "zh": "两款可高速、高精度实现梯度提升决策树的主流开源库，是基于表格工艺数据进行质量预测时的常用基准方法。"
      },
      "related": [
        "gradient-boosting",
        "feature-importance",
        "feature-engineering"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/xgboost-lightgbm"
    },
    {
      "id": "one-class-svm",
      "type": "entry",
      "ja": "One-Class SVM",
      "abbr": null,
      "en": "One-Class SVM",
      "zh": "单类支持向量机",
      "category": "機械学習・手法",
      "definition": {
        "ja": "One-Class SVMは、正常なデータだけを使って「正常の範囲」の境界を学習し、その外側にあるデータを異常とみなす手法です。不良品や故障のデータがほとんど集まらない製造現場でも使える点が利点です。データの次元が大きい場合や量が多い場合は計算負荷が高くなるため、特徴量の絞り込みと組み合わせて使います。",
        "en": "A method that learns the boundary of normal data using only normal samples and flags anything outside it as anomalous. It suits factories where defect or failure data is scarce.",
        "zh": "仅利用正常数据学习\"正常范围\"边界，并将边界外的数据判定为异常的方法。适用于不良或故障数据稀少的工厂场景。"
      },
      "related": [
        "classification",
        "anomaly-detection",
        "isolation-forest"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/one-class-svm"
    },
    {
      "id": "isolation-forest",
      "type": "entry",
      "ja": "Isolation Forest",
      "abbr": null,
      "en": "Isolation Forest",
      "zh": "孤立森林",
      "category": "機械学習・手法",
      "definition": {
        "ja": "Isolation Forestは、データをランダムに分割していき、少ない分割で孤立するデータほど異常らしいと判断する異常検知の手法です。計算が軽く、多くの変数を持つ設備データにも適用しやすいのが特徴です。正常データのみで学習できるため、予知保全の初期段階でよく試されます。",
        "en": "An anomaly detection method that randomly partitions data and treats points isolated after only a few splits as likely anomalies. It is lightweight and works well on multivariate equipment data.",
        "zh": "通过随机切分数据，将只需少量切分就被孤立的点视为异常的异常检测方法。计算量小，适用于多变量设备数据。"
      },
      "related": [
        "anomaly-detection",
        "one-class-svm",
        "random-forest"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/isolation-forest"
    },
    {
      "id": "autoencoder",
      "type": "entry",
      "ja": "オートエンコーダ",
      "abbr": "AE",
      "en": "Autoencoder",
      "zh": "自编码器",
      "category": "機械学習・手法",
      "definition": {
        "ja": "オートエンコーダは、入力データをいったん小さく圧縮し、そこから元のデータを復元するように学習するニューラルネットワークです。正常データだけで学習させると、異常なデータはうまく復元できないため、その差から異常を検知できます。外観検査や設備の振動データの異常検知でよく使われる手法です。",
        "en": "A neural network trained to compress input data and then reconstruct it. When trained on normal data only, it reconstructs anomalies poorly, which makes it useful for anomaly detection in images and vibration data.",
        "zh": "将输入数据压缩后再还原的神经网络。仅用正常数据训练时，异常数据难以被准确还原，因此可用于图像和振动数据的异常检测。"
      },
      "related": [
        "anomaly-detection",
        "reconstruction-error",
        "pca"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/autoencoder"
    },
    {
      "id": "reconstruction-error",
      "type": "entry",
      "ja": "再構成誤差",
      "abbr": null,
      "en": "Reconstruction Error",
      "zh": "重构误差",
      "category": "機械学習・手法",
      "definition": {
        "ja": "再構成誤差は、オートエンコーダなどのモデルが入力データを復元したときに生じる、元のデータとの差の大きさです。正常データで学習したモデルでは、異常なデータほど再構成誤差が大きくなるため、異常度の指標として使われます。画像の場合は誤差の大きい場所を可視化して、欠陥位置の推定にも利用できます。",
        "en": "The difference between an input and the version reconstructed by a model such as an autoencoder. Because anomalies reconstruct poorly, the error serves as an anomaly score and can be mapped to locate defects in images.",
        "zh": "自编码器等模型还原输入数据时与原数据之间的差异大小。异常数据的重构误差较大，因此可作为异常程度指标，并可在图像上可视化以定位缺陷。"
      },
      "related": [
        "autoencoder",
        "anomaly-score",
        "anomaly-detection"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/reconstruction-error"
    },
    {
      "id": "anomaly-detection",
      "type": "entry",
      "ja": "異常検知",
      "abbr": null,
      "en": "Anomaly Detection",
      "zh": "异常检测",
      "category": "機械学習・手法",
      "definition": {
        "ja": "異常検知は、普段のデータの傾向から外れたデータを見つけ出す技術です。製造業では、設備の故障の予兆、製品の外観不良、工程の異常などを捉えるために使われます。異常のデータが少なくても正常データ中心に学習できる点が利点で、誤報と見逃しのバランスをどう取るかが運用上の要点になります。",
        "en": "Techniques for finding data that deviate from normal patterns. Factories use it to catch early signs of equipment failure, visual defects and process abnormalities, often training mainly on normal data.",
        "zh": "从数据中找出偏离正常规律之数据的技术。工厂用于捕捉设备故障征兆、外观缺陷和工艺异常，通常主要以正常数据进行训练。"
      },
      "related": [
        "anomaly-score",
        "good-only-learning",
        "time-series-anomaly-detection"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/anomaly-detection"
    },
    {
      "id": "anomaly-score",
      "type": "entry",
      "ja": "異常度スコア",
      "abbr": null,
      "en": "Anomaly Score",
      "zh": "异常分数",
      "category": "機械学習・手法",
      "definition": {
        "ja": "異常度スコアは、データがどれだけ正常な状態から外れているかを数値で表したものです。異常検知モデルの出力として得られ、あらかじめ決めた閾値を超えたときに警報や不良判定を出します。スコアの推移を見ることで、急な故障だけでなく徐々に進む劣化の把握にも使えます。",
        "en": "A numeric value expressing how far a data point deviates from normal behavior. Alerts or rejections are triggered when it exceeds a threshold, and its trend can reveal gradual deterioration.",
        "zh": "以数值表示数据偏离正常状态程度的指标。超过设定阈值时触发报警或不良判定，其变化趋势还可反映逐步发展的劣化。"
      },
      "related": [
        "anomaly-detection",
        "threshold-setting",
        "reconstruction-error"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/anomaly-score"
    },
    {
      "id": "threshold-setting",
      "type": "entry",
      "ja": "閾値設定",
      "abbr": null,
      "en": "Threshold Setting",
      "zh": "阈值设定",
      "category": "機械学習・手法",
      "definition": {
        "ja": "閾値設定は、異常度スコアや判定確率のどの値から「異常」「不良」とみなすかを決めることです。閾値を下げれば見逃しは減りますが誤報が増え、上げればその逆になります。製造業では、不良流出のリスクと再検査や設備停止のコストを比べて、現場と合意しながら決めることが重要です。",
        "en": "Deciding the score or probability above which data is treated as abnormal or defective. Lower thresholds reduce misses but raise false alarms, so the setting should balance escape risk against re-inspection and downtime costs.",
        "zh": "确定异常分数或判定概率超过多少即视为异常或不良。阈值越低漏检越少但误报越多，需要在不良流出风险与复检、停机成本之间权衡。"
      },
      "related": [
        "anomaly-score",
        "false-alarm",
        "precision-recall"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/threshold-setting"
    },
    {
      "id": "time-series-anomaly-detection",
      "type": "entry",
      "ja": "時系列異常検知",
      "abbr": null,
      "en": "Time-Series Anomaly Detection",
      "zh": "时间序列异常检测",
      "category": "機械学習・手法",
      "definition": {
        "ja": "時系列異常検知は、時間とともに連続して記録される振動・温度・電流などのデータから、普段と異なる変化を見つける技術です。値そのものが範囲内でも、変化の仕方や周期の乱れから異常を捉えられる点が特徴です。設備の予知保全やプロセスの監視で中心的な役割を担います。",
        "en": "Detecting unusual changes in data recorded continuously over time, such as vibration, temperature or current. It can catch abnormal patterns or rhythm changes even when individual values remain within limits.",
        "zh": "从振动、温度、电流等随时间连续记录的数据中发现异常变化的技术。即使数值本身在范围内，也能从变化方式或周期紊乱中识别异常。"
      },
      "related": [
        "anomaly-detection",
        "time-series-forecasting",
        "lstm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/time-series-anomaly-detection"
    },
    {
      "id": "time-series-forecasting",
      "type": "entry",
      "ja": "時系列予測",
      "abbr": null,
      "en": "Time-Series Forecasting",
      "zh": "时间序列预测",
      "category": "機械学習・手法",
      "definition": {
        "ja": "時系列予測は、過去から現在までの時間順のデータをもとに、将来の値を予測する技術です。製造業では、製品の需要、設備の劣化の進み具合、エネルギー使用量などの予測に使われます。季節性や特売、設備の更新などの外部要因をどう扱うかで精度が大きく変わります。",
        "en": "Predicting future values from data ordered in time. In manufacturing it is applied to product demand, equipment degradation and energy consumption, with accuracy depending heavily on handling seasonality and external factors.",
        "zh": "根据按时间顺序排列的历史数据预测未来数值的技术。在制造业中用于需求、设备劣化进程和能耗预测，精度很大程度取决于对季节性和外部因素的处理。"
      },
      "related": [
        "arima",
        "demand-forecasting",
        "lstm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/time-series-forecasting"
    },
    {
      "id": "arima",
      "type": "entry",
      "ja": "ARIMAモデル",
      "abbr": "ARIMA",
      "en": "Autoregressive Integrated Moving Average",
      "zh": "ARIMA模型",
      "category": "機械学習・手法",
      "definition": {
        "ja": "ARIMAモデルは、過去の値との関係、差分による傾向の除去、過去の予測誤差の影響を組み合わせて時系列を予測する統計モデルです。構造が分かりやすく少ないデータでも使えるため、需要予測などで深層学習と並ぶ比較の基準としてよく使われます。急な変化や多数の外部要因を扱うのは苦手です。",
        "en": "A statistical model that forecasts time series by combining autoregression, differencing and moving-average terms. It is interpretable, works with limited data and is a common baseline for demand forecasting.",
        "zh": "结合自回归、差分和移动平均项来预测时间序列的统计模型。结构清晰、数据较少时也可使用，常作为需求预测的基准模型。"
      },
      "related": [
        "time-series-forecasting",
        "demand-forecasting"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/arima"
    },
    {
      "id": "lstm",
      "type": "entry",
      "ja": "LSTM",
      "abbr": "LSTM",
      "en": "Long Short-Term Memory",
      "zh": "长短期记忆网络",
      "category": "機械学習・手法",
      "definition": {
        "ja": "LSTMは、過去の情報をどれだけ覚えておくかを内部で調整しながら、時系列データを扱うニューラルネットワークの一種です。長い期間にわたる変化の関係を捉えやすく、設備の残存寿命予測や需要予測などに使われてきました。近年はTransformerや時系列基盤モデルとの比較で選ばれることが増えています。",
        "en": "A type of recurrent neural network that controls how much past information it retains, allowing it to capture long-range patterns in time series. It has been used for remaining useful life prediction and demand forecasting.",
        "zh": "一种循环神经网络，可在内部调节对过往信息的记忆程度，从而捕捉时间序列中的长期依赖。曾广泛用于剩余寿命预测和需求预测。"
      },
      "related": [
        "neural-network",
        "time-series-forecasting",
        "remaining-useful-life"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/lstm"
    },
    {
      "id": "cnn",
      "type": "entry",
      "ja": "畳み込みニューラルネットワーク",
      "abbr": "CNN",
      "en": "Convolutional Neural Network",
      "zh": "卷积神经网络",
      "category": "機械学習・手法",
      "definition": {
        "ja": "畳み込みニューラルネットワークは、画像の小さな領域ごとに特徴を抽出する処理を重ねて、形や模様を捉えるニューラルネットワークです。傷や欠け、異物などの外観検査で長く主力の手法として使われてきました。事前学習済みのモデルを転用することで、比較的少ない画像から実用的な精度を得られることもあります。",
        "en": "A neural network that stacks operations extracting features from small image regions to recognize shapes and textures. It has long been the workhorse of AI visual inspection for scratches, chips and foreign matter.",
        "zh": "通过逐层提取图像局部区域特征来识别形状和纹理的神经网络，长期以来是划伤、缺损、异物等AI外观检测的主力方法。"
      },
      "related": [
        "deep-learning",
        "image-classification",
        "transfer-learning"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/cnn"
    },
    {
      "id": "transformer",
      "type": "entry",
      "ja": "Transformer",
      "abbr": null,
      "en": "Transformer",
      "zh": "Transformer架构",
      "category": "機械学習・手法",
      "definition": {
        "ja": "Transformerは、データの中のどの部分同士が関係しているかを注意機構（アテンション）で計算するニューラルネットワークの構造です。大規模言語モデルの土台であり、画像や時系列、ロボット制御のモデルにも応用されています。製造業向けのAIでも、生成AIや基盤モデルの多くがこの構造に基づいています。",
        "en": "A neural network architecture that uses attention mechanisms to model relationships between parts of the input. It underpins large language models and is now also applied to images, time series and robot control.",
        "zh": "利用注意力机制计算输入各部分之间关系的神经网络架构。是大语言模型的基础，也被应用于图像、时序数据和机器人控制。"
      },
      "related": [
        "llm",
        "cnn"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/transformer"
    },
    {
      "id": "time-series-foundation-model",
      "type": "entry",
      "ja": "時系列基盤モデル",
      "abbr": null,
      "en": "Time-Series Foundation Model",
      "zh": "时序基础模型",
      "category": "機械学習・手法",
      "definition": {
        "ja": "時系列基盤モデルは、さまざまな分野の大量の時系列データで事前に学習し、個別の学習なしでも予測や異常検知に使える大規模モデルです。データが少ない新設ラインや新製品でも、一定の精度で予測を始められる可能性があります。製造業での実績はまだ発展途上で、自社データでの精度検証が欠かせません。",
        "en": "A large model pre-trained on vast amounts of time-series data from many domains, usable for forecasting or anomaly detection with little or no task-specific training. Its track record in manufacturing is still developing.",
        "zh": "在多个领域的海量时序数据上预训练、几乎无需针对性训练即可用于预测或异常检测的大型模型。在制造业的应用成效仍在积累之中。"
      },
      "related": [
        "foundation-model",
        "time-series-forecasting",
        "soft-sensor"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/time-series-foundation-model"
    },
    {
      "id": "transfer-learning",
      "type": "entry",
      "ja": "転移学習",
      "abbr": null,
      "en": "Transfer Learning",
      "zh": "迁移学习",
      "category": "機械学習・手法",
      "definition": {
        "ja": "転移学習は、ある課題で学習済みのモデルの知識を、別の関連する課題に流用して学習する手法です。一般画像で学習したモデルを自社製品の外観検査に転用するなど、少ないデータで精度を上げたいときに有効です。元の学習データと現場のデータの性質が大きく異なる場合は効果が限られます。",
        "en": "Reusing knowledge from a model trained on one task to learn a related task. It helps reach good accuracy with little data, for example adapting a general image model to inspect a specific product.",
        "zh": "将在某一任务上训练好的模型知识迁移到相关任务的方法。在数据较少时可有效提升精度，例如把通用图像模型用于特定产品的外观检测。"
      },
      "related": [
        "fine-tuning",
        "cnn",
        "domain-shift"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/transfer-learning"
    },
    {
      "id": "data-augmentation",
      "type": "entry",
      "ja": "データ拡張",
      "abbr": null,
      "en": "Data Augmentation",
      "zh": "数据增强",
      "category": "機械学習・手法",
      "definition": {
        "ja": "データ拡張は、手元の画像やデータに回転・反転・明るさ変更・ノイズ付加などの加工を施して、学習データを人工的に増やす手法です。不良サンプルが少ない外観検査で、モデルの頑健性を高める目的でよく使われます。現実には起こりえない変形を加えると、かえって精度が下がる点に注意が必要です。",
        "en": "Artificially enlarging training data by transforming existing samples through rotation, flipping, brightness changes or added noise. It is widely used in visual inspection where defect samples are scarce.",
        "zh": "通过旋转、翻转、调整亮度、添加噪声等方式对现有数据进行加工，人为扩充训练数据的方法。常用于不良样本稀少的外观检测。"
      },
      "related": [
        "synthetic-data",
        "training-data",
        "class-imbalance"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-augmentation"
    },
    {
      "id": "class-imbalance",
      "type": "entry",
      "ja": "クラス不均衡",
      "abbr": null,
      "en": "Class Imbalance",
      "zh": "类别不平衡",
      "category": "機械学習・手法",
      "definition": {
        "ja": "クラス不均衡は、学習データの中で特定のクラスのデータ数が他より極端に少ない状態です。製造業では不良品が良品に比べてごくわずかなことが多く、そのまま学習すると全部を良品と判定するモデルでも正解率が高く見えてしまいます。重み付け、データ拡張、適合率・再現率による評価などで対処します。",
        "en": "A condition in which some classes have far fewer examples than others. Because defects are rare in manufacturing, a model can look accurate while missing most defects, so weighting, augmentation and precision/recall metrics are used.",
        "zh": "训练数据中某些类别样本远少于其他类别的情况。制造业中不良品极少，模型即使全判为良品准确率也会很高，因此需采用加权、数据增强以及精确率、召回率等指标。"
      },
      "related": [
        "data-augmentation",
        "precision-recall",
        "good-only-learning"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/class-imbalance"
    },
    {
      "id": "active-learning",
      "type": "entry",
      "ja": "能動学習",
      "abbr": null,
      "en": "Active Learning",
      "zh": "主动学习",
      "category": "機械学習・手法",
      "definition": {
        "ja": "能動学習は、モデルが判断に迷うデータを優先的に選び、そこだけ人にラベルを付けてもらうことで、少ない作業量で精度を高める手法です。アノテーションの工数が大きい外観検査で、ラベル付けの対象を絞り込むのに役立ちます。現場の検査員とAIが協力して学習データを育てていく運用と相性がよい手法です。",
        "en": "A method in which the model selects the samples it is least certain about for human labeling, improving accuracy with less annotation effort. It suits inspection projects where labeling is costly.",
        "zh": "由模型挑选最难判断的样本交给人工标注，以较少标注工作量提升精度的方法。适用于标注成本高的外观检测项目。"
      },
      "related": [
        "annotation",
        "supervised-learning",
        "ground-truth"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/active-learning"
    },
    {
      "id": "federated-learning",
      "type": "entry",
      "ja": "連合学習",
      "abbr": null,
      "en": "Federated Learning",
      "zh": "联邦学习",
      "category": "機械学習・手法",
      "definition": {
        "ja": "連合学習は、データを一か所に集めずに、各拠点や各機器でモデルを学習させ、その更新内容だけを集約して共通のモデルを作る手法です。工場ごとや企業ごとにデータを外に出せない場合でも、複数拠点の知見を生かせる点が特徴です。拠点間でデータの傾向が大きく違うと、うまく学習できないことがあります。",
        "en": "A method that trains models locally at each site or device and aggregates only the model updates into a shared model. It lets multiple factories or companies benefit from collective data without moving the raw data.",
        "zh": "不集中数据，而是在各站点或设备上本地训练模型，仅汇总模型更新以生成共享模型的方法。可在原始数据不出厂的前提下利用多方数据。"
      },
      "related": [
        "edge-ai",
        "data-sovereignty",
        "cross-border-data-transfer"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/federated-learning"
    },
    {
      "id": "cross-validation",
      "type": "entry",
      "ja": "交差検証",
      "abbr": null,
      "en": "Cross-Validation",
      "zh": "交叉验证",
      "category": "機械学習・手法",
      "definition": {
        "ja": "交差検証は、データを複数の組に分け、学習と評価に使う組を入れ替えながら何度も検証して、モデルの性能を安定して見積もる手法です。データ件数が少ない製造業の分析で、偶然の分け方による評価のぶれを抑えるのに役立ちます。時系列データでは、未来のデータで過去を予測しないよう時間順を守った分け方が必要です。",
        "en": "A technique that splits data into several folds and rotates which fold is used for evaluation, giving a more stable estimate of model performance. For time-series data, folds must respect time order.",
        "zh": "将数据分成若干份并轮换用于训练和评估，从而稳定估计模型性能的方法。对时间序列数据需按时间顺序划分。"
      },
      "related": [
        "dataset-split",
        "data-leakage",
        "overfitting"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/cross-validation"
    },
    {
      "id": "bayesian-optimization",
      "type": "entry",
      "ja": "ベイズ最適化",
      "abbr": null,
      "en": "Bayesian Optimization",
      "zh": "贝叶斯优化",
      "category": "機械学習・手法",
      "definition": {
        "ja": "ベイズ最適化は、これまでの試行結果から「次にどの条件を試すと良い結果が得られそうか」を確率的に見積もり、少ない試行回数で最適な条件を探す手法です。AIモデルのハイパーパラメータ調整のほか、製造業では実験回数を抑えた加工条件や材料配合の探索に使われています。1回の試行に時間やコストがかかる問題に向いています。",
        "en": "A method that uses results so far to estimate probabilistically which settings to try next, finding optimal conditions in few trials. Besides tuning AI models, it is used to explore process conditions and material recipes with fewer experiments.",
        "zh": "根据已有试验结果，以概率方式估计下一步应尝试的条件，用较少试验次数找到最优条件的方法。除调优AI模型外，也用于以少量实验探索加工条件和材料配方。"
      },
      "related": [
        "classification",
        "doe",
        "process-condition-optimization"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/bayesian-optimization"
    },
    {
      "id": "feature-engineering",
      "type": "entry",
      "ja": "特徴量エンジニアリング",
      "abbr": null,
      "en": "Feature Engineering",
      "zh": "特征工程",
      "category": "機械学習・手法",
      "definition": {
        "ja": "特徴量エンジニアリングは、生のデータから、予測や判定に役立つ指標（特徴量）を作り出す作業です。振動波形からピーク値や周波数成分を取り出す、工程データから前工程との差分を計算する、といった加工が該当します。現場の知見を数値に落とし込む工程であり、表形式データを扱うモデルの精度を大きく左右します。",
        "en": "The work of deriving useful input variables from raw data, such as extracting peak values or frequency components from vibration signals. It translates domain knowledge into numbers and strongly affects model accuracy.",
        "zh": "从原始数据中构造有助于预测或判定的特征变量，例如从振动波形中提取峰值或频率成分。它把现场经验转化为数值，对模型精度影响很大。"
      },
      "related": [
        "feature-importance",
        "fft",
        "gradient-boosting"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/feature-engineering"
    },
    {
      "id": "feature-importance",
      "type": "entry",
      "ja": "特徴量重要度",
      "abbr": null,
      "en": "Feature Importance",
      "zh": "特征重要性",
      "category": "機械学習・手法",
      "definition": {
        "ja": "特徴量重要度は、モデルの予測にそれぞれの特徴量がどれだけ影響しているかを示す指標です。品質予測モデルで重要度の高い工程条件を確認することで、不良の要因を絞り込む手がかりになります。ただし重要度は相関を示すもので因果関係を保証しないため、現場での確認と組み合わせて解釈します。",
        "en": "A measure of how much each input variable contributes to a model's predictions. It helps narrow down the process conditions linked to defects, though it reflects correlation rather than proven causation.",
        "zh": "表示各特征对模型预测影响程度的指标。可帮助锁定与不良相关的工艺条件，但它反映的是相关性而非因果关系。"
      },
      "related": [
        "shap",
        "random-forest",
        "root-cause-analysis"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/feature-importance"
    },
    {
      "id": "shap",
      "type": "entry",
      "ja": "SHAP",
      "abbr": "SHAP",
      "en": "SHapley Additive exPlanations",
      "zh": "SHAP值",
      "category": "機械学習・手法",
      "definition": {
        "ja": "SHAPは、ゲーム理論の考え方を使って、個々の予測結果に対して各特徴量がどれだけ寄与したかを計算する手法です。モデル全体の傾向だけでなく、特定の不良品がなぜ不良と予測されたかを個別に説明できる点が特徴です。品質予測モデルの根拠を現場や顧客に説明する場面で広く使われています。",
        "en": "A method based on game theory that calculates how much each feature contributed to an individual prediction. It can explain why a specific unit was predicted defective, not just overall model trends.",
        "zh": "基于博弈论计算各特征对单个预测结果贡献度的方法。不仅能说明模型整体趋势，还能解释某个产品为何被预测为不良。"
      },
      "related": [
        "explainable-ai",
        "feature-importance",
        "root-cause-analysis"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/shap"
    },
    {
      "id": "pca",
      "type": "entry",
      "ja": "主成分分析",
      "abbr": "PCA",
      "en": "Principal Component Analysis",
      "zh": "主成分分析",
      "category": "機械学習・手法",
      "definition": {
        "ja": "主成分分析は、多数の変数の情報をできるだけ失わないように、少数の新しい指標（主成分）にまとめる統計手法です。多数のセンサーを持つ設備や工程のデータを要約し、可視化や異常検知に使われます。主成分から外れた変動を見ることで、多変量の異常を捉える統計的プロセス管理の基礎にもなっています。",
        "en": "A statistical method that condenses many variables into a few new indicators, called principal components, while preserving as much information as possible. It is used to summarize multi-sensor data and underlies multivariate process monitoring.",
        "zh": "在尽量保留信息的前提下，将大量变量压缩为少数新指标（主成分）的统计方法。用于概括多传感器数据，也是多变量统计过程监控的基础。"
      },
      "related": [
        "autoencoder",
        "mspc",
        "hotelling-t2"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/pca"
    },
    {
      "id": "domain-shift",
      "type": "entry",
      "ja": "ドメインシフト",
      "abbr": null,
      "en": "Domain Shift",
      "zh": "域偏移",
      "category": "機械学習・手法",
      "definition": {
        "ja": "ドメインシフトは、モデルを学習したときのデータと、実際に使うときのデータの性質が異なってしまう現象です。工場では、照明やカメラの変更、別ラインや別工場への展開、材料ロットの違いなどで起こります。PoCで高精度だったモデルが横展開で精度を落とす主な原因の一つです。",
        "en": "A mismatch between the data a model was trained on and the data it encounters in use. In factories it arises from changes in lighting or cameras, rollout to another line or plant, or different material lots.",
        "zh": "模型训练时的数据与实际使用时的数据性质不一致的现象。在工厂中可能由照明或相机变化、推广到其他产线或工厂、材料批次差异等引起。"
      },
      "related": [
        "concept-drift",
        "transfer-learning",
        "overfitting"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/domain-shift"
    },
    {
      "id": "concept-drift",
      "type": "entry",
      "ja": "コンセプトドリフト",
      "abbr": null,
      "en": "Concept Drift",
      "zh": "概念漂移",
      "category": "機械学習・手法",
      "definition": {
        "ja": "コンセプトドリフトは、時間の経過とともに、入力データと予測すべき結果の関係そのものが変わってしまう現象です。設備の経年劣化、原材料の変更、市場や需要構造の変化などが原因になります。導入時に高精度だったモデルも徐々に外れていくため、精度の監視と定期的な再学習が必要です。",
        "en": "A change over time in the relationship between input data and the outcome being predicted, caused for example by equipment aging, material changes or shifting demand. It requires ongoing accuracy monitoring and retraining.",
        "zh": "输入数据与预测目标之间的关系随时间发生变化的现象，可能由设备老化、原材料变更或需求结构变化等引起，需要持续监控精度并定期再训练。"
      },
      "related": [
        "domain-shift",
        "model-monitoring",
        "retraining"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/concept-drift"
    },
    {
      "id": "model-compression",
      "type": "entry",
      "ja": "モデル圧縮",
      "abbr": null,
      "en": "Model Compression",
      "zh": "模型压缩",
      "category": "機械学習・手法",
      "definition": {
        "ja": "モデル圧縮は、AIモデルの精度をできるだけ保ちながら、サイズや計算量を小さくする技術の総称です。量子化、不要な結合の削減（枝刈り）、大きなモデルの知識を小さなモデルに移す蒸留などがあります。計算資源の限られたエッジ機器でラインのタクトに合わせて推論するために重要です。",
        "en": "Techniques that shrink an AI model's size and compute requirements while preserving accuracy as much as possible, including quantization, pruning and distillation. They are key to running models on resource-limited edge devices.",
        "zh": "在尽量保持精度的同时缩小AI模型体积和计算量的技术总称，包括量化、剪枝和蒸馏等，是在资源受限的边缘设备上运行模型的关键。"
      },
      "related": [
        "quantization",
        "slm",
        "edge-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/model-compression"
    },
    {
      "id": "quantization",
      "type": "entry",
      "ja": "量子化",
      "abbr": null,
      "en": "Quantization",
      "zh": "量化",
      "category": "機械学習・手法",
      "definition": {
        "ja": "量子化は、AIモデル内部の数値を、たとえば32ビットから8ビットや4ビットのように少ない桁数で表すことで、モデルを軽く速くする技術です。メモリ使用量と計算量が減り、エッジ機器や手元のサーバーでのAI実行がしやすくなります。桁数を減らしすぎると精度が落ちるため、用途に応じた検証が必要です。",
        "en": "A technique that represents a model's internal numbers with fewer bits, for example 8 or 4 instead of 32, making it smaller and faster. It eases deployment on edge devices and local servers but can reduce accuracy if pushed too far.",
        "zh": "用更少的位数（如从32位降到8位或4位）表示模型内部数值，从而使模型更小更快的技术。便于在边缘设备或本地服务器部署，但压缩过度会降低精度。"
      },
      "related": [
        "model-compression",
        "edge-ai",
        "slm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/quantization"
    },
    {
      "id": "mathematical-optimization",
      "type": "entry",
      "ja": "数理最適化",
      "abbr": null,
      "en": "Mathematical Optimization",
      "zh": "数学优化",
      "category": "機械学習・手法",
      "definition": {
        "ja": "数理最適化は、制約条件を数式で表し、その中で目的（コストや時間など）が最も良くなる解を計算で求める手法です。製造業では、生産計画、設備への作業割り付け、配送ルート、在庫配置などに使われます。予測を行う機械学習と組み合わせて、予測結果をもとに最適な計画を立てる使い方が増えています。",
        "en": "A method that expresses constraints mathematically and computes the solution that best meets an objective such as cost or time. Manufacturers apply it to production planning, job assignment, logistics and inventory placement.",
        "zh": "用数学式表达约束条件，并计算出使目标（如成本或时间）最优之解的方法。制造业用于生产计划、作业分配、物流路线和库存布局。"
      },
      "related": [
        "milp",
        "scheduling-optimization",
        "reinforcement-learning"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/mathematical-optimization"
    },
    {
      "id": "milp",
      "type": "entry",
      "ja": "混合整数線形計画法",
      "abbr": "MILP",
      "en": "Mixed-Integer Linear Programming",
      "zh": "混合整数线性规划",
      "category": "機械学習・手法",
      "definition": {
        "ja": "混合整数線形計画法は、整数しか取れない変数と連続的な変数の両方を含み、目的と制約が一次式で表される最適化問題を解く手法です。どの設備でどの製品をいつ作るか、といった生産計画やスケジューリングの定式化に広く使われています。問題の規模が大きくなると計算時間が急に増えるため、モデル化の工夫が求められます。",
        "en": "An optimization technique for problems with both integer and continuous variables whose objective and constraints are linear. It is widely used to formulate production planning and scheduling problems.",
        "zh": "求解同时含整数变量和连续变量、目标与约束均为线性的优化问题的方法，广泛用于生产计划和排程问题的建模。"
      },
      "related": [
        "mathematical-optimization",
        "scheduling-optimization",
        "aps"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/milp"
    },
    {
      "id": "llm",
      "type": "entry",
      "ja": "大規模言語モデル",
      "abbr": "LLM",
      "en": "Large Language Model",
      "zh": "大语言模型",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "大規模言語モデルは、膨大な文章データで学習し、質問への回答、要約、翻訳、文章やプログラムの生成などを行えるAIモデルです。製造業では、技術文書や過去トラブル記録の検索、手順書の作成支援、設備ログの解釈などに使われ始めています。もっともらしい誤りを出すことがあるため、社内文書と組み合わせる仕組みや人による確認が重要です。",
        "en": "An AI model trained on vast amounts of text that can answer questions, summarize, translate and generate text or code. Manufacturers use it for searching technical documents and trouble records and for drafting procedures.",
        "zh": "在海量文本上训练、能够回答问题、摘要、翻译以及生成文本和代码的AI模型。制造企业用于检索技术文档和故障记录、辅助编写作业规程等。"
      },
      "related": [
        "transformer",
        "foundation-model",
        "prompt"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/llm"
    },
    {
      "id": "slm",
      "type": "entry",
      "ja": "小規模言語モデル",
      "abbr": "SLM",
      "en": "Small Language Model",
      "zh": "小语言模型",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "小規模言語モデルは、大規模言語モデルよりパラメータ数を抑え、少ない計算資源で動かせるようにした言語モデルです。工場内のサーバーやエッジ機器で動かせるため、データを社外に出したくない用途や、応答速度・利用コストを抑えたい場面に向いています。特定の業務に絞って調整することで、実用的な精度を得やすくなります。",
        "en": "A language model with far fewer parameters than an LLM, designed to run on modest hardware. It suits on-premises or edge use where data must stay inside the factory or where latency and cost matter.",
        "zh": "参数规模小于大语言模型、可在较少计算资源上运行的语言模型。适合在工厂内服务器或边缘设备上使用，满足数据不出厂、低延迟和低成本的需求。"
      },
      "related": [
        "llm",
        "edge-ai",
        "quantization"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/slm"
    },
    {
      "id": "prompt",
      "type": "entry",
      "ja": "プロンプト",
      "abbr": null,
      "en": "Prompt",
      "zh": "提示词",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "プロンプトは、生成AIに対して与える指示や質問の文章です。目的、前提条件、出力の形式などを具体的に書くほど、意図に沿った回答が得やすくなります。製造業の業務で使う場合は、用語の定義や参照すべき社内規定を含めるなど、現場の文脈を伝える工夫が品質を左右します。",
        "en": "The instruction or question given to a generative AI model. Stating the goal, context and desired output format clearly makes responses more useful, and supplying shop-floor context improves quality in manufacturing tasks.",
        "zh": "向生成式AI提供的指令或问题文本。明确说明目的、前提和输出格式能获得更符合意图的回答，在制造业务中提供现场背景信息尤为重要。"
      },
      "related": [
        "prompt-engineering",
        "guardrail",
        "llm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/prompt"
    },
    {
      "id": "prompt-engineering",
      "type": "entry",
      "ja": "プロンプトエンジニアリング",
      "abbr": null,
      "en": "Prompt Engineering",
      "zh": "提示工程",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "プロンプトエンジニアリングは、生成AIから目的に合った出力を安定して得るために、指示文の書き方や構成を工夫・設計する技術です。役割の指定、手順の明示、出力例の提示、参照情報の与え方などの工夫があります。製造業の業務アプリでは、個人の工夫にとどめず、検証済みのプロンプトを標準化して共有することが重要です。",
        "en": "The practice of designing and refining instructions so that generative AI produces suitable output reliably, using techniques such as role setting, step-by-step instructions and examples. In business applications, validated prompts should be standardized and shared.",
        "zh": "为使生成式AI稳定输出符合目的的结果，而设计和优化提示文本的技术，包括设定角色、明确步骤、给出示例等。在业务应用中应将验证过的提示标准化并共享。"
      },
      "related": [
        "prompt",
        "few-shot",
        "chain-of-thought"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/prompt-engineering"
    },
    {
      "id": "few-shot",
      "type": "entry",
      "ja": "Few-shot学習",
      "abbr": null,
      "en": "Few-shot Learning",
      "zh": "少样本学习",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "Few-shot学習は、生成AIに少数の入出力例をプロンプト内で示し、そのパターンに沿った回答をさせる使い方です。追加の学習なしで、不良報告の分類や定型フォーマットへの変換などを実現できます。示す例の選び方や順序で結果が変わるため、代表的なケースを揃えることが大切です。",
        "en": "Providing a generative AI model with a few input-output examples in the prompt so it follows the pattern. It enables tasks like classifying defect reports or reformatting text without additional training.",
        "zh": "在提示中给出少量输入输出示例，让生成式AI按照该模式作答的用法。无需额外训练即可完成不良报告分类、格式转换等任务。"
      },
      "related": [
        "zero-shot",
        "prompt-engineering",
        "context-window"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/few-shot"
    },
    {
      "id": "zero-shot",
      "type": "entry",
      "ja": "ゼロショット",
      "abbr": null,
      "en": "Zero-shot",
      "zh": "零样本",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "ゼロショットは、具体的な例を示さず、指示だけでAIに新しい課題をこなさせる使い方です。大規模な事前学習により、例を見せなくてもある程度の分類や要約ができるようになっています。視覚言語モデルを使えば、事前に学習していない欠陥の種類を言葉で指示して検出するといった試みも行われています。",
        "en": "Having an AI model perform a new task from instructions alone, without examples. Large pre-trained models can classify or summarize this way, and vision-language models are being tested on detecting unseen defect types described in words.",
        "zh": "不提供示例、仅凭指令让AI完成新任务的用法。大规模预训练模型可借此完成一定程度的分类或摘要，也有人尝试用视觉语言模型按文字描述检测未学过的缺陷。"
      },
      "related": [
        "few-shot",
        "vlm",
        "foundation-model"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/zero-shot"
    },
    {
      "id": "chain-of-thought",
      "type": "entry",
      "ja": "思考の連鎖",
      "abbr": "CoT",
      "en": "Chain-of-Thought",
      "zh": "思维链",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "思考の連鎖は、生成AIに答えだけでなく途中の考え方を段階的に書かせることで、複雑な問題の正答率を高める手法です。不良原因の切り分けや計算を伴う判断など、複数の手順を踏む課題で効果があります。途中過程が見えるため、人が誤りを見つけやすくなる利点もあります。",
        "en": "A technique that has a generative AI model write out intermediate reasoning steps, improving accuracy on complex problems. It helps with multi-step tasks such as isolating defect causes and makes errors easier for humans to spot.",
        "zh": "让生成式AI逐步写出中间推理过程、以提高复杂问题正确率的方法。适用于不良原因排查等多步骤任务，也便于人工发现错误。"
      },
      "related": [
        "reasoning-model",
        "prompt-engineering",
        "llm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/chain-of-thought"
    },
    {
      "id": "reasoning-model",
      "type": "entry",
      "ja": "推論モデル",
      "abbr": null,
      "en": "Reasoning Model",
      "zh": "推理模型",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "推論モデルは、回答を出す前に内部で段階的な思考を行うよう訓練された大規模言語モデルです。数学や論理、計画立案など複数の手順を要する問題で、従来のモデルより高い精度を示します。一方で応答に時間がかかり利用料も高くなりやすいため、用途に応じて通常のモデルと使い分けます。",
        "en": "A large language model trained to think through problems step by step internally before answering. It performs better on multi-step math, logic and planning tasks but is slower and usually costlier.",
        "zh": "经训练在作答前于内部进行逐步思考的大语言模型。在数学、逻辑和计划制定等多步骤问题上表现更好，但响应较慢、成本也较高。"
      },
      "related": [
        "chain-of-thought",
        "llm",
        "ai-agent"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/reasoning-model"
    },
    {
      "id": "context-window",
      "type": "entry",
      "ja": "コンテキストウィンドウ",
      "abbr": null,
      "en": "Context Window",
      "zh": "上下文窗口",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "コンテキストウィンドウは、大規模言語モデルが一度に読み込んで扱えるテキストの量の上限で、トークン数で表されます。上限が大きいほど長い仕様書や複数の文書をまとめて渡せますが、処理コストも増えます。社内の膨大な文書をすべて入れることはできないため、必要な部分を検索して渡すRAGと組み合わせるのが一般的です。",
        "en": "The maximum amount of text, measured in tokens, that a language model can process at once. Larger windows allow longer documents but cost more, so retrieval-augmented generation is used to supply only relevant passages.",
        "zh": "大语言模型一次能处理的文本量上限，以词元数表示。窗口越大可输入的文档越长，但成本也越高，因此通常结合RAG只提供相关内容。"
      },
      "related": [
        "token",
        "rag",
        "llm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/context-window"
    },
    {
      "id": "token",
      "type": "entry",
      "ja": "トークン",
      "abbr": null,
      "en": "Token",
      "zh": "词元",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "トークンは、大規模言語モデルが文章を処理するときの最小単位で、単語や文字のまとまりにあたります。日本語では1文字が1トークン前後になることが多く、同じ内容でも英語より多くのトークンを消費する傾向があります。利用料金やコンテキストウィンドウの上限はトークン数で決まるため、コスト見積もりの基本単位になります。",
        "en": "The basic unit a language model uses to process text, roughly a word or a chunk of characters. Pricing and context limits are measured in tokens, making them the basic unit for cost estimates.",
        "zh": "大语言模型处理文本的基本单位，大致相当于一个词或若干字符。费用和上下文上限均以词元数计算，是成本估算的基本单位。"
      },
      "related": [
        "context-window",
        "token-cost",
        "llm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/token"
    },
    {
      "id": "token-cost",
      "type": "entry",
      "ja": "トークン課金／推論コスト",
      "abbr": null,
      "en": "Token Cost",
      "zh": "Token成本",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "トークン課金は、生成AIのAPIなどで、入力と出力のトークン数に応じて料金が発生する仕組みです。社内展開で利用者や処理件数が増えると費用が急に膨らむことがあり、推論コストとして運用費の大きな部分を占めます。モデルの使い分けや、渡す文書量の削減、小規模モデルの活用などで抑える工夫が必要です。",
        "en": "A pricing model in which generative AI usage is billed by the number of input and output tokens. Costs can rise sharply as usage scales, so model selection, trimming context and using smaller models are common controls.",
        "zh": "生成式AI按输入和输出词元数计费的机制。随着使用规模扩大费用可能迅速增加，常通过选择合适模型、精简输入内容、使用小模型等方式控制。"
      },
      "related": [
        "token",
        "tco",
        "slm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/token-cost"
    },
    {
      "id": "hallucination",
      "type": "entry",
      "ja": "ハルシネーション",
      "abbr": null,
      "en": "Hallucination",
      "zh": "幻觉",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "ハルシネーションは、生成AIが事実と異なる内容や存在しない情報を、もっともらしく出力してしまう現象です。製造業では、誤った規格値や手順、存在しない部品番号を答えるといった形で現れ、品質や安全に関わる業務では大きなリスクになります。社内文書を根拠として参照させるRAGや、出典の提示、人による確認で抑えます。",
        "en": "A phenomenon in which generative AI produces plausible-sounding but false or non-existent information. In manufacturing it can show up as wrong specifications, procedures or part numbers, posing real quality and safety risks.",
        "zh": "生成式AI以看似合理的方式输出与事实不符或不存在信息的现象。在制造业中可能表现为错误的规格值、作业步骤或零件编号，对质量和安全构成风险。"
      },
      "related": [
        "rag",
        "grounding",
        "guardrail"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/hallucination"
    },
    {
      "id": "grounding",
      "type": "entry",
      "ja": "グラウンディング",
      "abbr": null,
      "en": "Grounding",
      "zh": "事实锚定",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "グラウンディングは、生成AIの回答を、社内文書やデータベースなどの確かな情報源に結び付けて根拠のあるものにすることです。RAGで検索した文書を参照させたり、回答に出典を添えさせたりする方法が代表的です。製造業の技術問い合わせや品質関連の業務で、回答の信頼性を確保するための前提になります。",
        "en": "Tying generative AI output to reliable sources such as internal documents or databases so that answers are evidence-based. Common methods include retrieval-augmented generation and requiring citations.",
        "zh": "将生成式AI的回答与内部文档、数据库等可靠信息源相关联、使其有据可查的做法。常见方法包括检索增强生成和要求注明出处。"
      },
      "related": [
        "rag",
        "hallucination"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/grounding"
    },
    {
      "id": "rag",
      "type": "entry",
      "ja": "検索拡張生成",
      "abbr": "RAG",
      "en": "Retrieval-Augmented Generation",
      "zh": "检索增强生成",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "検索拡張生成は、質問に関連する文書を社内データなどから検索し、その内容を大規模言語モデルに渡して回答を作らせる仕組みです。モデルを追加学習しなくても、自社の手順書、図面の注記、過去トラブル記録などに基づいた回答を得られます。精度は文書の分割方法や検索の質に大きく左右されるため、検索部分の設計が重要です。",
        "en": "A setup that retrieves documents relevant to a question, for example from internal data, and passes them to a language model to generate the answer. It lets companies answer from their own manuals and records without retraining the model.",
        "zh": "先从企业内部数据等中检索与问题相关的文档，再交给大语言模型生成回答的机制。无需追加训练即可基于企业自身的手册和记录作答。"
      },
      "related": [
        "embedding",
        "vector-database",
        "chunking"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/rag"
    },
    {
      "id": "embedding",
      "type": "entry",
      "ja": "埋め込み（ベクトル表現）",
      "abbr": null,
      "en": "Embedding",
      "zh": "向量嵌入",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "埋め込みは、文章や画像などを、意味の近さが距離として表れるような数値の並び（ベクトル）に変換したものです。意味が似ている文書同士はベクトルも近くなるため、言い回しが違っても関連する情報を検索できます。RAGやセマンティック検索の土台となる技術で、専門用語の多い製造業の文書では埋め込みモデルの選び方が精度に影響します。",
        "en": "A numeric vector representation of text, images or other data in which semantic similarity corresponds to closeness. It is the foundation of semantic search and retrieval-augmented generation.",
        "zh": "将文本、图像等转换为数值向量、使语义相近的内容在空间上距离也相近的表示方法，是语义检索和检索增强生成的基础。"
      },
      "related": [
        "vector-database",
        "semantic-search",
        "rag"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/embedding"
    },
    {
      "id": "vector-database",
      "type": "entry",
      "ja": "ベクトルデータベース",
      "abbr": null,
      "en": "Vector Database",
      "zh": "向量数据库",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "ベクトルデータベースは、埋め込みベクトルを大量に保存し、似たベクトルを高速に検索できるように設計されたデータベースです。RAGで社内文書から関連箇所を探し出す仕組みの中核になります。文書の更新や削除、利用者ごとのアクセス権限をどう反映させるかが、業務での運用上の論点になります。",
        "en": "A database designed to store large numbers of embedding vectors and quickly find similar ones. It is the core of retrieval in RAG systems, with update handling and access control as key operational issues.",
        "zh": "专门用于存储大量嵌入向量并快速检索相似向量的数据库，是RAG系统中检索环节的核心。"
      },
      "related": [
        "embedding",
        "semantic-search",
        "rag"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/vector-database"
    },
    {
      "id": "semantic-search",
      "type": "entry",
      "ja": "セマンティック検索",
      "abbr": null,
      "en": "Semantic Search",
      "zh": "语义检索",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "セマンティック検索は、キーワードの一致ではなく、文章の意味の近さに基づいて情報を探す検索方式です。「異音がする」と「振動が大きい」のように表現が違っても、関連する過去のトラブル記録を見つけられます。専門用語や型番の検索にはキーワード検索が強いため、両方を組み合わせることが多いです。",
        "en": "Search based on similarity of meaning rather than exact keyword matches. It can find related trouble records even when they are worded differently, and is often combined with keyword search for part numbers and jargon.",
        "zh": "基于语义相似度而非关键词匹配来检索信息的方式。即使表述不同也能找到相关的故障记录，常与关键词检索结合使用。"
      },
      "related": [
        "embedding",
        "rag"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/semantic-search"
    },
    {
      "id": "chunking",
      "type": "entry",
      "ja": "チャンク分割",
      "abbr": null,
      "en": "Chunking",
      "zh": "文本分块",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "チャンク分割は、RAGで文書を検索しやすくするために、長い文書を適切な大きさの断片に分ける処理です。分割が細かすぎると前後の文脈が失われ、大きすぎると無関係な情報が混ざって回答の精度が落ちます。製造業の手順書や仕様書では、章や表、手順の単位を保って分割することが重要です。",
        "en": "Splitting long documents into appropriately sized pieces so they can be retrieved effectively in RAG. Chunks that are too small lose context while chunks that are too large add noise.",
        "zh": "为便于RAG检索而将长文档切分为适当大小片段的处理。切得过细会丢失上下文，过大则会混入无关信息。"
      },
      "related": [
        "rag",
        "embedding",
        "document-parsing"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/chunking"
    },
    {
      "id": "document-parsing",
      "type": "entry",
      "ja": "文書解析（PDF・図面の構造化）",
      "abbr": null,
      "en": "Document Parsing",
      "zh": "文档解析",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "文書解析は、PDFやスキャン画像、図面などから、文字だけでなく見出し・表・図の構造を読み取り、AIが扱える形のデータに変換する処理です。製造業の文書は表や図面、手書きの記入が多く、単純な文字抽出では情報が崩れがちです。RAGの精度を高めるうえで、検索の前段にあたるこの工程の品質が重要になります。",
        "en": "Converting PDFs, scanned images and drawings into structured data that AI can use, preserving headings, tables and figures. Manufacturing documents are table- and drawing-heavy, so parsing quality strongly affects RAG accuracy.",
        "zh": "将PDF、扫描图像、图纸等转换为AI可处理的结构化数据，并保留标题、表格和图的结构。制造业文档多含表格和图纸，解析质量直接影响RAG精度。"
      },
      "related": [
        "chunking",
        "ai-ocr",
        "rag"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/document-parsing"
    },
    {
      "id": "graphrag",
      "type": "entry",
      "ja": "GraphRAG",
      "abbr": null,
      "en": "GraphRAG",
      "zh": "图检索增强生成",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "GraphRAGは、文書から抽出した事物とその関係をナレッジグラフとして整理し、それを検索に使って生成AIに回答させるRAGの手法です。部品・設備・不良・対策のように関係が複雑な情報をたどる質問に強いとされます。グラフの構築と保守に手間がかかるため、効果と工数のバランスを見て採用を判断します。",
        "en": "A RAG approach that organizes entities and relationships extracted from documents into a knowledge graph and uses it for retrieval. It is suited to questions that require tracing relationships among parts, equipment, defects and countermeasures.",
        "zh": "将从文档中抽取的实体及其关系整理为知识图谱，并用于检索后再由生成式AI作答的RAG方法。适合需要追溯零件、设备、不良和对策之间关系的问题。"
      },
      "related": [
        "rag",
        "knowledge-graph",
        "ontology"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/graphrag"
    },
    {
      "id": "knowledge-graph",
      "type": "entry",
      "ja": "ナレッジグラフ",
      "abbr": null,
      "en": "Knowledge Graph",
      "zh": "知识图谱",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "ナレッジグラフは、物事（部品、設備、工程、不良など）を点、それらの関係を線として結び、知識をネットワークの形で表したデータです。どの設備でどの部品を使い、どの不良が起きたかといった関係を横断的にたどれるようになります。製造業では、品質トレーサビリティや技術伝承、GraphRAGの土台として活用されています。",
        "en": "Data that represents knowledge as a network, with entities such as parts, equipment, processes and defects as nodes and their relationships as links. In manufacturing it supports traceability, knowledge transfer and GraphRAG.",
        "zh": "以网络形式表示知识的数据：零件、设备、工序、不良等作为节点，它们之间的关系作为连线。在制造业中用于质量追溯、技术传承和GraphRAG。"
      },
      "related": [
        "graphrag",
        "ontology",
        "asset-hierarchy"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/knowledge-graph"
    },
    {
      "id": "fine-tuning",
      "type": "entry",
      "ja": "ファインチューニング",
      "abbr": null,
      "en": "Fine-tuning",
      "zh": "微调",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "ファインチューニングは、事前学習済みのAIモデルに、自社や特定業務のデータで追加の学習を行い、用途に合わせて調整することです。社内用語や文書の書式、特定の判定基準などをモデルに覚えさせたい場合に使われます。知識の追加だけが目的ならRAGの方が更新しやすく、両者を目的に応じて使い分けます。",
        "en": "Additional training of a pre-trained model on company- or task-specific data to adapt it. It is used to teach in-house terminology, formats or judgment criteria, while RAG is often better for adding frequently changing knowledge.",
        "zh": "在预训练模型基础上，用企业或特定业务数据进行追加训练以适配用途。适用于让模型掌握内部术语、格式或判定标准；若只是补充知识，RAG通常更易更新。"
      },
      "related": [
        "llm",
        "transfer-learning",
        "rag"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/fine-tuning"
    },
    {
      "id": "multimodal-ai",
      "type": "entry",
      "ja": "マルチモーダルAI",
      "abbr": null,
      "en": "Multimodal AI",
      "zh": "多模态AI",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "マルチモーダルAIは、文章、画像、音声、センサーデータなど、種類の異なる情報をまとめて理解・生成できるAIです。製造業では、写真と作業記録を合わせた不具合報告の作成、図面と仕様書を突き合わせた確認などに応用されています。現場では情報が文字以外で残ることが多いため、活用の幅が広がっている分野です。",
        "en": "AI that can understand or generate several types of information, such as text, images, audio and sensor data, together. In factories it is used to draft defect reports from photos and notes or to cross-check drawings against specifications.",
        "zh": "能够同时理解或生成文本、图像、音频、传感器数据等多种信息的AI。在工厂中用于结合照片与记录生成不良报告、对照图纸与规格书进行核对等。"
      },
      "related": [
        "vlm",
        "llm",
        "vla"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/multimodal-ai"
    },
    {
      "id": "vlm",
      "type": "entry",
      "ja": "視覚言語モデル",
      "abbr": "VLM",
      "en": "Vision-Language Model",
      "zh": "视觉语言模型",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "視覚言語モデルは、画像と文章を組み合わせて理解し、画像についての質問に答えたり説明文を作ったりできるAIモデルです。製造業では、写真から異常箇所を言葉で説明させる、点検記録の写真を整理する、図面を読み取るといった用途が試されています。従来の検査専用モデルと比べ、細かな欠陥の検出精度や処理速度には課題が残ります。",
        "en": "An AI model that jointly understands images and text, answering questions about pictures or describing them. Manufacturers are testing it for describing anomalies in photos and reading drawings, though fine-defect accuracy and speed remain challenges.",
        "zh": "能够结合图像与文本进行理解、回答关于图像的问题或生成描述的AI模型。制造企业正在尝试用它描述照片中的异常、读取图纸等，但在细微缺陷检测精度和速度上仍有不足。"
      },
      "related": [
        "multimodal-ai",
        "vla",
        "zero-shot"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/vlm"
    },
    {
      "id": "diffusion-model",
      "type": "entry",
      "ja": "拡散モデル",
      "abbr": null,
      "en": "Diffusion Model",
      "zh": "扩散模型",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "拡散モデルは、ノイズを少しずつ取り除く過程を学習することで、新しい画像などを生成するAIモデルです。高品質な画像を作れることから、製造業では不良品画像を人工的に作って外観検査の学習データを補う用途で注目されています。生成した画像が実際の不良の特徴を正しく反映しているかの確認が欠かせません。",
        "en": "A generative model that creates images by learning to gradually remove noise. In manufacturing it is being used to synthesize defect images that supplement scarce training data for inspection.",
        "zh": "通过学习逐步去除噪声的过程来生成新图像等内容的模型。在制造业中被用于人工生成不良品图像，以补充外观检测的训练数据。"
      },
      "related": [
        "generative-ai",
        "synthetic-data",
        "data-augmentation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/diffusion-model"
    },
    {
      "id": "synthetic-data",
      "type": "entry",
      "ja": "合成データ",
      "abbr": null,
      "en": "Synthetic Data",
      "zh": "合成数据",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "合成データは、シミュレーションや生成AIなどで人工的に作ったデータです。実物では集めにくい不良品の画像や、危険で再現しにくい設備異常のデータを補うために使われます。ロボットの学習ではシミュレーション上で大量の合成データを作ることが一般的ですが、実データとの差をどう埋めるかが課題になります。",
        "en": "Data created artificially through simulation or generative AI. It supplements hard-to-collect cases such as rare defects or dangerous equipment failures, though closing the gap with real data remains a challenge.",
        "zh": "通过仿真或生成式AI等人工生成的数据，用于补充难以收集的罕见缺陷或危险设备故障等数据，但如何缩小与真实数据的差距仍是课题。"
      },
      "related": [
        "diffusion-model",
        "data-augmentation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/synthetic-data"
    },
    {
      "id": "ai-agent",
      "type": "entry",
      "ja": "AIエージェント",
      "abbr": null,
      "en": "AI Agent",
      "zh": "AI智能体",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "AIエージェントは、与えられた目標に対して、自ら手順を考え、外部のツールやシステムを呼び出しながらタスクを実行するAIの仕組みです。製造業では、設備アラームを受けて関連データや手順書を調べ、対応案をまとめるといった使い方が検討されています。システムを操作できる分、権限の範囲や人の承認をどこに入れるかの設計が重要です。",
        "en": "An AI system that plans steps toward a goal and carries out tasks by calling external tools and systems. In factories it is being explored for tasks such as investigating an alarm and drafting a response, which makes permission design and human approval points essential.",
        "zh": "面向给定目标自行规划步骤，并调用外部工具和系统执行任务的AI机制。在工厂中正被探索用于接收报警后调查数据和规程并提出对策，因此权限范围和人工审批节点的设计至关重要。"
      },
      "related": [
        "agentic-ai",
        "tool-use",
        "human-in-the-loop"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ai-agent"
    },
    {
      "id": "agentic-ai",
      "type": "entry",
      "ja": "エージェント型AI",
      "abbr": null,
      "en": "Agentic AI",
      "zh": "代理式AI",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "エージェント型AIは、指示に答えるだけでなく、目標達成のために計画・実行・確認を自律的に繰り返すAIのあり方を指す言葉です。複数のシステムをまたいで業務を進められる可能性がある一方、コストの増大や価値の不明確さ、リスク管理の不足から中止されるプロジェクトも多いと指摘されています。適用範囲と自律の度合いを段階的に広げるのが現実的な進め方です。",
        "en": "AI that goes beyond answering prompts to autonomously plan, act and check its work toward a goal. Its potential spans multiple systems, but many projects are expected to be cancelled over cost, unclear value or weak risk controls.",
        "zh": "不仅回应指令，还能为实现目标自主反复进行计划、执行和检查的AI形态。可跨多个系统推进业务，但也有不少项目因成本上升、价值不明确或风险管控不足而被叫停。"
      },
      "related": [
        "ai-agent",
        "multi-agent",
        "agent-washing"
      ],
      "references": [
        "Gartner（2025年6月25日発表）"
      ],
      "url": "https://mfg-ai.com/terms/agentic-ai"
    },
    {
      "id": "multi-agent",
      "type": "entry",
      "ja": "マルチエージェント",
      "abbr": null,
      "en": "Multi-Agent System",
      "zh": "多智能体系统",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "マルチエージェントは、役割の異なる複数のAIエージェントが分担・連携して、一つの大きな業務を進める仕組みです。たとえばデータ収集、分析、報告書作成を別々のエージェントが担当し、結果を受け渡します。構成が複雑になるほど誤りの原因を追いにくくなるため、各エージェントの動作記録と監視の仕組みが重要です。",
        "en": "A setup in which several AI agents with different roles divide and coordinate work on a larger task, such as data collection, analysis and reporting. Logging and monitoring each agent becomes important as complexity grows.",
        "zh": "由多个分工不同的AI智能体协作完成一项较大任务的机制，例如分别负责数据收集、分析和报告撰写。结构越复杂，越需要记录和监控各智能体的行为。"
      },
      "related": [
        "ai-agent",
        "low-code",
        "agentic-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/multi-agent"
    },
    {
      "id": "tool-use",
      "type": "entry",
      "ja": "ツール呼び出し（Function Calling）",
      "abbr": null,
      "en": "Tool Use / Function Calling",
      "zh": "工具调用",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "ツール呼び出しは、大規模言語モデルが回答の途中で、検索、計算、データベース照会、業務システムの操作などの外部機能を呼び出して使う仕組みです。AIエージェントが実際の業務を行うための基本となる機能です。製造業では、MESや保全システムのデータを参照させる用途で使われ、読み取りと書き込みで権限を分けて設計します。",
        "en": "A mechanism by which a language model calls external functions, such as search, calculation, database queries or business system operations, while generating a response. It is the basic capability that lets AI agents act on real systems.",
        "zh": "大语言模型在生成回答过程中调用检索、计算、数据库查询或业务系统操作等外部功能的机制，是AI智能体执行实际业务的基础能力。"
      },
      "related": [
        "ai-agent",
        "mcp",
        "api"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/tool-use"
    },
    {
      "id": "mcp",
      "type": "entry",
      "ja": "Model Context Protocol",
      "abbr": "MCP",
      "en": "Model Context Protocol",
      "zh": "模型上下文协议",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "Model Context Protocolは、AIアシスタントを外部のデータやツールにつなぐための共通の手順を定めたオープンな規格で、Anthropicが2024年11月に発表しました。対応するサーバーを用意すれば、異なるAIアプリから同じ方法で社内システムやファイルに接続できます。製造業でも、MESや設備データをAIエージェントから参照させる手段として検討が進んでいます。",
        "en": "An open standard, announced by Anthropic in November 2024, that defines a common way to connect AI assistants to external data and tools. It lets different AI applications reach internal systems and files through the same interface.",
        "zh": "Anthropic于2024年11月发布的开放标准，规定了AI助手连接外部数据和工具的通用方式，使不同AI应用能以相同接口访问企业内部系统和文件。"
      },
      "related": [
        "tool-use",
        "ai-agent",
        "opc-ua"
      ],
      "references": [
        "Model Context Protocol 仕様（Anthropic、2024年11月25日発表）"
      ],
      "url": "https://mfg-ai.com/terms/mcp"
    },
    {
      "id": "agent-washing",
      "type": "entry",
      "ja": "エージェント・ウォッシング",
      "abbr": null,
      "en": "Agent Washing",
      "zh": "智能体概念炒作",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "エージェント・ウォッシングは、既存のAIアシスタント、RPA、チャットボットなどを、実態以上に「AIエージェント」とうたって売り込む動きを指す言葉です。Gartnerが2025年に注意を促しました。製品を選ぶ際は、提案のみか、承認後に実行するか、自律的に実行するかといった自律性の範囲を具体的に確認することが重要です。",
        "en": "Marketing existing AI assistants, RPA tools or chatbots as AI agents beyond what they can actually do, a trend highlighted by Gartner in 2025. Buyers should check concretely whether a product only suggests, acts after approval or acts autonomously.",
        "zh": "将现有AI助手、RPA或聊天机器人夸大宣传为AI智能体的做法，Gartner于2025年对此提出警示。选型时应具体确认产品是仅提供建议、审批后执行还是自主执行。"
      },
      "related": [
        "agentic-ai",
        "ai-agent",
        "copilot"
      ],
      "references": [
        "Gartner（2025年6月25日発表）"
      ],
      "url": "https://mfg-ai.com/terms/agent-washing"
    },
    {
      "id": "copilot",
      "type": "entry",
      "ja": "コパイロット",
      "abbr": null,
      "en": "Copilot",
      "zh": "AI助手",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "コパイロットは、人の作業のそばで提案や下書き、情報検索などを行い、最終判断は人が行う形のAIアシスタントを指す言葉です。製造業向けには、設計、PLCプログラミング、設備保全、現場オペレーションなどの領域で各社が製品を提供しています。自律的に作業を実行するAIエージェントと比べ、人が主導権を持つ点が特徴です。",
        "en": "An AI assistant that works alongside a person, offering suggestions, drafts and information while the human makes the final decision. Vendors offer copilots for design, PLC programming, maintenance and operations.",
        "zh": "在人身边提供建议、草稿和信息检索，由人作最终判断的AI助手。厂商面向设计、PLC编程、设备维护和现场运营等领域推出了相关产品。"
      },
      "related": [
        "ai-agent",
        "llm",
        "human-in-the-loop"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/copilot"
    },
    {
      "id": "human-in-the-loop",
      "type": "entry",
      "ja": "ヒューマン・イン・ザ・ループ",
      "abbr": "HITL",
      "en": "Human-in-the-Loop",
      "zh": "人在回路",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "ヒューマン・イン・ザ・ループは、AIの判断や処理の流れの中に、人による確認や承認、修正の工程を組み込む考え方です。AIの判定に自信がないケースを検査員が確認する、AIエージェントの操作を担当者が承認してから実行する、といった形で使われます。品質や安全への責任を明確にしつつ、人の修正結果をAIの改善にも生かせます。",
        "en": "An approach that builds human review, approval or correction into an AI workflow. Examples include inspectors checking uncertain AI judgments and staff approving agent actions before execution, which clarifies accountability and feeds improvements back to the model.",
        "zh": "在AI判断或处理流程中加入人工确认、审批或修正环节的思路。例如由检验员复核AI不确定的判定、由负责人审批后AI智能体再执行操作，既明确责任，也可用人工修正结果改进模型。"
      },
      "related": [
        "approval-gate",
        "ai-agent",
        "ai-governance"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/human-in-the-loop"
    },
    {
      "id": "approval-gate",
      "type": "entry",
      "ja": "承認ゲート",
      "abbr": null,
      "en": "Approval Gate",
      "zh": "审批关卡",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "承認ゲートは、AIエージェントやワークフローが重要な操作を実行する直前に処理を止め、担当者の承認を得てから先に進める仕組みです。製造業では、設備パラメータの変更、発注の確定、品質記録の書き換えなど、取り消しにくい操作の前に置くのが一般的です。どの操作を承認対象にするかを事前に一覧化し、承認者と承認内容を記録に残すことで、責任の所在と監査への対応を明確にできます。",
        "en": "A checkpoint that pauses an AI agent or workflow before a consequential action and resumes only after a person approves it. In manufacturing it is typically placed before hard-to-reverse actions such as changing equipment parameters or confirming purchase orders.",
        "zh": "在AI智能体或工作流执行重要操作之前暂停处理、经负责人批准后才继续的机制。在制造业中，通常设置在变更设备参数、确认采购订单等难以撤销的操作之前。"
      },
      "related": [
        "human-in-the-loop",
        "least-privilege",
        "audit-trail"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/approval-gate"
    },
    {
      "id": "guardrail",
      "type": "entry",
      "ja": "ガードレール",
      "abbr": null,
      "en": "Guardrail",
      "zh": "护栏机制",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "ガードレールは、生成AIの入力と出力を検査し、方針に反する内容や危険な操作を止めるための制御の総称です。禁止語や個人情報のフィルタ、回答範囲の制限、出力形式の検証、ツール実行の許可リストなどを組み合わせて構成します。製造現場では、安全に関わる手順の誤った回答や、設備への想定外の書き込みを防ぐ目的で、モデルの外側に仕組みとして置くことが重要です。",
        "en": "A collective term for controls that inspect a generative AI system's inputs and outputs and block content or actions that violate policy. Typical elements include content filters, scope restrictions, output validation and allow-lists for tool calls.",
        "zh": "对生成式AI的输入和输出进行检查、拦截违反方针的内容或危险操作的各类控制措施的统称。通常由内容过滤、回答范围限制、输出格式校验和工具调用白名单等组合构成。"
      },
      "related": [
        "hallucination",
        "prompt-injection",
        "approval-gate"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/guardrail"
    },
    {
      "id": "prompt-injection",
      "type": "entry",
      "ja": "プロンプトインジェクション",
      "abbr": null,
      "en": "Prompt Injection",
      "zh": "提示词注入",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "プロンプトインジェクションは、文書やWebページ、メールなどに紛れ込ませた指示文によって、LLMに本来の指示とは異なる動作をさせる攻撃です。RAGで読み込む社内文書や、エージェントが取得する外部データに悪意ある指示が含まれていると、情報の持ち出しや不正な操作につながるおそれがあります。モデル側だけで完全に防ぐことは難しく、ツール権限の最小化や重要操作の承認ゲートと組み合わせて被害を抑える設計が求められます。OWASPのLLMアプリケーション向けTop 10でも主要なリスクとして挙げられています。",
        "en": "An attack in which instructions hidden in documents, web pages or other inputs cause an LLM to behave differently from its intended instructions. Because it is hard to prevent at the model level alone, it is mitigated by limiting tool permissions and requiring approval for critical actions.",
        "zh": "通过混入文档、网页或邮件等中的指令，使大语言模型偏离原有指令执行操作的攻击方式。仅靠模型本身难以完全防御，需要结合最小化工具权限和关键操作审批等设计来控制损害。"
      },
      "related": [
        "guardrail",
        "least-privilege",
        "ai-security"
      ],
      "references": [
        "OWASP Top 10 for LLM Applications 2025"
      ],
      "url": "https://mfg-ai.com/terms/prompt-injection"
    },
    {
      "id": "plc-code-generation",
      "type": "entry",
      "ja": "PLCコード生成",
      "abbr": null,
      "en": "PLC Code Generation",
      "zh": "PLC代码生成",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "PLCコード生成は、自然言語の指示や仕様書から、生成AIを使ってPLCのプログラムを作成する取り組みです。構造化テキスト（ST）などIEC 61131-3の言語での生成が中心で、既存プログラムの解説やコメント付け、テストケースの作成にも使われます。生成されたコードは設備の動作に直結するため、シミュレーションでの検証、レビュー、インターロックなど安全機能を生成対象から外す運用ルールを前提に使う必要があります。",
        "en": "The use of generative AI to produce PLC programs from natural-language instructions or specifications, mainly in IEC 61131-3 languages such as Structured Text. Because the code directly drives equipment, it must be verified in simulation and reviewed before deployment.",
        "zh": "利用生成式AI，根据自然语言指令或规格书生成PLC程序的做法，以结构化文本等IEC 61131-3语言为主。由于代码直接驱动设备，部署前必须经过仿真验证和人工审查。"
      },
      "related": [
        "iec-61131-3",
        "llm",
        "plc"
      ],
      "references": [
        "IEC 61131-3"
      ],
      "url": "https://mfg-ai.com/terms/plc-code-generation"
    },
    {
      "id": "ai-ocr",
      "type": "entry",
      "ja": "AI-OCR",
      "abbr": null,
      "en": "AI-based Optical Character Recognition",
      "zh": "AI光学字符识别",
      "category": "画像・センシング",
      "definition": {
        "ja": "AI-OCRは、深層学習を使って画像やスキャンした帳票から文字を読み取る技術です。従来のOCRが苦手とした手書き文字や崩れた印字、表形式の帳票にも対応しやすくなっています。製造業では、紙の点検表・作業日報・検査成績書のデータ化や、銘板・ラベルの読み取りに使われ、読み取り結果を人が確認する工程を残すかどうかが運用設計の論点になります。",
        "en": "Character recognition that uses deep learning to read text from images and scanned forms, handling handwriting and tabular layouts better than conventional OCR. In manufacturing it is used to digitize paper inspection sheets and daily work reports.",
        "zh": "利用深度学习从图像或扫描单据中识别文字的技术，比传统OCR更能应对手写字和表格类单据。在制造业中用于将纸质点检表、作业日报等数据化。"
      },
      "related": [
        "document-parsing",
        "inspection-record-digitization",
        "vlm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ai-ocr"
    },
    {
      "id": "machine-vision",
      "type": "entry",
      "ja": "マシンビジョン",
      "abbr": null,
      "en": "Machine Vision",
      "zh": "机器视觉",
      "category": "画像・センシング",
      "definition": {
        "ja": "マシンビジョンは、カメラと画像処理によって、製品や部品の位置・寸法・外観などを機械が自動で判断する技術の総称です。カメラ、レンズ、照明、画像処理ソフトウェア、判定結果を設備に返す制御系で構成されます。従来はルールベースの画像処理が中心でしたが、近年は判定部分に深層学習を組み合わせ、ばらつきの大きい外観不良にも対応する例が増えています。",
        "en": "A general term for technology in which machines use cameras and image processing to automatically judge the position, dimensions or appearance of products and parts. Rule-based processing is increasingly combined with deep learning for variable defects.",
        "zh": "利用相机和图像处理，由机器自动判断产品或零件的位置、尺寸、外观等的技术统称。传统上以规则型图像处理为主，近年越来越多地结合深度学习来应对波动较大的外观不良。"
      },
      "related": [
        "visual-inspection-ai",
        "industrial-camera",
        "lighting-design"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/machine-vision"
    },
    {
      "id": "visual-inspection-ai",
      "type": "entry",
      "ja": "外観検査AI",
      "abbr": null,
      "en": "AI-based Visual Inspection",
      "zh": "AI外观检测",
      "category": "画像・センシング",
      "definition": {
        "ja": "外観検査AIは、カメラで撮影した製品の画像から、キズ・汚れ・欠け・異物などの不良を機械学習モデルで判定する仕組みです。良品画像だけを学習して良品らしくないものを見つける方式と、不良画像も学習して種類まで分類する方式があります。いずれの方式でも、照明や撮像条件の安定が精度を大きく左右し、見逃しと過検出のどちらを優先して抑えるかを現場と決めておく必要があります。",
        "en": "A system that uses machine-learning models to judge defects such as scratches, stains, chips or foreign matter from camera images of products. Stable lighting and imaging conditions largely determine its accuracy.",
        "zh": "利用机器学习模型，根据相机拍摄的产品图像判定划痕、污渍、缺损、异物等不良的系统。照明和成像条件的稳定性在很大程度上决定检测精度。"
      },
      "related": [
        "machine-vision",
        "good-only-learning",
        "patchcore"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/visual-inspection-ai"
    },
    {
      "id": "good-only-learning",
      "type": "entry",
      "ja": "良品学習",
      "abbr": null,
      "en": "Good-Only Learning",
      "zh": "仅良品学习",
      "category": "画像・センシング",
      "definition": {
        "ja": "良品学習は、良品のデータだけでモデルを学習し、良品の分布から外れたものを異常として検出する方式です。不良品のサンプルが集めにくい立ち上げ期や、不良の種類が多く事前に網羅できない工程で使われます。異常かどうかは判定できますが不良の種類までは分からないため、不良が集まった段階で分類モデルを併用する運用がよく取られます。",
        "en": "An approach in which a model is trained only on good (normal) samples and flags anything that deviates from their distribution as anomalous. It suits lines where defect samples are scarce or too varied to collect in advance.",
        "zh": "仅用良品数据训练模型，将偏离良品分布的对象检测为异常的方法。适用于不良样本难以收集或不良种类过多而无法事先穷举的工序。"
      },
      "related": [
        "visual-inspection-ai",
        "patchcore",
        "anomaly-detection"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/good-only-learning"
    },
    {
      "id": "patchcore",
      "type": "entry",
      "ja": "PatchCore",
      "abbr": null,
      "en": "PatchCore",
      "zh": "PatchCore",
      "category": "画像・センシング",
      "definition": {
        "ja": "PatchCoreは、良品画像だけを使う画像異常検知の代表的な手法で、2022年にCVPRで発表されました。事前学習済みCNNの中間層から画像の小領域（パッチ）ごとの特徴を取り出してメモリに保存し、検査画像の各パッチが最も近い良品特徴からどれだけ離れているかで異常度を求めます。追加のネットワーク学習が不要で、MVTec ADで高い精度を示したことから、外観検査AIの比較基準として広く使われています。",
        "en": "An image anomaly-detection method using only good samples, presented at CVPR 2022. It stores patch-level features from a pretrained CNN in a memory bank and scores each test patch by its distance to the nearest stored feature.",
        "zh": "仅使用良品图像的代表性图像异常检测方法，于2022年在CVPR上发表。它将预训练CNN中间层提取的图像块特征存入记忆库，以检测图像各图像块与最近良品特征的距离作为异常度。"
      },
      "related": [
        "padim",
        "efficientad",
        "mvtec-ad"
      ],
      "references": [
        "Towards Total Recall in Industrial Anomaly Detection（Roth et al., CVPR 2022）"
      ],
      "url": "https://mfg-ai.com/terms/patchcore"
    },
    {
      "id": "padim",
      "type": "entry",
      "ja": "PaDiM",
      "abbr": null,
      "en": "PaDiM",
      "zh": "PaDiM",
      "category": "画像・センシング",
      "definition": {
        "ja": "PaDiMは、良品画像の特徴を画像内の位置ごとに多変量ガウス分布で表し、検査画像との違いをマハラノビス距離で評価する画像異常検知の手法です。事前学習済みCNNの特徴を使うためネットワークの再学習が要らず、位置ごとに分布を持つことで、ワークの位置が安定した検査で欠陥の場所を示しやすい特徴があります。ワークの位置ずれが大きい工程では、位置合わせの前処理が精度を左右します。",
        "en": "An image anomaly-detection method that models good-sample features at each image position with a multivariate Gaussian and scores test images by Mahalanobis distance. It needs no network retraining and works best when parts are consistently positioned.",
        "zh": "一种图像异常检测方法，用多元高斯分布表示良品图像在各位置的特征，并以马氏距离评估检测图像的差异。无需重新训练网络，适合工件位置稳定的检测场景。"
      },
      "related": [
        "patchcore",
        "good-only-learning",
        "mvtec-ad"
      ],
      "references": [
        "PaDiM（Defard et al., arXiv 2011.08785）"
      ],
      "url": "https://mfg-ai.com/terms/padim"
    },
    {
      "id": "efficientad",
      "type": "entry",
      "ja": "EfficientAD",
      "abbr": null,
      "en": "EfficientAD",
      "zh": "EfficientAD",
      "category": "画像・センシング",
      "definition": {
        "ja": "EfficientADは、推論の速さを重視した画像異常検知の手法で、教師ネットワークと生徒ネットワークの出力の差、およびオートエンコーダーの再構成の差から異常度を求めます。論文ではミリ秒単位の推論遅延が報告されており、タクトの短いラインやエッジ機器での外観検査に向いています。部品の欠落や組み合わせの誤りといった論理的な異常も捉えやすいよう設計されている点が特徴です。",
        "en": "An image anomaly-detection method focused on inference speed, combining student-teacher networks with an autoencoder. Its millisecond-level latency makes it suitable for short-cycle lines and edge devices.",
        "zh": "注重推理速度的图像异常检测方法，结合师生网络与自编码器计算异常度。其毫秒级的推理延迟使其适用于节拍短的产线和边缘设备。"
      },
      "related": [
        "patchcore",
        "padim",
        "inference"
      ],
      "references": [
        "EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies（Batzner et al.）"
      ],
      "url": "https://mfg-ai.com/terms/efficientad"
    },
    {
      "id": "mvtec-ad",
      "type": "entry",
      "ja": "MVTec AD",
      "abbr": null,
      "en": "MVTec Anomaly Detection Dataset",
      "zh": "MVTec异常检测数据集",
      "category": "画像・センシング",
      "definition": {
        "ja": "MVTec ADは、工業製品の画像異常検知を評価するための公開データセットで、ドイツのMVTec社が2019年に発表しました。ねじ、ケーブル、木材、カーペットなど15カテゴリの高解像度画像を含み、学習用は良品のみ、評価用に傷やへこみなど多様な欠陥画像が用意されています。PatchCoreなど多くの手法がこのデータセットで精度を比較していますが、実際の工場の撮像条件や不良とは差があるため、自社データでの検証は別に必要です。",
        "en": "A public dataset for evaluating industrial image anomaly detection, released by MVTec in 2019, with 15 categories of high-resolution images. Training sets contain only good samples, while test sets include a wide range of defects.",
        "zh": "由德国MVTec公司于2019年发布、用于评估工业图像异常检测的公开数据集，包含15个类别的高分辨率图像。训练集只有良品，测试集包含多种缺陷图像。"
      },
      "related": [
        "patchcore",
        "auroc",
        "cmapss"
      ],
      "references": [
        "MVTec AD（Bergmann et al., CVPR 2019）"
      ],
      "url": "https://mfg-ai.com/terms/mvtec-ad"
    },
    {
      "id": "image-classification",
      "type": "entry",
      "ja": "画像分類",
      "abbr": null,
      "en": "Image Classification",
      "zh": "图像分类",
      "category": "画像・センシング",
      "definition": {
        "ja": "画像分類は、1枚の画像全体に対して、あらかじめ決めたクラスのどれに当たるかを判定するタスクです。外観検査では、良品・不良品の判定や、キズ・打痕・汚れといった不良の種類の振り分けに使われます。不良が画像のどこにあるかは出力されないため、位置まで必要な場合は物体検出やセグメンテーションを使います。",
        "en": "A task that assigns an entire image to one of a set of predefined classes. In inspection it is used to separate good from defective parts or to sort defect types, but it does not output where the defect is.",
        "zh": "判断一整张图像属于预先设定的哪个类别的任务。在外观检测中用于区分良品与不良品或对不良类型进行分类，但不输出缺陷所在位置。"
      },
      "related": [
        "cnn",
        "object-detection",
        "classification"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/image-classification"
    },
    {
      "id": "object-detection",
      "type": "entry",
      "ja": "物体検出",
      "abbr": null,
      "en": "Object Detection",
      "zh": "目标检测",
      "category": "画像・センシング",
      "definition": {
        "ja": "物体検出は、画像の中にある対象物の種類と位置を、矩形の枠（バウンディングボックス）で出力するタスクです。製造業では、部品の有無や数の確認、作業者や保護具の検知、ピッキング対象の位置特定などに使われます。YOLO系などの高速なモデルが多く、エッジ機器でのリアルタイム処理に向いています。",
        "en": "A task that outputs the class and location of objects in an image as bounding boxes. In manufacturing it is used to check part presence and count, detect workers and PPE, and locate items for picking.",
        "zh": "以矩形框输出图像中目标物体的类别和位置的任务。在制造业中用于确认零件有无和数量、检测作业人员与劳保用品、定位拣选对象等。"
      },
      "related": [
        "edge-ai",
        "image-classification",
        "segmentation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/object-detection"
    },
    {
      "id": "segmentation",
      "type": "entry",
      "ja": "セグメンテーション",
      "abbr": null,
      "en": "Image Segmentation",
      "zh": "图像分割",
      "category": "画像・センシング",
      "definition": {
        "ja": "セグメンテーションは、画像の各画素がどのクラスに属するかを判定し、対象の領域を形まで切り出すタスクです。外観検査では、キズや汚れの面積や形状を測りたい場合や、不良の範囲を基準と照らして合否を決めたい場合に使われます。学習には画素単位のアノテーションが必要で、ラベル付けの工数が物体検出より大きくなる点に注意が必要です。",
        "en": "A task that classifies each pixel of an image to extract the exact region of objects. In inspection it is used to measure the area and shape of defects, but it requires pixel-level annotation.",
        "zh": "判断图像中每个像素所属类别、按形状提取目标区域的任务。在外观检测中用于测量缺陷的面积和形状，但需要像素级标注。"
      },
      "related": [
        "object-detection",
        "foundation-model",
        "defect-localization"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/segmentation"
    },
    {
      "id": "defect-localization",
      "type": "entry",
      "ja": "欠陥位置特定",
      "abbr": null,
      "en": "Defect Localization",
      "zh": "缺陷定位",
      "category": "画像・センシング",
      "definition": {
        "ja": "欠陥位置特定は、不良と判定した画像の中で、欠陥がどこにあるかを示すことです。異常検知モデルが出す異常度マップや、セグメンテーションの結果、Grad-CAMのような可視化手法で示されます。位置が分かると、作業者が判定結果を確認しやすくなるほか、不良の発生箇所の偏りから工程側の原因を探る手がかりにもなります。",
        "en": "Indicating where a defect is located within an image judged defective, using anomaly maps, segmentation output or visualization methods. Knowing the location helps operators verify results and trace process causes.",
        "zh": "在被判定为不良的图像中指出缺陷所在位置，通常借助异常度热图、分割结果或可视化方法实现。位置信息便于作业人员确认判定结果，也有助于追查工序原因。"
      },
      "related": [
        "segmentation",
        "grad-cam",
        "visual-inspection-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/defect-localization"
    },
    {
      "id": "grad-cam",
      "type": "entry",
      "ja": "Grad-CAM",
      "abbr": "Grad-CAM",
      "en": "Gradient-weighted Class Activation Mapping",
      "zh": "Grad-CAM",
      "category": "画像・センシング",
      "definition": {
        "ja": "Grad-CAMは、CNNが画像のどの部分を根拠に判定したかを、ヒートマップで可視化する手法です。分類結果に対する勾配を使って、判定に強く効いた領域を色で示します。外観検査AIでは、モデルが不良そのものではなく背景や治具の映り込みを根拠にしていないかを確かめる用途に使われ、説明可能性を補う手段の一つです。",
        "en": "A method that visualizes, as a heatmap, which regions of an image a CNN relied on for its decision, using gradients of the predicted class. In inspection it helps confirm the model is looking at the defect rather than background artifacts.",
        "zh": "利用预测类别的梯度，以热力图形式可视化CNN依据图像哪些区域作出判断的方法。在外观检测中用于确认模型关注的是缺陷本身，而不是背景或治具。"
      },
      "related": [
        "explainable-ai",
        "defect-localization",
        "cnn"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/grad-cam"
    },
    {
      "id": "industrial-camera",
      "type": "entry",
      "ja": "産業用カメラ",
      "abbr": null,
      "en": "Industrial Camera",
      "zh": "工业相机",
      "category": "画像・センシング",
      "definition": {
        "ja": "産業用カメラは、工場の検査や計測向けに作られたカメラで、外部トリガーでの撮影、長時間の連続稼働、振動や温度への耐性などを備えています。画素数、フレームレート、シャッター方式（グローバル／ローリング）、モノクロかカラーか、接続規格などを、検査対象の大きさや搬送速度に合わせて選びます。AIの精度はカメラとレンズ、照明の組み合わせで決まる撮像品質に大きく依存します。",
        "en": "A camera designed for factory inspection and measurement, with external triggering, continuous operation and resistance to vibration and heat. Resolution, frame rate, shutter type and interface are chosen to match the target size and line speed.",
        "zh": "为工厂检测和测量设计的相机，具备外部触发拍摄、长时间连续运行以及耐振动和耐温等特性。需根据检测对象大小和输送速度选择分辨率、帧率、快门方式和接口。"
      },
      "related": [
        "machine-vision",
        "lighting-design",
        "visual-inspection-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/industrial-camera"
    },
    {
      "id": "lighting-design",
      "type": "entry",
      "ja": "照明設計（撮像条件）",
      "abbr": null,
      "en": "Lighting Design for Imaging",
      "zh": "打光设计",
      "category": "画像・センシング",
      "definition": {
        "ja": "照明設計（撮像条件）は、検査したい不良がはっきり写るように、照明の種類・角度・色・明るさとカメラの位置を決めることです。同軸落射、ローアングル、バックライトなどを使い分けることで、キズや凹凸、異物のコントラストを高めます。照明が不安定だとAIを高度にしても精度が出ないため、外観検査では撮像条件の設計を最初の工程として扱うのが一般的です。",
        "en": "Choosing the type, angle, color and intensity of lighting and the camera position so that the target defects appear clearly. Unstable lighting limits accuracy regardless of how advanced the AI model is.",
        "zh": "为使待检缺陷清晰成像，确定光源类型、角度、颜色、亮度及相机位置的工作。若照明不稳定，即使使用先进的AI模型也难以获得足够精度。"
      },
      "related": [
        "industrial-camera",
        "machine-vision",
        "visual-inspection-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/lighting-design"
    },
    {
      "id": "3d-vision",
      "type": "entry",
      "ja": "3Dビジョン",
      "abbr": null,
      "en": "3D Vision",
      "zh": "3D视觉",
      "category": "画像・センシング",
      "definition": {
        "ja": "3Dビジョンは、対象物の奥行きや立体形状を計測する画像技術の総称です。ステレオカメラ、パターン投影、レーザー三角測量、ToFなどの方式があり、点群や距離画像として形状を取得します。製造業では、ばら積み部品のピッキング、溶接ビードや部品の高さ・平面度の検査、組立時の位置合わせなどに使われます。",
        "en": "A general term for imaging technologies that measure depth and 3D shape, using methods such as stereo cameras, structured light, laser triangulation and time-of-flight. Uses include bin picking, height and flatness inspection, and assembly alignment.",
        "zh": "测量对象物深度和立体形状的图像技术统称，方式包括双目相机、结构光、激光三角测量和ToF等。在制造业中用于散堆拣选、高度与平面度检测以及装配定位。"
      },
      "related": [
        "point-cloud",
        "bin-picking",
        "machine-vision"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/3d-vision"
    },
    {
      "id": "point-cloud",
      "type": "entry",
      "ja": "点群",
      "abbr": null,
      "en": "Point Cloud",
      "zh": "点云",
      "category": "画像・センシング",
      "definition": {
        "ja": "点群は、物体の表面を三次元座標の点の集まりとして表したデータです。3Dカメラやレーザースキャナーで取得し、形状の計測、CADデータとの比較、ロボットの把持位置の計算などに使います。点の数が多くデータ量が大きいため、間引きやノイズ除去などの前処理が処理速度と精度を左右します。",
        "en": "Data that represents an object's surface as a set of points in 3D coordinates, captured by 3D cameras or laser scanners. It is used for shape measurement, comparison with CAD data and calculating robot grasp positions.",
        "zh": "以三维坐标点的集合表示物体表面的数据，通过3D相机或激光扫描仪获取。用于形状测量、与CAD数据比对以及计算机器人抓取位置等。"
      },
      "related": [
        "3d-vision",
        "amr",
        "bin-picking"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/point-cloud"
    },
    {
      "id": "hyperspectral-imaging",
      "type": "entry",
      "ja": "ハイパースペクトルイメージング",
      "abbr": null,
      "en": "Hyperspectral Imaging",
      "zh": "高光谱成像",
      "category": "画像・センシング",
      "definition": {
        "ja": "ハイパースペクトルイメージングは、可視光から近赤外などの波長を細かく分けて撮影し、画素ごとに分光情報を得る技術です。見た目の色が同じでも材質や成分の違いを識別できるため、食品の異物検知、樹脂の種類判別、農産物の品質評価などに使われます。データ量が大きく、装置も高価になりやすいため、必要な波長を絞り込んで実装コストを下げる検討がよく行われます。",
        "en": "An imaging technique that captures many narrow wavelength bands so that each pixel carries spectral information. It can distinguish materials that look identical, and is used for foreign-matter detection in food and resin sorting.",
        "zh": "将可见光至近红外等波长细分拍摄、使每个像素都带有光谱信息的成像技术。可识别外观颜色相同但材质不同的对象，用于食品异物检测和树脂分类等。"
      },
      "related": [
        "foreign-matter-detection",
        "machine-vision",
        "industrial-camera"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/hyperspectral-imaging"
    },
    {
      "id": "x-ray-inspection",
      "type": "entry",
      "ja": "X線検査",
      "abbr": null,
      "en": "X-ray Inspection",
      "zh": "X射线检测",
      "category": "画像・センシング",
      "definition": {
        "ja": "X線検査は、X線の透過量の違いを画像化して、外からは見えない内部の状態を調べる検査です。食品や医薬品の異物混入検査、電子基板のはんだ接合の確認、鋳物の巣（空洞）の検出などに使われます。透過画像の判定は熟練が必要な場合が多く、AIによる自動判定や判定支援の導入が進んでいます。",
        "en": "An inspection method that images differences in X-ray transmission to examine internal conditions not visible from outside. It is used to detect foreign matter in food, check solder joints and find voids in castings.",
        "zh": "将X射线透射量的差异成像、检查外部看不见的内部状态的检测方法。用于食品异物检测、电路板焊点确认以及铸件气孔检测等。"
      },
      "related": [
        "foreign-matter-detection",
        "visual-inspection-ai",
        "3d-vision"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/x-ray-inspection"
    },
    {
      "id": "non-destructive-testing",
      "type": "entry",
      "ja": "非破壊検査",
      "abbr": "NDT",
      "en": "Non-Destructive Testing",
      "zh": "无损检测",
      "category": "画像・センシング",
      "definition": {
        "ja": "非破壊検査は、製品や構造物を壊さずに、内部の欠陥や材料の状態を調べる検査の総称です。X線、超音波、渦電流、磁粉、浸透探傷などの方式があり、溶接部や鋳造品、配管などの検査に使われます。検査結果の判定は有資格者の目視に頼る部分が大きく、画像や波形の判定にAIを使って負担を減らす取り組みが進んでいます。",
        "en": "A general term for inspection methods that examine internal defects or material conditions without damaging the part. Methods include X-ray, ultrasonic, eddy current, magnetic particle and penetrant testing.",
        "zh": "在不破坏产品或结构的前提下检查内部缺陷或材料状态的检测方法统称，包括射线、超声、涡流、磁粉和渗透检测等。"
      },
      "related": [
        "x-ray-inspection",
        "condition-monitoring",
        "3d-vision"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/non-destructive-testing"
    },
    {
      "id": "foreign-matter-detection",
      "type": "entry",
      "ja": "異物検知",
      "abbr": null,
      "en": "Foreign Matter Detection",
      "zh": "异物检测",
      "category": "画像・センシング",
      "definition": {
        "ja": "異物検知は、製品や原料に本来含まれないもの（金属片、樹脂片、毛髪、虫など）が混入していないかを見つける検査です。食品・医薬品では品質と安全に直結し、金属検出機、X線検査、画像検査、ハイパースペクトルイメージングなどを対象物と異物の種類に応じて使い分けます。異物は種類が多く発生頻度も低いため、良品学習による異常検知との相性がよい分野です。",
        "en": "Inspection that finds materials that should not be in a product or raw material, such as metal fragments, plastic, hair or insects. Detection methods are chosen by product and contaminant type, and good-only anomaly detection fits well because contaminants are rare and varied.",
        "zh": "检测产品或原料中是否混入不应存在之物（金属屑、塑料片、毛发、虫子等）的检查。需根据产品和异物种类选择检测方式，由于异物种类多且发生频率低，适合采用仅良品学习的异常检测。"
      },
      "related": [
        "x-ray-inspection",
        "hyperspectral-imaging",
        "visual-inspection-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/foreign-matter-detection"
    },
    {
      "id": "aoi",
      "type": "entry",
      "ja": "自動光学検査",
      "abbr": "AOI",
      "en": "Automated Optical Inspection",
      "zh": "自动光学检测",
      "category": "画像・センシング",
      "definition": {
        "ja": "自動光学検査（AOI）は、カメラと画像処理で電子基板などを自動検査する装置・工程です。表面実装（SMT）ラインでは、部品の欠品、位置ずれ、極性違い、はんだの過不足やブリッジなどを検出します。ルールベースの判定では過検出が多くなりやすく、目視での再確認の負担を減らすためにAIで判定を補う事例が増えています。",
        "en": "Equipment or a process that automatically inspects items such as printed circuit boards using cameras and image processing. On SMT lines it detects missing or misaligned parts, wrong polarity and solder defects, and AI is increasingly used to reduce false calls.",
        "zh": "利用相机和图像处理自动检测电路板等对象的设备或工序。在SMT产线中用于检测缺件、偏移、极性错误及焊锡不良，越来越多地采用AI来减少误判。"
      },
      "related": [
        "visual-inspection-ai",
        "smt",
        "machine-vision"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/aoi"
    },
    {
      "id": "thermography",
      "type": "entry",
      "ja": "サーモグラフィ",
      "abbr": null,
      "en": "Thermography",
      "zh": "红外热成像",
      "category": "画像・センシング",
      "definition": {
        "ja": "サーモグラフィは、物体が放つ赤外線を検出して表面温度の分布を画像として表す技術です。設備保全では、モーターや軸受、電気盤の端子などの異常発熱を、非接触で設備を止めずに見つける用途に使われます。金属の光沢面では放射率の違いで温度が正しく測れないことがあるため、測定条件をそろえて傾向を比較する運用が基本になります。",
        "en": "A technique that detects infrared radiation from objects and displays surface temperature distribution as an image. In maintenance it finds abnormal heating in motors, bearings and electrical panels without contact or stopping equipment.",
        "zh": "检测物体发出的红外线、将表面温度分布成像的技术。在设备维护中用于在不接触、不停机的情况下发现电机、轴承和电气柜端子等的异常发热。"
      },
      "related": [
        "condition-monitoring",
        "industrial-camera",
        "energy-management"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/thermography"
    },
    {
      "id": "vibration-sensor",
      "type": "entry",
      "ja": "振動センサー",
      "abbr": null,
      "en": "Vibration Sensor",
      "zh": "振动传感器",
      "category": "画像・センシング",
      "definition": {
        "ja": "振動センサーは、設備の振動を加速度・速度・変位などとして測るセンサーで、回転機の状態監視で最もよく使われます。圧電式の加速度センサーが代表的で、近年は無線・電池駆動で後付けしやすいMEMS式の製品も増えています。測定したい周波数帯とサンプリング周波数、取り付け位置と固定方法によって、捉えられる異常が大きく変わります。",
        "en": "A sensor that measures equipment vibration as acceleration, velocity or displacement, and is the most common sensor for monitoring rotating machinery. The detectable faults depend heavily on frequency range, sampling rate and mounting position.",
        "zh": "以加速度、速度或位移测量设备振动的传感器，是旋转机械状态监测中最常用的传感器。可检测的异常很大程度上取决于频率范围、采样频率和安装位置。"
      },
      "related": [
        "vibration-analysis",
        "retrofit-sensor",
        "condition-monitoring"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/vibration-sensor"
    },
    {
      "id": "retrofit-sensor",
      "type": "entry",
      "ja": "後付けセンサー",
      "abbr": null,
      "en": "Retrofit Sensor",
      "zh": "加装传感器",
      "category": "画像・センシング",
      "definition": {
        "ja": "後付けセンサーは、もともとデータを取り出す仕組みのない既存設備に、あとから取り付けて状態を測るセンサーです。振動、温度、電流、稼働ランプの点灯状態などを、無線やゲートウェイ経由で収集します。設備の制御系に手を入れずに始められるため、古い設備が多い工場での予知保全や稼働監視の第一歩として使われます。",
        "en": "A sensor installed afterwards on existing equipment that has no built-in way to output data, measuring vibration, temperature, current or signal-lamp status. It allows monitoring to start without modifying the machine's control system.",
        "zh": "在原本没有数据输出机制的既有设备上后期加装、用于测量其状态的传感器，可采集振动、温度、电流或指示灯状态等。无需改动设备控制系统即可开始监测。"
      },
      "related": [
        "vibration-sensor",
        "iiot",
        "legacy-equipment"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/retrofit-sensor"
    },
    {
      "id": "pose-estimation",
      "type": "entry",
      "ja": "姿勢推定",
      "abbr": null,
      "en": "Pose Estimation",
      "zh": "姿态估计",
      "category": "画像・センシング",
      "definition": {
        "ja": "姿勢推定は、画像や映像から人の関節の位置を推定し、骨格として体の姿勢を表す技術です。製造現場では、作業者の動作を分析して標準作業との違いや無駄な動きを見つける用途や、無理な姿勢による負担の評価、転倒の検知などに使われます。顔や個人を特定しない骨格データだけを扱う設計にすることで、プライバシーへの配慮をしやすくなります。",
        "en": "A technique that estimates the positions of human joints from images or video and represents body posture as a skeleton. In factories it is used for motion analysis against standard work, ergonomic assessment and fall detection.",
        "zh": "从图像或视频中估计人体关节位置、以骨架表示身体姿态的技术。在工厂中用于对照标准作业进行动作分析、评估作业负担以及跌倒检测。"
      },
      "related": [
        "work-analysis",
        "ppe-detection"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/pose-estimation"
    },
    {
      "id": "ppe-detection",
      "type": "entry",
      "ja": "保護具着用検知",
      "abbr": null,
      "en": "PPE Detection",
      "zh": "劳保用品佩戴检测",
      "category": "画像・センシング",
      "definition": {
        "ja": "保護具着用検知は、カメラ映像からヘルメット、安全帯、手袋、保護メガネなどの着用状況をAIで確認する仕組みです。物体検出モデルで人と保護具を検出し、未着用の場合に警告や記録を行います。照明や角度、作業着の色によって誤検知が起きやすいため、現場ごとの検証と、警告の出し方の調整が導入時の論点になります。",
        "en": "A system that uses AI on camera footage to check whether workers are wearing helmets, harnesses, gloves or safety glasses. It typically uses object detection and issues alerts or logs when equipment is missing.",
        "zh": "利用AI分析摄像头画面、确认作业人员是否佩戴安全帽、安全带、手套和护目镜等的系统，通常基于目标检测，在未佩戴时发出警告或记录。"
      },
      "related": [
        "object-detection",
        "safety-ai",
        "pose-estimation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ppe-detection"
    },
    {
      "id": "safety-ai",
      "type": "entry",
      "ja": "安全監視AI",
      "abbr": null,
      "en": "AI for Workplace Safety",
      "zh": "安全监测AI",
      "category": "画像・センシング",
      "definition": {
        "ja": "安全監視AIは、カメラやセンサーのデータから、危険区域への立ち入り、保護具の未着用、転倒、フォークリフトとの接近などを検知し、労働災害の防止に役立てる仕組みです。検知結果を警報として即時に通知する使い方と、ヒヤリハットの傾向を分析して対策に生かす使い方があります。安全機能として設備を止める用途に使う場合は、機能安全の要求を満たす仕組みと切り分けて設計する必要があります。",
        "en": "Systems that use camera or sensor data to detect hazards such as entry into dangerous zones, missing PPE, falls or proximity to forklifts, helping prevent workplace accidents. Uses that stop machinery must be designed separately to meet functional-safety requirements.",
        "zh": "利用相机或传感器数据检测进入危险区域、未佩戴劳保用品、跌倒、与叉车接近等情况，用于预防工伤事故的系统。若用于停止设备，需与满足功能安全要求的机制分开设计。"
      },
      "related": [
        "ppe-detection",
        "pose-estimation",
        "virtual-fence"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/safety-ai"
    },
    {
      "id": "virtual-fence",
      "type": "entry",
      "ja": "仮想安全柵",
      "abbr": null,
      "en": "Virtual Safety Fence",
      "zh": "虚拟安全围栏",
      "category": "画像・センシング",
      "definition": {
        "ja": "仮想安全柵は、物理的な柵の代わりに、カメラやレーザースキャナーで監視エリアを設定し、人が侵入したときに警告や設備の減速・停止を行う仕組みです。協働ロボットやAGVの周辺など、柵で囲うと作業性が落ちる場所で使われます。設備を止める安全機能として使う場合は、機能安全の規格に適合した安全センサーと安全制御で構成する必要があり、AIカメラ単体の検知は補助的な位置づけになります。",
        "en": "A system that defines monitored zones with cameras or laser scanners instead of physical guards, issuing warnings or slowing and stopping equipment when a person enters. When used as a safety function it must use certified safety sensors and controls.",
        "zh": "以相机或激光扫描仪设定监控区域代替物理围栏，在人员进入时发出警告或使设备减速、停止的机制。用作安全功能时，必须采用符合功能安全标准的安全传感器和安全控制。"
      },
      "related": [
        "safety-ai",
        "cobot",
        "functional-safety"
      ],
      "references": [
        "ISO 13849",
        "ISO 10218-2:2025"
      ],
      "url": "https://mfg-ai.com/terms/virtual-fence"
    },
    {
      "id": "predictive-maintenance",
      "type": "entry",
      "ja": "予知保全／予兆保全",
      "abbr": "PdM",
      "en": "Predictive Maintenance",
      "zh": "预测性维护",
      "category": "設備・保全",
      "definition": {
        "ja": "予知保全は、設備の振動・温度・電流などのデータから劣化の兆候を捉え、故障する前の適切な時期に保全を行う考え方です。一定周期で部品を替える時間基準保全と比べ、過剰な交換と突発停止の両方を減らせる可能性があります。一方で、故障の前兆が現れるデータを継続して集める仕組みと、通知を受けて点検・記録する運用が前提になります。",
        "en": "An approach that detects signs of deterioration from equipment data such as vibration, temperature and current, and performs maintenance at the right time before failure.",
        "zh": "根据设备的振动、温度、电流等数据捕捉劣化征兆，在故障发生前的适当时机实施维护的思路。"
      },
      "related": [
        "condition-based-maintenance",
        "remaining-useful-life",
        "anomaly-detection"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/predictive-maintenance"
    },
    {
      "id": "condition-based-maintenance",
      "type": "entry",
      "ja": "状態基準保全",
      "abbr": "CBM",
      "en": "Condition-Based Maintenance",
      "zh": "状态检修",
      "category": "設備・保全",
      "definition": {
        "ja": "状態基準保全（CBM）は、設備の状態を測定し、あらかじめ決めた基準を超えたときに保全を行う方式です。振動値や温度、油の分析結果などを定期的または常時監視し、劣化が進んだ設備から手当てします。予知保全はこの考え方をさらに進め、劣化の進み方を予測して保全時期を前もって計画するものと整理されることが多くあります。",
        "en": "A maintenance strategy that measures equipment condition and performs maintenance when predefined thresholds are exceeded. Predictive maintenance extends this by forecasting how deterioration will progress.",
        "zh": "测量设备状态、在超过预设基准时实施维护的方式。预测性维护在此基础上进一步预测劣化趋势并提前规划维护时机。"
      },
      "related": [
        "predictive-maintenance",
        "time-based-maintenance",
        "condition-monitoring"
      ],
      "references": [
        "ISO 17359:2018"
      ],
      "url": "https://mfg-ai.com/terms/condition-based-maintenance"
    },
    {
      "id": "time-based-maintenance",
      "type": "entry",
      "ja": "時間基準保全",
      "abbr": "TBM",
      "en": "Time-Based Maintenance",
      "zh": "定期维护",
      "category": "設備・保全",
      "definition": {
        "ja": "時間基準保全（TBM）は、稼働時間や暦日などの一定周期ごとに、点検や部品交換を行う保全方式です。計画が立てやすく管理が単純な一方、まだ使える部品を交換する無駄や、周期の途中で起きる故障を防げない弱点があります。重要度の低い設備や、劣化の進み方が使用時間とよく対応する部品では、現在も合理的な選択肢です。",
        "en": "A maintenance strategy that performs inspections or part replacement at fixed intervals of operating time or calendar days. It is easy to plan but can replace parts that are still usable and cannot prevent failures between intervals.",
        "zh": "按运行时间或日历日等固定周期进行点检或更换零件的维护方式。便于计划，但可能更换仍可使用的零件，也无法防止周期内发生的故障。"
      },
      "related": [
        "condition-based-maintenance",
        "preventive-maintenance",
        "breakdown-maintenance"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/time-based-maintenance"
    },
    {
      "id": "preventive-maintenance",
      "type": "entry",
      "ja": "予防保全",
      "abbr": "PM",
      "en": "Preventive Maintenance",
      "zh": "预防性维护",
      "category": "設備・保全",
      "definition": {
        "ja": "予防保全は、故障が起きる前に点検・整備・部品交換を行い、設備の故障を未然に防ぐ保全の総称です。時間基準保全と状態基準保全（予知保全を含む）に分けて整理されることが一般的です。故障してから直す事後保全と比べて突発停止を減らせますが、保全の費用と停止の損失のバランスを設備ごとに考える必要があります。",
        "en": "A general term for maintenance performed before failures occur, including inspection, servicing and part replacement. It is usually divided into time-based and condition-based maintenance.",
        "zh": "在故障发生前进行点检、保养和更换零件以防止设备故障的维护方式统称，通常分为定期维护和状态检修两类。"
      },
      "related": [
        "time-based-maintenance",
        "predictive-maintenance",
        "tpm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/preventive-maintenance"
    },
    {
      "id": "breakdown-maintenance",
      "type": "entry",
      "ja": "事後保全",
      "abbr": "BM",
      "en": "Breakdown Maintenance",
      "zh": "事后维修",
      "category": "設備・保全",
      "definition": {
        "ja": "事後保全は、設備が故障したり性能が落ちたりしてから修理を行う保全方式です。故障しても影響が小さい設備や、予備機がある設備では、あえて事後保全を選ぶことで保全費用を抑えられます。一方、ボトルネック工程の設備で事後保全に頼ると、突発停止による生産損失が大きくなります。",
        "en": "A maintenance strategy in which repairs are made after equipment fails or its performance drops. It can be a deliberate, cost-effective choice for non-critical or redundant equipment, but is costly on bottleneck machines.",
        "zh": "在设备发生故障或性能下降后再进行修理的维护方式。对影响小或有备用机的设备可作为有意的低成本选择，但用于瓶颈设备会造成较大损失。"
      },
      "related": [
        "preventive-maintenance",
        "unplanned-downtime",
        "mttr"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/breakdown-maintenance"
    },
    {
      "id": "rcm",
      "type": "entry",
      "ja": "信頼性中心保全",
      "abbr": "RCM",
      "en": "Reliability-Centered Maintenance",
      "zh": "以可靠性为中心的维护",
      "category": "設備・保全",
      "definition": {
        "ja": "信頼性中心保全（RCM）は、設備の機能と故障モード、故障の影響を分析し、設備ごとに最も合理的な保全方式を選ぶ手法です。航空機の保全から生まれた考え方で、事後保全・時間基準保全・状態基準保全のどれを適用するかを、安全・生産・費用への影響から決めます。予知保全を導入する対象設備を選ぶ際の判断枠組みとしても使えます。",
        "en": "A methodology that analyzes equipment functions, failure modes and their consequences to choose the most appropriate maintenance strategy for each asset. Originating in aviation, it can also guide which assets merit predictive maintenance.",
        "zh": "分析设备功能、失效模式及其影响，为每台设备选择最合理维护方式的方法。源于航空维护，也可用作选择预测性维护对象设备的判断框架。"
      },
      "related": [
        "fmea",
        "predictive-maintenance",
        "condition-based-maintenance"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/rcm"
    },
    {
      "id": "tpm",
      "type": "entry",
      "ja": "TPM（全員参加の生産保全）",
      "abbr": "TPM",
      "en": "Total Productive Maintenance",
      "zh": "全员生产维护",
      "category": "設備・保全",
      "definition": {
        "ja": "TPM（全員参加の生産保全）は、設備の効率を最大にすることを目標に、保全部門だけでなく製造現場の作業者や管理者まで全員で設備の保全と改善に取り組む活動です。日本で体系化され、自主保全、個別改善、計画保全などを柱として進めます。設備総合効率（OEE）や6大ロスはTPMの中で使われる代表的な指標・考え方です。",
        "en": "A company-wide activity, systematized in Japan, in which operators, managers and maintenance staff all work to maximize equipment effectiveness. It is built on pillars such as autonomous maintenance, focused improvement and planned maintenance.",
        "zh": "以设备效率最大化为目标，不仅维护部门，生产现场作业人员和管理人员全员参与设备维护与改善的活动，在日本形成体系，以自主维护、个别改善、计划维护等为支柱。"
      },
      "related": [
        "oee",
        "six-big-losses",
        "autonomous-maintenance"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/tpm"
    },
    {
      "id": "autonomous-maintenance",
      "type": "entry",
      "ja": "自主保全",
      "abbr": null,
      "en": "Autonomous Maintenance",
      "zh": "自主维护",
      "category": "設備・保全",
      "definition": {
        "ja": "自主保全は、設備を使う製造現場の作業者自身が、清掃・給油・増し締め・点検といった日常の保全を行う活動です。TPMの柱の一つで、異常の早期発見と、設備に詳しい作業者の育成を狙います。点検結果が紙で記録されていることが多く、AI-OCRやタブレット入力でデータ化すると、保全データとして分析に活用できるようになります。",
        "en": "An activity in which production operators carry out daily maintenance such as cleaning, lubrication, tightening and inspection on their own equipment. It is a core pillar of TPM aimed at early detection of abnormalities.",
        "zh": "由使用设备的生产现场作业人员自行进行清扫、加油、紧固、点检等日常维护的活动，是TPM的支柱之一，旨在及早发现异常。"
      },
      "related": [
        "tpm",
        "ai-ocr",
        "skill-transfer"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/autonomous-maintenance"
    },
    {
      "id": "six-big-losses",
      "type": "entry",
      "ja": "6大ロス",
      "abbr": null,
      "en": "Six Big Losses",
      "zh": "六大损失",
      "category": "設備・保全",
      "definition": {
        "ja": "6大ロスは、設備の効率を下げる要因を、故障、段取り・調整、チョコ停・空転、速度低下、不良・手直し、立ち上がりの6つに分けて整理したものです。TPMで設備総合効率（OEE）を改善する際の着眼点として使われます。ロスを種類ごとに数えて記録することで、どの改善に取り組むべきかの優先順位を付けやすくなります。",
        "en": "A framework that classifies the causes of lost equipment effectiveness into six categories: breakdowns, setup and adjustment, minor stops, reduced speed, defects and rework, and startup losses. It is used in TPM to improve OEE.",
        "zh": "将降低设备效率的因素归纳为故障、换型调整、短暂停机与空转、速度降低、不良与返工、启动损失六类的框架，在TPM中用于改善设备综合效率。"
      },
      "related": [
        "oee",
        "tpm",
        "unplanned-downtime"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/six-big-losses"
    },
    {
      "id": "oee",
      "type": "entry",
      "ja": "設備総合効率",
      "abbr": "OEE",
      "en": "Overall Equipment Effectiveness",
      "zh": "设备综合效率",
      "category": "設備・保全",
      "definition": {
        "ja": "設備総合効率（OEE）は、設備が本来の能力に対してどれだけ有効に使われたかを示す指標で、時間稼働率・性能稼働率・良品率の積で求めます。停止、速度低下、不良のどこでロスが出ているかを一つの数字と内訳で把握できるため、改善の起点として広く使われています。ただし計画停止の扱いや理論サイクルタイムの決め方が工場ごとに異なると比較できないため、定義をそろえることが前提です。",
        "en": "An indicator of how effectively equipment is used relative to its full potential, calculated as availability times performance times quality rate. Comparisons require consistent definitions of planned downtime and ideal cycle time.",
        "zh": "表示设备相对于其应有能力被有效利用程度的指标，由时间开动率、性能开动率和合格品率相乘得出。不同工厂间比较的前提是统一计划停机和理论节拍的定义。"
      },
      "related": [
        "availability",
        "cycle-time",
        "six-big-losses"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/oee"
    },
    {
      "id": "availability",
      "type": "entry",
      "ja": "時間稼働率（可用性）",
      "abbr": null,
      "en": "Availability",
      "zh": "时间开动率",
      "category": "設備・保全",
      "definition": {
        "ja": "時間稼働率は、設備を動かすべき時間（負荷時間）のうち、実際に稼働していた時間の割合です。故障や段取りなどの停止ロスが多いほど低くなり、設備総合効率（OEE）を構成する要素の一つです。信頼性工学では可用性とも呼ばれ、平均故障間隔（MTBF）と平均修復時間（MTTR）から理論的に求めることもできます。",
        "en": "The proportion of planned production time during which equipment actually runs, reduced by stops such as breakdowns and setups. It is one of the three components of OEE and can also be derived from MTBF and MTTR.",
        "zh": "设备实际运转时间占应运转时间（负荷时间）的比例，故障、换型等停机损失越多则越低，是设备综合效率的构成要素之一，也可由MTBF和MTTR推算。"
      },
      "related": [
        "oee",
        "mtbf",
        "mttr"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/availability"
    },
    {
      "id": "mtbf",
      "type": "entry",
      "ja": "平均故障間隔",
      "abbr": "MTBF",
      "en": "Mean Time Between Failures",
      "zh": "平均故障间隔时间",
      "category": "設備・保全",
      "definition": {
        "ja": "平均故障間隔（MTBF）は、修理して使い続ける設備について、故障から次の故障までの平均的な稼働時間を表す指標です。値が大きいほど故障しにくく信頼性が高いことを示します。保全記録から算出するため、故障の定義と記録の粒度をそろえておかないと、改善の効果を正しく評価できません。",
        "en": "An indicator of the average operating time between failures for repairable equipment; a higher value means higher reliability. Accurate calculation depends on consistent failure definitions in maintenance records.",
        "zh": "对于修复后继续使用的设备，表示两次故障之间平均运行时间的指标，数值越大可靠性越高。准确计算依赖于维护记录中故障定义的统一。"
      },
      "related": [
        "mttr",
        "mttf",
        "availability"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/mtbf"
    },
    {
      "id": "mttr",
      "type": "entry",
      "ja": "平均修復時間",
      "abbr": "MTTR",
      "en": "Mean Time To Repair",
      "zh": "平均修复时间",
      "category": "設備・保全",
      "definition": {
        "ja": "平均修復時間（MTTR）は、設備が故障してから修理を終えて再び稼働できるようになるまでの平均時間です。値が小さいほど保全性が高いことを示し、故障発見、原因特定、部品手配、修理の各段階の時間が含まれます。過去の保全記録や手順書を検索できるようにして原因特定を早めることは、生成AIの活用が期待される領域の一つです。",
        "en": "The average time from equipment failure until it is repaired and back in operation; a lower value indicates better maintainability. It includes detection, diagnosis, parts procurement and repair time.",
        "zh": "设备从发生故障到修复完成、恢复运行的平均时间，数值越小可维护性越好，包括故障发现、原因诊断、备件调配和修理各环节。"
      },
      "related": [
        "mtbf",
        "availability",
        "cmms"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/mttr"
    },
    {
      "id": "mttf",
      "type": "entry",
      "ja": "平均故障寿命",
      "abbr": "MTTF",
      "en": "Mean Time To Failure",
      "zh": "平均失效前时间",
      "category": "設備・保全",
      "definition": {
        "ja": "平均故障寿命（MTTF）は、修理せずに交換する部品や製品について、使い始めてから故障するまでの平均時間を表す指標です。軸受やベルト、電子部品などの寿命評価に使われます。修理して使い続ける設備に使う平均故障間隔（MTBF）とは、対象とする品物の性質が異なる点に注意が必要です。",
        "en": "An indicator of the average time to failure for non-repairable parts or products that are replaced rather than repaired, such as bearings and belts. It differs from MTBF, which applies to repairable equipment.",
        "zh": "对于不修理而直接更换的零件或产品，表示从开始使用到失效的平均时间的指标，用于轴承、皮带等的寿命评估，与适用于可修复设备的MTBF不同。"
      },
      "related": [
        "mtbf",
        "weibull-analysis",
        "remaining-useful-life"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/mttf"
    },
    {
      "id": "remaining-useful-life",
      "type": "entry",
      "ja": "余寿命推定",
      "abbr": "RUL",
      "en": "Remaining Useful Life",
      "zh": "剩余使用寿命",
      "category": "設備・保全",
      "definition": {
        "ja": "余寿命推定（RUL）は、設備や部品があとどれくらいの期間、正常に使えるかを、稼働データや劣化傾向から推定することです。予知保全の中でも、異常の有無を判定するだけでなく保全時期を計画できる点で一歩進んだ使い方です。実際の工場では故障まで運転したデータがほとんどないため、物理モデルとの組み合わせや、劣化指標の閾値到達時期の予測として実装されることが多くあります。",
        "en": "Estimating how long equipment or a component can continue to operate normally, based on operating data and degradation trends. Because real plants rarely have run-to-failure data, it is often combined with physics-based models.",
        "zh": "根据运行数据和劣化趋势，推算设备或零件还能正常使用多长时间。由于实际工厂很少有运行至故障的数据，常与物理模型结合实现。"
      },
      "related": [
        "predictive-maintenance",
        "cmapss",
        "weibull-analysis"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/remaining-useful-life"
    },
    {
      "id": "cmapss",
      "type": "entry",
      "ja": "C-MAPSS",
      "abbr": null,
      "en": "C-MAPSS Turbofan Degradation Dataset",
      "zh": "C-MAPSS涡扇发动机退化数据集",
      "category": "設備・保全",
      "definition": {
        "ja": "C-MAPSSは、NASAが公開しているターボファンエンジンの劣化シミュレーションデータで、余寿命推定の研究で広く使われるベンチマークです。複数のエンジンについて、運転条件とセンサー値が故障に至るまで記録されています。実際の工場のデータは故障まで運転した記録がほとんどなく、センサーの種類も異なるため、この結果をそのまま現場の精度の目安にはできません。",
        "en": "A simulated turbofan engine degradation dataset published by NASA and widely used as a benchmark in remaining-useful-life research. Its run-to-failure trajectories differ substantially from typical factory data.",
        "zh": "NASA公开的涡扇发动机退化仿真数据集，是剩余使用寿命研究中广泛使用的基准。其运行至故障的数据与一般工厂数据差异较大。"
      },
      "related": [
        "remaining-useful-life",
        "mvtec-ad",
        "predictive-maintenance"
      ],
      "references": [
        "CMAPSS Jet Engine Simulated Data（NASA PCoE）"
      ],
      "url": "https://mfg-ai.com/terms/cmapss"
    },
    {
      "id": "weibull-analysis",
      "type": "entry",
      "ja": "ワイブル解析",
      "abbr": null,
      "en": "Weibull Analysis",
      "zh": "威布尔分析",
      "category": "設備・保全",
      "definition": {
        "ja": "ワイブル解析は、部品や設備の故障データにワイブル分布を当てはめ、寿命の分布や故障の起こり方を評価する手法です。形状パラメータから、初期故障・偶発故障・摩耗故障のどの型かを判断でき、交換周期や保全方式の検討に使われます。打ち切りデータ（まだ故障していない個体）を正しく扱うことが、精度の高い推定の前提になります。",
        "en": "A method that fits failure data to a Weibull distribution to evaluate life distribution and failure patterns. The shape parameter indicates early, random or wear-out failure, guiding replacement intervals.",
        "zh": "将零件或设备的故障数据拟合为威布尔分布、评估寿命分布和失效规律的方法。形状参数可判断早期失效、偶然失效或磨损失效，用于确定更换周期。"
      },
      "related": [
        "mttf",
        "remaining-useful-life",
        "fmea"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/weibull-analysis"
    },
    {
      "id": "condition-monitoring",
      "type": "entry",
      "ja": "状態監視",
      "abbr": null,
      "en": "Condition Monitoring",
      "zh": "状态监测",
      "category": "設備・保全",
      "definition": {
        "ja": "状態監視は、設備の振動・温度・電流・油の状態などを継続的または定期的に測り、正常な状態からの変化を把握する活動です。状態基準保全や予知保全の土台になり、データ収集、処理、状態の評価、診断、予測、保全判断という流れで仕組みを組み立てるのが一般的です。測る項目は、設備の故障モードと、その前兆がどのデータに現れるかから決めます。",
        "en": "The continuous or periodic measurement of equipment vibration, temperature, current or oil condition to detect changes from normal. It underpins condition-based and predictive maintenance.",
        "zh": "持续或定期测量设备振动、温度、电流、油液状态等，以掌握其相对于正常状态变化的活动，是状态检修和预测性维护的基础。"
      },
      "related": [
        "condition-based-maintenance",
        "vibration-analysis",
        "iso-13374"
      ],
      "references": [
        "ISO 17359:2018",
        "ISO 13374-1:2003"
      ],
      "url": "https://mfg-ai.com/terms/condition-monitoring"
    },
    {
      "id": "vibration-analysis",
      "type": "entry",
      "ja": "振動解析",
      "abbr": null,
      "en": "Vibration Analysis",
      "zh": "振动分析",
      "category": "設備・保全",
      "definition": {
        "ja": "振動解析は、設備の振動データを時間波形や周波数成分に分けて調べ、異常の有無や原因を判断する手法です。アンバランス、ミスアライメント、軸受の損傷、ゆるみなどは、それぞれ特徴的な周波数に現れるため、FFTによる周波数分析が中心になります。振動の大きさの評価には、機械の種類ごとに評価ゾーンを示した規格が目安として使われます。",
        "en": "A method that examines vibration data in the time and frequency domains to determine abnormalities and their causes. Faults such as imbalance, misalignment and bearing damage appear at characteristic frequencies.",
        "zh": "通过时域波形和频率成分分析设备振动数据，判断有无异常及其原因的方法。不平衡、不对中、轴承损伤等故障会出现在各自特征频率上。"
      },
      "related": [
        "fft",
        "vibration-sensor",
        "bearing-diagnosis"
      ],
      "references": [
        "ISO 20816-1:2016"
      ],
      "url": "https://mfg-ai.com/terms/vibration-analysis"
    },
    {
      "id": "fft",
      "type": "entry",
      "ja": "高速フーリエ変換",
      "abbr": "FFT",
      "en": "Fast Fourier Transform",
      "zh": "快速傅里叶变换",
      "category": "設備・保全",
      "definition": {
        "ja": "高速フーリエ変換（FFT）は、時間とともに変化する信号を、どの周波数の成分がどれだけ含まれているかに分解する計算方法です。振動解析では、回転速度や軸受の特性から計算される周波数にピークが出ているかを見て、異常の原因を推定します。機械学習の特徴量を作る前処理としても広く使われ、サンプリング周波数と分析する時間の長さが分解能を決めます。",
        "en": "An algorithm that decomposes a time-varying signal into its frequency components. In vibration analysis it reveals peaks at frequencies linked to rotation speed or bearing geometry, and it is a common feature-engineering step for machine learning.",
        "zh": "将随时间变化的信号分解为各频率成分的计算方法。在振动分析中用于查看与转速或轴承特征相关频率上的峰值，也是机器学习特征工程中的常用预处理。"
      },
      "related": [
        "vibration-analysis",
        "bearing-diagnosis",
        "feature-engineering"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/fft"
    },
    {
      "id": "bearing-diagnosis",
      "type": "entry",
      "ja": "軸受診断",
      "abbr": null,
      "en": "Bearing Fault Diagnosis",
      "zh": "轴承故障诊断",
      "category": "設備・保全",
      "definition": {
        "ja": "軸受診断は、転がり軸受の損傷や劣化を、振動・音・温度などのデータから見つける診断です。内輪・外輪・転動体の傷はそれぞれ特定の周波数で振動を生むため、包絡線解析やFFTで調べます。回転機の故障原因の中でも軸受は多くを占めるため、予知保全の最初の対象として取り上げられることがよくあります。",
        "en": "Detecting damage or deterioration in rolling-element bearings from vibration, sound or temperature data. Defects on the inner race, outer race or rolling elements generate characteristic frequencies analyzed with envelope analysis or FFT.",
        "zh": "根据振动、声音、温度等数据发现滚动轴承损伤或劣化的诊断。内圈、外圈和滚动体的缺陷会产生特定频率的振动，可通过包络分析或FFT进行分析。"
      },
      "related": [
        "fft",
        "cwru-dataset",
        "vibration-analysis"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/bearing-diagnosis"
    },
    {
      "id": "cwru-dataset",
      "type": "entry",
      "ja": "CWRU軸受データセット",
      "abbr": null,
      "en": "CWRU Bearing Dataset",
      "zh": "凯斯西储大学轴承数据集",
      "category": "設備・保全",
      "definition": {
        "ja": "CWRU軸受データセットは、米国ケース・ウェスタン・リザーブ大学が公開している、人工的に傷を付けた軸受の振動データです。軸受診断の研究で最もよく使われるベンチマークの一つで、多くの論文で深層学習による高い分類精度が報告されています。ただし実験室の条件で作られた人工欠陥のデータであり、実設備の自然な劣化とは条件が大きく異なる点に注意が必要です。",
        "en": "A public dataset from Case Western Reserve University containing vibration data from bearings with artificially induced faults, widely used as a benchmark for bearing diagnosis. Its lab conditions differ greatly from natural degradation in real equipment.",
        "zh": "美国凯斯西储大学公开的、带有人工缺陷轴承的振动数据集，是轴承诊断研究中最常用的基准之一。其实验室条件与真实设备的自然劣化差异很大。"
      },
      "related": [
        "bearing-diagnosis",
        "mvtec-ad",
        "vibration-analysis"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/cwru-dataset"
    },
    {
      "id": "motor-current-analysis",
      "type": "entry",
      "ja": "モーター電流解析",
      "abbr": "MCSA",
      "en": "Motor Current Signature Analysis",
      "zh": "电机电流特征分析",
      "category": "設備・保全",
      "definition": {
        "ja": "モーター電流解析（MCSA）は、モーターに流れる電流の波形や周波数成分から、モーター自体や駆動する機械の異常を見つける手法です。回転子バーの損傷、偏心、軸受の異常、負荷側の変化などが電流に現れます。制御盤の中で電流センサーを取り付けられるため、設備本体にセンサーを付けにくい場合の状態監視の手段として使われます。",
        "en": "A technique that detects faults in a motor or its driven machinery from the waveform and frequency components of the motor current. Because sensors can be installed in the control panel, it suits equipment where mounting sensors on the machine is difficult.",
        "zh": "根据电机电流的波形和频率成分发现电机本身或其驱动机械异常的方法。由于可以在控制柜内安装电流传感器，适用于难以在设备本体安装传感器的场合。"
      },
      "related": [
        "condition-monitoring",
        "vfd",
        "predictive-maintenance"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/motor-current-analysis"
    },
    {
      "id": "vfd",
      "type": "entry",
      "ja": "インバーター（可変周波数ドライブ）",
      "abbr": "VFD",
      "en": "Variable Frequency Drive",
      "zh": "变频器",
      "category": "設備・保全",
      "definition": {
        "ja": "インバーター（可変周波数ドライブ）は、モーターに供給する電源の周波数と電圧を変えて、回転速度を制御する装置です。ポンプやファン、搬送装置などの省エネルギーや、加減速の精密な制御に使われます。多くの機種は電流・トルク・周波数などの運転データを出力できるため、追加センサーなしで状態監視やエネルギー管理のデータ源として活用できます。",
        "en": "A device that controls motor speed by varying the frequency and voltage of the supplied power, used for energy saving and precise speed control. Many drives output operating data that can feed condition monitoring without extra sensors.",
        "zh": "通过改变供给电机电源的频率和电压来控制转速的装置，用于节能和精确的加减速控制。许多机型可输出运行数据，无需额外传感器即可用于状态监测。"
      },
      "related": [
        "motor-current-analysis",
        "energy-management",
        "plc"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/vfd"
    },
    {
      "id": "unplanned-downtime",
      "type": "entry",
      "ja": "計画外停止（突発停止）",
      "abbr": null,
      "en": "Unplanned Downtime",
      "zh": "非计划停机",
      "category": "設備・保全",
      "definition": {
        "ja": "計画外停止（突発停止）は、故障や品質トラブルなどにより、生産計画にない形で設備やラインが止まることです。生産計画の乱れ、納期遅れ、立ち上げ時の不良など、停止時間以上の損失を生むことが多く、予知保全の効果を測る代表的な指標になります。停止の原因と時間を記録する仕組みがないと、削減の効果を示すことができません。",
        "en": "Stoppage of equipment or a line that was not in the production plan, caused by breakdowns or quality problems. It often causes losses beyond the stop itself and is a key metric for evaluating predictive maintenance.",
        "zh": "因故障或质量问题等，设备或产线在生产计划之外停止运行。其造成的损失往往超过停机时间本身，是评估预测性维护效果的代表性指标。"
      },
      "related": [
        "breakdown-maintenance",
        "predictive-maintenance",
        "oee"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/unplanned-downtime"
    },
    {
      "id": "false-alarm",
      "type": "entry",
      "ja": "誤報（空振り通知）",
      "abbr": null,
      "en": "False Alarm",
      "zh": "误报",
      "category": "設備・保全",
      "definition": {
        "ja": "誤報（空振り通知）は、異常検知や監視の仕組みが、実際には問題がないのに異常として通知することです。誤報が続くと現場が通知を確認しなくなり、本当の異常を見逃す原因になるため、予知保全や安全監視の定着を左右する重要な論点です。閾値を段階的に調整し、通知後の点検結果を記録してモデルの見直しに使う運用が対策として取られます。",
        "en": "An alert raised by an anomaly-detection or monitoring system when no real problem exists. Persistent false alarms cause staff to ignore alerts, so thresholds are tuned gradually and inspection results are fed back into the model.",
        "zh": "异常检测或监控系统在实际无问题时发出的异常通知。误报频繁会导致现场忽视通知而漏掉真正的异常，因此需逐步调整阈值，并将点检结果反馈用于模型改进。"
      },
      "related": [
        "threshold-setting",
        "precision-recall",
        "human-in-the-loop"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/false-alarm"
    },
    {
      "id": "cmms",
      "type": "entry",
      "ja": "設備保全管理システム",
      "abbr": "CMMS",
      "en": "Computerized Maintenance Management System",
      "zh": "计算机化维护管理系统",
      "category": "設備・保全",
      "definition": {
        "ja": "設備保全管理システム（CMMS）は、設備台帳、保全計画、作業指示、保全履歴、予備品の在庫などを管理するソフトウェアです。紙や表計算で管理していた保全業務をデータ化し、故障の傾向分析やMTBF・MTTRの算出を可能にします。予知保全で異常を検知した後、作業指示の発行と結果の記録までをつなぐ受け皿としても重要です。",
        "en": "Software that manages equipment registers, maintenance plans, work orders, maintenance history and spare-parts inventory. It digitizes maintenance work and links anomaly alerts to work orders and recorded results.",
        "zh": "管理设备台账、维护计划、工单、维护履历和备件库存等的软件。它将维护业务数据化，并把异常警报与工单发放及结果记录衔接起来。"
      },
      "related": [
        "eam",
        "work-order",
        "mttr"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/cmms"
    },
    {
      "id": "eam",
      "type": "entry",
      "ja": "企業資産管理",
      "abbr": "EAM",
      "en": "Enterprise Asset Management",
      "zh": "企业资产管理",
      "category": "設備・保全",
      "definition": {
        "ja": "企業資産管理（EAM）は、設備や施設などの資産を、取得から運用・保全・廃棄までのライフサイクル全体で管理する仕組みとソフトウェアです。保全管理に加え、購買、在庫、財務、複数拠点の資産の一元管理まで範囲に含む点が、CMMSとの主な違いです。大企業では、ERPと連携して資産の費用と保全の状況を合わせて把握する用途に使われます。",
        "en": "Systems and software that manage assets such as equipment and facilities across their life cycle, from acquisition through operation, maintenance and disposal. Unlike CMMS, it also covers procurement, finance and multi-site asset management.",
        "zh": "对设备、设施等资产从购置、运行、维护到报废的全生命周期进行管理的机制和软件。与CMMS相比，其范围还包括采购、财务和多基地资产管理。"
      },
      "related": [
        "cmms",
        "apm",
        "asset-hierarchy"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/eam"
    },
    {
      "id": "apm",
      "type": "entry",
      "ja": "資産パフォーマンス管理",
      "abbr": "APM",
      "en": "Asset Performance Management",
      "zh": "资产绩效管理",
      "category": "設備・保全",
      "definition": {
        "ja": "資産パフォーマンス管理（APM）は、設備の状態監視データや保全履歴を分析し、信頼性の向上と保全費用の最適化を図る仕組みとソフトウェアです。予知保全、リスクに基づく保全計画、故障原因の分析などの機能を持ち、EAMやCMMSと連携して使われます。プラントやエネルギーなど設備集約型の産業で導入が進んでいます。",
        "en": "Systems and software that analyze condition-monitoring data and maintenance history to improve reliability and optimize maintenance costs. It typically includes predictive maintenance and risk-based planning, and works alongside EAM or CMMS.",
        "zh": "分析设备状态监测数据和维护履历，以提高可靠性并优化维护成本的机制和软件，通常包含预测性维护和基于风险的维护计划功能，并与EAM或CMMS配合使用。"
      },
      "related": [
        "eam",
        "predictive-maintenance",
        "condition-monitoring"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/apm"
    },
    {
      "id": "work-order",
      "type": "entry",
      "ja": "作業指示（保全オーダー）",
      "abbr": null,
      "en": "Work Order",
      "zh": "工单",
      "category": "設備・保全",
      "definition": {
        "ja": "作業指示（保全オーダー）は、点検・修理・部品交換などの保全作業について、対象設備、内容、担当者、期限、必要な部品を指示する文書やデータです。作業後には実施内容、原因、所要時間を記録し、保全履歴として蓄積します。この記録の質が、故障分析や予知保全モデルの見直し、生成AIによる過去事例の検索の精度を左右します。",
        "en": "A document or record that specifies the equipment, task, assignee, deadline and parts for maintenance work. The completed record, including causes and time spent, becomes maintenance history used for analysis.",
        "zh": "规定维护作业的对象设备、内容、负责人、期限及所需备件的文件或数据。作业完成后记录的内容、原因和工时成为用于分析的维护履历。"
      },
      "related": [
        "cmms",
        "mes",
        "rag"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/work-order"
    },
    {
      "id": "spc",
      "type": "entry",
      "ja": "統計的工程管理",
      "abbr": "SPC",
      "en": "Statistical Process Control",
      "zh": "统计过程控制",
      "category": "品質・統計",
      "definition": {
        "ja": "統計的工程管理（SPC）は、工程から得られる測定データを統計的に監視し、工程が安定した状態にあるかを判断して、異常があれば早めに手を打つ管理手法です。管理図で偶然原因によるばらつきと、特定の原因による異常な変化を区別することが中心になります。AIによる品質予測や異常検知を導入する場合も、SPCで工程の安定を把握していることが前提になることが多くあります。",
        "en": "A management method that statistically monitors measurement data from a process to judge whether it is stable and act early on abnormalities. Control charts are used to distinguish common-cause variation from special causes.",
        "zh": "对工序测量数据进行统计监控、判断工序是否处于稳定状态并及早应对异常的管理方法，核心是利用控制图区分偶然原因造成的波动和特殊原因引起的异常变化。"
      },
      "related": [
        "control-chart",
        "process-capability",
        "mspc"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/spc"
    },
    {
      "id": "control-chart",
      "type": "entry",
      "ja": "管理図",
      "abbr": null,
      "en": "Control Chart",
      "zh": "控制图",
      "category": "品質・統計",
      "definition": {
        "ja": "管理図は、工程の測定値を時系列に打点し、中心線と管理限界線と比べて、工程が安定しているかを判断するグラフです。管理限界を外れた点や、一方向に続く連続した点の並びなどを、特定の原因による異常の兆しとして扱います。平均と範囲を見るX̄-R管理図や、不良率を見るp管理図など、データの種類に応じて使い分けます。",
        "en": "A chart that plots process measurements over time against a center line and control limits to judge whether the process is stable. Points outside the limits or non-random patterns signal special-cause variation.",
        "zh": "按时间顺序描绘工序测量值，并与中心线和控制界限比较以判断工序是否稳定的图表。超出控制界限的点或非随机的排列被视为特殊原因异常的征兆。"
      },
      "related": [
        "spc",
        "process-variation",
        "root-cause-analysis"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/control-chart"
    },
    {
      "id": "cusum-ewma",
      "type": "entry",
      "ja": "CUSUM・EWMA管理図",
      "abbr": null,
      "en": "CUSUM / EWMA Chart",
      "zh": "CUSUM/EWMA控制图",
      "category": "品質・統計",
      "definition": {
        "ja": "CUSUM管理図とEWMA管理図は、過去のデータを累積または重み付けして平均し、工程の小さなずれを早く捉えるための管理図です。通常のシューハート管理図は大きな変化には強い一方、少しずつ進むドリフトの検出が遅れがちで、それを補う目的で使われます。工具の摩耗や原料ロットの変化による緩やかな品質の変化の監視や、AIモデルへの入力データの変化の監視にも応用されます。",
        "en": "Control charts that accumulate (CUSUM) or exponentially weight (EWMA) past data to detect small, gradual process shifts more quickly than Shewhart charts. They are also applied to monitoring drift in AI model input data.",
        "zh": "通过累积（CUSUM）或指数加权（EWMA）历史数据，比休哈特控制图更早发现工序微小渐变偏移的控制图，也可用于监测AI模型输入数据的漂移。"
      },
      "related": [
        "control-chart",
        "spc",
        "concept-drift"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/cusum-ewma"
    },
    {
      "id": "process-capability",
      "type": "entry",
      "ja": "工程能力",
      "abbr": null,
      "en": "Process Capability",
      "zh": "过程能力",
      "category": "品質・統計",
      "definition": {
        "ja": "工程能力は、工程が安定した状態で、規格の範囲内に収まる製品をどれだけ安定して作れるかを表す能力です。工程のばらつきの大きさと規格幅を比べて評価し、工程能力指数で数値化します。工程能力が不足している工程では、検査で不良を取り除くより、ばらつきの原因に手を打つことが根本的な対策になります。",
        "en": "The ability of a stable process to consistently produce output within specification limits, evaluated by comparing process variation with the specification width. It is quantified with capability indices such as Cpk.",
        "zh": "表示处于稳定状态的工序能多稳定地生产出规格范围内产品的能力，通过比较工序波动与规格宽度来评估，并以过程能力指数量化。"
      },
      "related": [
        "cpk",
        "process-variation",
        "spc"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/process-capability"
    },
    {
      "id": "cpk",
      "type": "entry",
      "ja": "工程能力指数",
      "abbr": "Cpk",
      "en": "Process Capability Index",
      "zh": "过程能力指数",
      "category": "品質・統計",
      "definition": {
        "ja": "工程能力指数（Cpk）は、工程の平均値が規格の中心からどれだけずれているかも考慮して、工程能力を数値で表した指標です。規格の上限・下限のうち近い方と平均値の距離を、標準偏差の3倍で割って求めます。自動車業界などでは1.33以上を目安とすることが多く、取引先から工程の評価として提出を求められることもあります。",
        "en": "An index that quantifies process capability while accounting for how far the process mean is from the center of the specification. It is often required by customers in industries such as automotive, where 1.33 or higher is a common benchmark.",
        "zh": "在考虑工序均值偏离规格中心程度的基础上，以数值表示过程能力的指标。在汽车等行业常以1.33以上为目标，客户也常要求提交。"
      },
      "related": [
        "process-capability",
        "process-variation",
        "spc"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/cpk"
    },
    {
      "id": "process-variation",
      "type": "entry",
      "ja": "ばらつき",
      "abbr": null,
      "en": "Process Variation",
      "zh": "过程波动",
      "category": "品質・統計",
      "definition": {
        "ja": "ばらつきは、同じ条件で作っているはずの製品の寸法や特性の値が、一つずつ少しずつ異なることです。原因は材料・設備・方法・人・測定・環境などに分けて考えられ、偶然原因によるものと特定の原因によるものを区別することが品質管理の基本です。ばらつきを小さくすることは、不良の削減と工程能力の向上に直結します。",
        "en": "The natural differences in dimensions or characteristics among products made under nominally the same conditions. Distinguishing common-cause from special-cause variation is fundamental to quality control.",
        "zh": "在相同条件下生产的产品，其尺寸或特性值逐件存在细微差异。区分偶然原因与特殊原因造成的波动是质量管理的基础。"
      },
      "related": [
        "process-capability",
        "six-sigma",
        "spc"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/process-variation"
    },
    {
      "id": "six-sigma",
      "type": "entry",
      "ja": "シックスシグマ",
      "abbr": null,
      "en": "Six Sigma",
      "zh": "六西格玛",
      "category": "品質・統計",
      "definition": {
        "ja": "シックスシグマは、工程のばらつきを統計的に減らし、不良を極めて少なくすることを目指す品質改善の手法と組織的な取り組みです。米国のモトローラで生まれ、DMAICという手順でプロジェクトを進め、ブラックベルトなどの専門人材が推進します。データに基づいて原因を特定する進め方は、AIを使った品質分析とも相性がよいとされています。",
        "en": "A quality-improvement methodology and organizational program that aims to minimize defects by statistically reducing process variation. Originating at Motorola, projects follow the DMAIC cycle led by trained specialists.",
        "zh": "通过统计方法减少工序波动、使不良极少的质量改善方法和组织性活动，起源于摩托罗拉，按DMAIC步骤推进项目，由黑带等专业人员主导。"
      },
      "related": [
        "dmaic",
        "process-variation",
        "cpk"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/six-sigma"
    },
    {
      "id": "dmaic",
      "type": "entry",
      "ja": "DMAIC",
      "abbr": "DMAIC",
      "en": "Define-Measure-Analyze-Improve-Control",
      "zh": "DMAIC方法",
      "category": "品質・統計",
      "definition": {
        "ja": "DMAICは、シックスシグマで改善プロジェクトを進めるための5段階の手順で、定義（Define）、測定（Measure）、分析（Analyze）、改善（Improve）、管理（Control）の頭文字をとったものです。問題と目標を定め、現状をデータで測り、原因を分析して対策を打ち、効果を維持する仕組みを作るまでを一つの流れとして進めます。AI導入プロジェクトでも、効果測定と定着の段階を最初から計画する枠組みとして参考になります。",
        "en": "The five-phase improvement cycle used in Six Sigma: Define, Measure, Analyze, Improve and Control. It runs from defining the problem through data-based analysis to sustaining the gains.",
        "zh": "六西格玛中推进改善项目的五个阶段：定义、测量、分析、改进、控制，涵盖从界定问题、基于数据分析到维持改善成果的全过程。"
      },
      "related": [
        "six-sigma",
        "root-cause-analysis",
        "qc-seven-tools"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/dmaic"
    },
    {
      "id": "mspc",
      "type": "entry",
      "ja": "多変量統計的工程管理",
      "abbr": "MSPC",
      "en": "Multivariate Statistical Process Control",
      "zh": "多元统计过程控制",
      "category": "品質・統計",
      "definition": {
        "ja": "多変量統計的工程管理（MSPC）は、互いに相関のある複数の変数をまとめて監視し、工程の異常を見つける手法です。主成分分析で変数をまとめ、ホテリングのT²統計量とQ統計量（二乗予測誤差）の2つで監視するのが代表的な構成です。化学や半導体など、温度・圧力・流量などの変数が多く相関する工程で、個別の管理図では見えない異常を捉えるのに使われます。",
        "en": "A method that monitors multiple correlated variables together to detect process abnormalities, typically using principal component analysis with Hotelling's T-squared and Q statistics. It catches abnormalities that individual control charts miss.",
        "zh": "将多个相关变量合并监控以发现工序异常的方法，典型做法是用主成分分析结合霍特林T²统计量和Q统计量。可发现单变量控制图无法察觉的异常。"
      },
      "related": [
        "hotelling-t2",
        "pca",
        "spc"
      ],
      "references": [
        "NIST/SEMATECH e-Handbook of Statistical Methods 6.3.4"
      ],
      "url": "https://mfg-ai.com/terms/mspc"
    },
    {
      "id": "hotelling-t2",
      "type": "entry",
      "ja": "ホテリングのT²統計量",
      "abbr": null,
      "en": "Hotelling's T-squared",
      "zh": "霍特林T²统计量",
      "category": "品質・統計",
      "definition": {
        "ja": "ホテリングのT²統計量は、複数の変数の値が、正常時の平均からどれだけ離れているかを、変数間の相関を考慮して一つの数値で表す統計量です。多変量管理図で使われ、値が管理限界を超えると工程に異常があると判断します。どの変数が異常に寄与したかを別途分解して示すことで、現場が原因を探りやすくなります。",
        "en": "A statistic that expresses, as a single value, how far a set of variables is from its normal mean while accounting for correlations among them. It is used in multivariate control charts.",
        "zh": "在考虑变量间相关性的前提下，以单一数值表示多个变量偏离正常均值程度的统计量，用于多元控制图。"
      },
      "related": [
        "mspc",
        "pca",
        "anomaly-score"
      ],
      "references": [
        "NIST/SEMATECH e-Handbook of Statistical Methods 6.5.4.3"
      ],
      "url": "https://mfg-ai.com/terms/hotelling-t2"
    },
    {
      "id": "mahalanobis-distance",
      "type": "entry",
      "ja": "マハラノビス距離",
      "abbr": "MT法",
      "en": "Mahalanobis Distance",
      "zh": "马氏距离",
      "category": "品質・統計",
      "definition": {
        "ja": "マハラノビス距離は、データが基準となる集団の中心からどれだけ離れているかを、変数間の相関とばらつきを考慮して測る距離です。品質工学のMT法では、正常なデータの集団を基準にして異常の度合いを測る指標として使われます。画像の異常検知手法PaDiMでも異常度の計算に使われており、製造業の異常検知で広く用いられる考え方です。",
        "en": "A distance that measures how far a data point is from the center of a reference group, accounting for the correlation and spread of variables. It underlies the Mahalanobis-Taguchi method and anomaly-detection methods such as PaDiM.",
        "zh": "在考虑变量间相关性和离散程度的前提下，衡量数据点距离参照群体中心远近的距离，是马田系统（MT法）和PaDiM等异常检测方法的基础。"
      },
      "related": [
        "hotelling-t2",
        "anomaly-detection",
        "mspc"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/mahalanobis-distance"
    },
    {
      "id": "doe",
      "type": "entry",
      "ja": "実験計画法",
      "abbr": "DOE",
      "en": "Design of Experiments",
      "zh": "实验设计",
      "category": "品質・統計",
      "definition": {
        "ja": "実験計画法（DOE）は、少ない実験回数で、どの要因が結果にどれだけ影響するかを効率よく調べるための実験の組み方と解析の方法です。直交表や要因配置実験を使い、複数の条件を同時に変えて効果と交互作用を評価します。加工条件の最適化では、ベイズ最適化などのAI手法と組み合わせて実験の回数を減らす使い方も広がっています。",
        "en": "A method for designing and analyzing experiments that efficiently identifies which factors affect an outcome with few trials. It varies multiple conditions simultaneously to estimate effects and interactions.",
        "zh": "以较少实验次数高效探明哪些因素对结果有多大影响的实验设计与分析方法，通过同时改变多个条件评估主效应和交互作用。"
      },
      "related": [
        "bayesian-optimization",
        "taguchi-method",
        "process-condition-optimization"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/doe"
    },
    {
      "id": "taguchi-method",
      "type": "entry",
      "ja": "タグチメソッド（品質工学）",
      "abbr": null,
      "en": "Taguchi Method",
      "zh": "田口方法",
      "category": "品質・統計",
      "definition": {
        "ja": "タグチメソッド（品質工学）は、田口玄一氏が体系化した、品質のばらつきに強い製品や工程を設計するための手法です。使用環境や材料のばらつきなどの影響を受けにくい設計条件を、SN比を指標にして実験で見つけるパラメータ設計が中心です。異常の度合いを測るMT法も品質工学の一部として発展しました。",
        "en": "A methodology developed by Genichi Taguchi for designing products and processes robust to variation. Its core is parameter design, which uses signal-to-noise ratios to find conditions insensitive to noise factors.",
        "zh": "由田口玄一建立的、用于设计对质量波动具有鲁棒性的产品和工艺的方法，核心是以信噪比为指标通过实验寻找不易受干扰因素影响的参数设计。"
      },
      "related": [
        "doe",
        "mahalanobis-distance",
        "process-variation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/taguchi-method"
    },
    {
      "id": "process-condition-optimization",
      "type": "entry",
      "ja": "加工条件最適化（条件出し）",
      "abbr": null,
      "en": "Process Parameter Optimization",
      "zh": "工艺参数优化",
      "category": "品質・統計",
      "definition": {
        "ja": "加工条件最適化（条件出し）は、温度・圧力・速度・時間などの加工条件を調整し、品質や生産性の目標を満たす条件を見つける作業です。熟練者の経験と試作の繰り返しに頼ることが多く、新製品の立ち上げや材料変更のたびに時間がかかる工程です。実験計画法やベイズ最適化、過去の加工データを学習したモデルを使って、試行回数を減らす取り組みが進んでいます。",
        "en": "The work of adjusting processing conditions such as temperature, pressure, speed and time to meet quality and productivity targets. AI methods such as Bayesian optimization are used to reduce the number of trial runs.",
        "zh": "调整温度、压力、速度、时间等加工条件，以找到满足质量和生产率目标的参数的工作。贝叶斯优化等AI方法被用来减少试验次数。"
      },
      "related": [
        "bayesian-optimization",
        "doe",
        "soft-sensor"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/process-condition-optimization"
    },
    {
      "id": "soft-sensor",
      "type": "entry",
      "ja": "ソフトセンサー",
      "abbr": null,
      "en": "Soft Sensor",
      "zh": "软测量",
      "category": "品質・統計",
      "definition": {
        "ja": "ソフトセンサーは、直接測るのが難しい品質や状態の値を、測りやすい他のプロセスデータから統計モデルや機械学習で推定する仕組みです。化学プラントで、分析に時間のかかる製品濃度を温度・圧力・流量から推定する用途が代表的です。運転条件や原料が変わると推定精度が落ちるため、定期的な実測値との照合とモデルの更新が欠かせません。",
        "en": "A model that estimates hard-to-measure quality or state variables from other, easily measured process data using statistics or machine learning. Accuracy degrades when conditions change, so periodic comparison with lab measurements is essential.",
        "zh": "利用统计模型或机器学习，根据易于测量的其他过程数据推算难以直接测量的质量或状态值的机制。工况变化会导致精度下降，需定期与实测值对照并更新模型。"
      },
      "related": [
        "pls-regression",
        "regression",
        "process-condition-optimization"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/soft-sensor"
    },
    {
      "id": "pls-regression",
      "type": "entry",
      "ja": "PLS回帰",
      "abbr": "PLS",
      "en": "Partial Least Squares Regression",
      "zh": "偏最小二乘回归",
      "category": "品質・統計",
      "definition": {
        "ja": "PLS回帰は、説明変数を相関の高い少数の潜在変数にまとめてから、目的変数との回帰を行う手法です。変数の数が多く互いに強く相関する場合でも安定したモデルを作れるため、化学プロセスのソフトセンサーや分光データの解析で広く使われます。どの変数が予測に効いているかを確認しやすい点も、現場での説明に向いています。",
        "en": "A regression method that compresses explanatory variables into a few latent variables before regressing on the target. It handles many highly correlated variables and is widely used for soft sensors and spectral analysis.",
        "zh": "先将解释变量压缩为少数潜在变量再与目标变量回归的方法，能处理变量多且高度相关的情况，广泛用于软测量和光谱数据分析。"
      },
      "related": [
        "soft-sensor",
        "regression",
        "pca"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/pls-regression"
    },
    {
      "id": "root-cause-analysis",
      "type": "entry",
      "ja": "根本原因分析",
      "abbr": "RCA",
      "en": "Root Cause Analysis",
      "zh": "根本原因分析",
      "category": "品質・統計",
      "definition": {
        "ja": "根本原因分析（RCA）は、不具合や故障について、表面に現れた現象ではなく、それを生み出した根本の原因を突き止めるための分析の総称です。なぜなぜ分析や特性要因図などの手法を使い、再発を防ぐ対策につなげます。機械学習の説明手法で影響の大きい変数を示すことは、原因の候補を絞る助けにはなりますが、因果関係の確認は現場の検証が必要です。",
        "en": "A general term for analyses that identify the underlying cause of a defect or failure rather than its surface symptoms, using tools such as 5 Whys and fishbone diagrams. Machine-learning explanations can narrow candidates but causality still requires verification.",
        "zh": "针对不良或故障，查明其根本原因而非表面现象的分析方法统称，常用5个为什么和鱼骨图等工具。机器学习的解释方法可缩小候选原因范围，但因果关系仍需现场验证。"
      },
      "related": [
        "why-why-analysis",
        "fishbone-diagram",
        "shap"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/root-cause-analysis"
    },
    {
      "id": "why-why-analysis",
      "type": "entry",
      "ja": "なぜなぜ分析",
      "abbr": null,
      "en": "5 Whys Analysis",
      "zh": "5个为什么分析",
      "category": "品質・統計",
      "definition": {
        "ja": "なぜなぜ分析は、起きた問題に対して「なぜ」を繰り返し問いかけ、根本原因までたどる分析手法です。日本の製造現場で広く使われ、5回程度繰り返すことが目安とされます。個人の注意不足で止まらず、仕組みや手順の問題まで掘り下げることが重要で、過去の分析記録は生成AIで類似事例を探す際の資産にもなります。",
        "en": "A technique that repeatedly asks 'why' about a problem to trace it back to its root cause, commonly about five times. It is important to go beyond individual error to system and procedure issues.",
        "zh": "针对已发生的问题反复追问“为什么”以追溯到根本原因的分析方法，通常重复约五次。关键是不止于个人疏忽，而是深入到机制和流程层面的问题。"
      },
      "related": [
        "root-cause-analysis",
        "fishbone-diagram",
        "eight-d"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/why-why-analysis"
    },
    {
      "id": "fishbone-diagram",
      "type": "entry",
      "ja": "特性要因図",
      "abbr": null,
      "en": "Fishbone (Ishikawa) Diagram",
      "zh": "鱼骨图",
      "category": "品質・統計",
      "definition": {
        "ja": "特性要因図は、問題となる結果（特性）と、それに影響する要因の関係を、魚の骨のような形に整理した図です。石川馨氏が考案し、要因を人・機械・材料・方法・測定・環境などの大分類に分けて洗い出します。QC七つ道具の一つで、チームで原因の候補を漏れなく挙げる場面に使われます。",
        "en": "A diagram, devised by Kaoru Ishikawa, that organizes the factors affecting a problem in a fish-bone shape under categories such as people, machines, materials, methods, measurement and environment. It is one of the seven basic quality tools.",
        "zh": "由石川馨提出、以鱼骨形状整理问题结果与影响因素关系的图，将因素按人、机、料、法、测、环等大类列出，是QC七大手法之一。"
      },
      "related": [
        "root-cause-analysis",
        "qc-seven-tools",
        "why-why-analysis"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/fishbone-diagram"
    },
    {
      "id": "qc-seven-tools",
      "type": "entry",
      "ja": "QC七つ道具",
      "abbr": null,
      "en": "Seven Basic Quality Tools",
      "zh": "QC七大手法",
      "category": "品質・統計",
      "definition": {
        "ja": "QC七つ道具は、品質管理でデータを整理・分析するための7つの基本的な手法で、パレート図、特性要因図、チェックシート、ヒストグラム、散布図、管理図、グラフ（または層別）が挙げられます。日本の小集団活動を通じて現場に広まり、特別な統計の知識がなくても使える点が特徴です。AIで分析を高度化する場合も、まず七つ道具で現状を可視化しておくと、課題の設定がしやすくなります。",
        "en": "Seven basic techniques for organizing and analyzing quality data: Pareto charts, fishbone diagrams, check sheets, histograms, scatter diagrams, control charts and graphs or stratification. They are designed for use on the shop floor without advanced statistics.",
        "zh": "质量管理中整理和分析数据的七种基本方法：帕累托图、鱼骨图、检查表、直方图、散布图、控制图以及图表或分层法，无需高深统计知识即可在现场使用。"
      },
      "related": [
        "fishbone-diagram",
        "pareto-chart",
        "control-chart"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/qc-seven-tools"
    },
    {
      "id": "pareto-chart",
      "type": "entry",
      "ja": "パレート図",
      "abbr": null,
      "en": "Pareto Chart",
      "zh": "帕累托图",
      "category": "品質・統計",
      "definition": {
        "ja": "パレート図は、不良や故障などの項目を件数や損失額の多い順に棒グラフで並べ、累積比率を折れ線で重ねた図です。少数の項目が全体の大部分を占めることが多いため、どこから手を付けるべきかを決めるのに使われます。AIで外観検査を自動化する対象を選ぶ際にも、不良の種類別の件数をパレート図で確認するのが出発点になります。",
        "en": "A chart that ranks items such as defects or failures in descending order of frequency or cost as bars, with a cumulative percentage line. It helps prioritize the few items that account for most of the impact.",
        "zh": "将不良或故障等项目按件数或损失金额从多到少以柱状排列，并叠加累计比率折线的图表，用于确定应优先处理的少数关键项目。"
      },
      "related": [
        "qc-seven-tools",
        "defect-rate",
        "root-cause-analysis"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/pareto-chart"
    },
    {
      "id": "eight-d",
      "type": "entry",
      "ja": "8Dレポート",
      "abbr": "8D",
      "en": "Eight Disciplines Problem Solving",
      "zh": "8D问题解决法",
      "category": "品質・統計",
      "definition": {
        "ja": "8Dレポートは、品質問題を8つの段階（チーム編成、問題の記述、暫定対策、根本原因の特定、恒久対策の選定、実施と効果確認、再発防止、チームの評価）で解決し、その経緯を記録する報告書の形式です。自動車業界を中心に、顧客からの不具合指摘に対する回答として求められることが多くあります。過去の8Dレポートは、生成AIで報告書の下書きや類似不具合の検索を行う際の重要な資料になります。",
        "en": "A structured problem-solving process and report format with eight disciplines, from forming a team and describing the problem to root-cause analysis, permanent corrective action and prevention of recurrence. It is widely required by automotive customers.",
        "zh": "按八个步骤（组建团队、描述问题、临时措施、确定根本原因、选择永久措施、实施验证、防止再发、团队表彰）解决质量问题并记录过程的报告形式，在汽车行业被客户广泛要求。"
      },
      "related": [
        "root-cause-analysis",
        "capa",
        "traceability"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/eight-d"
    },
    {
      "id": "capa",
      "type": "entry",
      "ja": "是正処置・予防処置",
      "abbr": "CAPA",
      "en": "Corrective and Preventive Action",
      "zh": "纠正和预防措施",
      "category": "品質・統計",
      "definition": {
        "ja": "是正処置・予防処置（CAPA）は、発生した不適合の原因を取り除いて再発を防ぐ是正処置と、まだ起きていない不適合の原因を取り除いて発生を防ぐ予防処置をあわせた品質管理の仕組みです。医薬品や医療機器の製造では、規制当局の査察で重視される項目の一つです。処置の内容、効果の確認、記録の保管までを一連の手順として管理します。",
        "en": "A quality system combining corrective action, which eliminates the cause of an occurred nonconformity, and preventive action, which addresses potential causes. It is a key focus of regulatory inspections in pharmaceutical and medical-device manufacturing.",
        "zh": "结合纠正措施（消除已发生不合格的原因以防再发）和预防措施（消除潜在不合格原因以防发生）的质量管理机制，是医药和医疗器械生产监管检查的重点之一。"
      },
      "related": [
        "eight-d",
        "root-cause-analysis",
        "gmp"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/capa"
    },
    {
      "id": "fmea",
      "type": "entry",
      "ja": "故障モード影響解析",
      "abbr": "FMEA",
      "en": "Failure Mode and Effects Analysis",
      "zh": "失效模式与影响分析",
      "category": "品質・統計",
      "definition": {
        "ja": "故障モード影響解析（FMEA）は、製品や工程で起こりうる故障や不具合のモードを洗い出し、その影響の大きさ、発生のしやすさ、検出のしやすさを評価して、事前に対策を打つための手法です。設計段階の設計FMEAと、工程を対象とする工程FMEAがあります。過去の不具合記録や類似製品のFMEAを生成AIで参照し、洗い出しの漏れを減らす使い方も試みられています。",
        "en": "A method that identifies potential failure modes in products or processes and evaluates their severity, occurrence and detectability to take preventive action. It is used in both design (DFMEA) and process (PFMEA) stages.",
        "zh": "列出产品或工序中可能发生的失效模式，评估其严重度、发生度和探测度，并提前采取对策的方法，分为设计FMEA和过程FMEA。"
      },
      "related": [
        "rcm",
        "engineering-change",
        "control-plan"
      ],
      "references": [
        "AIAG-VDA FMEAハンドブック"
      ],
      "url": "https://mfg-ai.com/terms/fmea"
    },
    {
      "id": "control-plan",
      "type": "entry",
      "ja": "コントロールプラン（QC工程表）",
      "abbr": null,
      "en": "Control Plan",
      "zh": "控制计划",
      "category": "品質・統計",
      "definition": {
        "ja": "コントロールプラン（QC工程表）は、製造工程ごとに、管理する製品・工程の特性、規格、測定方法、頻度、異常時の処置などを一覧にした文書です。工程FMEAで洗い出したリスクに対し、どのように管理するかを具体化したものとして位置付けられます。工程の変更やAIによる検査の導入を行う場合は、この文書の改訂と顧客への説明が必要になることがあります。",
        "en": "A document listing, for each process step, the product and process characteristics to control, specifications, measurement methods, frequency and reaction plans. It turns risks identified in process FMEA into concrete controls.",
        "zh": "按工序列出需管理的产品和过程特性、规格、测量方法、频次及异常处置等内容的文件，是将过程FMEA识别的风险转化为具体管控措施的文件。"
      },
      "related": [
        "fmea",
        "ppap",
        "spc"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/control-plan"
    },
    {
      "id": "ppap",
      "type": "entry",
      "ja": "生産部品承認プロセス",
      "abbr": "PPAP",
      "en": "Production Part Approval Process",
      "zh": "生产件批准程序",
      "category": "品質・統計",
      "definition": {
        "ja": "生産部品承認プロセス（PPAP）は、自動車業界で、部品メーカーが量産を始める前に、顧客の要求を満たす部品を安定して生産できることを示し、承認を得るための手続きです。図面、FMEA、コントロールプラン、測定システム解析、工程能力の調査結果などの書類一式を提出します。工程や検査方法を変更する際にも再提出が必要になる場合があり、AI検査の導入時の論点になります。",
        "en": "An automotive-industry procedure in which suppliers demonstrate, before mass production, that they can consistently produce parts meeting customer requirements. It requires documents such as FMEA, control plans, MSA and capability studies.",
        "zh": "汽车行业中，供应商在量产前证明能稳定生产满足客户要求的零件并获得批准的程序，需提交FMEA、控制计划、测量系统分析和过程能力研究等文件。"
      },
      "related": [
        "iatf-16949",
        "control-plan",
        "fmea"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ppap"
    },
    {
      "id": "msa",
      "type": "entry",
      "ja": "測定システム解析",
      "abbr": "MSA",
      "en": "Measurement System Analysis",
      "zh": "测量系统分析",
      "category": "品質・統計",
      "definition": {
        "ja": "測定システム解析（MSA）は、測定器と測定方法、測定者を含む測定システム全体が、どれだけ正確でばらつきが小さいかを評価する手法です。測定の誤差が大きいと、工程のばらつきや品質の分析結果が信頼できなくなります。AIの学習データに使う検査結果や人の判定ラベルについても、同じ考え方で信頼性を確かめることが重要です。",
        "en": "A method for evaluating how accurate and consistent an entire measurement system is, including instruments, methods and operators. The same thinking applies to checking the reliability of inspection labels used as AI training data.",
        "zh": "评估包括测量仪器、方法和测量人员在内的整个测量系统准确性和一致性的方法。用于AI训练数据的检测结果和人工判定标签也应按同样思路确认其可靠性。"
      },
      "related": [
        "gage-rr",
        "annotation",
        "process-capability"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/msa"
    },
    {
      "id": "gage-rr",
      "type": "entry",
      "ja": "ゲージR&R",
      "abbr": "GR&R",
      "en": "Gage Repeatability and Reproducibility",
      "zh": "量具重复性与再现性",
      "category": "品質・統計",
      "definition": {
        "ja": "ゲージR&Rは、測定システムのばらつきを、同じ人が同じものを繰り返し測ったときのばらつき（繰り返し性）と、別の人が測ったときのばらつき（再現性）に分けて評価する方法です。測定のばらつきが工程のばらつきや公差に対してどの程度の割合かで、測定システムの合否を判断します。外観検査の目視判定を数値で評価する際にも、判定者間の一致度として同様の考え方が使われます。",
        "en": "A method that evaluates measurement-system variation by separating repeatability (same operator) from reproducibility (different operators). The measurement variation is compared with process variation or tolerance to judge acceptability.",
        "zh": "将测量系统波动分解为重复性（同一人员重复测量）和再现性（不同人员测量）来评估的方法，根据测量波动占过程波动或公差的比例判定测量系统是否合格。"
      },
      "related": [
        "msa",
        "annotation",
        "process-variation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/gage-rr"
    },
    {
      "id": "confusion-matrix",
      "type": "entry",
      "ja": "混同行列",
      "abbr": null,
      "en": "Confusion Matrix",
      "zh": "混淆矩阵",
      "category": "品質・統計",
      "definition": {
        "ja": "混同行列は、分類モデルの判定結果と実際の正解を表にまとめ、正しく当てた件数と誤った件数を種類ごとに示したものです。外観検査では、不良を不良と判定した件数、良品を不良と判定した過検出、不良を良品と判定した見逃しなどが一目で分かります。正解率だけでは見えない誤りの内訳を確認できるため、AI検査の評価の基本になります。",
        "en": "A table that compares a classifier's predictions with the actual labels, showing correct and incorrect counts by type. In inspection it reveals overkill and escapes that overall accuracy hides.",
        "zh": "将分类模型的判定结果与实际标签汇总成表，按类型显示正确与错误件数的工具。在外观检测中可直观看出整体准确率无法反映的过检和漏检。"
      },
      "related": [
        "precision-recall",
        "false-alarm",
        "escape-rate"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/confusion-matrix"
    },
    {
      "id": "precision-recall",
      "type": "entry",
      "ja": "適合率・再現率",
      "abbr": null,
      "en": "Precision and Recall",
      "zh": "精确率与召回率",
      "category": "品質・統計",
      "definition": {
        "ja": "適合率は、モデルが不良と判定したもののうち、本当に不良だった割合です。再現率は、実際の不良のうち、モデルが不良として見つけられた割合です。外観検査では、見逃しを減らすために再現率を優先すると過検出が増えやすいなど両者はトレードオフの関係にあり、どちらを重視するかを品質方針に沿って決める必要があります。",
        "en": "Precision is the share of items flagged as defective that are truly defective; recall is the share of actual defects that the model catches. The two trade off, so inspection projects must decide which to prioritize.",
        "zh": "精确率是被模型判为不良的对象中真正不良的比例；召回率是实际不良中被模型检出的比例。两者存在权衡，检测项目需决定优先哪一项。"
      },
      "related": [
        "confusion-matrix",
        "f1-score",
        "escape-rate"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/precision-recall"
    },
    {
      "id": "f1-score",
      "type": "entry",
      "ja": "F1スコア",
      "abbr": null,
      "en": "F1 Score",
      "zh": "F1分数",
      "category": "品質・統計",
      "definition": {
        "ja": "F1スコアは、適合率と再現率の調和平均で、両者のバランスを一つの数値で表す評価指標です。不良品が少なく良品が大部分を占めるデータでは、正解率よりもモデルの実力を反映しやすいとされます。ただし見逃しと過検出のコストが大きく異なる現場では、F1スコアだけで閾値を決めず、それぞれの許容値を別に確認する必要があります。",
        "en": "The harmonic mean of precision and recall, expressing their balance as a single metric. It reflects model performance better than accuracy on imbalanced data, but should not alone decide thresholds when miss and false-reject costs differ.",
        "zh": "精确率与召回率的调和平均数，以单一数值表示两者的平衡。在不平衡数据上比准确率更能反映模型性能，但在漏检与过检代价差异大时不应仅凭它确定阈值。"
      },
      "related": [
        "precision-recall",
        "confusion-matrix"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/f1-score"
    },
    {
      "id": "auroc",
      "type": "entry",
      "ja": "AUROC",
      "abbr": null,
      "en": "Area Under the ROC Curve",
      "zh": "ROC曲线下面积",
      "category": "品質・統計",
      "definition": {
        "ja": "AUROCは、判定の閾値を変えたときの真陽性率と偽陽性率の関係を示すROC曲線の下側の面積で、モデルが異常と正常をどれだけ分けられているかを閾値によらずに評価する指標です。1に近いほど識別性能が高く、画像異常検知の論文ではMVTec ADでの画像AUROCが比較によく使われます。実際の運用では一つの閾値を決める必要があるため、その閾値での見逃し率と過検出率もあわせて確認します。",
        "en": "The area under the ROC curve, which plots true-positive rate against false-positive rate across thresholds, measuring how well a model separates abnormal from normal independent of threshold. In operation, miss and overkill rates at the chosen threshold must also be checked.",
        "zh": "ROC曲线（在不同阈值下真阳性率与假阳性率的关系）下的面积，用于不依赖阈值地评估模型区分异常与正常的能力。实际运用中还需确认所选阈值下的漏检率和过检率。"
      },
      "related": [
        "precision-recall",
        "mvtec-ad",
        "threshold-setting"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/auroc"
    },
    {
      "id": "escape-rate",
      "type": "entry",
      "ja": "見逃し率（流出率）",
      "abbr": null,
      "en": "Escape Rate / Miss Rate",
      "zh": "漏检率",
      "category": "品質・統計",
      "definition": {
        "ja": "見逃し率（流出率）は、実際の不良品のうち、検査で良品と判定されて後工程や顧客に流れてしまった割合です。品質上の影響が最も大きい誤りであり、AI検査の導入では、まず人の検査と同等以下に抑えられるかが判断基準になることが多くあります。不良品の数が少ないと推定の誤差が大きくなるため、評価に使う不良サンプルの数にも注意が必要です。",
        "en": "The proportion of actual defective items that the inspection judged as good, allowing them to flow downstream or to customers. It is usually the most critical error, and AI inspection is often required to match or beat human inspection on this metric.",
        "zh": "实际不良品中被检测判为良品而流向后工序或客户的比例。这是对质量影响最大的错误，AI检测通常要求在该指标上不劣于人工检测。"
      },
      "related": [
        "overkill-rate",
        "precision-recall",
        "confusion-matrix"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/escape-rate"
    },
    {
      "id": "overkill-rate",
      "type": "entry",
      "ja": "過検出率（虚報率）",
      "abbr": null,
      "en": "Overkill Rate / False Reject Rate",
      "zh": "过检率",
      "category": "品質・統計",
      "definition": {
        "ja": "過検出率（虚報率）は、実際は良品であるにもかかわらず、検査で不良と判定してしまった割合です。過検出が多いと、良品の廃棄や再検査の手間が増え、検査の自動化による省人化の効果が薄れます。見逃しを抑えるために判定を厳しくすると過検出が増えるため、両者のバランスと再検査の体制をあわせて設計します。",
        "en": "The proportion of good items wrongly judged defective by inspection. High overkill increases scrap and re-inspection work, eroding the labor savings from automated inspection.",
        "zh": "实际为良品却被检测判为不良的比例。过检过多会增加良品报废和复检工作量，削弱自动化检测的省人效果。"
      },
      "related": [
        "escape-rate",
        "false-alarm",
        "visual-inspection-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/overkill-rate"
    },
    {
      "id": "defect-rate",
      "type": "entry",
      "ja": "不良率",
      "abbr": null,
      "en": "Defect Rate",
      "zh": "不良率",
      "category": "品質・統計",
      "definition": {
        "ja": "不良率は、生産した数量のうち、規格を満たさない不良品が占める割合です。工程ごと、不良の種類ごとに集計することで、改善の優先順位を決める基礎データになります。検査の方法や判定基準が変わると数値も変わるため、AI検査の導入前後で比較する際は、判定基準をそろえて評価する必要があります。",
        "en": "The proportion of produced units that fail to meet specifications. Comparisons before and after introducing AI inspection require consistent judgment criteria.",
        "zh": "不符合规格的不良品在产量中所占比例。比较引入AI检测前后的数据时，需要统一判定标准。"
      },
      "related": [
        "ppm",
        "first-pass-yield",
        "pareto-chart"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/defect-rate"
    },
    {
      "id": "ppm",
      "type": "entry",
      "ja": "PPM（百万分率）",
      "abbr": "ppm",
      "en": "Parts Per Million",
      "zh": "百万分率",
      "category": "品質・統計",
      "definition": {
        "ja": "PPM（百万分率）は、100万個あたり何個かを表す単位で、品質管理では不良品の発生や流出の割合を表すのに使われます。自動車や電子部品など、不良率がパーセントでは表しにくいほど低い水準を求められる業界でよく使われます。顧客との取引では、納入不良のPPM目標が品質の取り決めとして設定されることがあります。",
        "en": "A unit expressing quantity per million, used in quality control to express defect or escape rates. It is common in industries such as automotive and electronics where defect levels are too low to express conveniently in percent.",
        "zh": "表示每百万个中有多少个的单位，在质量管理中用于表示不良或流出比例，常见于汽车和电子零件等要求极低不良率的行业。"
      },
      "related": [
        "defect-rate",
        "six-sigma",
        "eight-d"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ppm"
    },
    {
      "id": "first-pass-yield",
      "type": "entry",
      "ja": "直行率（初回合格率）",
      "abbr": "FPY",
      "en": "First Pass Yield",
      "zh": "直通率",
      "category": "品質・統計",
      "definition": {
        "ja": "直行率（初回合格率）は、工程に投入した製品のうち、手直しや再検査をせずに一度で合格した割合です。最終的な良品率では見えない手直しや再作業の多さを把握できるため、工程の実力を示す指標として使われます。複数工程の直行率を掛け合わせた値は、ライン全体の流れのよさを表します。",
        "en": "The proportion of units that pass a process the first time without rework or re-inspection. It reveals hidden rework that final yield does not show.",
        "zh": "投入工序的产品中，无需返工或复检一次即合格的比例，可反映最终合格率所掩盖的返工情况。"
      },
      "related": [
        "defect-rate",
        "yield",
        "rework"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/first-pass-yield"
    },
    {
      "id": "yield",
      "type": "entry",
      "ja": "歩留まり",
      "abbr": null,
      "en": "Yield",
      "zh": "良率",
      "category": "品質・統計",
      "definition": {
        "ja": "歩留まりは、投入した材料や仕掛品のうち、最終的に良品として出荷できた割合です。半導体や化学では工程ごとの歩留まりを掛け合わせた総合歩留まりで収益性を測ることが多く、わずかな改善が原価に大きく効きます。AIによる不良要因の分析や条件最適化は、この歩留まり向上を目的に導入される代表的なテーマです。",
        "en": "The proportion of input material or work-in-process that ends up as good, shippable product. It is a core profitability metric in industries such as semiconductors and chemicals.",
        "zh": "投入的材料或在制品中最终成为合格品的比例，是半导体、化工等行业衡量盈利能力的核心指标。"
      },
      "related": [
        "first-pass-yield",
        "defect-rate",
        "yield-analysis"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/yield"
    },
    {
      "id": "yield-analysis",
      "type": "entry",
      "ja": "歩留まり解析",
      "abbr": null,
      "en": "Yield Analysis",
      "zh": "良率分析",
      "category": "品質・統計",
      "definition": {
        "ja": "歩留まり解析は、不良がどの工程・設備・ロット・条件で発生しているかをデータから突き止め、歩留まり低下の原因を特定する分析です。検査結果、装置ログ、工程条件を製品単位でひも付けて比較するため、トレーサビリティの整備が前提になります。半導体分野ではウェハマップのパターン分類や機械学習による要因探索が広く使われています。",
        "en": "Analysis that traces where yield loss occurs—by process, equipment, lot or condition—to identify root causes. It relies on linking inspection results, tool logs and process parameters to each unit.",
        "zh": "通过数据定位不良发生在哪个工序、设备、批次或条件下，从而找出良率下降原因的分析方法。前提是将检验结果、设备日志与工艺参数关联到每个产品。"
      },
      "related": [
        "yield",
        "root-cause-analysis",
        "aoi"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/yield-analysis"
    },
    {
      "id": "rework",
      "type": "entry",
      "ja": "手直し（リワーク）",
      "abbr": null,
      "en": "Rework",
      "zh": "返工",
      "category": "品質・統計",
      "definition": {
        "ja": "手直し（リワーク）は、検査で不合格となった製品を修理・再加工して規格内に戻す作業です。廃棄を避けられる一方、追加の工数や部材がかかり、直行率を下げる隠れたコストになります。手直しの履歴を記録しておくことは、品質保証やトレーサビリティの観点でも重要です。",
        "en": "Repairing or reprocessing a nonconforming product so that it meets specifications. It avoids scrap but adds labor and material cost and lowers first pass yield.",
        "zh": "对检验不合格的产品进行修理或再加工，使其恢复到符合规格的状态。虽可避免报废，但会增加工时与物料成本，并降低直通率。"
      },
      "related": [
        "first-pass-yield",
        "defect-rate"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/rework"
    },
    {
      "id": "inspection-record-digitization",
      "type": "entry",
      "ja": "検査記録のデジタル化",
      "abbr": null,
      "en": "Digitization of Inspection Records",
      "zh": "检验记录数字化",
      "category": "品質・統計",
      "definition": {
        "ja": "検査記録のデジタル化は、紙のチェックシートや手書きの検査成績書を、タブレット入力やAI-OCRなどでデータとして扱える形にすることです。記録の検索や集計が容易になり、不良の傾向分析や監査対応の工数を減らせます。現場ではまず既存帳票の読み取りから始め、段階的に入力そのものを電子化する進め方が一般的です。",
        "en": "Converting paper check sheets and handwritten inspection reports into usable data via tablet input or AI-OCR. It makes records searchable and supports trend analysis and audits.",
        "zh": "利用平板录入或AI-OCR等方式，将纸质点检表和手写检验报告转换为可用数据，便于检索、统计分析及应对审核。"
      },
      "related": [
        "ai-ocr",
        "traceability",
        "mes"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/inspection-record-digitization"
    },
    {
      "id": "mes",
      "type": "entry",
      "ja": "製造実行システム",
      "abbr": "MES",
      "en": "Manufacturing Execution System",
      "zh": "制造执行系统",
      "category": "生産・計画",
      "definition": {
        "ja": "製造実行システム（MES）は、工場の現場で製造指示の展開、作業実績の収集、品質記録、トレーサビリティなどを管理する情報システムです。ERPの計画と設備・制御層の間に位置し、ISA-95ではレベル3の機能として整理されています。製造業でAIを活用する際は、MESが持つ実績・品質データが学習や分析の主要な入力になります。",
        "en": "An information system that manages shop-floor execution—dispatching work orders, collecting production results, quality records and traceability. It sits between ERP and the control layer (Level 3 in ISA-95).",
        "zh": "在车间层面管理生产指令下达、实绩采集、质量记录与追溯等功能的信息系统，位于ERP与控制层之间，对应ISA-95的第3层。"
      },
      "related": [
        "isa-95",
        "erp",
        "mom"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/mes"
    },
    {
      "id": "mom",
      "type": "entry",
      "ja": "製造オペレーション管理",
      "abbr": "MOM",
      "en": "Manufacturing Operations Management",
      "zh": "制造运营管理",
      "category": "生産・計画",
      "definition": {
        "ja": "製造オペレーション管理（MOM）は、生産・品質・保全・在庫の4領域にまたがる工場内の業務全体を管理する考え方、またはその仕組みです。MESより範囲が広く、ISA-95が定義する製造オペレーションの活動モデルに沿って語られることが多い用語です。複数工場の標準化やグローバル展開の文脈で、MESの上位概念として使われます。",
        "en": "A framework or system covering all factory operations across production, quality, maintenance and inventory. It is broader than MES and typically follows the ISA-95 activity model.",
        "zh": "涵盖生产、质量、维护和库存四个领域的工厂运营管理理念或系统，范围比MES更广，通常依据ISA-95的活动模型来描述。"
      },
      "related": [
        "mes",
        "isa-95",
        "lims"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/mom"
    },
    {
      "id": "erp",
      "type": "entry",
      "ja": "基幹業務システム",
      "abbr": "ERP",
      "en": "Enterprise Resource Planning",
      "zh": "企业资源计划",
      "category": "生産・計画",
      "definition": {
        "ja": "ERP（基幹業務システム）は、会計・販売・購買・在庫・生産計画など企業の基幹業務を一つのデータベースで統合管理するシステムです。製造業では受注から出荷・請求までの流れを管理し、工場現場の実行管理はMESが担うという役割分担が一般的です。AIによる需要予測や在庫最適化では、ERPの取引データが主要な入力になります。",
        "en": "A system that integrates core business processes such as accounting, sales, purchasing, inventory and production planning in a single database.",
        "zh": "将财务、销售、采购、库存、生产计划等企业核心业务整合在统一数据库中进行管理的系统。"
      },
      "related": [
        "mes",
        "mrp",
        "plm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/erp"
    },
    {
      "id": "plm",
      "type": "entry",
      "ja": "製品ライフサイクル管理",
      "abbr": "PLM",
      "en": "Product Lifecycle Management",
      "zh": "产品生命周期管理",
      "category": "生産・計画",
      "definition": {
        "ja": "PLM（製品ライフサイクル管理）は、製品の企画・設計から生産、保守、廃棄までの情報を一元管理する仕組みです。CADデータ、部品表、設計変更、仕様書などを版管理し、設計部門と製造部門が同じ正しい情報を参照できるようにします。生成AIで設計ナレッジを検索・活用する取り組みでは、PLMに蓄積された文書が主要な情報源になります。",
        "en": "A system and approach for managing product information across its lifecycle, from concept and design through production, service and disposal, including CAD data, BOMs and engineering changes.",
        "zh": "对产品从规划、设计到生产、维护直至报废全过程信息进行统一管理的体系，涵盖CAD数据、物料清单和工程变更等。"
      },
      "related": [
        "bom",
        "erp",
        "engineering-change"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/plm"
    },
    {
      "id": "bom",
      "type": "entry",
      "ja": "部品表",
      "abbr": "BOM",
      "en": "Bill of Materials",
      "zh": "物料清单",
      "category": "生産・計画",
      "definition": {
        "ja": "部品表（BOM）は、製品を構成する部品・材料とその数量、親子関係を階層的に記述したリストです。設計段階の設計BOM（E-BOM）と、製造工程に合わせて組み替えた製造BOM（M-BOM）を使い分けることが多く、両者の整合が品質や原価管理の基盤になります。資材所要量計画やトレーサビリティもBOMを前提に動きます。",
        "en": "A hierarchical list of the parts and materials, with quantities, that make up a product. Engineering BOMs and manufacturing BOMs are often maintained separately.",
        "zh": "以层级结构描述构成产品的零部件、材料及其数量和父子关系的清单，通常区分设计BOM与制造BOM。"
      },
      "related": [
        "plm",
        "mrp"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/bom"
    },
    {
      "id": "routing",
      "type": "entry",
      "ja": "工程順序（ルーティング）",
      "abbr": null,
      "en": "Routing",
      "zh": "工艺路线",
      "category": "生産・計画",
      "definition": {
        "ja": "工程順序（ルーティング）は、製品を作るためにどの工程をどの順番で、どの設備・作業区で行うか、標準時間はどれだけかを定めた情報です。BOMが「何で作るか」を示すのに対し、ルーティングは「どう作るか」を示します。生産スケジューリングや原価計算、MESでの作業指示は、このルーティング情報をもとに組み立てられます。",
        "en": "The defined sequence of operations, work centers and standard times needed to make a product. While the BOM says what a product is made of, routing says how it is made.",
        "zh": "规定产品制造所需工序顺序、所用设备或工作中心以及标准工时的信息。BOM说明用什么做，工艺路线说明怎么做。"
      },
      "related": [
        "bom",
        "scheduling-optimization",
        "mes"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/routing"
    },
    {
      "id": "engineering-change",
      "type": "entry",
      "ja": "設計変更管理",
      "abbr": "ECM",
      "en": "Engineering Change Management",
      "zh": "工程变更管理",
      "category": "生産・計画",
      "definition": {
        "ja": "設計変更管理（ECM）は、図面や仕様、部品構成の変更を申請・審査・承認し、関連部門と生産に確実に反映させるための管理プロセスです。変更の適用時期（切替ロット）を誤ると、旧仕様品と新仕様品の混在や不良につながります。PLMでワークフローとして管理し、BOMやMESの作業指示に連携させる形が一般的です。",
        "en": "The process of requesting, reviewing, approving and implementing changes to drawings, specifications or product structures, ensuring they are reflected correctly in production.",
        "zh": "对图纸、规格或产品结构的变更进行申请、评审、批准，并确保准确传达到相关部门和生产现场的管理流程。"
      },
      "related": [
        "plm",
        "bom",
        "traceability"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/engineering-change"
    },
    {
      "id": "mrp",
      "type": "entry",
      "ja": "資材所要量計画",
      "abbr": "MRP",
      "en": "Material Requirements Planning",
      "zh": "物料需求计划",
      "category": "生産・計画",
      "definition": {
        "ja": "資材所要量計画（MRP）は、基準生産計画と部品表、在庫情報をもとに、どの部品・材料をいつ、どれだけ調達・製造すべきかを計算する手法です。多くのERPに標準機能として組み込まれています。前提となる需要計画やリードタイムの精度が結果を大きく左右するため、需要予測の改善とセットで検討されることが増えています。",
        "en": "A method that calculates which materials and components are needed, in what quantity and when, based on the master production schedule, BOM and inventory.",
        "zh": "根据主生产计划、物料清单和库存信息，计算需要在何时采购或生产何种物料及数量的方法。"
      },
      "related": [
        "erp",
        "bom",
        "mps"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/mrp"
    },
    {
      "id": "mps",
      "type": "entry",
      "ja": "基準生産計画",
      "abbr": "MPS",
      "en": "Master Production Schedule",
      "zh": "主生产计划",
      "category": "生産・計画",
      "definition": {
        "ja": "基準生産計画（MPS）は、どの製品をいつ、どれだけ生産するかを期間ごとに定めた計画です。需要予測や受注、生産能力を踏まえて作られ、MRPによる部品所要量計算の起点になります。計画を頻繁に変えると現場や調達が混乱するため、一定期間を確定扱いにする「凍結期間」を設けるのが一般的です。",
        "en": "A period-by-period plan stating which finished products will be produced, when and in what quantity. It drives material requirements planning.",
        "zh": "按期间规定生产哪些产品、何时生产以及生产多少的计划，是物料需求计划计算的起点。"
      },
      "related": [
        "mrp",
        "sop",
        "aps"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/mps"
    },
    {
      "id": "sop",
      "type": "entry",
      "ja": "S&OP（販売・事業・生産計画）",
      "abbr": "S&OP",
      "en": "Sales and Operations Planning",
      "zh": "销售与运营计划",
      "category": "生産・計画",
      "definition": {
        "ja": "S&OP（販売・事業・生産計画）は、営業・生産・調達・財務などの部門が定期的に需要と供給の計画をすり合わせ、全社で一つの計画に合意する経営プロセスです。通常は月次で行われ、需要予測、供給能力、在庫、収益見通しをまとめて議論します。AIによる需要予測やシナリオ比較は、この会議の判断材料として使われます。",
        "en": "A regular, cross-functional business process in which sales, operations, procurement and finance align demand and supply plans into one agreed plan.",
        "zh": "销售、生产、采购、财务等部门定期协调需求与供应计划，并就统一计划达成共识的跨部门经营流程。"
      },
      "related": [
        "demand-forecasting",
        "mps",
        "supply-chain-control-tower"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/sop"
    },
    {
      "id": "aps",
      "type": "entry",
      "ja": "生産スケジューラ",
      "abbr": "APS",
      "en": "Advanced Planning and Scheduling",
      "zh": "高级计划与排程",
      "category": "生産・計画",
      "definition": {
        "ja": "生産スケジューラ（APS）は、設備能力、段取り、材料の制約、納期などを考慮して、実行可能な生産計画や作業順序を自動で立案するシステムです。MRPが能力無限を前提にしがちなのに対し、APSは有限能力で計画を組みます。計画の精度はマスタ（標準時間・段取り時間など）の正しさに依存するため、導入時のデータ整備が大きな作業になります。",
        "en": "A system that automatically creates feasible production plans and sequences under finite capacity, considering equipment, changeovers, materials and due dates.",
        "zh": "在考虑设备能力、换型、物料约束和交期等条件下，自动生成可执行生产计划与作业顺序的系统，以有限产能为前提。"
      },
      "related": [
        "scheduling-optimization",
        "mes",
        "mps"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/aps"
    },
    {
      "id": "scheduling-optimization",
      "type": "entry",
      "ja": "生産スケジューリング最適化",
      "abbr": null,
      "en": "Production Scheduling Optimization",
      "zh": "生产排程优化",
      "category": "生産・計画",
      "definition": {
        "ja": "生産スケジューリング最適化は、納期遵守、段取り時間の削減、設備稼働の平準化などの目標に対して、最も良い作業の割り付けと順序を数理的に求めることです。混合整数計画法やメタヒューリスティクス、近年は強化学習なども使われます。現場では計算結果をそのまま使うより、計画担当者が調整できる余地を残した運用が定着しやすい傾向があります。",
        "en": "Mathematically determining the best assignment and sequence of jobs to meet goals such as on-time delivery, shorter changeovers and balanced equipment load.",
        "zh": "针对准时交付、减少换型时间、均衡设备负荷等目标，通过数学方法求出最优的作业分配与顺序。"
      },
      "related": [
        "aps",
        "milp",
        "job-shop-scheduling"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/scheduling-optimization"
    },
    {
      "id": "job-shop-scheduling",
      "type": "entry",
      "ja": "ジョブショップスケジューリング",
      "abbr": "JSP",
      "en": "Job Shop Scheduling",
      "zh": "作业车间调度",
      "category": "生産・計画",
      "definition": {
        "ja": "ジョブショップスケジューリングは、製品ごとに異なる工程順序を持つ複数の仕事を、限られた設備に割り付けて順序を決める問題です。組合せが爆発的に増えるため厳密解を求めるのが難しく、ヒューリスティクスや最適化ソルバー、強化学習などで実用的な解を探します。多品種少量の部品加工工場が典型的な対象です。",
        "en": "The problem of sequencing multiple jobs, each with its own operation order, on a limited set of machines. It is computationally hard and typical of high-mix, low-volume machining shops.",
        "zh": "将工序顺序各不相同的多个作业分配到有限设备上并确定加工顺序的问题，组合规模大、求解困难，典型于多品种小批量加工车间。"
      },
      "related": [
        "scheduling-optimization",
        "lead-time",
        "milp"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/job-shop-scheduling"
    },
    {
      "id": "setup-time",
      "type": "entry",
      "ja": "段取り替え時間",
      "abbr": null,
      "en": "Changeover / Setup Time",
      "zh": "换型时间",
      "category": "生産・計画",
      "definition": {
        "ja": "段取り替え時間は、ある製品の生産を終えてから、次の製品の良品が安定して作れるようになるまでの切り替えに要する時間です。金型や治具の交換、条件設定、試し加工などが含まれ、その間は設備が生産しないため稼働率を下げます。多品種少量生産では段取り回数が増えるため、短縮と順序の工夫が重要な改善テーマになります。",
        "en": "The time required to switch a line or machine from producing one product to producing good units of the next, including tool changes, adjustments and trial runs.",
        "zh": "从一个产品生产结束到下一个产品稳定产出合格品所需的切换时间，包括更换模具、调整参数和试加工等。"
      },
      "related": [
        "smed",
        "scheduling-optimization",
        "availability"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/setup-time"
    },
    {
      "id": "smed",
      "type": "entry",
      "ja": "シングル段取り",
      "abbr": "SMED",
      "en": "Single-Minute Exchange of Die",
      "zh": "快速换模",
      "category": "生産・計画",
      "definition": {
        "ja": "シングル段取り（SMED）は、段取り替え時間を10分未満（一桁分）に短縮することを目指す改善手法です。設備を止めないとできない内段取りと、稼働中に済ませられる外段取りを分け、内段取りを外段取りに移すことが基本になります。トヨタ生産方式の中で体系化され、小ロット生産を可能にする土台とされています。",
        "en": "A method for cutting changeover time to under ten minutes by separating internal from external setup and converting internal tasks into external ones.",
        "zh": "旨在将换型时间缩短到十分钟以内的改善方法，核心是区分内部与外部作业，并把内部作业转为外部作业。"
      },
      "related": [
        "setup-time",
        "lean-manufacturing",
        "oee"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/smed"
    },
    {
      "id": "cycle-time",
      "type": "entry",
      "ja": "サイクルタイム",
      "abbr": null,
      "en": "Cycle Time",
      "zh": "周期时间",
      "category": "生産・計画",
      "definition": {
        "ja": "サイクルタイムは、ある工程や設備が製品1個（または1サイクル）を処理するのに実際にかかる時間です。タクトタイムと比べることで、ラインの能力が需要に足りているか、どこがボトルネックかを判断できます。設備のPLCや作業映像からサイクルタイムを自動計測し、ばらつきを分析する取り組みが広がっています。",
        "en": "The actual time a process or machine takes to complete one unit or one cycle. Comparing it with takt time reveals bottlenecks and capacity gaps.",
        "zh": "某工序或设备实际完成一个产品或一个循环所需的时间，与节拍时间对比可判断产能是否足够及瓶颈所在。"
      },
      "related": [
        "takt-time",
        "oee",
        "work-analysis"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/cycle-time"
    },
    {
      "id": "takt-time",
      "type": "entry",
      "ja": "タクトタイム",
      "abbr": null,
      "en": "Takt Time",
      "zh": "节拍时间",
      "category": "生産・計画",
      "definition": {
        "ja": "タクトタイムは、顧客の需要を満たすために製品1個をどれだけの時間間隔で作ればよいかを示す値で、稼働可能時間を必要生産数で割って求めます。ライン編成や作業配分の基準として使われ、各工程のサイクルタイムをタクトタイム以内に収めるよう設計します。需要が変われば見直すべき指標である点がサイクルタイムとの違いです。",
        "en": "The pace at which one unit must be produced to meet customer demand, calculated as available working time divided by required output.",
        "zh": "为满足客户需求而需要每隔多长时间生产一件产品的节拍，等于可用工作时间除以需求数量。"
      },
      "related": [
        "cycle-time",
        "work-analysis",
        "lean-manufacturing"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/takt-time"
    },
    {
      "id": "lead-time",
      "type": "entry",
      "ja": "リードタイム",
      "abbr": null,
      "en": "Lead Time",
      "zh": "交付周期",
      "category": "生産・計画",
      "definition": {
        "ja": "リードタイムは、ある工程や業務の開始から完了までにかかる時間で、製造業では受注から納品まで、発注から入荷まで、着工から完成までなど複数の意味で使われます。待ち時間や滞留が大部分を占めることが多く、加工時間そのものより工程間の停滞を減らすことが短縮の鍵になります。在庫量や納期回答の精度にも直結する指標です。",
        "en": "The elapsed time from the start to the completion of a process, such as from order to delivery or from material order to receipt.",
        "zh": "从某个流程开始到完成所需的时间，例如从接单到交货、从下单采购到到货等。"
      },
      "related": [
        "job-shop-scheduling",
        "inventory-optimization",
        "on-time-delivery"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/lead-time"
    },
    {
      "id": "on-time-delivery",
      "type": "entry",
      "ja": "納期遵守率",
      "abbr": "OTD",
      "en": "On-Time Delivery Rate",
      "zh": "准时交付率",
      "category": "生産・計画",
      "definition": {
        "ja": "納期遵守率（OTD）は、顧客と約束した納期どおりに出荷・納品できた注文の割合です。サプライヤー評価や工場の運営指標として広く使われますが、「約束納期」と「希望納期」のどちらを基準にするかで値が大きく変わるため、定義をそろえることが大切です。生産計画の精度や在庫戦略の効果を測る指標としても用いられます。",
        "en": "The percentage of orders shipped or delivered by the date promised to the customer. Its value depends on whether promised or requested dates are used.",
        "zh": "按与客户约定的交期按时发货或交付的订单比例，口径取决于以承诺交期还是要求交期为基准。"
      },
      "related": [
        "lead-time",
        "scheduling-optimization",
        "supply-chain-control-tower"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/on-time-delivery"
    },
    {
      "id": "lean-manufacturing",
      "type": "entry",
      "ja": "リーン生産方式",
      "abbr": null,
      "en": "Lean Manufacturing",
      "zh": "精益生产",
      "category": "生産・計画",
      "definition": {
        "ja": "リーン生産方式は、トヨタ生産方式を源流とし、顧客価値を生まないムダを徹底して取り除くことで、少ない資源で速く柔軟に生産する考え方です。ジャストインタイム、自働化、平準化、継続的改善などが柱となります。デジタル化やAIの導入でも、まず現場のムダを見える化する手段として位置づけると効果が出やすいとされます。",
        "en": "A production philosophy derived from the Toyota Production System that eliminates non-value-adding waste to produce faster and more flexibly with fewer resources.",
        "zh": "源于丰田生产方式，通过彻底消除不产生客户价值的浪费，以更少资源实现快速、柔性生产的理念。"
      },
      "related": [
        "kaizen",
        "takt-time",
        "smed"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/lean-manufacturing"
    },
    {
      "id": "kaizen",
      "type": "entry",
      "ja": "改善（カイゼン）",
      "abbr": null,
      "en": "Kaizen",
      "zh": "持续改善",
      "category": "生産・計画",
      "definition": {
        "ja": "改善（カイゼン）は、現場の作業者や管理者が主体となって、作業や工程の問題を小さな単位で継続的に見直し、より良くしていく活動です。大規模な投資よりも日々の積み重ねを重視する点に特徴があり、英語でもKaizenとして定着しています。データやAIの活用は、改善の着眼点を見つけ、効果を定量的に確かめる道具として使われます。",
        "en": "Continuous, incremental improvement of work and processes led by frontline workers and supervisors, emphasizing daily small changes over large investments.",
        "zh": "由一线员工和管理者主导、以小步方式持续改进作业和流程的活动，强调日常积累而非大规模投资。"
      },
      "related": [
        "lean-manufacturing",
        "work-analysis",
        "qc-seven-tools"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/kaizen"
    },
    {
      "id": "work-analysis",
      "type": "entry",
      "ja": "作業分析",
      "abbr": null,
      "en": "Work Analysis",
      "zh": "作业分析",
      "category": "生産・計画",
      "definition": {
        "ja": "作業分析は、作業者の動作や作業手順を観察・計測して、ムダや負担、ばらつきを明らかにする手法です。従来はストップウォッチやビデオによる手作業の分析が中心でしたが、近年は姿勢推定などの画像AIで動作を自動で分解・計測する製品が増えています。標準作業の設定やライン編成の見直しの基礎データになります。",
        "en": "Observing and measuring workers' motions and procedures to reveal waste, strain and variation. Vision AI such as pose estimation now automates much of this measurement.",
        "zh": "通过观察和测量作业人员的动作与流程，找出浪费、负担和偏差的方法，如今可借助姿态估计等视觉AI自动分析。"
      },
      "related": [
        "pose-estimation",
        "takt-time",
        "standard-work"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/work-analysis"
    },
    {
      "id": "standard-work",
      "type": "entry",
      "ja": "標準作業",
      "abbr": null,
      "en": "Standard Work",
      "zh": "标准作业",
      "category": "生産・計画",
      "definition": {
        "ja": "標準作業は、決められたタクトタイムの中で、決められた手順と標準手持ち（仕掛品の量）で作業を行うための、その時点で最も良いやり方を定めたものです。品質と生産性を安定させる基準であると同時に、改善の出発点にもなります。熟練者のやり方を標準として明文化することは、技能伝承の取り組みとも深く関係します。",
        "en": "The currently best, documented way of performing a task within a set takt time, sequence and standard in-process stock. It stabilizes quality and productivity and is the baseline for improvement.",
        "zh": "在规定节拍、作业顺序和标准在制品数量下执行作业的当前最佳方法，是稳定质量与效率的基准，也是改善的起点。"
      },
      "related": [
        "work-instruction",
        "work-analysis",
        "skill-transfer"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/standard-work"
    },
    {
      "id": "work-instruction",
      "type": "entry",
      "ja": "作業手順書（作業標準書）",
      "abbr": null,
      "en": "Work Instruction",
      "zh": "作业指导书",
      "category": "生産・計画",
      "definition": {
        "ja": "作業手順書（作業標準書）は、ある作業を誰が行っても同じ品質で行えるよう、手順、要点、注意事項、使用する工具などを記載した文書です。紙やPDFで管理されることが多く、改訂の反映漏れや探しにくさが課題になりがちです。近年は動画やタブレットでの提示、生成AIによる検索・要約・多言語化などの活用が進んでいます。",
        "en": "A document describing the steps, key points, cautions and tools for a task so that anyone can perform it with consistent quality.",
        "zh": "记载作业步骤、要点、注意事项和所用工具的文件，使任何人执行该作业都能达到一致的质量。"
      },
      "related": [
        "standard-work",
        "connected-worker",
        "rag"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/work-instruction"
    },
    {
      "id": "connected-worker",
      "type": "entry",
      "ja": "コネクテッドワーカー",
      "abbr": null,
      "en": "Connected Worker",
      "zh": "互联工人",
      "category": "生産・計画",
      "definition": {
        "ja": "コネクテッドワーカーは、現場の作業者がタブレットやスマートグラス、ウェアラブル機器などを通じてデジタルの情報やシステムとつながって働く形態、またはそれを支えるソリューションの総称です。作業指示の提示、実績や点検結果の入力、遠隔支援などを一つの仕組みで扱います。紙帳票のデジタル化や技能伝承の手段として導入されることが多い領域です。",
        "en": "A way of working, and the solutions behind it, in which frontline workers are linked to digital information and systems through tablets, smart glasses or wearables.",
        "zh": "一线作业人员通过平板、智能眼镜或可穿戴设备与数字信息和系统相连接的工作方式及相关解决方案的统称。"
      },
      "related": [
        "work-instruction",
        "frontline-operations-platform",
        "ar-assist"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/connected-worker"
    },
    {
      "id": "frontline-operations-platform",
      "type": "entry",
      "ja": "フロントライン業務基盤",
      "abbr": null,
      "en": "Frontline Operations Platform",
      "zh": "一线运营平台",
      "category": "生産・計画",
      "definition": {
        "ja": "フロントライン業務基盤は、現場作業者向けのアプリ（点検、作業指示、記録、異常報告など）を、現場に近い担当者がノーコード・ローコードで作って改善していけるプラットフォームです。大規模なMES導入に比べて小さく始められる点が特徴で、IIoT機器や既存システムとの連携機能を持つ製品が多くあります。",
        "en": "A platform that lets people close to the shop floor build and evolve frontline apps—inspections, work instructions, records, issue reporting—with no-code or low-code tools.",
        "zh": "让贴近现场的人员以无代码或低代码方式构建并持续改进一线应用（点检、作业指导、记录、异常上报等）的平台。"
      },
      "related": [
        "connected-worker",
        "low-code",
        "mes"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/frontline-operations-platform"
    },
    {
      "id": "ar-assist",
      "type": "entry",
      "ja": "AR作業支援",
      "abbr": null,
      "en": "AR-based Work Assistance",
      "zh": "AR作业辅助",
      "category": "生産・計画",
      "definition": {
        "ja": "AR作業支援は、スマートグラスやタブレットのカメラ映像に、手順・部品位置・注意点などのデジタル情報を重ねて表示し、作業を案内する仕組みです。組立や保守点検での手順ミスの防止、新人教育の短縮、遠隔地の熟練者による指示などに使われます。現場で継続して使うには、装着の負担や表示コンテンツの作成・更新の手間が論点になります。",
        "en": "Guiding work by overlaying digital information—steps, part locations, cautions—on the view through smart glasses or a tablet camera.",
        "zh": "在智能眼镜或平板摄像画面上叠加步骤、零件位置、注意事项等数字信息来引导作业的方式。"
      },
      "related": [
        "connected-worker",
        "skill-transfer"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ar-assist"
    },
    {
      "id": "demand-forecasting",
      "type": "entry",
      "ja": "需要予測",
      "abbr": null,
      "en": "Demand Forecasting",
      "zh": "需求预测",
      "category": "生産・計画",
      "definition": {
        "ja": "需要予測は、過去の出荷・受注実績や季節性、販促、外部要因などのデータから、将来の製品需要を見積もることです。生産計画、資材調達、在庫水準の決定の起点となるため、精度の差が欠品や過剰在庫に直結します。統計モデルに加え、機械学習や時系列の基盤モデルを使う製品も増えています。",
        "en": "Estimating future product demand from historical shipments or orders, seasonality, promotions and external factors. It drives production planning, procurement and inventory decisions.",
        "zh": "根据历史出货或订单、季节性、促销及外部因素等数据，估算未来产品需求，是生产计划、采购和库存决策的起点。"
      },
      "related": [
        "time-series-forecasting",
        "forecast-accuracy",
        "sop"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/demand-forecasting"
    },
    {
      "id": "forecast-accuracy",
      "type": "entry",
      "ja": "予測精度指標（MAPE・WAPE）",
      "abbr": "MAPE",
      "en": "Forecast Accuracy (MAPE / WAPE)",
      "zh": "预测精度指标",
      "category": "生産・計画",
      "definition": {
        "ja": "予測精度指標は、需要予測がどれだけ実績に近かったかを数値で評価する指標で、代表的なものにMAPE（平均絶対パーセント誤差）やWAPE（加重絶対パーセント誤差）があります。MAPEは実績が小さい品目で値が極端に大きくなるため、製造業では数量や金額で重み付けしたWAPEが好まれることがあります。指標の選び方で評価結果が変わるため、比較時は定義をそろえる必要があります。",
        "en": "Metrics such as MAPE and WAPE that quantify how close forecasts were to actual demand. WAPE is often preferred because MAPE inflates for low-volume items.",
        "zh": "衡量需求预测与实际值接近程度的指标，如MAPE和WAPE。由于MAPE在小销量品项上会被放大，制造业常偏好WAPE。"
      },
      "related": [
        "demand-forecasting",
        "safety-stock",
        "time-series-forecasting"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/forecast-accuracy"
    },
    {
      "id": "safety-stock",
      "type": "entry",
      "ja": "安全在庫",
      "abbr": null,
      "en": "Safety Stock",
      "zh": "安全库存",
      "category": "生産・計画",
      "definition": {
        "ja": "安全在庫は、需要の変動や調達リードタイムのばらつきによる欠品を防ぐために、通常の所要量に上乗せして持つ在庫です。一般に需要や供給のばらつきが大きく、求めるサービス率が高いほど多く必要になります。予測精度の向上やリードタイムの短縮は、安全在庫を減らして在庫コストを下げることにつながります。",
        "en": "Extra inventory held above expected requirements to protect against stockouts caused by demand fluctuations or variable lead times.",
        "zh": "为防止因需求波动或采购周期不稳定导致缺货而在正常需求量之外额外持有的库存。"
      },
      "related": [
        "inventory-optimization",
        "forecast-accuracy",
        "mrp"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/safety-stock"
    },
    {
      "id": "inventory-optimization",
      "type": "entry",
      "ja": "在庫最適化",
      "abbr": null,
      "en": "Inventory Optimization",
      "zh": "库存优化",
      "category": "生産・計画",
      "definition": {
        "ja": "在庫最適化は、欠品を避けつつ在庫保有コストを抑えるよう、品目や拠点ごとの在庫水準・発注点・発注量を決める取り組みです。需要と供給のばらつき、サービス率の目標、保管や資金のコストを同時に考慮します。多段階のサプライチェーン全体で在庫配置を最適化する製品も多く、需要予測とあわせて導入されることが一般的です。",
        "en": "Setting stock levels, reorder points and order quantities by item and location to minimize holding costs while avoiding stockouts.",
        "zh": "按品项和地点设定库存水平、订货点和订货量，在避免缺货的同时降低库存持有成本。"
      },
      "related": [
        "safety-stock",
        "lead-time",
        "supply-chain-control-tower"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/inventory-optimization"
    },
    {
      "id": "supply-chain-control-tower",
      "type": "entry",
      "ja": "サプライチェーン・コントロールタワー",
      "abbr": null,
      "en": "Supply Chain Control Tower",
      "zh": "供应链控制塔",
      "category": "生産・計画",
      "definition": {
        "ja": "サプライチェーン・コントロールタワーは、調達・生産・在庫・物流の状況を一つの画面に集めてリアルタイムに把握し、遅延や欠品のリスクを早期に検知して対応を判断するための仕組みです。複数のシステムや取引先のデータをつなぐことが前提になります。近年は異常の検知だけでなく、AIによる影響分析や対応案の提示まで行う製品が登場しています。",
        "en": "A centralized view that brings together procurement, production, inventory and logistics data in near real time to detect risks such as delays or shortages and decide on responses.",
        "zh": "将采购、生产、库存和物流数据集中到统一视图中，近实时掌握状况，及早发现延误或缺货风险并决定应对措施的机制。"
      },
      "related": [
        "sop",
        "inventory-optimization",
        "on-time-delivery"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/supply-chain-control-tower"
    },
    {
      "id": "traceability",
      "type": "entry",
      "ja": "トレーサビリティ",
      "abbr": null,
      "en": "Traceability",
      "zh": "可追溯性",
      "category": "生産・計画",
      "definition": {
        "ja": "トレーサビリティは、製品やロットについて、どの材料・部品を使い、いつ、どの設備・条件・作業者で作り、どこへ出荷したかを後から追跡できる状態のことです。品質問題が起きたときの影響範囲の特定やリコール対応に不可欠で、自動車・医薬品・食品などでは取引条件や規制として求められます。製造データをAIで分析する際にも、製品とデータをひも付ける基盤になります。",
        "en": "The ability to trace, for a product or lot, which materials were used, when, on which equipment and under what conditions it was made, and where it was shipped.",
        "zh": "能够追溯产品或批次所用物料、生产时间、设备、条件及发货去向的能力，是质量问题影响范围判定和召回的基础。"
      },
      "related": [
        "genealogy",
        "mes",
        "rfid"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/traceability"
    },
    {
      "id": "genealogy",
      "type": "entry",
      "ja": "製品系譜（ジェネアロジー）",
      "abbr": null,
      "en": "Product Genealogy",
      "zh": "产品谱系",
      "category": "生産・計画",
      "definition": {
        "ja": "製品系譜（ジェネアロジー）は、完成品とそれを構成する部品・材料・中間品のロットやシリアル番号の親子関係を、製造の流れに沿って記録したものです。トレーサビリティを実現する中核のデータで、MESで工程ごとの投入と産出を記録することで作られます。不良発生時に、同じ材料ロットを使った他の製品を素早く特定するのに使われます。",
        "en": "A record of the parent-child relationships between finished products and the lots or serial numbers of their components and materials, captured along the production flow.",
        "zh": "沿生产流程记录成品与其零部件、物料及中间品的批次或序列号之间父子关系的数据，是实现追溯的核心。"
      },
      "related": [
        "traceability",
        "mes",
        "bom"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/genealogy"
    },
    {
      "id": "rfid",
      "type": "entry",
      "ja": "RFID",
      "abbr": "RFID",
      "en": "Radio Frequency Identification",
      "zh": "射频识别",
      "category": "生産・計画",
      "definition": {
        "ja": "RFIDは、電波を使ってICタグの情報を非接触で読み書きする自動認識技術です。バーコードと違い、見通しがなくても読め、複数のタグを一括で読み取れるため、仕掛品や通い箱、工具の所在管理などに使われます。金属や液体の近くでは読み取りが不安定になりやすく、タグの選定や設置の検証が必要です。",
        "en": "An automatic identification technology that reads and writes data on tags wirelessly using radio waves, without line of sight and in bulk.",
        "zh": "利用无线电波非接触读写电子标签信息的自动识别技术，无需视线对准即可批量读取。"
      },
      "related": [
        "traceability",
        "iiot"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/rfid"
    },
    {
      "id": "lims",
      "type": "entry",
      "ja": "ラボ情報管理システム",
      "abbr": "LIMS",
      "en": "Laboratory Information Management System",
      "zh": "实验室信息管理系统",
      "category": "生産・計画",
      "definition": {
        "ja": "ラボ情報管理システム（LIMS）は、品質管理や研究開発の試験室で、検体の受付、試験の割り当て、測定結果、判定、成績書の発行などを管理するシステムです。医薬品・化学・食品などで多く使われ、データの完全性や監査証跡が重視されます。MESや製造オペレーション管理と連携し、出荷判定に試験結果を反映させる構成がよく取られます。",
        "en": "A system that manages laboratory work—sample registration, test assignment, results, judgments and certificates—in QC and R&D labs.",
        "zh": "在质检和研发实验室中管理样品登记、检测分配、结果、判定和报告出具等工作的系统。"
      },
      "related": [
        "mom",
        "gmp",
        "traceability"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/lims"
    },
    {
      "id": "generative-design",
      "type": "entry",
      "ja": "ジェネレーティブデザイン",
      "abbr": null,
      "en": "Generative Design",
      "zh": "生成式设计",
      "category": "生産・計画",
      "definition": {
        "ja": "ジェネレーティブデザインは、設計者が荷重条件や材料、製造方法、重量などの制約と目標を与え、コンピュータが多数の形状案を自動で生成・評価する設計手法です。軽量化や部品統合で成果が出やすく、積層造形との相性が良いとされます。生成された案は製造性やコストの観点から人が選び、仕上げる必要があります。",
        "en": "A design approach in which engineers specify goals and constraints—loads, materials, manufacturing method, weight—and software automatically generates and evaluates many design options.",
        "zh": "设计者给定载荷、材料、制造方式、重量等约束和目标，由计算机自动生成并评估大量设计方案的设计方法。"
      },
      "related": [
        "cae-surrogate",
        "mathematical-optimization",
        "plm"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/generative-design"
    },
    {
      "id": "cae-surrogate",
      "type": "entry",
      "ja": "CAE代替モデル（サロゲートモデル）",
      "abbr": null,
      "en": "CAE Surrogate Model",
      "zh": "CAE代理模型",
      "category": "生産・計画",
      "definition": {
        "ja": "CAE代替モデル（サロゲートモデル）は、構造解析や流体解析などの重いシミュレーション結果を学習し、同等の結果を短時間で近似的に予測する機械学習モデルです。設計パラメータの探索や最適化で、何千回もの解析を現実的な時間で回せるようになります。学習範囲から外れた条件では誤差が大きくなりうるため、重要な判断は元の解析で確認するのが一般的です。",
        "en": "A machine learning model trained on results from expensive simulations such as structural or CFD analysis to approximate them in a fraction of the time.",
        "zh": "以结构或流体等高成本仿真结果训练、能在短时间内近似预测同类结果的机器学习模型。"
      },
      "related": [
        "generative-design",
        "digital-twin",
        "regression"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/cae-surrogate"
    },
    {
      "id": "energy-management",
      "type": "entry",
      "ja": "エネルギーマネジメント",
      "abbr": "EMS",
      "en": "Energy Management",
      "zh": "能源管理",
      "category": "生産・計画",
      "definition": {
        "ja": "エネルギーマネジメントは、工場の電力・ガス・蒸気などのエネルギー使用量を計測・見える化し、削減や平準化の施策を計画・実行・評価する継続的な取り組みです。ISO 50001はその仕組みを定めた国際規格です。生産計画と組み合わせて、電力単価やピークを考慮したスケジューリングを行う例もあります。",
        "en": "The ongoing practice of measuring and visualizing a plant's use of electricity, gas, steam and other energy, and planning, executing and reviewing measures to reduce or level it.",
        "zh": "对工厂电、气、蒸汽等能源使用进行计量和可视化，并持续规划、实施和评估节能与削峰措施的管理活动。"
      },
      "related": [
        "iso-50001",
        "scheduling-optimization",
        "carbon-footprint"
      ],
      "references": [
        "ISO 50001"
      ],
      "url": "https://mfg-ai.com/terms/energy-management"
    },
    {
      "id": "carbon-footprint",
      "type": "entry",
      "ja": "カーボンフットプリント",
      "abbr": "CFP",
      "en": "Carbon Footprint of Products",
      "zh": "产品碳足迹",
      "category": "生産・計画",
      "definition": {
        "ja": "カーボンフットプリント（CFP）は、製品の原材料調達から製造、輸送、使用、廃棄までのライフサイクル全体で排出される温室効果ガスをCO2換算で示したものです。取引先から製品単位の排出量の開示を求められる場面が増えており、製造業では工程ごとのエネルギー使用量や部材の排出係数のデータ収集が課題になります。算定方法は国際規格などで定められており、どの範囲までを含めるかの前提をそろえることが比較の前提になります。",
        "en": "The total greenhouse gas emissions, expressed as CO2 equivalent, generated across a product's lifecycle from raw materials to disposal.",
        "zh": "以二氧化碳当量表示的、产品从原材料获取到废弃的整个生命周期内排放的温室气体总量。"
      },
      "related": [
        "energy-management",
        "supply-chain-control-tower",
        "iso-50001"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/carbon-footprint"
    },
    {
      "id": "isa-95",
      "type": "entry",
      "ja": "ISA-95（IEC 62264）",
      "abbr": "ISA-95",
      "en": "ANSI/ISA-95 (IEC 62264)",
      "zh": "ISA-95标准",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "ISA-95は、企業の業務システム（ERPなど）と製造現場の制御システムをつなぐための用語、機能階層、データモデルを定めた国際規格で、IEC 62264として国際標準化されています。レベル0〜4の階層や、製造オペレーションを生産・品質・保全・在庫に分けて整理する活動モデルが広く参照されています。MES導入やデータ基盤の設計で、共通言語として使われることが多い規格です。",
        "en": "A standard that defines terminology, functional hierarchy and data models for integrating enterprise systems with manufacturing control systems; internationally published as IEC 62264.",
        "zh": "规定企业业务系统与制造控制系统集成所需的术语、功能层级和数据模型的标准，国际标准编号为IEC 62264。"
      },
      "related": [
        "purdue-model",
        "mes",
        "erp"
      ],
      "references": [
        "ANSI/ISA-95",
        "IEC 62264"
      ],
      "url": "https://mfg-ai.com/terms/isa-95"
    },
    {
      "id": "purdue-model",
      "type": "entry",
      "ja": "パデューモデル",
      "abbr": null,
      "en": "Purdue Enterprise Reference Architecture",
      "zh": "普渡模型",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "パデューモデルは、工場のシステムをフィールド機器（レベル0）から制御、監視、製造オペレーション、企業業務（レベル4〜5）までの階層に分けて整理する参照モデルです。もともとは企業統合の参照アーキテクチャとして生まれ、ISA-95の階層やOTセキュリティのゾーン分けの基礎として広く使われています。クラウドやIIoTの普及で階層を飛び越える通信が増え、その位置づけを見直す議論もあります。",
        "en": "A reference model that organizes plant systems into layers from field devices up through control, supervision, operations and enterprise. It underpins ISA-95 levels and OT network zoning.",
        "zh": "将工厂系统从现场设备、控制、监控、制造运营到企业业务划分为若干层级的参考模型，是ISA-95层级和OT安全分区的基础。"
      },
      "related": [
        "isa-95",
        "ot-it-convergence",
        "iec-62443"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/purdue-model"
    },
    {
      "id": "ot-it-convergence",
      "type": "entry",
      "ja": "OT/IT融合",
      "abbr": null,
      "en": "OT/IT Convergence",
      "zh": "OT/IT融合",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "OT/IT融合は、設備や制御を担うOT（制御技術）の領域と、業務システムやデータ分析を担うIT（情報技術）の領域を、データ・ネットワーク・組織の面でつないでいくことです。現場データを経営判断やAI活用に生かすための前提となる一方、従来は分離されていた制御ネットワークを外部とつなぐため、セキュリティ設計が重要な論点になります。部門間の役割分担や人材育成も含めて進める必要があります。",
        "en": "Bringing together operational technology, which runs equipment and control, and information technology, which runs business systems and analytics, across data, networks and organization.",
        "zh": "在数据、网络和组织层面将负责设备与控制的OT领域和负责业务系统与数据分析的IT领域连接起来。"
      },
      "related": [
        "purdue-model",
        "iiot",
        "unified-namespace"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ot-it-convergence"
    },
    {
      "id": "ot",
      "type": "entry",
      "ja": "制御技術（OT）",
      "abbr": "OT",
      "en": "Operational Technology",
      "zh": "运营技术",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "制御技術（OT）は、PLC、DCS、SCADA、センサー、ロボットなど、物理的な設備やプロセスを監視・制御するためのハードウェアとソフトウェアの総称です。業務データを扱うITと比べ、可用性とリアルタイム性が最優先され、設備は10年以上使われ続けることが一般的です。製造業のAI活用では、OT側のデータをどう安全に取り出すかが最初の課題になることが多くあります。",
        "en": "The hardware and software—PLCs, DCS, SCADA, sensors, robots—used to monitor and control physical equipment and processes, where availability and real-time behavior take priority.",
        "zh": "用于监视和控制物理设备与过程的硬件和软件的总称，如PLC、DCS、SCADA、传感器和机器人，以可用性和实时性为首要考虑。"
      },
      "related": [
        "ot-it-convergence",
        "plc",
        "scada"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ot"
    },
    {
      "id": "iiot",
      "type": "entry",
      "ja": "産業用IoT",
      "abbr": "IIoT",
      "en": "Industrial Internet of Things",
      "zh": "工业物联网",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "産業用IoT（IIoT）は、工場やプラントの設備・センサー・機器をネットワークにつなぎ、稼働や品質に関するデータを収集・活用する仕組みです。消費者向けIoTに比べて、高い信頼性、既存の産業用プロトコルへの対応、長期運用が求められます。予知保全や品質分析などのAI活用は、IIoTで集めたデータを土台にして行われます。",
        "en": "Connecting plant equipment, sensors and devices to networks to collect and use operational and quality data, with high demands for reliability and support for industrial protocols.",
        "zh": "将工厂设备、传感器和装置联网以采集并利用运行与质量数据的体系，对可靠性和工业协议兼容性要求较高。"
      },
      "related": [
        "edge-computing",
        "mqtt",
        "opc-ua"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/iiot"
    },
    {
      "id": "industrial-internet-platform",
      "type": "entry",
      "ja": "工業インターネットプラットフォーム",
      "abbr": null,
      "en": "Industrial Internet Platform",
      "zh": "工业互联网平台",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "工業インターネットプラットフォームは、中国で「工業互聯網平台」と呼ばれる、設備接続、データ収集、分析、産業アプリの開発・配布を一体で提供する基盤です。中国政府の産業政策として重点的に育成されてきた経緯があり、大手製造業や通信・IT企業が業種別・地域別のプラットフォームを運営しています。日本や欧米ではIIoTプラットフォームと呼ばれるものに概ね相当します。",
        "en": "A platform, emphasized in China's industrial policy, that integrates device connectivity, data collection, analytics and industrial app development and distribution.",
        "zh": "集设备连接、数据采集、分析以及工业应用开发与分发于一体的平台，是中国产业政策重点培育的方向。"
      },
      "related": [
        "iiot",
        "smart-factory-tiers",
        "data-platform"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/industrial-internet-platform"
    },
    {
      "id": "plc",
      "type": "entry",
      "ja": "プログラマブルロジックコントローラー",
      "abbr": "PLC",
      "en": "Programmable Logic Controller",
      "zh": "可编程逻辑控制器",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "プログラマブルロジックコントローラー（PLC）は、センサーなどの入力をもとに、プログラムに従って設備の動作を制御する産業用のコンピュータです。高い信頼性とリアルタイム性を持ち、工場の自動化の中核を担っています。プログラム言語はIEC 61131-3で標準化されており、近年は生成AIによるPLCコード生成の支援も登場しています。",
        "en": "An industrial computer that controls equipment according to a program based on inputs such as sensors, offering high reliability and real-time performance.",
        "zh": "根据传感器等输入按程序控制设备动作的工业计算机，具有高可靠性和实时性，是工厂自动化的核心。"
      },
      "related": [
        "iec-61131-3",
        "scada",
        "virtual-plc"
      ],
      "references": [
        "IEC 61131-3"
      ],
      "url": "https://mfg-ai.com/terms/plc"
    },
    {
      "id": "virtual-plc",
      "type": "entry",
      "ja": "仮想PLC",
      "abbr": "vPLC",
      "en": "Virtual PLC",
      "zh": "虚拟PLC",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "仮想PLCは、専用ハードウェアの中で動いていたPLCの制御機能を、産業用PCやサーバー上のソフトウェアとして動かす形態です。ハードウェアと制御ロジックを切り離せるため、更新や複製、集中管理がしやすくなります。一方で、リアルタイム性や安全性の確保、既存設備との置き換えの判断が導入時の論点になります。",
        "en": "PLC control functions run as software on industrial PCs or servers rather than on dedicated hardware, decoupling control logic from the device.",
        "zh": "将原本运行在专用硬件中的PLC控制功能，以软件形式运行在工业PC或服务器上，使控制逻辑与硬件解耦。"
      },
      "related": [
        "plc",
        "software-defined-automation",
        "edge-computing"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/virtual-plc"
    },
    {
      "id": "software-defined-automation",
      "type": "entry",
      "ja": "ソフトウェア定義型オートメーション",
      "abbr": null,
      "en": "Software-Defined Automation",
      "zh": "软件定义自动化",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "ソフトウェア定義型オートメーションは、制御や自動化の機能をハードウェアから切り離し、ソフトウェアとして配置・更新・管理できるようにする考え方です。仮想PLCやコンテナ化された制御アプリ、エッジの計算基盤などで構成されます。IT分野で進んだ仮想化やソフトウェア更新の手法を工場の自動化に持ち込む流れとして注目されています。",
        "en": "An approach that decouples control and automation functions from hardware so they can be deployed, updated and managed as software.",
        "zh": "将控制与自动化功能与硬件解耦，使其能够以软件方式部署、更新和管理的理念。"
      },
      "related": [
        "virtual-plc",
        "edge-computing",
        "iec-61499"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/software-defined-automation"
    },
    {
      "id": "scada",
      "type": "entry",
      "ja": "SCADA",
      "abbr": "SCADA",
      "en": "Supervisory Control and Data Acquisition",
      "zh": "数据采集与监视控制系统",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "SCADAは、工場やプラント、インフラ設備の状態を広範囲から収集して監視し、必要に応じて遠隔で操作するためのシステムです。PLCやセンサーからのデータを画面に表示し、警報管理や履歴記録を行います。データ収集の要となるため、ヒストリアンやデータ基盤との連携でAI分析の入口になることが多いシステムです。",
        "en": "A system that gathers data from plants or infrastructure for monitoring, alarming and remote control, typically above PLCs and sensors.",
        "zh": "从工厂、装置或基础设施广泛采集数据进行监视、报警和远程操作的系统。"
      },
      "related": [
        "plc",
        "historian",
        "dcs"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/scada"
    },
    {
      "id": "dcs",
      "type": "entry",
      "ja": "分散制御システム",
      "abbr": "DCS",
      "en": "Distributed Control System",
      "zh": "集散控制系统",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "分散制御システム（DCS）は、化学・石油・製薬などの連続プロセスを、複数のコントローラーで分散して制御しつつ、一元的に監視・操作するシステムです。多数の制御ループを安定して動かすことに強みがあり、プラント全体の運転を担います。高度プロセス制御やAIによる運転支援は、DCSのデータと制御機能を前提に導入されます。",
        "en": "A control system for continuous processes such as chemicals, oil and pharmaceuticals that distributes control across multiple controllers while providing centralized monitoring and operation.",
        "zh": "用于化工、石油、制药等连续流程，由多个控制器分散控制并集中监视与操作的控制系统。"
      },
      "related": [
        "scada",
        "plc",
        "apc"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/dcs"
    },
    {
      "id": "apc",
      "type": "entry",
      "ja": "高度プロセス制御",
      "abbr": "APC",
      "en": "Advanced Process Control",
      "zh": "先进过程控制",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "高度プロセス制御（APC）は、通常のPID制御だけでは扱いにくい多変数の相互作用や制約を考慮し、プロセスを目標値の近くで安定して運転するための制御技術の総称です。代表的な手法がモデル予測制御で、品質のばらつき低減や省エネ、生産量の増加に効果があります。ソフトセンサーやAIを組み合わせた運転最適化の研究・導入も進んでいます。",
        "en": "Control techniques beyond basic PID that handle multivariable interactions and constraints to keep a process running stably near its targets; model predictive control is the most common.",
        "zh": "超越常规PID控制、考虑多变量相互作用与约束，使过程稳定运行在目标值附近的控制技术总称，典型方法为模型预测控制。"
      },
      "related": [
        "dcs",
        "mpc",
        "soft-sensor"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/apc"
    },
    {
      "id": "mpc",
      "type": "entry",
      "ja": "モデル予測制御",
      "abbr": "MPC",
      "en": "Model Predictive Control",
      "zh": "模型预测控制",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "モデル予測制御（MPC）は、プロセスの動特性モデルを使って将来の挙動を予測し、制約を守りながら目標に最も近づく操作量を一定周期ごとに計算する制御手法です。多変数・制約付きのプロセスに強く、石油化学などの高度プロセス制御で広く使われてきました。近年は機械学習で作ったモデルを組み込む研究や、強化学習との比較・組み合わせも行われています。",
        "en": "A control method that uses a process model to predict future behavior and repeatedly computes the control moves that best meet targets while respecting constraints.",
        "zh": "利用过程模型预测未来行为，并在满足约束的前提下周期性计算最优控制量的控制方法。"
      },
      "related": [
        "apc",
        "dcs",
        "reinforcement-learning"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/mpc"
    },
    {
      "id": "historian",
      "type": "entry",
      "ja": "ヒストリアン",
      "abbr": null,
      "en": "Process Historian",
      "zh": "实时历史数据库",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "ヒストリアンは、PLCやSCADA、DCSから集めたセンサー値などのプロセスデータを、高頻度・長期間にわたって効率よく保存し、検索・表示するための専用データベースです。プラント運転の記録や解析の基盤として長く使われてきました。AI活用では、ヒストリアンに蓄積された過去データを学習に使えるかどうかが最初の確認事項になります。",
        "en": "A specialized database that efficiently stores, retrieves and displays high-frequency process data from PLCs, SCADA or DCS over long periods.",
        "zh": "专门用于高频、长期高效存储并检索展示来自PLC、SCADA或DCS的过程数据的数据库。"
      },
      "related": [
        "scada",
        "time-series-database",
        "data-lake"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/historian"
    },
    {
      "id": "time-series-database",
      "type": "entry",
      "ja": "時系列データベース",
      "abbr": "TSDB",
      "en": "Time-Series Database",
      "zh": "时序数据库",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "時系列データベース（TSDB）は、時刻とひも付いた計測値を大量に書き込み、期間指定の集計や検索を高速に行うことに特化したデータベースです。センサーデータや設備ログの保存に向き、ヒストリアンの代替や補完としても使われます。データの間引きや保存期間の設計が、運用コストと分析のしやすさを左右します。",
        "en": "A database optimized for ingesting large volumes of timestamped measurements and running fast time-range queries and aggregations.",
        "zh": "专为大量写入带时间戳的测量值并快速执行时间范围查询与聚合而优化的数据库。"
      },
      "related": [
        "historian",
        "data-platform",
        "iiot"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/time-series-database"
    },
    {
      "id": "opc-ua",
      "type": "entry",
      "ja": "OPC UA",
      "abbr": "OPC UA",
      "en": "OPC Unified Architecture",
      "zh": "OPC统一架构",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "OPC UAは、メーカーや機種の違う設備・システムの間で、データとその意味（情報モデル）を安全にやり取りするための産業用通信の標準規格です。OPC Foundationが策定し、暗号化や認証の仕組みを備えています。業界ごとのコンパニオン仕様と組み合わせることで、設備データの意味をそろえて扱いやすくなります。",
        "en": "An industrial communication standard from the OPC Foundation for securely exchanging data and its meaning (information models) between equipment and systems from different vendors.",
        "zh": "由OPC基金会制定的工业通信标准，用于在不同厂商的设备与系统之间安全交换数据及其语义（信息模型）。"
      },
      "related": [
        "information-model",
        "opc-ua-companion-spec",
        "mqtt"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/opc-ua"
    },
    {
      "id": "opc-ua-companion-spec",
      "type": "entry",
      "ja": "OPC UAコンパニオン仕様",
      "abbr": null,
      "en": "OPC UA Companion Specification",
      "zh": "OPC UA配套规范",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "OPC UAコンパニオン仕様は、工作機械、射出成形機、ロボットなど特定の業界や機器の種類ごとに、OPC UAで公開するデータの項目と構造を標準化した情報モデルの仕様です。OPC Foundationと業界団体が共同で策定しています。対応する設備同士であれば、メーカーが違っても同じ形でデータを取得でき、接続や分析の手間を減らせます。",
        "en": "An industry- or device-specific information model, developed by the OPC Foundation with industry groups, that standardizes which data is exposed via OPC UA and how it is structured.",
        "zh": "由OPC基金会与行业组织共同制定、针对特定行业或设备类型标准化OPC UA所公开数据项和结构的信息模型规范。"
      },
      "related": [
        "opc-ua",
        "information-model",
        "mcp"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/opc-ua-companion-spec"
    },
    {
      "id": "information-model",
      "type": "entry",
      "ja": "情報モデル",
      "abbr": null,
      "en": "Information Model",
      "zh": "信息模型",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "情報モデルは、設備やプロセスに関するデータについて、その項目名、型、単位、相互の関係などを構造的に定義したものです。単なる値の羅列ではなく「どの設備のどの状態を表す値か」を機械が理解できる形にすることで、システム間の連携やAIによる分析が容易になります。OPC UAやアセット管理シェルは、情報モデルを扱うための代表的な枠組みです。",
        "en": "A structured definition of data about equipment or processes—names, types, units and relationships—so machines can understand what each value represents.",
        "zh": "对设备或过程数据的名称、类型、单位及相互关系进行结构化定义，使机器能理解每个数值的含义。"
      },
      "related": [
        "opc-ua",
        "asset-administration-shell",
        "isa-95"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/information-model"
    },
    {
      "id": "mqtt",
      "type": "entry",
      "ja": "MQTT",
      "abbr": "MQTT",
      "en": "Message Queuing Telemetry Transport",
      "zh": "MQTT协议",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "MQTTは、パブリッシュ／サブスクライブ型の軽量な通信プロトコルで、ブローカーを介して多数の機器とアプリケーションが効率よくデータをやり取りできます。通信量が少なく不安定なネットワークにも強いため、IoTやIIoTで広く使われています。v3.1.1はISO/IEC 20922として標準化されています。ただしデータの意味づけは規定していないため、産業用途ではSparkplug Bなどの取り決めを併用することがあります。",
        "en": "A lightweight publish/subscribe messaging protocol in which devices and applications exchange data through a broker, widely used in IoT and IIoT.",
        "zh": "一种基于发布/订阅模式的轻量级通信协议，设备与应用通过代理服务器交换数据，广泛用于物联网和工业物联网。"
      },
      "related": [
        "sparkplug-b",
        "unified-namespace",
        "iiot"
      ],
      "references": [
        "ISO/IEC 20922"
      ],
      "url": "https://mfg-ai.com/terms/mqtt"
    },
    {
      "id": "sparkplug-b",
      "type": "entry",
      "ja": "Sparkplug B",
      "abbr": null,
      "en": "Sparkplug B",
      "zh": "Sparkplug B规范",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "Sparkplug Bは、MQTTを産業用途で使う際のトピック名の付け方、ペイロード形式、機器の接続状態の管理方法などを定めた仕様です。素のMQTTが規定していないデータの意味づけや状態管理を補い、SCADAなどとの相互接続をしやすくします。Eclipse Foundationが管理し、ISO/IEC 20237として国際標準になっています。",
        "en": "A specification for using MQTT in industrial settings that defines topic structure, payload format and device state management. It is maintained by the Eclipse Foundation and standardized as ISO/IEC 20237.",
        "zh": "规定在工业场景中使用MQTT时的主题结构、负载格式和设备状态管理方式的规范，由Eclipse基金会维护，已成为ISO/IEC 20237国际标准。"
      },
      "related": [
        "mqtt",
        "unified-namespace",
        "information-model"
      ],
      "references": [
        "ISO/IEC 20237"
      ],
      "url": "https://mfg-ai.com/terms/sparkplug-b"
    },
    {
      "id": "unified-namespace",
      "type": "entry",
      "ja": "ユニファイド・ネームスペース",
      "abbr": "UNS",
      "en": "Unified Namespace",
      "zh": "统一命名空间",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "ユニファイド・ネームスペース（UNS）は、工場内の設備やシステムのデータを、MQTTブローカーなどを中心に、企業・拠点・ライン・設備といった階層の名前空間に集約し、誰もが同じ場所から最新の状態を参照できるようにする設計の考え方です。システム同士を個別につなぐ方式に比べ、接続の数を減らせる点が利点とされます。階層の設計にはISA-95が参考にされることが多くあります。",
        "en": "An architectural approach that publishes all plant data into one hierarchical namespace—often on an MQTT broker—so every system reads the current state from a single place.",
        "zh": "一种架构思路，将工厂各设备与系统的数据按企业、工厂、产线、设备等层级汇聚到统一命名空间（通常基于MQTT代理），供各系统从同一处获取最新状态。"
      },
      "related": [
        "mqtt",
        "isa-95",
        "sparkplug-b"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/unified-namespace"
    },
    {
      "id": "asset-administration-shell",
      "type": "entry",
      "ja": "アセット管理シェル",
      "abbr": "AAS",
      "en": "Asset Administration Shell",
      "zh": "资产管理壳",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "アセット管理シェル（AAS）は、設備や部品などの資産の情報を、標準化されたサブモデルの組み合わせでデジタルに表現するための仕組みで、インダストリー4.0の中核概念の一つです。銘板情報、技術データ、カーボンフットプリントなどをサブモデルとして持ち、企業間で共有できる形にします。IEC 63278として国際規格化され、IDTAがサブモデルの整備を進めています。",
        "en": "A standardized digital representation of an asset built from submodels such as nameplate, technical data and carbon footprint; a core Industrie 4.0 concept standardized as IEC 63278.",
        "zh": "以铭牌、技术数据、碳足迹等标准化子模型组合，数字化表达设备或部件等资产的机制，是工业4.0核心概念之一，已标准化为IEC 63278。"
      },
      "related": [
        "information-model",
        "digital-twin",
        "industrie-40"
      ],
      "references": [
        "IEC 63278"
      ],
      "url": "https://mfg-ai.com/terms/asset-administration-shell"
    },
    {
      "id": "asset-hierarchy",
      "type": "entry",
      "ja": "設備階層（アセット階層）",
      "abbr": null,
      "en": "Asset Hierarchy",
      "zh": "资产层级",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "設備階層（アセット階層）は、企業・工場・エリア・ライン・設備・部品といった単位で、資産を親子関係のツリー構造に整理したものです。保全記録やセンサーデータをどの設備のものか正しくひも付けるための骨格となり、設備保全システムやデータ基盤で共通に使われます。階層の付け方が部門やシステムごとに違うと、データの統合時に大きな手戻りが生じます。",
        "en": "A parent-child tree that organizes assets by enterprise, site, area, line, equipment and component, used as the backbone for linking maintenance records and sensor data.",
        "zh": "按企业、工厂、区域、产线、设备、部件等单位将资产组织成父子树状结构，是关联维护记录与传感器数据的骨架。"
      },
      "related": [
        "isa-95",
        "eam",
        "knowledge-graph"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/asset-hierarchy"
    },
    {
      "id": "industrial-protocol",
      "type": "entry",
      "ja": "産業用通信プロトコル",
      "abbr": null,
      "en": "Industrial Communication Protocol",
      "zh": "工业通信协议",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "産業用通信プロトコルは、PLC、センサー、ロボット、上位システムなどの間でデータをやり取りするための通信の取り決めです。フィールドバスや産業用イーサネット、OPC UA、MQTTなど多くの種類があり、メーカーや地域によって普及状況が異なります。工場のデータ収集では、既設設備が使うプロトコルの多さが接続の手間とコストを左右します。",
        "en": "Communication rules for exchanging data between PLCs, sensors, robots and higher-level systems, including fieldbuses, industrial Ethernet, OPC UA and MQTT.",
        "zh": "用于PLC、传感器、机器人与上位系统之间交换数据的通信约定，包括现场总线、工业以太网、OPC UA、MQTT等。"
      },
      "related": [
        "opc-ua",
        "plc",
        "private-5g"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/industrial-protocol"
    },
    {
      "id": "private-5g",
      "type": "entry",
      "ja": "ローカル5G",
      "abbr": null,
      "en": "Private 5G",
      "zh": "5G专网",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "ローカル5Gは、企業や自治体が自らの敷地内などで、免許を受けて独自に構築・運用する5Gの通信網です。高速・低遅延・多数同時接続といった特性を、公衆網の混雑に左右されずに使えるため、工場の無線化やAGV・カメラ映像の伝送などで検証が進んでいます。導入・運用のコストに見合う用途を見つけることが普及上の課題とされます。",
        "en": "A dedicated 5G network that an enterprise builds and operates on its own premises, providing high speed and low latency independent of public networks.",
        "zh": "企业在自有场所内自建自营的5G专用网络，可不受公网拥堵影响地利用高速、低时延等特性。"
      },
      "related": [
        "industrial-protocol",
        "iiot",
        "edge-computing"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/private-5g"
    },
    {
      "id": "edge-computing",
      "type": "entry",
      "ja": "エッジコンピューティング",
      "abbr": null,
      "en": "Edge Computing",
      "zh": "边缘计算",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "エッジコンピューティングは、データの発生源である工場や設備の近くでデータを処理する方式です。クラウドへの送信に伴う遅延や通信量、外部接続のリスクを抑えられるため、画像検査や設備の異常検知などリアルタイム性が必要な処理に向きます。学習はクラウド、推論はエッジという分担で使われることが多くあります。",
        "en": "Processing data close to where it is generated, such as on the factory floor, to reduce latency, bandwidth and external connectivity risks.",
        "zh": "在工厂或设备等数据产生地附近处理数据的方式，可降低时延、带宽占用和外部连接风险。"
      },
      "related": [
        "edge-ai",
        "edge-gateway",
        "iiot"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/edge-computing"
    },
    {
      "id": "edge-gateway",
      "type": "entry",
      "ja": "エッジゲートウェイ",
      "abbr": null,
      "en": "Edge Gateway",
      "zh": "边缘网关",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "エッジゲートウェイは、工場内の設備やセンサーとクラウド・上位システムの間に置かれ、さまざまな産業用プロトコルのデータを収集・変換して送り出す装置またはソフトウェアです。データの前処理やバッファリング、セキュリティ境界の役割も担います。既設設備からのデータ収集では、まずゲートウェイの対応プロトコルを確認することが重要です。",
        "en": "A device or software layer between plant equipment and cloud or enterprise systems that collects data over various industrial protocols, converts it and forwards it.",
        "zh": "部署在工厂设备、传感器与云端或上位系统之间，采集多种工业协议数据并转换转发的设备或软件。"
      },
      "related": [
        "edge-computing",
        "industrial-protocol",
        "legacy-equipment"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/edge-gateway"
    },
    {
      "id": "legacy-equipment",
      "type": "entry",
      "ja": "レガシー設備（既設設備）",
      "abbr": null,
      "en": "Legacy Equipment",
      "zh": "存量老旧设备",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "レガシー設備（既設設備）は、導入から年数がたち、ネットワーク接続やデータ出力の機能を持たない、または古い通信方式しか持たない設備のことです。日本の工場では長期間使い続けられている設備が多く、データ活用の最初の壁になりがちです。後付けセンサーやエッジゲートウェイで必要なデータだけを取り出す方法が現実的な選択肢になります。",
        "en": "Older plant equipment that lacks network connectivity or data output, or supports only outdated communication methods.",
        "zh": "使用年限较长、不具备联网或数据输出功能，或仅支持老旧通信方式的设备。"
      },
      "related": [
        "retrofit-sensor",
        "edge-gateway",
        "brownfield"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/legacy-equipment"
    },
    {
      "id": "brownfield",
      "type": "entry",
      "ja": "ブラウンフィールド",
      "abbr": null,
      "en": "Brownfield",
      "zh": "既有工厂改造",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "ブラウンフィールドは、既に稼働している工場やラインに、新たなシステムやデジタル技術を後から導入するケースを指す言葉です。既設設備や既存システム、運用ルールとの共存が前提となるため、接続方式の多様さや停止できる時間の制約などが課題になります。製造業のDXの多くは、このブラウンフィールドでの取り組みです。",
        "en": "Introducing new systems or digital technologies into an existing, operating plant, where compatibility with legacy equipment and processes is a key constraint.",
        "zh": "在已投产运行的工厂或产线中后续引入新系统或数字技术的情形，需要与现有设备和系统共存。"
      },
      "related": [
        "legacy-equipment",
        "greenfield",
        "retrofit-sensor"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/brownfield"
    },
    {
      "id": "greenfield",
      "type": "entry",
      "ja": "グリーンフィールド",
      "abbr": null,
      "en": "Greenfield",
      "zh": "新建工厂",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "グリーンフィールドは、更地に新しく工場やラインを建てる場合のように、既存の制約がない状態からシステムを設計・導入するケースを指します。データ収集やネットワーク、セキュリティを最初から設計に組み込めるため、スマートファクトリーの理想形を実現しやすい一方、新設の機会自体は限られます。",
        "en": "Designing and building a plant or line from scratch, without existing constraints, so data, networking and security can be built in from the start.",
        "zh": "在没有既有约束的情况下（如新建厂房）从零设计和建设工厂或产线，可从一开始纳入数据、网络和安全设计。"
      },
      "related": [
        "brownfield",
        "smart-factory",
        "digital-twin"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/greenfield"
    },
    {
      "id": "data-platform",
      "type": "entry",
      "ja": "データ基盤",
      "abbr": null,
      "en": "Data Platform",
      "zh": "数据平台",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "データ基盤は、工場や業務システムからデータを集め、保存・統合・加工して、分析やAI、アプリケーションで使える状態にするための仕組み全体を指します。データレイクやデータウェアハウス、ETL、カタログ、権限管理などで構成されます。AI活用を個別のPoCで終わらせず横展開するには、データ基盤の整備が鍵になることが多くあります。",
        "en": "The overall set of systems for collecting, storing, integrating and preparing data from plants and business systems so it can be used by analytics, AI and applications.",
        "zh": "从工厂和业务系统采集数据，并进行存储、整合和加工，使其可供分析、AI和应用使用的整体体系。"
      },
      "related": [
        "data-lake",
        "lakehouse",
        "data-pipeline"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-platform"
    },
    {
      "id": "data-lake",
      "type": "entry",
      "ja": "データレイク",
      "abbr": null,
      "en": "Data Lake",
      "zh": "数据湖",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "データレイクは、構造化データだけでなく、ログ、画像、文書などの非構造化データも、元の形式のまま大量に保存しておくための保管場所です。後から目的に応じて加工して使えるのが利点ですが、メタデータや管理が不十分だと、どこに何があるか分からない状態になりやすい点に注意が必要です。",
        "en": "A repository that stores large volumes of structured and unstructured data—logs, images, documents—in their raw form for later use.",
        "zh": "以原始格式大量存储结构化与非结构化数据（日志、图像、文档等）的存储库，便于日后按需加工使用。"
      },
      "related": [
        "lakehouse",
        "data-platform",
        "etl"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-lake"
    },
    {
      "id": "lakehouse",
      "type": "entry",
      "ja": "レイクハウス",
      "abbr": null,
      "en": "Lakehouse",
      "zh": "湖仓一体",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "レイクハウスは、データレイクの柔軟で安価な保存と、データウェアハウスの高速な分析・データ管理機能を一つの基盤で両立させる構成です。ファイル形式のデータに対してトランザクションやスキーマ管理を提供する技術を土台にしています。センサーデータと業務データ、AIの学習データを同じ場所で扱える点から、製造業のデータ基盤でも採用が増えています。",
        "en": "An architecture that combines the low-cost, flexible storage of a data lake with the fast analytics and data management of a data warehouse on a single platform.",
        "zh": "在同一平台上兼具数据湖的灵活低成本存储与数据仓库的高速分析和数据管理能力的架构。"
      },
      "related": [
        "data-lake",
        "etl",
        "data-platform"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/lakehouse"
    },
    {
      "id": "etl",
      "type": "entry",
      "ja": "ETL",
      "abbr": "ETL",
      "en": "Extract, Transform, Load",
      "zh": "数据抽取转换加载",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "ETLは、複数のシステムからデータを取り出し（Extract）、形式や単位の変換、結合、クレンジングを行い（Transform）、分析用のデータベースなどに書き込む（Load）一連の処理です。先に格納してから変換する方式はELTと呼ばれます。製造業では設備データと業務データの突き合わせで、この変換処理の設計に多くの工数がかかります。",
        "en": "The process of extracting data from source systems, transforming it (converting, joining, cleansing) and loading it into a target such as an analytics database.",
        "zh": "从多个系统抽取数据，进行格式转换、合并和清洗后加载到分析数据库等目标中的一系列处理。"
      },
      "related": [
        "data-pipeline",
        "data-lake",
        "data-cleansing"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/etl"
    },
    {
      "id": "data-pipeline",
      "type": "entry",
      "ja": "データパイプライン",
      "abbr": null,
      "en": "Data Pipeline",
      "zh": "数据管道",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "データパイプラインは、データの収集から変換、保存、分析・AIへの受け渡しまでを、自動で連続して流す処理の流れです。定期実行のバッチ型と、到着したデータを順次処理するストリーミング型があります。処理の失敗や遅延を検知して再実行できる運用の仕組みを含めて設計することが大切です。",
        "en": "An automated flow that moves data from collection through transformation and storage to analytics or AI, in batch or streaming mode.",
        "zh": "将数据从采集、转换、存储到交付分析或AI的过程自动连续执行的处理流程，分为批处理和流式两种。"
      },
      "related": [
        "etl",
        "data-platform",
        "edge-computing"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-pipeline"
    },
    {
      "id": "data-cleansing",
      "type": "entry",
      "ja": "データクレンジング",
      "abbr": null,
      "en": "Data Cleansing",
      "zh": "数据清洗",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "データクレンジングは、欠損値、外れ値、重複、表記ゆれ、誤ったタイムスタンプなどを見つけて修正・除去し、分析に使える状態に整える作業です。製造データでは、センサーの故障値や設備停止中のデータ、手入力の誤りなどへの対応が典型です。AIプロジェクトの工数の多くをこの作業が占めることも珍しくありません。",
        "en": "Detecting and correcting or removing missing values, outliers, duplicates, inconsistent notation and wrong timestamps so data is fit for analysis.",
        "zh": "发现并修正或剔除缺失值、异常值、重复、写法不一致和错误时间戳等，使数据可用于分析的工作。"
      },
      "related": [
        "data-quality",
        "feature-engineering",
        "etl"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-cleansing"
    },
    {
      "id": "data-quality",
      "type": "entry",
      "ja": "データ品質",
      "abbr": null,
      "en": "Data Quality",
      "zh": "数据质量",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "データ品質は、データが利用目的に照らして、正確さ、完全性、一貫性、適時性などの点でどれだけ信頼できるかを表す概念です。品質の低いデータで学習したAIは誤った判断をしやすいため、AI活用の成否を左右する要素とされます。現場の入力ルールやセンサーの校正など、データが生まれる段階での管理が重要になります。",
        "en": "How fit data is for its intended use in terms of accuracy, completeness, consistency and timeliness. Poor data quality directly undermines AI results.",
        "zh": "数据在准确性、完整性、一致性和及时性等方面满足使用目的的程度，直接影响AI效果。"
      },
      "related": [
        "data-cleansing",
        "feature-engineering",
        "timestamp-alignment"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-quality"
    },
    {
      "id": "timestamp-alignment",
      "type": "entry",
      "ja": "タイムスタンプ同期（時刻合わせ）",
      "abbr": null,
      "en": "Timestamp Alignment",
      "zh": "时间戳对齐",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "タイムスタンプ同期（時刻合わせ）は、複数の設備やシステムで記録されたデータの時刻を揃え、同じ瞬間の出来事として正しく突き合わせられるようにすることです。PLC、カメラ、MESなどで時計がずれていたり、記録周期が異なったりすると、原因分析やAIの学習で誤った対応づけが起こります。時刻同期の仕組みと、周期の違うデータをそろえる前処理の両方が必要です。",
        "en": "Aligning timestamps from different equipment and systems so that data can be correctly matched as the same moment in time.",
        "zh": "统一不同设备和系统所记录数据的时间，使其能被正确匹配为同一时刻的事件。"
      },
      "related": [
        "data-quality",
        "time-series-database",
        "mes"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/timestamp-alignment"
    },
    {
      "id": "contextualization",
      "type": "entry",
      "ja": "データのコンテキスト化",
      "abbr": null,
      "en": "Data Contextualization",
      "zh": "数据情境化",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "データのコンテキスト化は、センサー値などの生データに、どの設備・製品・ロット・工程・作業に関するものかといった文脈情報をひも付けることです。数値だけでは意味が分からないデータを、分析やAIが解釈できる形に変える作業で、設備階層や情報モデル、ナレッジグラフなどを使って実現します。",
        "en": "Attaching context—which equipment, product, lot, process or task—to raw data such as sensor values so that analytics and AI can interpret it.",
        "zh": "为传感器数值等原始数据关联其所属设备、产品、批次、工序或作业等情境信息，使分析和AI能够理解。"
      },
      "related": [
        "knowledge-graph",
        "asset-hierarchy",
        "unified-namespace"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/contextualization"
    },
    {
      "id": "ontology",
      "type": "entry",
      "ja": "オントロジー",
      "abbr": null,
      "en": "Ontology",
      "zh": "本体论",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "オントロジーは、ある分野の概念と、その概念同士の関係を形式的に定義した体系です。製造業では、設備、部品、工程、不良モードなどの概念とつながりを定義し、異なるシステムのデータを同じ意味で扱えるようにするために使われます。ナレッジグラフを構築する際の設計図の役割を果たします。",
        "en": "A formal definition of the concepts in a domain and the relationships between them, used to make data from different systems share the same meaning.",
        "zh": "对某一领域的概念及其相互关系进行形式化定义的体系，用于让不同系统的数据具有一致语义。"
      },
      "related": [
        "knowledge-graph",
        "contextualization",
        "information-model"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ontology"
    },
    {
      "id": "master-data",
      "type": "entry",
      "ja": "マスターデータ管理",
      "abbr": "MDM",
      "en": "Master Data Management",
      "zh": "主数据管理",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "マスターデータ管理（MDM）は、品目、部品、取引先、設備などの基本となるデータを、全社で一貫した正しい状態に保つための仕組みと運用です。システムごとに品目コードや名称が違うと、データを統合して分析できません。ERP、PLM、MESなど複数のシステムにまたがるマスターの整合をとることが、データ活用の土台になります。",
        "en": "Practices and systems for keeping core reference data—items, parts, suppliers, equipment—consistent and correct across the enterprise.",
        "zh": "确保物料、零部件、供应商、设备等基础数据在全公司范围内保持一致和准确的机制与管理。"
      },
      "related": [
        "data-quality",
        "bom",
        "erp"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/master-data"
    },
    {
      "id": "data-governance",
      "type": "entry",
      "ja": "データガバナンス",
      "abbr": null,
      "en": "Data Governance",
      "zh": "数据治理",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "データガバナンスは、データの責任者、品質基準、利用ルール、権限、セキュリティなどを定め、組織としてデータを適切に管理・活用するための枠組みです。製造業では、現場データの所有者が曖昧なまま活用が進まないことが多く、役割と責任の明確化が出発点になります。生成AIの普及で、社内文書を扱う際のルールづくりの重要性も高まっています。",
        "en": "An organizational framework defining data ownership, quality standards, usage rules, access rights and security so data is managed and used appropriately.",
        "zh": "规定数据责任人、质量标准、使用规则、权限和安全等，使组织能够妥善管理和利用数据的框架。"
      },
      "related": [
        "master-data",
        "data-quality",
        "chief-data-officer"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-governance"
    },
    {
      "id": "data-space",
      "type": "entry",
      "ja": "データスペース",
      "abbr": null,
      "en": "Data Space",
      "zh": "数据空间",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "データスペースは、複数の企業や組織が、それぞれのデータ主権を保ったまま、共通のルールと技術を使って安全にデータを共有するための仕組みです。データを一か所に集めるのではなく、提供者が利用条件を決めて相手ごとに提供する点に特徴があります。自動車業界のCatena-Xなど、サプライチェーンでの排出量やトレーサビリティ情報の共有で具体化が進んでいます。",
        "en": "A framework in which multiple organizations share data securely under common rules and technology while each retains sovereignty over its own data.",
        "zh": "多个企业或组织在保持各自数据主权的前提下，按照共同规则和技术安全共享数据的机制。"
      },
      "related": [
        "data-sovereignty",
        "asset-administration-shell"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-space"
    },
    {
      "id": "data-sovereignty",
      "type": "entry",
      "ja": "データ主権",
      "abbr": null,
      "en": "Data Sovereignty",
      "zh": "数据主权",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "データ主権は、データの提供者が、自らのデータを誰が、どの目的で、どの条件で使えるかを決めて管理できる権利や状態を指します。国の法規制に基づくデータの保存場所や越境移転の制約を指す意味でも使われます。サプライチェーンでのデータ共有やクラウド・生成AIの利用では、この観点から契約や技術的な仕組みを確認する必要があります。",
        "en": "The right or ability of a data owner to control who may use its data, for what purpose and under what conditions; also used for jurisdictional limits on data location and transfer.",
        "zh": "数据提供方决定并控制谁可以出于何种目的、在何种条件下使用其数据的权利；也指法律对数据存储地和跨境传输的约束。"
      },
      "related": [
        "data-space",
        "sovereign-ai",
        "cross-border-data-transfer"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-sovereignty"
    },
    {
      "id": "digital-twin",
      "type": "entry",
      "ja": "デジタルツイン",
      "abbr": null,
      "en": "Digital Twin",
      "zh": "数字孪生",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "デジタルツインは、実際の設備・ライン・工場などの状態をデータで仮想空間上に再現し、現実と連動させながら監視、分析、シミュレーションを行う仕組みです。センサーデータで仮想モデルを更新し、変更の効果を事前に検証したり、異常の兆候を把握したりするのに使われます。3Dモデル中心のもの、データモデル中心のものなど、指す範囲は製品によってかなり異なります。",
        "en": "A virtual replica of a physical asset, line or plant that is kept in sync with real-world data and used for monitoring, analysis and simulation.",
        "zh": "在虚拟空间中以数据再现实体设备、产线或工厂状态并与现实联动，用于监控、分析和仿真的机制。"
      },
      "related": [
        "simulation",
        "openusd",
        "asset-administration-shell"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/digital-twin"
    },
    {
      "id": "openusd",
      "type": "entry",
      "ja": "OpenUSD",
      "abbr": null,
      "en": "Universal Scene Description",
      "zh": "OpenUSD通用场景描述",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "OpenUSDは、Pixarが開発した3Dシーン記述の形式（Universal Scene Description）をオープンにしたもので、異なるツールで作られた3Dデータを一つのシーンとして重ね合わせ、共同で編集できるのが特徴です。映像制作から産業分野に広がり、工場のデジタルツインやロボットのシミュレーションで、CADや設備データを統合する共通形式として使われ始めています。",
        "en": "An open 3D scene description framework, originally developed by Pixar, that lets data from different tools be composed and collaboratively edited as one scene; increasingly used for industrial digital twins.",
        "zh": "源自皮克斯的开放三维场景描述框架，可将不同工具生成的3D数据组合为一个场景并协同编辑，正逐步用于工业数字孪生。"
      },
      "related": [
        "digital-twin",
        "omniverse",
        "simulation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/openusd"
    },
    {
      "id": "omniverse",
      "type": "entry",
      "ja": "NVIDIA Omniverse",
      "abbr": null,
      "en": "NVIDIA Omniverse",
      "zh": "英伟达Omniverse平台",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "NVIDIA Omniverseは、OpenUSDをベースに、3Dデータの統合、物理シミュレーション、リアルタイムレンダリングを行うためのNVIDIAの開発プラットフォームです。工場レイアウトのデジタルツインや、ロボットの学習・検証用シミュレーションの基盤として、多くの産業ソフトウェア企業や製造業が採用を発表しています。利用にはGPUを中心とした計算環境が必要です。",
        "en": "NVIDIA's OpenUSD-based platform for integrating 3D data, physics simulation and real-time rendering, used for factory digital twins and robot simulation.",
        "zh": "英伟达基于OpenUSD构建的平台，用于3D数据整合、物理仿真和实时渲染，常用于工厂数字孪生与机器人仿真。"
      },
      "related": [
        "openusd",
        "digital-twin",
        "isaac-sim"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/omniverse"
    },
    {
      "id": "simulation",
      "type": "entry",
      "ja": "シミュレーション",
      "abbr": null,
      "en": "Simulation",
      "zh": "仿真",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "シミュレーションは、設備やライン、物流、物理現象などをモデル化し、コンピュータ上で動かして挙動や結果を予測する手法です。製造業では、ライン設計時の能力検証、ボトルネックの把握、レイアウト変更の評価、ロボット動作の確認などに使われます。AI分野では、実データが不足する場面で学習データを作る手段としても重要です。",
        "en": "Modeling equipment, lines, logistics or physical phenomena and running them on a computer to predict behavior and outcomes.",
        "zh": "对设备、产线、物流或物理现象建模并在计算机上运行以预测其行为和结果的方法。"
      },
      "related": [
        "digital-twin",
        "takt-time",
        "virtual-commissioning"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/simulation"
    },
    {
      "id": "virtual-commissioning",
      "type": "entry",
      "ja": "仮想コミッショニング",
      "abbr": null,
      "en": "Virtual Commissioning",
      "zh": "虚拟调试",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "仮想コミッショニングは、実機を据え付ける前に、設備や工程の3Dモデル・シミュレーションと実際のPLCプログラムをつなぎ、制御ロジックの動作を仮想環境で検証することです。現地での立ち上げ調整の期間短縮や、手戻りの削減に効果があります。シミュレーションモデルの作成工数をどう抑えるかが普及の課題となっています。",
        "en": "Testing real control logic, such as PLC programs, against a 3D simulation of the equipment or process before physical installation.",
        "zh": "在实机安装前，将实际PLC程序与设备或工艺的3D仿真模型相连，在虚拟环境中验证控制逻辑。"
      },
      "related": [
        "simulation",
        "plc",
        "digital-twin"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/virtual-commissioning"
    },
    {
      "id": "mlops",
      "type": "entry",
      "ja": "MLOps",
      "abbr": "MLOps",
      "en": "Machine Learning Operations",
      "zh": "机器学习运维",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "MLOpsは、機械学習モデルの開発、デプロイ、監視、再学習までを継続的かつ再現可能に運用するための手法と仕組みです。ソフトウェア開発のDevOpsの考え方を機械学習に応用したもので、データやモデルの版管理、自動テスト、性能監視などを含みます。工場では製品や条件の変化でモデルの精度が落ちやすく、PoC後の本番運用を支える基盤として重視されています。",
        "en": "Practices and tooling for continuously and reproducibly developing, deploying, monitoring and retraining machine learning models, applying DevOps ideas to ML.",
        "zh": "将DevOps理念应用于机器学习，持续且可复现地进行模型开发、部署、监控和重训练的方法与体系。"
      },
      "related": [
        "model-monitoring",
        "retraining",
        "model-deployment"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/mlops"
    },
    {
      "id": "model-monitoring",
      "type": "entry",
      "ja": "モデル監視",
      "abbr": null,
      "en": "Model Monitoring",
      "zh": "模型监控",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "モデル監視は、本番で稼働している機械学習モデルの予測精度、入力データの分布、処理時間などを継続的に確認し、劣化や異常を早期に見つける運用です。製造現場では、材料ロットや設備状態、照明などの変化で入力データが変わり、モデルの精度が気づかないうちに下がることがあります。正解データが後からしか得られない場合の評価方法も設計が必要です。",
        "en": "Continuously tracking a production ML model's accuracy, input data distribution and latency to catch degradation or anomalies early.",
        "zh": "持续检查生产环境中机器学习模型的预测精度、输入数据分布和处理时间等，以及早发现性能下降或异常。"
      },
      "related": [
        "mlops",
        "concept-drift",
        "retraining"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/model-monitoring"
    },
    {
      "id": "retraining",
      "type": "entry",
      "ja": "再学習",
      "abbr": null,
      "en": "Model Retraining",
      "zh": "模型重训练",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "再学習は、運用中の機械学習モデルを新しいデータで学習し直し、精度を回復・向上させることです。製品の切り替えや設備の変更、季節変動などでデータの傾向が変わったときに必要になります。定期的に行う方法と、精度低下を検知したときに行う方法があり、再学習後のモデルを本番に戻す前の検証手順も重要です。",
        "en": "Training a deployed ML model again on new data to restore or improve its accuracy after data patterns change.",
        "zh": "利用新数据重新训练已部署的机器学习模型，以在数据模式变化后恢复或提升精度。"
      },
      "related": [
        "model-monitoring",
        "concept-drift",
        "mlops"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/retraining"
    },
    {
      "id": "saas",
      "type": "entry",
      "ja": "SaaS",
      "abbr": "SaaS",
      "en": "Software as a Service",
      "zh": "软件即服务",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "SaaSは、ソフトウェアを自社で導入・保守せず、インターネット経由でサービスとして利用する提供形態です。初期費用を抑えて早く使い始められ、機能更新も提供者が行います。製造業では、工場データを外部クラウドに出すことへの懸念や、ネットワーク断の際の現場運用への影響が、採用を検討する際の論点になります。",
        "en": "A delivery model in which software is used as a service over the internet instead of being installed and maintained in-house.",
        "zh": "通过互联网以服务形式使用软件、无需自行部署和维护的交付模式。"
      },
      "related": [
        "edge-ai",
        "tco",
        "data-platform"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/saas"
    },
    {
      "id": "api",
      "type": "entry",
      "ja": "API",
      "abbr": "API",
      "en": "Application Programming Interface",
      "zh": "应用程序编程接口",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "APIは、あるソフトウェアの機能やデータを、他のソフトウェアから決められた方法で呼び出して利用するための接点です。MES、ERP、IIoT基盤などがAPIを公開していれば、システム間の連携やAIエージェントからの操作を比較的容易に組めます。製品選定では、APIの公開範囲や認証方式、利用制限を確認することが重要です。",
        "en": "A defined interface through which one piece of software can call the functions or data of another.",
        "zh": "一种软件以规定方式调用另一软件功能或数据的接口。"
      },
      "related": [
        "tool-use",
        "mcp",
        "saas"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/api"
    },
    {
      "id": "low-code",
      "type": "entry",
      "ja": "ローコード",
      "abbr": null,
      "en": "Low-Code Development",
      "zh": "低代码开发",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "ローコードは、画面部品の配置や設定を中心に、プログラムをほとんど書かずに業務アプリケーションを作る開発の方式です。現場に近い担当者が自らアプリを作り、改善を素早く回せる点が利点とされます。一方で、作られたアプリの管理やセキュリティ、属人化を防ぐためのルールづくりが必要になります。",
        "en": "Building business applications mainly by configuring visual components, with little hand-written code, so people close to the work can create and improve apps quickly.",
        "zh": "以可视化组件配置为主、几乎无需手写代码来构建业务应用的开发方式，使贴近业务的人员能快速开发和改进应用。"
      },
      "related": [
        "frontline-operations-platform",
        "api",
        "saas"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/low-code"
    },
    {
      "id": "ot-security",
      "type": "entry",
      "ja": "OTセキュリティ",
      "abbr": null,
      "en": "OT Security",
      "zh": "工控安全",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "OTセキュリティは、工場やプラントの制御システム、設備、ネットワークをサイバー攻撃や不正操作から守るための対策です。ITのセキュリティと違い、設備を止めないことや人と設備の安全が最優先となり、古いOSの設備も長期間使い続けられる点に特有の難しさがあります。IEC 62443やNIST SP 800-82が代表的な参照文書で、ネットワークのゾーン分けや資産の把握が基本的な対策です。",
        "en": "Measures that protect plant control systems, equipment and networks from cyberattacks and unauthorized operation, prioritizing availability and safety.",
        "zh": "保护工厂和装置的控制系统、设备及网络免受网络攻击与非法操作的措施，以可用性和安全为最优先。"
      },
      "related": [
        "iec-62443",
        "nist-sp-800-82",
        "purdue-model"
      ],
      "references": [
        "IEC 62443",
        "NIST SP 800-82"
      ],
      "url": "https://mfg-ai.com/terms/ot-security"
    },
    {
      "id": "zero-trust",
      "type": "entry",
      "ja": "ゼロトラスト",
      "abbr": null,
      "en": "Zero Trust",
      "zh": "零信任",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "ゼロトラストは、社内ネットワークの内側であっても通信や利用者を無条件に信頼せず、アクセスのたびに本人・端末・権限を確かめるセキュリティの考え方です。工場では、IT系と制御系をつなぐ範囲が広がり、境界防御だけでは守りきれなくなったことから注目されています。ただし、止められない設備や古いPLCには認証を後付けしにくいため、ネットワーク分割や監視と組み合わせて段階的に適用するのが現実的です。",
        "en": "A security approach that never trusts users or traffic by default, even inside the corporate network, and verifies identity, device and permissions on every access. In factories it is applied step by step alongside segmentation, since legacy control equipment often cannot support modern authentication.",
        "zh": "即使在企业内部网络中也不默认信任任何用户或通信，每次访问都验证身份、终端和权限的安全理念。在工厂中，由于老旧控制设备难以加装认证，通常与网络分区和监控结合分阶段实施。"
      },
      "related": [
        "ot-security",
        "least-privilege",
        "iec-62443"
      ],
      "references": [
        "NIST SP 800-207"
      ],
      "url": "https://mfg-ai.com/terms/zero-trust"
    },
    {
      "id": "least-privilege",
      "type": "entry",
      "ja": "最小権限の原則",
      "abbr": null,
      "en": "Principle of Least Privilege",
      "zh": "最小权限原则",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "最小権限の原則は、利用者やプログラムに、業務に必要な最小限の権限だけを与えるというセキュリティの基本原則です。製造現場では、保守ベンダーのリモート接続や、設備データを読むAIツールに書き込み権限まで与えてしまうと、誤操作や侵入時の被害が大きくなります。AIエージェントに社内システムを操作させる場合も、参照だけか、更新まで許すかを機能ごとに分けて設計することが重要です。",
        "en": "The security principle of granting users and programs only the minimum permissions needed for their task. In manufacturing it limits damage from remote maintenance access or AI tools, for example by giving an AI agent read-only access to equipment data unless updates are explicitly required.",
        "zh": "只授予用户和程序完成任务所需最小权限的安全基本原则。在制造现场，可用于限制远程维护连接或AI工具的权限，例如让AI智能体只读取设备数据而不允许写入，从而降低误操作和入侵造成的损失。"
      },
      "related": [
        "zero-trust",
        "approval-gate",
        "mcp"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/least-privilege"
    },
    {
      "id": "audit-trail",
      "type": "entry",
      "ja": "監査証跡",
      "abbr": null,
      "en": "Audit Trail",
      "zh": "审计追踪",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "監査証跡は、誰が・いつ・何を・なぜ変更したかをシステムが自動で記録し、後から検証できるようにした履歴です。医薬品のGMPや自動車の品質記録では、記録の改ざん防止と追跡性を示すために求められます。AIが判定や文書作成に関わる場合も、入力・出力・承認者を残しておくと、不具合や監査時に判断の経緯を説明できます。",
        "en": "A system-generated record of who changed what, when and why, kept so that actions can be verified later. It is required in regulated manufacturing such as pharmaceuticals, and is equally useful for recording the inputs, outputs and approvers of AI-assisted decisions.",
        "zh": "由系统自动记录“谁、何时、修改了什么、为何修改”的历史，以便事后核查。在药品GMP等受监管的制造领域是必备要求，在AI参与判定或文书生成时，记录输入、输出和审批人同样重要。"
      },
      "related": [
        "approval-gate",
        "data-integrity",
        "gmp"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/audit-trail"
    },
    {
      "id": "data-integrity",
      "type": "entry",
      "ja": "データインテグリティ（ALCOA+）",
      "abbr": null,
      "en": "Data Integrity (ALCOA+)",
      "zh": "数据完整性",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "データインテグリティは、記録が作成から廃棄まで完全・一貫・正確に保たれていることを指し、医薬品業界ではALCOA+（帰属性・判読性・同時性・原本性・正確性に、完全性・一貫性・永続性・可用性を加えた原則）で表されます。製造記録の電子化やMESの導入では、手入力の後付け修正や共有アカウントの利用が典型的な指摘事項になります。AIで記録を補完・要約する場合も、元データと生成結果を区別して保管する必要があります。",
        "en": "The assurance that records remain complete, consistent and accurate throughout their lifecycle, summarized in the pharmaceutical industry by the ALCOA+ principles. It is a key concern when electronic batch records, MES or AI-generated summaries replace paper records.",
        "zh": "指记录在整个生命周期中保持完整、一致和准确，医药行业常用ALCOA+原则来概括。在电子批记录、MES或AI生成摘要替代纸质记录时，数据完整性是核心关注点。"
      },
      "related": [
        "audit-trail",
        "gmp",
        "csv"
      ],
      "references": [
        "GMP",
        "21 CFR Part 11"
      ],
      "url": "https://mfg-ai.com/terms/data-integrity"
    },
    {
      "id": "ai-security",
      "type": "entry",
      "ja": "AIセキュリティ",
      "abbr": null,
      "en": "AI Security",
      "zh": "人工智能安全",
      "category": "データ基盤・IIoT",
      "definition": {
        "ja": "AIセキュリティは、AIシステムそのものを狙う攻撃や誤用から、モデル・データ・利用環境を守るための対策の総称です。プロンプトインジェクション、学習データの汚染、モデルの窃取、出力経由の機密情報の漏えいなど、従来の情報セキュリティにはない脅威が加わります。工場では、AIが設備の制御や判定に関わるほど影響が物理的な損害に及ぶため、OTセキュリティと一体で考える必要があります。",
        "en": "The set of measures that protect AI models, data and their operating environment from attacks and misuse such as prompt injection, data poisoning, model theft and leakage through outputs. In factories it must be considered together with OT security, as compromised AI can cause physical damage.",
        "zh": "保护AI模型、数据及运行环境免受提示词注入、数据投毒、模型窃取、通过输出泄露机密等攻击和滥用的措施总称。在工厂中，AI一旦参与控制或判定，影响可能波及实体，因此需与工控安全统筹考虑。"
      },
      "related": [
        "prompt-injection",
        "domain-shift",
        "ot-security"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ai-security"
    },
    {
      "id": "physical-ai",
      "type": "entry",
      "ja": "フィジカルAI",
      "abbr": null,
      "en": "Physical AI",
      "zh": "物理AI",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "フィジカルAIは、センサーで現実世界を認識し、ロボットや機械を動かして物理的な作業を行うAIを指します。言語や画像を扱う生成AIの技術をロボットの動作計画に広げたもので、ロボット基盤モデルやシミュレーションでの学習が中核技術になります。製造業では、ばら積みピッキングや組立、搬送など、従来は個別のティーチングが必要だった作業の汎用化が期待されています。",
        "en": "AI that perceives the real world through sensors and moves robots or machines to perform physical tasks. It extends generative AI techniques to robot motion, and in manufacturing is expected to generalize tasks such as picking, assembly and material handling that once required individual programming.",
        "zh": "通过传感器感知现实世界，并驱动机器人或机械完成物理作业的AI。它将生成式AI技术延伸到机器人动作规划，在制造业中有望让分拣、装配、搬运等过去需逐一示教的作业实现通用化。"
      },
      "related": [
        "robot-foundation-model",
        "humanoid-robot",
        "embodied-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/physical-ai"
    },
    {
      "id": "embodied-ai",
      "type": "entry",
      "ja": "身体性AI（具身知能）",
      "abbr": null,
      "en": "Embodied AI",
      "zh": "具身智能",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "身体性AI（中国語で具身知能）は、身体を持つエージェントが環境と相互作用しながら知覚・判断・行動を学ぶAIの考え方です。フィジカルAIとほぼ同じ領域を指し、中国では政策文書や企業の発表で「具身智能」という表現が広く使われています。人型ロボットや移動マニピュレータの研究開発と結びつけて語られることが多い用語です。",
        "en": "An AI paradigm in which an agent with a physical body learns perception, judgment and action through interaction with its environment. It overlaps closely with physical AI, and the Chinese term is widely used in policy documents and humanoid robot announcements.",
        "zh": "拥有实体的智能体在与环境交互的过程中学习感知、判断与行动的AI理念。其范围与物理AI高度重合，在中国的政策文件和人形机器人相关发布中被广泛使用。"
      },
      "related": [
        "physical-ai",
        "humanoid-robot",
        "vla"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/embodied-ai"
    },
    {
      "id": "robot-foundation-model",
      "type": "entry",
      "ja": "ロボット基盤モデル",
      "abbr": null,
      "en": "Robot Foundation Model",
      "zh": "机器人基础模型",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "ロボット基盤モデルは、大量のロボット動作データや映像で事前学習し、さまざまな作業やロボットに少ない追加学習で適用できるようにした大規模モデルです。カメラ画像と言語の指示を受け取り、ロボットの関節の動きを出力する構成が一般的で、π0・GR00T・Gemini Roboticsなどが代表例です。製造業では、多品種少量の作業を個別プログラムなしで扱える可能性がある一方、精度・速度・安全性の検証はまだ途上です。",
        "en": "A large model pretrained on extensive robot motion data and video so that it can be adapted to many tasks and robot types with little additional training. Examples include π0, GR00T and Gemini Robotics; in manufacturing their accuracy, speed and safety are still being validated.",
        "zh": "利用大量机器人动作数据和视频进行预训练，只需少量追加训练即可适配多种任务和机器人的大规模模型。代表例有π0、GR00T、Gemini Robotics等，在制造业中的精度、速度和安全性仍处于验证阶段。"
      },
      "related": [
        "vla",
        "physical-ai",
        "foundation-model"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/robot-foundation-model"
    },
    {
      "id": "vla",
      "type": "entry",
      "ja": "視覚・言語・行動モデル",
      "abbr": "VLA",
      "en": "Vision-Language-Action Model",
      "zh": "视觉-语言-动作模型",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "視覚・言語・行動モデル（VLA）は、カメラ画像と自然言語の指示を入力として、ロボットの動作を直接出力するモデルです。画像と言語を理解する視覚言語モデルに、行動を生成する部分を組み合わせた構成をとるものが多く、ロボット基盤モデルの主流の形になっています。「赤い部品を箱に入れて」のような指示で作業を切り替えられる点が、ティーチング中心の従来方式との違いです。",
        "en": "A model that takes camera images and natural-language instructions as input and directly outputs robot actions. Many combine a vision-language model with an action-generation module, allowing tasks to be switched by instruction rather than by reprogramming.",
        "zh": "以相机图像和自然语言指令为输入、直接输出机器人动作的模型。多数在视觉语言模型基础上加入动作生成模块，可通过指令切换作业，而无需重新示教。"
      },
      "related": [
        "robot-foundation-model",
        "vlm",
        "imitation-learning"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/vla"
    },
    {
      "id": "world-model",
      "type": "entry",
      "ja": "世界モデル",
      "abbr": null,
      "en": "World Model",
      "zh": "世界模型",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "世界モデルは、環境がどう変化するかを内部で予測できるようにしたAIモデルで、行動の結果を試す前に頭の中で見通すための仕組みです。ロボット分野では、映像生成技術を使って物理的にもっともらしい将来の状態を作り出し、学習データの生成や動作計画の評価に用いられます。工場では、実機で集めにくい失敗やまれな状況の再現に使えると期待されています。",
        "en": "An AI model that internally predicts how an environment will change, so outcomes of actions can be anticipated before acting. In robotics it is used to generate physically plausible future scenes for training data and plan evaluation, including rare failure cases that are hard to collect on real lines.",
        "zh": "能够在内部预测环境如何变化的AI模型，可在实际行动前推演结果。在机器人领域用于生成物理上合理的未来场景，以产生训练数据和评估动作规划，包括现场难以采集的罕见故障情形。"
      },
      "related": [
        "robot-foundation-model",
        "simulation",
        "synthetic-data"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/world-model"
    },
    {
      "id": "imitation-learning",
      "type": "entry",
      "ja": "模倣学習",
      "abbr": null,
      "en": "Imitation Learning",
      "zh": "模仿学习",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "模倣学習は、人が行った操作のお手本データからロボットの動作方針を学ばせる機械学習の手法です。報酬の設計が難しい作業でも、遠隔操作などで集めた実演データがあれば学習できる点が強みです。製造業では、ケーブルの取り回しや柔軟物の扱いなど、ルールで書きにくい作業への適用が試されていますが、お手本データの質と量が性能を大きく左右します。",
        "en": "A machine-learning method that teaches robots a policy from demonstrations of human operation. It works even when rewards are hard to define, but performance depends heavily on the quality and quantity of demonstration data, often collected by teleoperation.",
        "zh": "根据人类操作示范数据学习机器人动作策略的机器学习方法。即使难以设计奖励也能学习，但示范数据（多通过遥操作采集）的质量和数量对性能影响很大。"
      },
      "related": [
        "teleoperation",
        "vla",
        "reinforcement-learning"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/imitation-learning"
    },
    {
      "id": "teleoperation",
      "type": "entry",
      "ja": "遠隔操作（テレオペレーション）",
      "abbr": null,
      "en": "Teleoperation",
      "zh": "遥操作",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "遠隔操作（テレオペレーション）は、離れた場所にいる人がコントローラやVR機器を使ってロボットを操作することです。危険な環境での作業に加え、近年は模倣学習用のお手本データを集める手段として重要になっています。製造現場では、熟練者の操作をロボットの学習データとして蓄積する試みも行われています。",
        "en": "Operating a robot from a remote location using controllers or VR devices. Beyond hazardous work, it has become a key way to collect demonstration data for imitation learning, including recording skilled workers' operations.",
        "zh": "操作者在远处通过控制器或VR设备操控机器人。除危险环境作业外，近年来已成为为模仿学习采集示范数据的重要手段，包括记录熟练工的操作。"
      },
      "related": [
        "imitation-learning",
        "robot-motion-data",
        "ar-assist"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/teleoperation"
    },
    {
      "id": "robot-motion-data",
      "type": "entry",
      "ja": "ロボット動作データ",
      "abbr": null,
      "en": "Robot Motion Dataset",
      "zh": "机器人动作数据集",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "ロボット動作データは、ロボットの関節角度・手先位置・把持力などの時系列と、そのときのカメラ映像や作業指示を組にしたデータです。ロボット基盤モデルや模倣学習の材料になり、量と多様性が性能を左右します。言語や画像に比べて集めるのに手間がかかるため、遠隔操作での収集、シミュレーションでの合成、企業間での共有が進められています。",
        "en": "Time-series data on robot joint angles, end-effector positions and grip forces, paired with camera images and task instructions. It feeds robot foundation models and imitation learning, and because it is costly to collect, teleoperation, simulation and data sharing are used to scale it.",
        "zh": "将机器人关节角度、末端位置、抓取力等时序数据与当时的相机图像、作业指令配对的数据。它是机器人基础模型和模仿学习的原料，由于采集成本高，常通过遥操作、仿真合成和企业间共享来扩充。"
      },
      "related": [
        "teleoperation",
        "imitation-learning",
        "synthetic-data"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/robot-motion-data"
    },
    {
      "id": "sim-to-real",
      "type": "entry",
      "ja": "Sim2Real（シミュレーションから実機へ）",
      "abbr": "Sim2Real",
      "en": "Sim-to-Real Transfer",
      "zh": "仿真到现实迁移",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "Sim2Realは、シミュレーション上で学習・検証したロボットの動作やAIモデルを、実機に移して使うことです。シミュレーションでは大量の試行を安全かつ安価に行えますが、摩擦・照明・センサーのノイズなどの差によって実機で性能が落ちる「リアリティギャップ」が課題になります。物理条件をランダムに変えて学習する手法や、実機データでの追加学習で差を埋めるのが一般的です。",
        "en": "Transferring robot behaviors or AI models trained and tested in simulation to real hardware. Simulation allows cheap, safe trial and error, but differences in friction, lighting and sensor noise cause a reality gap that is closed with domain randomization or fine-tuning on real data.",
        "zh": "将在仿真中训练和验证的机器人动作或AI模型迁移到实机上使用。仿真可低成本、安全地大量试错，但摩擦、光照、传感器噪声等差异会造成“现实差距”，通常通过随机化物理条件或用实机数据追加训练来弥补。"
      },
      "related": [
        "simulation",
        "synthetic-data",
        "isaac-sim"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/sim-to-real"
    },
    {
      "id": "isaac-sim",
      "type": "entry",
      "ja": "NVIDIA Isaac Sim",
      "abbr": null,
      "en": "NVIDIA Isaac Sim",
      "zh": "英伟达Isaac Sim仿真平台",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "NVIDIA Isaac Simは、NVIDIAのOmniverse上に構築されたロボット向けのシミュレーション環境です。物理演算とフォトリアルな描画を使い、ロボットの動作検証、AIの学習用の合成データ生成、工場レイアウト上での動作確認などに使われます。強化学習用のIsaac Labと組み合わせて、ロボット基盤モデルの学習基盤としても位置づけられています。",
        "en": "NVIDIA's robotics simulation environment built on Omniverse, combining physics simulation and photorealistic rendering. It is used for testing robot behavior, generating synthetic training data and, together with Isaac Lab, training robot policies.",
        "zh": "英伟达基于Omniverse构建的机器人仿真环境，结合物理仿真与逼真渲染。用于机器人动作验证、生成AI训练用合成数据，并可与Isaac Lab配合训练机器人策略。"
      },
      "related": [
        "omniverse",
        "sim-to-real",
        "gr00t"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/isaac-sim"
    },
    {
      "id": "gr00t",
      "type": "entry",
      "ja": "Isaac GR00T",
      "abbr": null,
      "en": "NVIDIA Isaac GR00T",
      "zh": "英伟达GR00T人形机器人模型",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "Isaac GR00Tは、NVIDIAが提供する人型ロボット向けのロボット基盤モデルと、その開発用ツール群の総称です。2025年3月に発表されたGR00T N1は、状況を理解して計画する視覚言語モデルと、速い動作を生成する部分の2系統で構成されています。重みが公開されており、ロボットメーカーや研究機関が自社のロボット・作業に合わせて追加学習する使い方が想定されています。",
        "en": "NVIDIA's robot foundation model for humanoids and the associated development tools. GR00T N1, announced in March 2025, pairs a vision-language model for planning with a fast action-generation module, and its open weights can be fine-tuned for specific robots and tasks.",
        "zh": "英伟达面向人形机器人的基础模型及配套开发工具的统称。2025年3月发布的GR00T N1由负责理解与规划的视觉语言模型和生成快速动作的模块两部分组成，权重公开，可针对具体机器人和任务追加训练。"
      },
      "related": [
        "humanoid-robot",
        "robot-foundation-model",
        "isaac-sim"
      ],
      "references": [
        "GR00T N1: An Open Foundation Model for Generalist Humanoid Robots（arXiv, 2025）"
      ],
      "url": "https://mfg-ai.com/terms/gr00t"
    },
    {
      "id": "humanoid-robot",
      "type": "entry",
      "ja": "ヒューマノイド（人型ロボット）",
      "abbr": null,
      "en": "Humanoid Robot",
      "zh": "人形机器人",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "ヒューマノイドは、人に近い体の形（胴体・腕・脚または車輪）を持つロボットです。人向けに作られた工場や倉庫の設備・通路をそのまま使える点が期待され、自動車工場などでの部品搬送や仕分けの試験導入が進んでいます。一方で、速度・可搬重量・稼働時間・安全性の面では専用設備や産業用ロボットに及ばない場面も多く、費用対効果の見極めが導入の論点になります。",
        "en": "A robot with a human-like body of torso, arms and legs or wheels. It is expected to work in facilities designed for people, with pilots in parts handling at automotive plants, but speed, payload, uptime, safety and cost-effectiveness remain open questions.",
        "zh": "拥有接近人类身体结构（躯干、手臂、腿或轮子）的机器人。其优势在于可直接利用为人设计的工厂设施，已在汽车工厂等进行零部件搬运试点，但速度、负载、续航、安全性和投资回报仍是导入时的关键问题。"
      },
      "related": [
        "physical-ai",
        "embodied-ai",
        "raas"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/humanoid-robot"
    },
    {
      "id": "industrial-robot",
      "type": "entry",
      "ja": "産業用ロボット",
      "abbr": null,
      "en": "Industrial Robot",
      "zh": "工业机器人",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "産業用ロボットは、工場で溶接・塗装・組立・搬送などの作業を自動で行う、プログラムで動作を変えられる多関節型などの機械です。高速・高精度で同じ動作を繰り返すのが得意な一方、動作ごとのティーチングや安全柵の設置が必要になります。AIとの組み合わせでは、カメラでの位置補正、ばら積みピッキング、動作プログラムの自動生成などが実用化されています。",
        "en": "A programmable machine, typically an articulated arm, that automates welding, painting, assembly and handling in factories. It excels at fast, precise repetitive motion but needs teaching and guarding; AI adds vision-based correction, bin picking and automatic program generation.",
        "zh": "在工厂中自动完成焊接、喷涂、装配、搬运等作业、可通过程序改变动作的机械（多为多关节型）。擅长高速高精度的重复动作，但需要示教和安全围栏；与AI结合可实现视觉位置补正、无序抓取和程序自动生成。"
      },
      "related": [
        "cobot",
        "robot-teaching",
        "iso-10218"
      ],
      "references": [
        "ISO 10218"
      ],
      "url": "https://mfg-ai.com/terms/industrial-robot"
    },
    {
      "id": "cobot",
      "type": "entry",
      "ja": "協働ロボット",
      "abbr": null,
      "en": "Collaborative Robot (Cobot)",
      "zh": "协作机器人",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "協働ロボットは、安全柵なしで人と同じ作業空間で働けるよう、接触時の力の制限や速度の監視などの安全機能を備えたロボットです。導入や配置換えが比較的容易で、中小工場のマシンテンディングや検査補助、組立工程の一部自動化に広く使われています。ただし、安全柵が不要かどうかは機種ではなく、用途と作業全体のリスクアセスメントで決まる点に注意が必要です。",
        "en": "A robot with safety functions such as force limiting and speed monitoring so it can share a workspace with people without fencing. It is popular in smaller factories for machine tending and assembly support, though whether guarding can be removed depends on a risk assessment of the whole application.",
        "zh": "具备接触力限制、速度监控等安全功能，可在无安全围栏的情况下与人共享作业空间的机器人。部署和调整较容易，广泛用于中小工厂的上下料和装配辅助，但能否省去围栏取决于对整个应用的风险评估。"
      },
      "related": [
        "industrial-robot",
        "iso-ts-15066",
        "virtual-fence"
      ],
      "references": [
        "ISO 10218",
        "ISO/TS 15066"
      ],
      "url": "https://mfg-ai.com/terms/cobot"
    },
    {
      "id": "robot-teaching",
      "type": "entry",
      "ja": "ロボットティーチング",
      "abbr": null,
      "en": "Robot Teaching",
      "zh": "机器人示教",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "ロボットティーチングは、ロボットに動作の位置や順序を教え込む作業のことで、ティーチングペンダントでの手動操作やオフラインのシミュレーションで行います。品種の切り替えや設備変更のたびに必要となり、熟練者の工数が多品種少量生産での自動化の壁になってきました。近年は、AIによる動作の自動生成や、人の実演から学ぶ方式でティーチングを減らす取り組みが進んでいます。",
        "en": "The process of teaching a robot its positions and motion sequence, either with a teach pendant or offline in simulation. Because it must be repeated for each product change, it is a barrier to automation in high-mix production, and AI-based motion generation aims to reduce it.",
        "zh": "向机器人教授动作位置和顺序的作业，可通过示教器手动操作或离线仿真完成。每次换型都需重新示教，是多品种小批量生产自动化的瓶颈，近年来正尝试用AI自动生成动作或从人类示范中学习来减少示教。"
      },
      "related": [
        "industrial-robot",
        "imitation-learning",
        "simulation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/robot-teaching"
    },
    {
      "id": "bin-picking",
      "type": "entry",
      "ja": "ばら積みピッキング",
      "abbr": null,
      "en": "Bin Picking",
      "zh": "无序抓取",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "ばら積みピッキングは、箱やコンテナの中に不規則に積まれた部品を、ロボットが1つずつ認識して取り出す作業です。3Dカメラで部品の位置と姿勢を推定し、取りやすい部品と把持位置を選んで、周囲にぶつからない経路を計画します。部品の重なりや光沢、絡まりで認識・把持に失敗しやすく、成功率とサイクルタイムの両立が導入の論点になります。",
        "en": "A task in which a robot recognizes and picks parts one by one from a randomly filled bin. It relies on 3D vision for pose estimation, grasp selection and collision-free path planning, and reflective or tangled parts make balancing success rate and cycle time the main challenge.",
        "zh": "机器人从杂乱堆放的料箱中逐个识别并取出零件的作业。依靠3D视觉估计零件位姿、选择抓取点并规划无碰撞路径，零件反光、重叠或缠绕会影响成功率，兼顾成功率与节拍是导入难点。"
      },
      "related": [
        "3d-vision",
        "grasp-planning",
        "point-cloud"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/bin-picking"
    },
    {
      "id": "grasp-planning",
      "type": "entry",
      "ja": "把持計画",
      "abbr": null,
      "en": "Grasp Planning",
      "zh": "抓取规划",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "把持計画は、ロボットが物体をつかむときに、どの位置を・どの向きで・どのハンドでつかむかを決める処理です。形状データや点群から把持候補を計算する方法と、深層学習で画像から直接つかみやすい位置を推定する方法があります。製造現場では、把持後の組付けや置き方まで考えた計画が必要になり、単に持ち上げられるだけでは不十分な場合が多くあります。",
        "en": "The process of deciding where, in what orientation and with which gripper a robot should grasp an object. It may be computed from CAD or point clouds or predicted directly from images with deep learning, and in factories must also account for how the part will be placed or assembled afterwards.",
        "zh": "决定机器人以何种位置、姿态和末端执行器抓取物体的处理。可基于形状数据或点云计算抓取候选，也可用深度学习从图像直接推断，在工厂中还需考虑抓取后的放置和装配。"
      },
      "related": [
        "bin-picking",
        "deformable-object-handling",
        "vla"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/grasp-planning"
    },
    {
      "id": "deformable-object-handling",
      "type": "entry",
      "ja": "柔軟物ハンドリング",
      "abbr": null,
      "en": "Deformable Object Manipulation",
      "zh": "柔性物体操作",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "柔軟物ハンドリングは、ケーブル・布・袋・ゴム部品など、つかむと形が変わる物体をロボットで扱う技術です。形状が一定でないため従来のティーチングでは扱いにくく、ワイヤーハーネスの組付けや衣料品の取り扱いなどは人手に頼る工程として残ってきました。近年は、模倣学習やVLAなどの学習型手法によって、柔軟物の扱いを自動化する研究と実証が進んでいます。",
        "en": "Robotic handling of objects whose shape changes when grasped, such as cables, cloth, bags and rubber parts. These tasks, like wire harness assembly, have long resisted conventional programming, and learning-based methods such as imitation learning and VLA models are now being applied.",
        "zh": "用机器人操作电缆、布料、袋子、橡胶件等抓取后会变形的物体的技术。线束装配等此类作业长期依赖人工，近年来正通过模仿学习和VLA等基于学习的方法推进自动化。"
      },
      "related": [
        "grasp-planning",
        "vla",
        "industrial-robot"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/deformable-object-handling"
    },
    {
      "id": "machine-tending",
      "type": "entry",
      "ja": "マシンテンディング",
      "abbr": null,
      "en": "Machine Tending",
      "zh": "机床上下料",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "マシンテンディングは、工作機械や成形機などへのワークの投入と取り出しをロボットに任せる作業です。単純な繰り返しで人手不足の影響を受けやすく、協働ロボットの代表的な用途になっています。夜間の無人運転につなげられる一方、ワークの供給方法や段取り替えの手間まで含めて設計しないと稼働率が上がらない点に注意が必要です。",
        "en": "Using a robot to load and unload workpieces on machine tools, molding machines and similar equipment. It is a typical cobot application that enables unattended night shifts, but utilization depends on also designing part supply and changeovers.",
        "zh": "由机器人为机床、成型机等设备上下料的作业。这是协作机器人的典型应用，可实现夜间无人运行，但需同时设计供料方式和换型流程，否则稼动率难以提高。"
      },
      "related": [
        "cobot",
        "industrial-robot",
        "amr"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/machine-tending"
    },
    {
      "id": "amr",
      "type": "entry",
      "ja": "自律移動ロボット",
      "abbr": "AMR",
      "en": "Autonomous Mobile Robot",
      "zh": "自主移动机器人",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "自律移動ロボット（AMR）は、レーザーセンサーやカメラで周囲の地図を作り、自分の位置を推定しながら障害物を避けて目的地まで移動する搬送ロボットです。床の磁気テープなどに沿って走るAGVと違い、経路変更が容易で人と同じ通路を走行できます。工場では工程間の部品搬送や倉庫のピッキング支援に使われ、複数台の交通管理や上位システムとの連携が運用の鍵になります。",
        "en": "A mobile robot that maps its surroundings with lidar or cameras, localizes itself and navigates around obstacles to its destination. Unlike AGVs it needs no fixed guide path, and fleet traffic management and integration with MES or WMS are key to operation.",
        "zh": "利用激光雷达或相机建立周边地图、估计自身位置并避开障碍物移动到目的地的搬运机器人。与AGV不同，无需固定引导路径，多台车辆的交通管理以及与上位系统的联动是运营关键。"
      },
      "related": [
        "agv",
        "point-cloud",
        "3d-vision"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/amr"
    },
    {
      "id": "agv",
      "type": "entry",
      "ja": "無人搬送車",
      "abbr": "AGV",
      "en": "Automated Guided Vehicle",
      "zh": "自动导引车",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "無人搬送車（AGV）は、床に貼った磁気テープやマーカーなどの誘導に沿って、決まった経路を自動で走行する搬送車です。経路が固定される分、動作が予測しやすく、自動車工場の部品供給などで長く使われてきました。レイアウト変更のたびに誘導路の工事が必要になるため、最近は自律移動ロボット（AMR）との使い分けや併用が検討されます。",
        "en": "A vehicle that automatically travels a fixed route by following magnetic tape, markers or other guidance on the floor. It is predictable and long used for parts supply, but layout changes require reworking the guide path, so it is often compared with or combined with AMRs.",
        "zh": "沿地面磁条或标记等引导、按固定路线自动行驶的搬运车。动作可预测，长期用于零部件配送，但布局变更需重新铺设引导路径，因此常与AMR比较或并用。"
      },
      "related": [
        "amr",
        "wms",
        "scheduling-optimization"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/agv"
    },
    {
      "id": "wms",
      "type": "entry",
      "ja": "倉庫管理システム",
      "abbr": "WMS",
      "en": "Warehouse Management System",
      "zh": "仓库管理系统",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "倉庫管理システム（WMS）は、入庫・保管・ピッキング・出荷といった倉庫内の物の動きと在庫をロケーション単位で管理するシステムです。工場では部材倉庫や製品倉庫で使われ、MESやERPと在庫・出荷の情報をやり取りします。AGVやAMR、自動倉庫と連携して搬送指示を出す役割も担い、物流自動化の中枢になります。",
        "en": "A system that manages inventory and the flow of goods through receiving, storage, picking and shipping at the location level. In factories it exchanges data with MES and ERP and dispatches tasks to AGVs, AMRs and automated storage.",
        "zh": "以库位为单位管理入库、存储、拣货、出库等仓内物流和库存的系统。在工厂中与MES、ERP交换库存和发货信息，并向AGV、AMR和自动仓库下达搬运指令。"
      },
      "related": [
        "agv",
        "mes",
        "erp"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/wms"
    },
    {
      "id": "raas",
      "type": "entry",
      "ja": "RaaS（ロボット・アズ・ア・サービス）",
      "abbr": "RaaS",
      "en": "Robots as a Service",
      "zh": "机器人即服务",
      "category": "ロボット・フィジカルAI",
      "definition": {
        "ja": "RaaS（ロボット・アズ・ア・サービス）は、ロボットを買い取らず、月額料金や稼働量に応じた料金で利用する提供形態です。初期投資を抑えられ、保守やソフト更新も提供者が担うため、中小工場や物流現場での導入のハードルを下げます。一方で、長期間使うと総額が購入を上回る場合や、契約終了時のデータ・設定の扱いを事前に確認しておく必要があります。",
        "en": "A model in which robots are used for a monthly or usage-based fee instead of being purchased, with maintenance and software updates included. It lowers upfront cost, but long-term total cost and data handling at contract end should be checked.",
        "zh": "不购买机器人，而是按月或按使用量付费使用的服务模式，维护和软件更新由提供方负责。可降低初期投入，但需事先确认长期使用的总成本以及合同结束时数据和设置的处理方式。"
      },
      "related": [
        "humanoid-robot",
        "tco",
        "saas"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/raas"
    },
    {
      "id": "eu-ai-act",
      "type": "entry",
      "ja": "EU AI規則（AI Act）",
      "abbr": "AI Act",
      "en": "EU Artificial Intelligence Act",
      "zh": "欧盟人工智能法案",
      "category": "規格・規制",
      "definition": {
        "ja": "EU AI規則（AI Act）は、AIシステムをリスクの大きさで分類し、高リスクのものに品質管理・記録・人による監督などの義務を課すEUの法律です。EU域内でAIを提供・利用する事業者が対象で、域外の企業でもEU市場に製品を出せば適用されます。製造業では、機械の安全部品として使われるAIや、従業員の評価・監視に使うAIが高リスクに当たりうる点が実務上の論点です。",
        "en": "An EU law that classifies AI systems by risk and imposes obligations such as quality management, record-keeping and human oversight on high-risk systems. It applies to non-EU companies placing products on the EU market, and in manufacturing AI used as a machine safety component or for worker monitoring may be high-risk.",
        "zh": "欧盟按风险高低对AI系统分类，并对高风险系统规定质量管理、记录保存、人工监督等义务的法律。在欧盟市场投放产品的域外企业同样适用，在制造业中用作机械安全组件或员工监控的AI可能属于高风险。"
      },
      "related": [
        "high-risk-ai",
        "ai-omnibus",
        "eu-machinery-regulation"
      ],
      "references": [
        "Regulation (EU) 2024/1689（AI Act）"
      ],
      "url": "https://mfg-ai.com/terms/eu-ai-act"
    },
    {
      "id": "high-risk-ai",
      "type": "entry",
      "ja": "高リスクAIシステム",
      "abbr": null,
      "en": "High-Risk AI System",
      "zh": "高风险AI系统",
      "category": "規格・規制",
      "definition": {
        "ja": "高リスクAIシステムは、EU AI規則で人の健康・安全・基本的権利に大きな影響を与えうるとされ、厳しい義務が課されるAIの区分です。機械や医療機器など既存のEU製品安全法の対象製品に組み込まれる安全関連のAIと、雇用や重要インフラなど附属書IIIに列挙された用途のAIの2系統があります。該当すると、リスク管理、データ管理、技術文書、ログ記録、人による監督、適合性評価などが求められます。",
        "en": "A category under the EU AI Act for AI that may significantly affect health, safety or fundamental rights. It covers safety-related AI in products under EU product-safety law, such as machinery, and uses listed in Annex III, and triggers requirements including risk management, logging, human oversight and conformity assessment.",
        "zh": "欧盟AI法案中可能对健康、安全或基本权利产生重大影响、需承担严格义务的AI类别。包括嵌入机械等欧盟产品安全法覆盖产品中的安全相关AI，以及附件III所列用途的AI，需满足风险管理、日志记录、人工监督和合格评定等要求。"
      },
      "related": [
        "eu-ai-act",
        "safety-component",
        "conformity-assessment"
      ],
      "references": [
        "Regulation (EU) 2024/1689（AI Act）"
      ],
      "url": "https://mfg-ai.com/terms/high-risk-ai"
    },
    {
      "id": "safety-component",
      "type": "entry",
      "ja": "安全部品（AI Actの）",
      "abbr": null,
      "en": "Safety Component",
      "zh": "安全组件",
      "category": "規格・規制",
      "definition": {
        "ja": "安全部品（AI Actの）は、製品の安全機能を担う部品で、故障や誤動作が人の健康や安全を危険にさらすものを指します。EU AI規則では、機械規則などの対象製品の安全部品としてAIが使われ、その製品が第三者の適合性評価を要する場合、そのAIは高リスクAIに分類されます。たとえば、人の接近を検知してロボットを止めるAIは安全部品に当たる可能性があり、設計段階での確認が欠かせません。",
        "en": "A component that performs a safety function of a product, whose failure could endanger health or safety. Under the EU AI Act, AI used as a safety component of products such as machinery that require third-party conformity assessment is classified as high-risk, for example AI that stops a robot when a person approaches.",
        "zh": "承担产品安全功能、一旦失效可能危及人身健康或安全的部件。根据欧盟AI法案，作为机械等需第三方合格评定产品的安全组件使用的AI被归为高风险AI，例如检测人员靠近后让机器人停止的AI。"
      },
      "related": [
        "high-risk-ai",
        "eu-machinery-regulation",
        "functional-safety"
      ],
      "references": [
        "Regulation (EU) 2024/1689（AI Act）",
        "Regulation (EU) 2023/1230"
      ],
      "url": "https://mfg-ai.com/terms/safety-component"
    },
    {
      "id": "ai-omnibus",
      "type": "entry",
      "ja": "AIオムニバス（EU）",
      "abbr": null,
      "en": "Digital Omnibus on AI",
      "zh": "欧盟AI综合简化方案",
      "category": "規格・規制",
      "definition": {
        "ja": "AIオムニバスは、EUのデジタル規制の簡素化策の一部として、AI規則の適用時期や義務の一部を見直した改正パッケージです。当サイトが確認した欧州委員会などの情報では、2026年7月27日に発効し、製品組込み型の高リスクAIの義務は2028年8月2日、附属書IIIの高リスクAIの義務は2027年12月2日からの適用に改められました。あわせて、AI規則と機械規則などの製品安全法との重複関係も整理されており、2026年8月を前提にした古い解説には注意が必要です。",
        "en": "A package within the EU's digital simplification agenda that amended the timing and some obligations of the AI Act. It entered into force on 27 July 2026, moving high-risk obligations for product-embedded AI to 2 August 2028 and for Annex III uses to 2 December 2027, and clarified overlap with product-safety laws such as the Machinery Regulation.",
        "zh": "欧盟数字法规简化举措的一部分，调整了AI法案部分义务及其适用时间。该方案于2026年7月27日生效，嵌入产品的高风险AI义务推迟至2028年8月2日适用，附件III高风险AI义务推迟至2027年12月2日，并厘清了与机械法规等产品安全法的重叠关系。"
      },
      "related": [
        "eu-ai-act",
        "high-risk-ai",
        "eu-machinery-regulation"
      ],
      "references": [
        "Regulation (EU) 2024/1689（AI Act）"
      ],
      "url": "https://mfg-ai.com/terms/ai-omnibus"
    },
    {
      "id": "gpai",
      "type": "entry",
      "ja": "汎用AIモデル",
      "abbr": "GPAI",
      "en": "General-Purpose AI Model",
      "zh": "通用人工智能模型",
      "category": "規格・規制",
      "definition": {
        "ja": "汎用AIモデル（GPAI）は、EU AI規則で、大量のデータで学習され、幅広い用途に組み込んで使えるAIモデルを指す区分です。大規模言語モデルなどの基盤モデルが該当し、提供者には技術文書の作成、著作権方針、学習データの概要公開などの義務が課されます。工場でGPAIを組み込んだツールを使う事業者は、多くの場合モデル提供者ではなく利用者の立場になるため、自社の義務と提供者の義務を分けて把握することが重要です。",
        "en": "A category under the EU AI Act for models trained on large datasets that can be integrated into a wide range of applications, such as large language models. Providers must prepare technical documentation and publish training-data summaries, while factories using GPAI-based tools are usually deployers with different obligations.",
        "zh": "欧盟AI法案中指利用大量数据训练、可嵌入多种用途的AI模型类别，大语言模型等基础模型属于此类。提供者需编制技术文档并公开训练数据摘要，而在工厂使用此类工具的企业多为使用者，义务有所不同。"
      },
      "related": [
        "eu-ai-act",
        "foundation-model",
        "llm"
      ],
      "references": [
        "Regulation (EU) 2024/1689（AI Act）"
      ],
      "url": "https://mfg-ai.com/terms/gpai"
    },
    {
      "id": "ai-literacy-obligation",
      "type": "entry",
      "ja": "AIリテラシー義務（AI Act第4条）",
      "abbr": null,
      "en": "AI Literacy Obligation",
      "zh": "AI素养义务",
      "category": "規格・規制",
      "definition": {
        "ja": "AIリテラシー義務は、EU AI規則第4条により、AIを提供・利用する事業者に、従業員などがAIを適切に扱える知識を持てるよう措置を講じることを求める規定です。2025年2月2日から適用されており、高リスクかどうかにかかわらず対象になります。欧州拠点で生成AIや検査AIを使う日系工場でも、利用者の役割に応じた教育と、その実施記録を整えておくことが求められます。",
        "en": "Article 4 of the EU AI Act requires providers and deployers of AI to take measures so that their staff have sufficient AI literacy. It has applied since 2 February 2025 regardless of risk level, so European sites using generative or inspection AI need role-based training and records.",
        "zh": "欧盟AI法案第4条要求AI的提供者和使用者采取措施，确保员工具备足够的AI素养。该条款自2025年2月2日起适用，与风险等级无关，在欧洲使用生成式AI或检测AI的工厂需按岗位开展培训并保留记录。"
      },
      "related": [
        "eu-ai-act",
        "ai-literacy",
        "ai-governance"
      ],
      "references": [
        "Regulation (EU) 2024/1689（AI Act）第4条"
      ],
      "url": "https://mfg-ai.com/terms/ai-literacy-obligation"
    },
    {
      "id": "eu-machinery-regulation",
      "type": "entry",
      "ja": "EU機械規則（2023/1230）",
      "abbr": null,
      "en": "EU Machinery Regulation (EU) 2023/1230",
      "zh": "欧盟机械法规",
      "category": "規格・規制",
      "definition": {
        "ja": "EU機械規則（2023/1230）は、EU市場に出す機械の安全要求事項と適合性評価の手続きを定めた規則で、従来の機械指令2006/42/ECに代わるものです。2023年6月に採択され、2027年1月20日から義務が適用されます。機械学習で挙動が変わる安全機能に第三者の適合性評価を求めるなど、AIを組み込んだ機械を意識した規定が加わった点が、日本の機械メーカーにとっての主な論点です。",
        "en": "The EU regulation setting safety requirements and conformity assessment procedures for machinery, replacing the Machinery Directive 2006/42/EC. Adopted in June 2023 and applicable from 20 January 2027, it adds provisions for AI, such as third-party assessment of safety functions with self-evolving behavior.",
        "zh": "规定在欧盟市场投放的机械的安全要求和合格评定程序的法规，取代原机械指令2006/42/EC。该法规于2023年6月通过，自2027年1月20日起适用，新增了针对AI的规定，例如对具有自我演化行为的安全功能要求第三方合格评定。"
      },
      "related": [
        "safety-component",
        "conformity-assessment",
        "ce-marking"
      ],
      "references": [
        "Regulation (EU) 2023/1230"
      ],
      "url": "https://mfg-ai.com/terms/eu-machinery-regulation"
    },
    {
      "id": "ce-marking",
      "type": "entry",
      "ja": "CEマーキング",
      "abbr": null,
      "en": "CE Marking",
      "zh": "CE标志",
      "category": "規格・規制",
      "definition": {
        "ja": "CEマーキングは、製品がEUの関連法令の要求事項に適合していることを製造者が示すマークで、対象製品をEU市場で販売するために必要です。機械、電気機器、無線機器などの分野ごとに法令があり、適合性評価を行ったうえで技術文書を整え、適合宣言を作成して表示します。今後はAI規則やサイバーレジリエンス法の要求も、機械や設備のCEマーキングの判断に関わってきます。",
        "en": "A mark by which a manufacturer declares that a product complies with applicable EU legislation, required for selling covered products in the EU. It involves conformity assessment, technical documentation and a declaration of conformity, and AI Act and Cyber Resilience Act requirements will increasingly factor into machinery marking.",
        "zh": "制造商声明产品符合欧盟相关法规要求的标志，是相关产品在欧盟销售的前提。需进行合格评定、编制技术文档并出具符合性声明，今后AI法案和网络弹性法案的要求也将影响机械设备的CE标志判断。"
      },
      "related": [
        "eu-machinery-regulation",
        "conformity-assessment",
        "eu-ai-act"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ce-marking"
    },
    {
      "id": "conformity-assessment",
      "type": "entry",
      "ja": "適合性評価",
      "abbr": null,
      "en": "Conformity Assessment",
      "zh": "合格评定",
      "category": "規格・規制",
      "definition": {
        "ja": "適合性評価は、製品やシステムが規格・法令の要求事項を満たしているかを確かめる手続きです。製造者自身が行う自己評価と、認定を受けた第三者機関（EUでは認証機関）が関与する評価があり、製品のリスクに応じて求められる方式が決まります。EUのAI規則や機械規則では、AIを組み込んだ機械の安全機能について第三者評価が必要になる場合があります。",
        "en": "The procedure for verifying that a product or system meets the requirements of standards or regulations. It may be performed by the manufacturer or involve a third-party notified body depending on risk, and EU rules may require third-party assessment for AI-based safety functions in machinery.",
        "zh": "确认产品或系统是否满足标准或法规要求的程序。根据风险不同，可由制造商自行评定，也可能需要第三方机构（欧盟称公告机构）参与；欧盟法规对机械中基于AI的安全功能可能要求第三方评定。"
      },
      "related": [
        "ce-marking",
        "high-risk-ai",
        "eu-machinery-regulation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/conformity-assessment"
    },
    {
      "id": "cyber-resilience-act",
      "type": "entry",
      "ja": "EUサイバーレジリエンス法",
      "abbr": "CRA",
      "en": "EU Cyber Resilience Act",
      "zh": "欧盟网络弹性法案",
      "category": "規格・規制",
      "definition": {
        "ja": "EUサイバーレジリエンス法（CRA）は、ネットワークにつながるハードウェア・ソフトウェア製品に、設計段階からのセキュリティ確保と、販売後の脆弱性対応を義務づけるEUの法律です。2024年12月に発効し、脆弱性やインシデントの報告義務は2026年9月11日から、主要な義務は2027年12月11日から適用されます。ネットワーク接続できる産業機器やAI搭載設備も対象になりうるため、欧州に製品を出す機械・部品メーカーはSBOMの整備や更新体制の準備が必要です。",
        "en": "An EU law requiring connected hardware and software products to be secure by design and supported with vulnerability handling after sale. It entered into force in December 2024, with reporting obligations from 11 September 2026 and main obligations from 11 December 2027, and can cover connected industrial equipment.",
        "zh": "要求联网软硬件产品从设计阶段确保安全、并在销售后持续处理漏洞的欧盟法律。该法于2024年12月生效，漏洞和事件报告义务自2026年9月11日起适用，主要义务自2027年12月11日起适用，联网工业设备也可能被纳入。"
      },
      "related": [
        "ot-security",
        "sbom",
        "iec-62443"
      ],
      "references": [
        "Regulation (EU) 2024/2847（Cyber Resilience Act）"
      ],
      "url": "https://mfg-ai.com/terms/cyber-resilience-act"
    },
    {
      "id": "sbom",
      "type": "entry",
      "ja": "ソフトウェア部品表",
      "abbr": "SBOM",
      "en": "Software Bill of Materials",
      "zh": "软件物料清单",
      "category": "規格・規制",
      "definition": {
        "ja": "ソフトウェア部品表（SBOM）は、ソフトウェアに含まれるライブラリやオープンソースなどの構成要素と、そのバージョン・ライセンスを一覧にしたものです。脆弱性が公表されたときに、どの製品・設備が影響を受けるかを素早く特定するために使われます。EUのサイバーレジリエンス法への対応や、制御機器・産業用PCの調達時の要求事項として、製造業でも整備が求められるようになっています。",
        "en": "A list of the components in a piece of software, such as libraries and open-source packages, with their versions and licenses. It lets manufacturers quickly identify affected products when a vulnerability is disclosed, and is increasingly expected under the EU Cyber Resilience Act and in industrial procurement.",
        "zh": "列出软件所含的库、开源组件等构成要素及其版本和许可证的清单。在漏洞公开时可快速确定受影响的产品和设备，在应对欧盟网络弹性法案和工控设备采购中也日益成为要求。"
      },
      "related": [
        "cyber-resilience-act",
        "ot-security",
        "bom"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/sbom"
    },
    {
      "id": "nist-ai-rmf",
      "type": "entry",
      "ja": "NIST AIリスクマネジメントフレームワーク",
      "abbr": "AI RMF",
      "en": "NIST AI Risk Management Framework",
      "zh": "NIST人工智能风险管理框架",
      "category": "規格・規制",
      "definition": {
        "ja": "NIST AIリスクマネジメントフレームワーク（AI RMF）は、米国国立標準技術研究所が公表した、AIのリスクを組織的に管理するための任意の枠組みです。統治・把握・測定・管理の4つの機能で、AIの開発から運用までのリスク対応を整理します。法的な義務ではありませんが、米国企業との取引や社内のAIガバナンス体制づくりの参照先として広く使われています。",
        "en": "A voluntary framework published by the US National Institute of Standards and Technology for managing AI risks across an organization. It organizes activities into four functions, Govern, Map, Measure and Manage, and is widely used as a reference for AI governance.",
        "zh": "美国国家标准与技术研究院发布的、用于在组织层面管理AI风险的自愿性框架。它以治理、映射、测量、管理四项职能梳理AI从开发到运营的风险应对，被广泛用作AI治理体系建设的参考。"
      },
      "related": [
        "iso-iec-42001",
        "ai-governance",
        "hallucination"
      ],
      "references": [
        "NIST AI 100-1（AI RMF 1.0）"
      ],
      "url": "https://mfg-ai.com/terms/nist-ai-rmf"
    },
    {
      "id": "nist-sp-800-82",
      "type": "entry",
      "ja": "NIST SP 800-82（OTセキュリティガイド）",
      "abbr": null,
      "en": "NIST SP 800-82 Guide to OT Security",
      "zh": "NIST SP 800-82工控安全指南",
      "category": "規格・規制",
      "definition": {
        "ja": "NIST SP 800-82は、米国国立標準技術研究所が発行する、制御システムを含むOT（運用技術）環境のセキュリティ対策の指針です。ITとOTの違い、典型的な脅威と脆弱性、ネットワーク構成や運用上の対策をまとめており、工場や重要インフラのセキュリティ計画づくりで参照されます。IEC 62443と並ぶOTセキュリティの代表的な参照文書です。",
        "en": "Guidance from the US National Institute of Standards and Technology on securing operational technology environments, including industrial control systems. It covers IT/OT differences, threats, architecture and countermeasures, and is a common reference alongside IEC 62443.",
        "zh": "美国国家标准与技术研究院发布的、关于包括工业控制系统在内的运营技术环境安全防护的指南。内容涵盖IT与OT的差异、典型威胁、网络架构和运维措施，与IEC 62443并列为工控安全的代表性参考文件。"
      },
      "related": [
        "ot-security",
        "iec-62443",
        "nist-ai-rmf"
      ],
      "references": [
        "NIST SP 800-82"
      ],
      "url": "https://mfg-ai.com/terms/nist-sp-800-82"
    },
    {
      "id": "iso-iec-42001",
      "type": "entry",
      "ja": "ISO/IEC 42001（AIマネジメントシステム）",
      "abbr": "AIMS",
      "en": "ISO/IEC 42001 AI Management System",
      "zh": "ISO/IEC 42001人工智能管理体系",
      "category": "規格・規制",
      "definition": {
        "ja": "ISO/IEC 42001は、AIを開発・提供・利用する組織が、AIを責任をもって管理するための仕組み（AIマネジメントシステム）の要求事項を定めた国際規格です。2023年12月に発行され、ISO 9001などと同じマネジメントシステムの構造をとるため、既存の品質・情報セキュリティの体制と統合しやすい作りです。第三者認証を取得でき、AI製品の取引先への説明や社内ガバナンスの証明として活用されつつあります。",
        "en": "An international standard, published in December 2023, specifying requirements for an AI management system in organizations that develop, provide or use AI. It shares the structure of ISO 9001 and similar standards, making it easy to integrate, and third-party certification is available.",
        "zh": "2023年12月发布的国际标准，规定开发、提供或使用AI的组织建立AI管理体系的要求。其结构与ISO 9001等管理体系标准一致，便于整合，并可进行第三方认证。"
      },
      "related": [
        "nist-ai-rmf",
        "ai-governance",
        "iso-9001"
      ],
      "references": [
        "ISO/IEC 42001:2023"
      ],
      "url": "https://mfg-ai.com/terms/iso-iec-42001"
    },
    {
      "id": "iso-9001",
      "type": "entry",
      "ja": "ISO 9001",
      "abbr": null,
      "en": "ISO 9001 Quality Management Systems",
      "zh": "ISO 9001质量管理体系",
      "category": "規格・規制",
      "definition": {
        "ja": "ISO 9001は、組織が顧客の要求を満たす製品・サービスを安定して提供するための品質マネジメントシステムの要求事項を定めた国際規格です。製造業で最も広く取得されている認証の一つで、文書管理、是正処置、内部監査などの仕組みが求められます。AIを検査や工程管理に使う場合も、その変更管理や記録の扱いをこの品質マネジメントシステムの中に位置づける必要があります。",
        "en": "The international standard for quality management systems that help organizations consistently deliver products and services meeting customer requirements. It is among the most widely certified standards in manufacturing, and AI used in inspection or process control should be governed within this system.",
        "zh": "规定组织为稳定提供满足顾客要求的产品和服务而建立质量管理体系的国际标准。它是制造业最普及的认证之一，将AI用于检测或工序管理时，也应纳入该体系进行变更管理和记录管理。"
      },
      "related": [
        "iso-iec-42001",
        "iatf-16949",
        "capa"
      ],
      "references": [
        "ISO 9001:2015"
      ],
      "url": "https://mfg-ai.com/terms/iso-9001"
    },
    {
      "id": "iatf-16949",
      "type": "entry",
      "ja": "IATF 16949",
      "abbr": null,
      "en": "IATF 16949",
      "zh": "IATF 16949汽车质量管理体系",
      "category": "規格・規制",
      "definition": {
        "ja": "IATF 16949は、ISO 9001をベースに、自動車産業特有の要求事項を加えた品質マネジメントシステムの規格です。自動車メーカーへ部品を納める多くのサプライヤーが取得しており、PPAP（生産部品承認）、FMEA、SPCなどのコアツールの運用が求められます。AIによる外観検査などを導入する場合は、工程変更として顧客承認が必要になるケースがある点に注意が必要です。",
        "en": "A quality management standard for the automotive industry that builds on ISO 9001 with sector-specific requirements. Most automotive suppliers hold it, and it requires core tools such as PPAP, FMEA and SPC; introducing AI inspection may count as a process change needing customer approval.",
        "zh": "以ISO 9001为基础、增加汽车行业特定要求的质量管理体系标准。大多数汽车零部件供应商都已取得，要求运用PPAP、FMEA、SPC等核心工具；导入AI外观检测可能被视为工艺变更，需经客户批准。"
      },
      "related": [
        "iso-9001",
        "ppap"
      ],
      "references": [
        "IATF 16949:2016"
      ],
      "url": "https://mfg-ai.com/terms/iatf-16949"
    },
    {
      "id": "iec-62443",
      "type": "entry",
      "ja": "IEC 62443",
      "abbr": null,
      "en": "IEC 62443 Industrial Cybersecurity",
      "zh": "IEC 62443工业网络安全标准",
      "category": "規格・規制",
      "definition": {
        "ja": "IEC 62443は、産業オートメーション・制御システムのサイバーセキュリティに関する国際規格群です。設備を使う事業者、システムを構築するインテグレータ、機器メーカーそれぞれの要求事項を定め、ゾーンとコンジットによるネットワーク分割やセキュリティレベルの考え方を示しています。工場のOTセキュリティ対策や、制御機器の調達条件の根拠として広く参照されています。",
        "en": "A series of international standards on cybersecurity for industrial automation and control systems. It defines requirements for asset owners, system integrators and component suppliers, including zones and conduits and security levels, and is widely referenced for OT security and procurement.",
        "zh": "关于工业自动化和控制系统网络安全的系列国际标准。它分别规定了设备使用方、系统集成商和设备制造商的要求，提出了区域与管道划分和安全等级的思路，被广泛作为工控安全和采购要求的依据。"
      },
      "related": [
        "ot-security",
        "purdue-model",
        "nist-sp-800-82"
      ],
      "references": [
        "IEC 62443"
      ],
      "url": "https://mfg-ai.com/terms/iec-62443"
    },
    {
      "id": "iec-61131-3",
      "type": "entry",
      "ja": "IEC 61131-3",
      "abbr": null,
      "en": "IEC 61131-3 PLC Programming Languages",
      "zh": "IEC 61131-3 PLC编程语言标准",
      "category": "規格・規制",
      "definition": {
        "ja": "IEC 61131-3は、PLC（プログラマブルロジックコントローラ）のプログラミング言語を定めた国際規格です。ラダー図、ファンクションブロック図、ストラクチャードテキスト、シーケンシャルファンクションチャートなどの言語を規定し、メーカーをまたいだ考え方の共通化を進めました。生成AIでPLCプログラムを作る取り組みでは、テキスト形式のストラクチャードテキストが扱いやすく、主な出力対象になっています。",
        "en": "The international standard defining programming languages for PLCs, including ladder diagram, function block diagram, structured text and sequential function chart. Text-based structured text is the main target for generative-AI PLC code generation.",
        "zh": "规定PLC编程语言的国际标准，包括梯形图、功能块图、结构化文本、顺序功能图等。在用生成式AI生成PLC程序的实践中，文本形式的结构化文本最易处理，是主要输出对象。"
      },
      "related": [
        "plc",
        "plc-code-generation",
        "iec-61499"
      ],
      "references": [
        "IEC 61131-3"
      ],
      "url": "https://mfg-ai.com/terms/iec-61131-3"
    },
    {
      "id": "iec-61499",
      "type": "entry",
      "ja": "IEC 61499",
      "abbr": null,
      "en": "IEC 61499 Distributed Automation",
      "zh": "IEC 61499分布式自动化标准",
      "category": "規格・規制",
      "definition": {
        "ja": "IEC 61499は、分散した制御装置にまたがる制御アプリケーションを、イベント駆動のファンクションブロックで記述するための国際規格です。プログラムを特定のハードウェアから切り離し、複数の機器へ配置し直せることを目指しています。ソフトウェア定義型のオートメーションや、メーカーに依存しない制御基盤を実現する技術として改めて注目されています。",
        "en": "An international standard for describing control applications distributed across multiple devices using event-driven function blocks. By decoupling software from specific hardware it supports software-defined, vendor-independent automation.",
        "zh": "使用事件驱动功能块描述跨多个分布式控制设备的控制应用的国际标准。它旨在将程序与特定硬件解耦，作为软件定义自动化和厂商无关控制平台的技术重新受到关注。"
      },
      "related": [
        "iec-61131-3",
        "software-defined-automation",
        "plc"
      ],
      "references": [
        "IEC 61499"
      ],
      "url": "https://mfg-ai.com/terms/iec-61499"
    },
    {
      "id": "functional-safety",
      "type": "entry",
      "ja": "機能安全",
      "abbr": null,
      "en": "Functional Safety",
      "zh": "功能安全",
      "category": "規格・規制",
      "definition": {
        "ja": "機能安全は、安全に関わる制御システムが故障や異常を起こしても、監視や停止などの機能によって危険な状態を避けるという考え方です。リスクアセスメントで必要な安全性能を決め、ハードウェアの故障確率やソフトウェア開発の手順まで含めて達成度を示します。機械学習の判定結果は根拠の説明や網羅的な検証が難しいため、AIを安全機能に使う場合の扱いが規格づくりの論点になっています。",
        "en": "The concept that safety-related control systems must keep equipment safe even when faults occur, through functions such as monitoring and shutdown. Required performance is set by risk assessment, and how to validate machine-learning components in safety functions is an open issue in standardization.",
        "zh": "即使安全相关控制系统发生故障或异常，也能通过监控、停机等功能避免危险状态的理念。所需安全性能由风险评估确定，如何在安全功能中验证机器学习组件是标准制定中的热点问题。"
      },
      "related": [
        "iec-61508",
        "iso-13849",
        "safety-component"
      ],
      "references": [
        "IEC 61508",
        "ISO 13849"
      ],
      "url": "https://mfg-ai.com/terms/functional-safety"
    },
    {
      "id": "iec-61508",
      "type": "entry",
      "ja": "IEC 61508",
      "abbr": null,
      "en": "IEC 61508 Functional Safety",
      "zh": "IEC 61508功能安全标准",
      "category": "規格・規制",
      "definition": {
        "ja": "IEC 61508は、電気・電子・プログラマブル電子の安全関連システムの機能安全に関する基本となる国際規格です。安全ライフサイクルの考え方と、安全度水準（SIL）による要求の段階分けを定めています。機械・プロセス・自動車など分野別の機能安全規格の土台になっており、安全PLCや安全センサーの認証でも参照されます。",
        "en": "The foundational international standard for functional safety of electrical, electronic and programmable electronic safety-related systems. It defines the safety lifecycle and Safety Integrity Levels, and underlies sector-specific standards for machinery, process and automotive.",
        "zh": "关于电气/电子/可编程电子安全相关系统功能安全的基础性国际标准。它规定了安全生命周期和安全完整性等级（SIL），是机械、流程、汽车等行业功能安全标准的基础。"
      },
      "related": [
        "functional-safety",
        "iso-13849",
        "sil"
      ],
      "references": [
        "IEC 61508"
      ],
      "url": "https://mfg-ai.com/terms/iec-61508"
    },
    {
      "id": "sil",
      "type": "entry",
      "ja": "安全度水準",
      "abbr": "SIL",
      "en": "Safety Integrity Level",
      "zh": "安全完整性等级",
      "category": "規格・規制",
      "definition": {
        "ja": "安全度水準（SIL）は、安全機能に求められる信頼性の高さを1〜4の4段階で表す指標で、数字が大きいほど危険側の故障が起こりにくいことを求めます。IEC 61508とその分野別規格で使われ、リスクアセスメントの結果から必要な水準を決めます。プロセス産業の安全計装システムなどで、設計・検証の目標として使われます。",
        "en": "An index from 1 to 4 expressing the required reliability of a safety function, with higher levels demanding lower probability of dangerous failure. Used in IEC 61508 and related standards, it is set from risk assessment and guides the design of safety instrumented systems.",
        "zh": "以1至4级表示安全功能所需可靠性的指标，等级越高，要求危险失效的概率越低。用于IEC 61508及相关行业标准，根据风险评估确定所需等级，是安全仪表系统设计和验证的目标。"
      },
      "related": [
        "iec-61508",
        "functional-safety",
        "iso-13849"
      ],
      "references": [
        "IEC 61508"
      ],
      "url": "https://mfg-ai.com/terms/sil"
    },
    {
      "id": "iso-13849",
      "type": "entry",
      "ja": "ISO 13849",
      "abbr": null,
      "en": "ISO 13849 Safety of Machinery",
      "zh": "ISO 13849机械安全标准",
      "category": "規格・規制",
      "definition": {
        "ja": "ISO 13849は、機械の制御システムのうち安全に関わる部分の設計と妥当性確認の原則を定めた国際規格です。必要な安全性能をパフォーマンスレベル（PLa〜PLe）で表し、構成（カテゴリ）、部品の信頼性、診断の範囲などから達成度を評価します。工作機械やロボットセルの非常停止、安全扉、ライトカーテンなどの設計で広く使われています。",
        "en": "An international standard on the design and validation of safety-related parts of machine control systems. Required performance is expressed as Performance Levels PLa to PLe, assessed from architecture, component reliability and diagnostics, and it is widely used for emergency stops and safety guarding.",
        "zh": "规定机械控制系统安全相关部件设计和确认原则的国际标准。以性能等级PLa至PLe表示所需安全性能，并根据结构类别、部件可靠性和诊断覆盖率进行评估，广泛用于急停、安全门、光幕等设计。"
      },
      "related": [
        "functional-safety",
        "iec-61508",
        "iso-10218"
      ],
      "references": [
        "ISO 13849-1"
      ],
      "url": "https://mfg-ai.com/terms/iso-13849"
    },
    {
      "id": "iso-10218",
      "type": "entry",
      "ja": "ISO 10218（産業用ロボットの安全）",
      "abbr": null,
      "en": "ISO 10218 Robots and Robotic Devices Safety",
      "zh": "ISO 10218工业机器人安全标准",
      "category": "規格・規制",
      "definition": {
        "ja": "ISO 10218は、産業用ロボットとロボットシステムの安全要求事項を定めた国際規格で、ロボット本体（第1部）とシステム・インテグレーション（第2部）に分かれています。安全柵、非常停止、速度監視などの安全機能と、導入時のリスクアセスメントの考え方を示しています。協働運転に関する要求も含んでおり、ロボットセルの設計や安全認証の基本となる規格です。",
        "en": "The international standard for safety requirements of industrial robots, with Part 1 covering the robot and Part 2 covering robot systems and integration. It addresses guarding, emergency stops, speed monitoring, risk assessment and collaborative operation.",
        "zh": "规定工业机器人及机器人系统安全要求的国际标准，第1部分针对机器人本体，第2部分针对系统集成。内容涵盖安全围栏、急停、速度监控、风险评估以及协作运行要求。"
      },
      "related": [
        "iso-ts-15066",
        "industrial-robot",
        "cobot"
      ],
      "references": [
        "ISO 10218-1",
        "ISO 10218-2"
      ],
      "url": "https://mfg-ai.com/terms/iso-10218"
    },
    {
      "id": "iso-ts-15066",
      "type": "entry",
      "ja": "ISO/TS 15066（協働ロボットの安全）",
      "abbr": null,
      "en": "ISO/TS 15066 Collaborative Robots",
      "zh": "ISO/TS 15066协作机器人安全规范",
      "category": "規格・規制",
      "definition": {
        "ja": "ISO/TS 15066は、協働ロボットの安全に関する技術仕様で、人とロボットが接触しうる場合の力や圧力の許容値の考え方を示しています。身体の部位ごとの目安値を使い、ロボットの速度や力を制限して安全を確保する設計の根拠になります。ISO 10218の改訂で内容の一部が本体規格に取り込まれており、最新版との関係を確認して使う必要があります。",
        "en": "A technical specification on the safety of collaborative robots that sets out permissible force and pressure values for contact with different body regions. It underpins power- and force-limiting designs, and parts have been incorporated into the revised ISO 10218.",
        "zh": "关于协作机器人安全的技术规范，给出了人与机器人可能接触时各身体部位允许的力和压力的思路。它是限制速度与力的安全设计依据，部分内容已纳入修订后的ISO 10218。"
      },
      "related": [
        "iso-10218",
        "cobot",
        "functional-safety"
      ],
      "references": [
        "ISO/TS 15066"
      ],
      "url": "https://mfg-ai.com/terms/iso-ts-15066"
    },
    {
      "id": "iso-13374",
      "type": "entry",
      "ja": "ISO 13374（状態監視のデータ処理）",
      "abbr": null,
      "en": "ISO 13374 Condition Monitoring Data Processing",
      "zh": "ISO 13374状态监测数据处理标准",
      "category": "規格・規制",
      "definition": {
        "ja": "ISO 13374は、機械の状態監視と診断のためのデータ処理・通信・表示の枠組みを定めた国際規格です。データ取得、データ処理、状態検知、健全性評価、予測、対応策の提示という段階でシステムを整理します。予知保全システムを設計する際に、どの段階をどの製品やAIが担うかを整理する参照モデルとして役立ちます。",
        "en": "An international standard defining a framework for data processing, communication and presentation in machine condition monitoring and diagnostics. Its stages from data acquisition through health assessment and prognostics serve as a reference model when designing predictive maintenance systems.",
        "zh": "规定机械状态监测与诊断中数据处理、通信和显示框架的国际标准。从数据采集、处理、状态检测、健康评估到预测和建议的分层结构，可作为设计预测性维护系统的参考模型。"
      },
      "related": [
        "condition-monitoring",
        "rcm",
        "predictive-maintenance"
      ],
      "references": [
        "ISO 13374"
      ],
      "url": "https://mfg-ai.com/terms/iso-13374"
    },
    {
      "id": "iso-50001",
      "type": "entry",
      "ja": "ISO 50001（エネルギーマネジメント）",
      "abbr": null,
      "en": "ISO 50001 Energy Management Systems",
      "zh": "ISO 50001能源管理体系",
      "category": "規格・規制",
      "definition": {
        "ja": "ISO 50001は、組織がエネルギーの使用状況を把握し、継続的に効率を改善するためのエネルギーマネジメントシステムの国際規格です。エネルギーの使用量が大きい設備や工程を特定し、指標と目標を定めて改善を回す仕組みを求めます。工場では、設備ごとの電力データの収集やAIによる消費予測・運転最適化が、この改善活動を支える手段として使われています。",
        "en": "The international standard for energy management systems that help organizations understand energy use and continually improve efficiency. Factories use equipment-level power data and AI-based forecasting and optimization to support its improvement cycle.",
        "zh": "帮助组织掌握能源使用情况并持续提高能效的能源管理体系国际标准。工厂常通过采集设备级电力数据，并利用AI进行能耗预测和运行优化来支撑其改进循环。"
      },
      "related": [
        "energy-management",
        "iso-9001",
        "carbon-footprint"
      ],
      "references": [
        "ISO 50001:2018"
      ],
      "url": "https://mfg-ai.com/terms/iso-50001"
    },
    {
      "id": "gmp",
      "type": "entry",
      "ja": "GMP（医薬品の製造管理・品質管理基準）",
      "abbr": "GMP",
      "en": "Good Manufacturing Practice",
      "zh": "药品生产质量管理规范",
      "category": "規格・規制",
      "definition": {
        "ja": "GMPは、医薬品などを一定の品質で安定して製造するために、製造管理と品質管理について守るべき基準です。原料の受け入れから出荷までの手順、記録、設備の管理、逸脱時の対応などを定め、記録の信頼性（データインテグリティ）が厳しく問われます。製造現場にAIやMESを導入する場合も、バリデーションと変更管理の手続きを経る必要があります。",
        "en": "Standards for manufacturing and quality control that ensure products such as pharmaceuticals are consistently produced to required quality. They govern procedures, records, equipment and deviation handling, and any AI or MES introduced must go through validation and change control.",
        "zh": "为稳定生产符合质量要求的药品等产品而规定的生产管理与质量管理规范。涵盖从原料接收到放行的程序、记录、设备管理和偏差处理，导入AI或MES时也须经过验证和变更控制。"
      },
      "related": [
        "csv",
        "data-integrity",
        "capa"
      ],
      "references": [
        "PIC/S GMP"
      ],
      "url": "https://mfg-ai.com/terms/gmp"
    },
    {
      "id": "csv",
      "type": "entry",
      "ja": "コンピュータ化システムバリデーション",
      "abbr": "CSV",
      "en": "Computerized System Validation",
      "zh": "计算机化系统验证",
      "category": "規格・規制",
      "definition": {
        "ja": "コンピュータ化システムバリデーション（CSV）は、医薬品の製造や品質管理に使うコンピュータシステムが、意図したとおりに動くことを計画的に検証し、記録として示す活動です。要求仕様の定義、リスク評価、試験、運用中の変更管理までを含みます。学習によって挙動が変わるAIをGMP環境で使う場合の検証方法は、規制当局や業界団体で議論が続いている分野です。",
        "en": "The documented process of verifying that computer systems used in pharmaceutical manufacturing and quality control work as intended, from requirements and risk assessment to testing and change control. How to validate AI whose behavior changes through learning in GMP settings is still under discussion.",
        "zh": "有计划地验证并记录药品生产和质量管理所用计算机系统能按预期运行的活动，涵盖需求定义、风险评估、测试和变更控制。在GMP环境中如何验证会因学习而改变行为的AI，监管机构和行业组织仍在讨论。"
      },
      "related": [
        "gmp",
        "data-integrity"
      ],
      "references": [
        "GAMP 5"
      ],
      "url": "https://mfg-ai.com/terms/csv"
    },
    {
      "id": "industrie-40",
      "type": "entry",
      "ja": "インダストリー4.0",
      "abbr": null,
      "en": "Industrie 4.0",
      "zh": "工业4.0",
      "category": "規格・規制",
      "definition": {
        "ja": "インダストリー4.0は、ドイツが2011年に打ち出した、デジタル技術とネットワークで製造業を高度化する国家戦略と、その考え方を指す言葉です。設備・製品・システムをつなぎ、データに基づいて柔軟に生産する工場像を描き、アセット管理シェル（AAS）などの標準化を進めてきました。日本のコネクテッドインダストリーズや中国の智能製造政策など、各国の製造業デジタル化政策に影響を与えています。",
        "en": "Germany's national strategy, launched in 2011, for advancing manufacturing through digital technology and connectivity, and the concept it represents. It promotes connected, data-driven production and standards such as the Asset Administration Shell, and has influenced policies worldwide.",
        "zh": "德国于2011年提出的、利用数字技术和网络提升制造业的国家战略及其理念。它倡导设备、产品和系统互联的数据驱动柔性生产，推动了资产管理壳等标准化，并影响了各国的制造业数字化政策。"
      },
      "related": [
        "asset-administration-shell",
        "smart-factory"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/industrie-40"
    },
    {
      "id": "japan-ai-promotion-act",
      "type": "entry",
      "ja": "AI推進法（日本）",
      "abbr": null,
      "en": "Japan AI Promotion Act",
      "zh": "日本人工智能促进法",
      "category": "規格・規制",
      "definition": {
        "ja": "AI推進法は、正式名称を「人工知能関連技術の研究開発及び活用の推進に関する法律」とする日本の法律で、AIの研究開発と活用を国として推進する基本的な枠組みを定めています。2025年6月に公布・一部施行され、同年9月に全面施行されました。罰則で規制する法律ではなく、政府がAI基本計画や指針を定め、事業者には国の施策への協力を求める構成になっています。",
        "en": "Japan's Act on the Promotion of Research, Development and Utilization of AI-Related Technologies, which sets a national framework to promote AI. Promulgated in June 2025 and fully in force from September 2025, it relies on a basic plan and guidelines rather than penalties.",
        "zh": "日本《人工智能相关技术研究开发及应用推进法》，规定国家推进AI研发和应用的基本框架。该法于2025年6月公布并部分施行，同年9月全面施行，不以罚则进行规制，而是通过AI基本计划和指针推动实施。"
      },
      "related": [
        "ai-business-guidelines",
        "eu-ai-act",
        "ai-governance"
      ],
      "references": [
        "人工知能関連技術の研究開発及び活用の推進に関する法律"
      ],
      "url": "https://mfg-ai.com/terms/japan-ai-promotion-act"
    },
    {
      "id": "ai-business-guidelines",
      "type": "entry",
      "ja": "AI事業者ガイドライン",
      "abbr": null,
      "en": "AI Guidelines for Business (Japan)",
      "zh": "AI事业者指南",
      "category": "規格・規制",
      "definition": {
        "ja": "AI事業者ガイドラインは、総務省と経済産業省がまとめた、AIの開発者・提供者・利用者が取り組むべき事項を示す日本の指針です。2024年4月に第1.0版が公表され、その後も改訂されています。法的な拘束力はありませんが、社内のAI利用ルールや取引先への説明の基準として、製造業でも参照されています。",
        "en": "Japanese guidelines compiled by the Ministry of Internal Affairs and Communications and the Ministry of Economy, Trade and Industry, setting out what AI developers, providers and users should do. First published in April 2024 and since revised, they are non-binding but widely used as a basis for internal AI rules.",
        "zh": "由日本总务省和经济产业省编制、规定AI开发者、提供者和使用者应采取措施的指南。第1.0版于2024年4月发布并持续修订，虽无法律约束力，但被广泛作为企业内部AI使用规则的参考。"
      },
      "related": [
        "japan-ai-promotion-act",
        "ai-governance",
        "iso-iec-42001"
      ],
      "references": [
        "AI事業者ガイドライン（総務省・経済産業省）"
      ],
      "url": "https://mfg-ai.com/terms/ai-business-guidelines"
    },
    {
      "id": "cross-border-data-transfer",
      "type": "entry",
      "ja": "越境データ移転",
      "abbr": null,
      "en": "Cross-Border Data Transfer",
      "zh": "数据跨境传输",
      "category": "規格・規制",
      "definition": {
        "ja": "越境データ移転は、データを国や地域の外にあるサーバーや拠点へ送ったり、海外から閲覧させたりすることです。中国の数据出境規制やEUのGDPRなど、各国・地域が個人情報や重要なデータの国外移転に条件を設けています。海外工場の設備データを日本本社のクラウドで分析する場合や、海外のAIサービスに図面を入力する場合に、事前に確認すべき論点になります。",
        "en": "Sending data to servers or sites outside a country or region, or allowing access from abroad. Rules such as China's data export regulations and the EU GDPR set conditions, which matter when overseas factory data is analyzed in a head-office cloud or entered into foreign AI services.",
        "zh": "将数据传送至境外服务器或基地，或允许境外访问。中国的数据出境规定和欧盟GDPR等对个人信息和重要数据出境设定了条件，在海外工厂数据上传至总部云端分析或输入境外AI服务时需事先确认。"
      },
      "related": [
        "china-data-export-rules",
        "data-sovereignty",
        "important-data"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/cross-border-data-transfer"
    },
    {
      "id": "china-data-export-rules",
      "type": "entry",
      "ja": "中国の数据出境規制（16号令）",
      "abbr": null,
      "en": "China Cross-Border Data Flow Provisions",
      "zh": "促进和规范数据跨境流动规定",
      "category": "規格・規制",
      "definition": {
        "ja": "中国の数据出境規制（16号令）は、国家インターネット情報弁公室が定めた「促进和规范数据跨境流动规定」を指し、データの国外移転の手続きを緩和・明確化した規則です。一定量以下の個人情報や、国際貿易・跨国生産製造などで集めた個人情報・重要データを含まないデータについて、安全評価などの手続きを免除しています。ただし用語の定義に曖昧さが残り、工程パラメータなどが重要データに指定されると免除が使えない可能性があるため、日系工場は個別の確認が必要です。",
        "en": "China's Provisions on Promoting and Regulating Cross-Border Data Flows (CAC Order No. 16), which eased and clarified procedures for exporting data. They exempt certain data, such as data from cross-border manufacturing without personal information or important data, from security assessment, though key terms remain loosely defined.",
        "zh": "指国家网信办发布的《促进和规范数据跨境流动规定》，放宽并明确了数据出境程序。对跨国生产制造等活动中收集且不含个人信息或重要数据的数据等免除安全评估等程序，但部分用语定义尚不明确，工艺参数若被认定为重要数据则可能无法适用豁免。"
      },
      "related": [
        "cross-border-data-transfer",
        "important-data"
      ],
      "references": [
        "促进和规范数据跨境流动规定（国家互联网信息办公室令第16号）"
      ],
      "url": "https://mfg-ai.com/terms/china-data-export-rules"
    },
    {
      "id": "important-data",
      "type": "entry",
      "ja": "重要データ（中国）",
      "abbr": null,
      "en": "Important Data (China)",
      "zh": "重要数据",
      "category": "規格・規制",
      "definition": {
        "ja": "重要データ（中国）は、中国のデータ安全法などで定められた、改ざん・漏えいすると国家安全や経済運営、公共の利益に影響しうるデータの区分です。国外へ持ち出す際には安全評価などの手続きが必要になり、業界・地域ごとの目録で具体的に識別されます。工業分野では重要データの識別と届出が求められており、生産データがどこまで該当するかが日系企業の実務上の論点です。",
        "en": "A category under China's Data Security Law for data whose tampering or leakage could affect national security, the economy or public interest. Exporting it requires a security assessment, and identifying which industrial production data falls under it is a practical concern for foreign manufacturers.",
        "zh": "中国《数据安全法》等规定的、一旦被篡改或泄露可能危害国家安全、经济运行或公共利益的数据类别。出境需经安全评估等程序，工业领域要求识别并备案重要数据，生产数据是否属于此类是外资企业关注的实务问题。"
      },
      "related": [
        "china-data-export-rules",
        "cross-border-data-transfer",
        "data-governance"
      ],
      "references": [
        "中华人民共和国数据安全法"
      ],
      "url": "https://mfg-ai.com/terms/important-data"
    },
    {
      "id": "china-genai-measures",
      "type": "entry",
      "ja": "中国の生成AIサービス管理暫定弁法",
      "abbr": null,
      "en": "Interim Measures for Generative AI Services (China)",
      "zh": "生成式人工智能服务管理暂行办法",
      "category": "規格・規制",
      "definition": {
        "ja": "中国の生成AIサービス管理暫定弁法は、国家インターネット情報弁公室など7部門が定めた、中国国内の一般向け生成AIサービスに関する規則で、2023年8月15日に施行されました。サービス提供者に、学習データの適法性、生成内容の管理、利用者保護などの義務を課し、安全評価とアルゴリズム備案の制度と結びついています。工業向けの大規模モデルでも備案を取得する例があり、中国でAIサービスを社外に提供する場合は確認が必要です。",
        "en": "Chinese rules issued by the Cyberspace Administration and six other agencies governing public-facing generative AI services, effective 15 August 2023. They impose obligations on training data, content management and user protection, linked to security assessment and algorithm filing.",
        "zh": "国家网信办等七部门发布、规范中国境内面向公众的生成式AI服务的规章，于2023年8月15日施行。对服务提供者规定了训练数据合法性、生成内容管理、用户保护等义务，并与安全评估和算法备案制度挂钩。"
      },
      "related": [
        "algorithm-filing",
        "ai-content-labeling",
        "china-data-export-rules"
      ],
      "references": [
        "生成式人工智能服务管理暂行办法"
      ],
      "url": "https://mfg-ai.com/terms/china-genai-measures"
    },
    {
      "id": "algorithm-filing",
      "type": "entry",
      "ja": "アルゴリズム備案（中国）",
      "abbr": null,
      "en": "Algorithm Filing (China)",
      "zh": "算法备案",
      "category": "規格・規制",
      "definition": {
        "ja": "アルゴリズム備案（中国）は、世論への影響や社会的な動員力のあるアルゴリズムや生成AIサービスについて、提供者が当局に名称・種類・用途などを届け出る制度です。生成AIサービスの備案と深度合成アルゴリズムの備案などがあり、届出済みのサービスは公表されます。工業用の大規模モデルでも、一般向けと同じ備案ルールに沿って届け出た事例があります。",
        "en": "A Chinese system requiring providers of algorithms and generative AI services with public-opinion influence to register details such as name, type and purpose with regulators. Filings exist for generative AI services and deep synthesis algorithms, and some industrial large models have also been filed.",
        "zh": "要求具有舆论属性或社会动员能力的算法和生成式AI服务提供者向主管部门报备名称、类型、用途等信息的制度。包括生成式AI服务备案和深度合成算法备案等，部分工业大模型也按同样规则完成了备案。"
      },
      "related": [
        "china-genai-measures",
        "ai-content-labeling",
        "ai-governance"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/algorithm-filing"
    },
    {
      "id": "ai-content-labeling",
      "type": "entry",
      "ja": "AI生成コンテンツ表示義務（中国）",
      "abbr": null,
      "en": "AI-Generated Content Labeling Measures",
      "zh": "人工智能生成合成内容标识办法",
      "category": "規格・規制",
      "definition": {
        "ja": "AI生成コンテンツ表示義務（中国）は、「人工智能生成合成内容标识办法」により、AIで生成・合成した文章・画像・音声・動画に表示を付けることを求める規則です。2025年3月に公布され、同年9月1日に施行されました。利用者が見て分かる明示的な表示と、メタデータへの埋め込みによる暗黙の表示の両方が求められ、中国で生成AIサービスを提供する事業者は対応が必要です。",
        "en": "China's Measures for Labeling AI-Generated and Synthetic Content, published in March 2025 and effective 1 September 2025. They require both visible labels and embedded metadata on AI-generated text, images, audio and video provided in China.",
        "zh": "《人工智能生成合成内容标识办法》要求对AI生成或合成的文本、图像、音频、视频添加标识。该办法于2025年3月公布、同年9月1日施行，要求同时添加用户可见的显式标识和嵌入元数据的隐式标识。"
      },
      "related": [
        "china-genai-measures",
        "algorithm-filing",
        "generative-ai"
      ],
      "references": [
        "人工智能生成合成内容标识办法"
      ],
      "url": "https://mfg-ai.com/terms/ai-content-labeling"
    },
    {
      "id": "smart-factory-tiers",
      "type": "entry",
      "ja": "智能工厂梯度培育（中国）",
      "abbr": null,
      "en": "Smart Factory Tiered Cultivation (China)",
      "zh": "智能工厂梯度培育",
      "category": "規格・規制",
      "definition": {
        "ja": "智能工厂梯度培育は、中国の工業・情報化部などが進める、スマートファクトリーを基础级・先进级・卓越级・领航级の4段階で認定・育成する制度です。上位の段階ほどAIの活用範囲に関する要件が厳しくなり、2025年11月には最上位の领航级の第1弾として15工場が発表されました。中国の製造業がどこまでAIを現場に取り入れているかを把握するための指標として参照されます。",
        "en": "A Chinese program led by the Ministry of Industry and Information Technology that certifies and cultivates smart factories in four tiers: basic, advanced, excellence and leading. Higher tiers require broader AI adoption, and the first 15 leading-tier factories were announced in November 2025.",
        "zh": "由工信部等推动、将智能工厂按基础级、先进级、卓越级、领航级四个梯度认定和培育的制度。等级越高对AI应用范围的要求越高，2025年11月公布了首批15家领航级智能工厂。"
      },
      "related": [
        "smart-factory",
        "gbt-39116",
        "lighthouse-factory"
      ],
      "references": [
        "智能工厂梯度培育要求（2025版）"
      ],
      "url": "https://mfg-ai.com/terms/smart-factory-tiers"
    },
    {
      "id": "gbt-39116",
      "type": "entry",
      "ja": "GB/T 39116（智能製造能力成熟度）",
      "abbr": null,
      "en": "GB/T 39116 Intelligent Manufacturing Capability Maturity Model",
      "zh": "GB/T 39116智能制造能力成熟度模型",
      "category": "規格・規制",
      "definition": {
        "ja": "GB/T 39116は、中国の国家規格で、企業の智能製造（スマート製造）の能力成熟度を5段階で評価するモデルを定めています。計画・生産・物流・販売などの領域ごとに、データ活用や設備連携の到達度を測ります。智能工厂梯度培育の認定でも、各段階で一定以上の成熟度が求められる基準として使われています。",
        "en": "A Chinese national standard defining a five-level maturity model for assessing companies' intelligent manufacturing capability across domains such as planning, production, logistics and sales. It is used as a benchmark in China's tiered smart factory certification.",
        "zh": "中国国家标准，规定以五个等级评估企业智能制造能力成熟度的模型，覆盖计划、生产、物流、销售等领域。在智能工厂梯度培育认定中，各等级都要求达到一定成熟度。"
      },
      "related": [
        "smart-factory-tiers",
        "smart-factory",
        "isa-95"
      ],
      "references": [
        "GB/T 39116-2020"
      ],
      "url": "https://mfg-ai.com/terms/gbt-39116"
    },
    {
      "id": "ai-plus-manufacturing",
      "type": "entry",
      "ja": "「人工智能+制造」（中国の政策）",
      "abbr": null,
      "en": "AI+ Manufacturing Initiative (China)",
      "zh": "人工智能+制造",
      "category": "規格・規制",
      "definition": {
        "ja": "「人工智能+制造」は、中国政府がAIを製造業全体に浸透させるために進める政策で、2025年8月の国务院の「人工智能+」行動の意見を受け、2026年1月に工業・情報化部など8部門が専項行動の実施意見を出しました。工業向けの大規模モデルやエージェントの開発、重点業界への適用、中小企業の導入支援などを柱としています。地方政府による算力券・模型券の配布や、智能工厂梯度培育とも連動しています。",
        "en": "A Chinese policy to embed AI across manufacturing, following the State Council's AI+ opinion of August 2025, with an implementation plan issued by eight ministries in January 2026. It promotes industrial large models and agents, sector deployment and SME adoption, linked to compute vouchers and smart factory tiers.",
        "zh": "中国政府推动AI全面融入制造业的政策。继2025年8月国务院发布关于“人工智能+”行动的意见后，工信部等八部门于2026年1月印发专项行动实施意见，重点推进工业大模型与智能体研发、重点行业应用和中小企业导入。"
      },
      "related": [
        "smart-factory-tiers",
        "industrial-llm",
        "china-genai-measures"
      ],
      "references": [
        "国务院关于深入实施“人工智能+”行动的意见（2025年）",
        "“人工智能+制造”专项行动实施意见（2026年）"
      ],
      "url": "https://mfg-ai.com/terms/ai-plus-manufacturing"
    },
    {
      "id": "smart-factory",
      "type": "entry",
      "ja": "スマートファクトリー",
      "abbr": null,
      "en": "Smart Factory",
      "zh": "智能工厂",
      "category": "組織・人材",
      "definition": {
        "ja": "スマートファクトリーは、設備・人・システムから集めたデータをつなぎ、分析やAIを使って生産を継続的に最適化する工場のあり方を指します。センサーやIIoTでの見える化、MESやERPとの連携、データに基づく品質・保全・計画の改善が典型的な取り組みです。特定の技術や完成形があるわけではなく、自社の課題に合わせて段階的に進める変革の目標像として使われる言葉です。",
        "en": "A factory that connects data from equipment, people and systems and uses analytics and AI to continuously optimize production. Typical steps include IIoT visibility, MES and ERP integration and data-driven quality, maintenance and planning, pursued incrementally rather than as a fixed end state.",
        "zh": "连接设备、人员和系统的数据，利用分析和AI持续优化生产的工厂形态。典型举措包括IIoT可视化、与MES和ERP联动以及数据驱动的质量、维护和计划改进，通常根据自身课题分阶段推进。"
      },
      "related": [
        "industrie-40",
        "lighthouse-factory",
        "digital-twin"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/smart-factory"
    },
    {
      "id": "lighthouse-factory",
      "type": "entry",
      "ja": "ライトハウス工場（灯台工場）",
      "abbr": null,
      "en": "Global Lighthouse Factory",
      "zh": "灯塔工厂",
      "category": "組織・人材",
      "definition": {
        "ja": "ライトハウス工場（灯台工場）は、世界経済フォーラム（WEF）がマッキンゼーと共同で、先端技術を大規模に導入して生産性や環境面で大きな成果を上げた工場を選ぶ「グローバル・ライトハウス・ネットワーク」の認定拠点です。選定は年に複数回行われ、近年はAIの活用が評価の中心になっています。中国の拠点が全体の大きな割合を占めており、各国の製造業の先進事例を知る手がかりとして参照されます。",
        "en": "A site recognized by the World Economic Forum's Global Lighthouse Network, with McKinsey, for deploying advanced technologies at scale with major productivity and sustainability gains. AI use has become central to selection, and China hosts a large share of these sites.",
        "zh": "世界经济论坛与麦肯锡共同评选的“全球灯塔网络”认定工厂，表彰大规模应用先进技术并在生产率和可持续性方面取得显著成果的基地。近年来AI应用成为评选重点，中国工厂占比很大。"
      },
      "related": [
        "smart-factory",
        "smart-factory-tiers",
        "digital-transformation"
      ],
      "references": [
        "Global Lighthouse Network（World Economic Forum）"
      ],
      "url": "https://mfg-ai.com/terms/lighthouse-factory"
    },
    {
      "id": "digital-transformation",
      "type": "entry",
      "ja": "デジタルトランスフォーメーション",
      "abbr": "DX",
      "en": "Digital Transformation",
      "zh": "数字化转型",
      "category": "組織・人材",
      "definition": {
        "ja": "デジタルトランスフォーメーション（DX）は、デジタル技術とデータを使って、業務の進め方や製品・サービス、ビジネスモデルそのものを変革することです。紙や手作業を電子化するデジタイゼーションや、個々の業務をデジタル化するデジタライゼーションの先にある、組織的な変化を指します。製造業では、MESやIIoTによるデータ収集が出発点になり、そのデータを使ったAI活用へと発展していくのが一般的です。",
        "en": "Using digital technology and data to transform how work is done, products and services, and the business model itself, going beyond simply digitizing paper or individual tasks. In manufacturing it typically starts with data collection through MES and IIoT and progresses to AI use.",
        "zh": "利用数字技术和数据变革业务方式、产品服务乃至商业模式本身，超越单纯的无纸化或单项业务数字化。在制造业中，通常以MES和IIoT的数据采集为起点，逐步发展到AI应用。"
      },
      "related": [
        "ai-transformation",
        "smart-factory",
        "ai-roadmap"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/digital-transformation"
    },
    {
      "id": "ai-transformation",
      "type": "entry",
      "ja": "AIトランスフォーメーション",
      "abbr": "AX",
      "en": "AI Transformation",
      "zh": "人工智能转型",
      "category": "組織・人材",
      "definition": {
        "ja": "AIトランスフォーメーション（AX）は、AIを個別の業務の効率化にとどめず、業務プロセスや意思決定、組織の役割分担までAIを前提に組み直すことを指します。DXで整えたデータ基盤を土台に、生成AIやAIエージェントを業務の中に組み込む段階として語られることが多い言葉です。製造業では、設計・品質・保全・生産計画など部門ごとの取り組みを全社の方針と推進体制でつなげられるかが成否を分けます。",
        "en": "Redesigning business processes, decision-making and organizational roles with AI as a premise, rather than using AI only for isolated efficiency gains. It is often described as the stage after DX, building on data foundations to embed generative AI and agents into operations.",
        "zh": "不仅将AI用于单项业务提效，而是以AI为前提重构业务流程、决策方式乃至组织分工。通常被视为数字化转型之后的阶段，在已有数据基础上将生成式AI和智能体嵌入业务。"
      },
      "related": [
        "digital-transformation",
        "ai-roadmap",
        "ai-coe"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ai-transformation"
    },
    {
      "id": "ai-roadmap",
      "type": "entry",
      "ja": "AI導入ロードマップ",
      "abbr": null,
      "en": "AI Roadmap",
      "zh": "AI实施路线图",
      "category": "組織・人材",
      "definition": {
        "ja": "AI導入ロードマップは、AIで解決したい課題、取り組む順序、必要なデータ・人材・投資、評価の基準を時間軸で整理した計画です。製造業では、データがそろっていて効果を測りやすいテーマから始め、PoCから本番運用、横展開へと段階を踏む構成が一般的です。PoCを繰り返しても本番に進まない状態を避けるため、各段階で次に進む判断基準をあらかじめ決めておくことが重要です。",
        "en": "A time-based plan that sets out which problems AI should solve, in what order, with what data, people and investment, and how success will be measured. In manufacturing it usually starts with well-instrumented, measurable themes and defines go/no-go criteria at each stage from PoC to rollout.",
        "zh": "按时间轴梳理AI要解决的课题、实施顺序、所需数据、人才和投资以及评估标准的计划。制造业通常从数据齐备、易于衡量效果的主题开始，并在从概念验证到正式运行和推广的各阶段预先设定推进标准。"
      },
      "related": [
        "ai-theme-selection",
        "ai-transformation",
        "ai-poc"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ai-roadmap"
    },
    {
      "id": "ai-coe",
      "type": "entry",
      "ja": "AI推進組織（CoE）",
      "abbr": "CoE",
      "en": "AI Center of Excellence",
      "zh": "人工智能卓越中心",
      "category": "組織・人材",
      "definition": {
        "ja": "AI推進組織（CoE）は、全社のAI活用を横断的に支える専門チームで、技術の選定、人材育成、ガイドラインづくり、各部門の案件支援などを担います。部門ごとにばらばらに進めると、同じようなツールやPoCが重複し、知見も蓄積されにくくなるため、集約する役割を持たせます。製造業では、IT部門と生産技術・品質部門の橋渡しをできるかが、CoEが機能するかどうかの鍵になります。",
        "en": "A cross-functional team that supports company-wide AI use through technology selection, training, guidelines and project support. It prevents duplicated tools and PoCs across departments, and in manufacturing its effectiveness depends on bridging IT with production engineering and quality.",
        "zh": "在全公司层面横向推动AI应用的专门团队，负责技术选型、人才培养、规范制定和各部门项目支持。它可避免各部门重复建设工具和概念验证，在制造业中能否连接IT与生产技术、质量部门是其发挥作用的关键。"
      },
      "related": [
        "ai-governance",
        "ai-transformation",
        "citizen-data-scientist"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ai-coe"
    },
    {
      "id": "ai-governance",
      "type": "entry",
      "ja": "AIガバナンス",
      "abbr": null,
      "en": "AI Governance",
      "zh": "人工智能治理",
      "category": "組織・人材",
      "definition": {
        "ja": "AIガバナンスは、AIを安全かつ適切に開発・利用するために、組織として方針・体制・ルール・監視の仕組みを整えることです。利用してよい用途の判断、データや機密情報の扱い、品質の検証、問題が起きたときの責任と対応を定めます。製造業では、生成AIへの図面・技術情報の入力や、品質判定へのAI利用などが具体的な論点になり、ISO/IEC 42001やNIST AI RMFが参照されます。",
        "en": "The policies, structures, rules and oversight an organization puts in place to develop and use AI safely and appropriately. In manufacturing it covers issues such as entering drawings into generative AI and using AI in quality decisions, often referencing ISO/IEC 42001 and the NIST AI RMF.",
        "zh": "组织为安全、恰当地开发和使用AI而建立方针、体制、规则和监督机制。在制造业中涉及向生成式AI输入图纸等技术信息、在质量判定中使用AI等具体问题，常参考ISO/IEC 42001和NIST AI RMF。"
      },
      "related": [
        "iso-iec-42001",
        "nist-ai-rmf",
        "ai-coe"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ai-governance"
    },
    {
      "id": "chief-data-officer",
      "type": "entry",
      "ja": "最高データ責任者",
      "abbr": "CDO",
      "en": "Chief Data Officer",
      "zh": "首席数据官",
      "category": "組織・人材",
      "definition": {
        "ja": "最高データ責任者（CDO）は、全社のデータの活用と管理に責任を持つ経営幹部の役職です。データの品質・定義・権限を整えるデータガバナンスと、データを使った事業価値の創出の両方を担います。製造業では、工場ごとにばらばらな設備データやマスタを統一し、AI活用の土台を作る役割が期待されます。",
        "en": "An executive responsible for how data is managed and used across the company, covering both data governance and value creation from data. In manufacturing the role often focuses on unifying plant-level equipment data and master data as a foundation for AI.",
        "zh": "负责全公司数据管理与利用的高管职位，兼顾数据治理和利用数据创造业务价值。在制造业中，通常需要统一各工厂分散的设备数据和主数据，为AI应用打好基础。"
      },
      "related": [
        "data-governance",
        "ai-coe",
        "ai-transformation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/chief-data-officer"
    },
    {
      "id": "citizen-data-scientist",
      "type": "entry",
      "ja": "市民データサイエンティスト",
      "abbr": null,
      "en": "Citizen Data Scientist",
      "zh": "公民数据科学家",
      "category": "組織・人材",
      "definition": {
        "ja": "市民データサイエンティストは、データ分析の専門職ではない現場の技術者や業務担当者が、使いやすいツールを使って自らデータ分析やAIモデルづくりを行う人材を指します。現場の課題とデータの意味を最もよく知る人が分析に関わることで、テーマ選定や結果の解釈が早くなります。一方で、誤った分析や管理されないモデルが増えないよう、推進組織によるガイドと支援が必要です。",
        "en": "A non-specialist, such as a production engineer, who performs data analysis or builds AI models using accessible tools. Because they understand the process and data best, results come faster, but guidance from a CoE is needed to avoid flawed analysis and unmanaged models.",
        "zh": "非数据分析专业人员（如现场工程师或业务人员）借助易用工具自行开展数据分析和AI建模。他们最了解现场课题和数据含义，可加快选题和解读，但需要推进组织提供指导，避免错误分析和失控的模型。"
      },
      "related": [
        "low-code",
        "ai-literacy",
        "ai-coe"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/citizen-data-scientist"
    },
    {
      "id": "data-scientist",
      "type": "entry",
      "ja": "データサイエンティスト",
      "abbr": null,
      "en": "Data Scientist",
      "zh": "数据科学家",
      "category": "組織・人材",
      "definition": {
        "ja": "データサイエンティストは、統計・機械学習・プログラミングの知識を使って、データから課題解決に役立つ知見やモデルを作る専門職です。製造業では、工程データからの不良要因の分析、需要予測、異常検知モデルの構築などを担います。現場の知識を持つ技術者と組まなければ、データの意味を取り違えたり、使われないモデルを作ったりしやすい点に注意が必要です。",
        "en": "A specialist who uses statistics, machine learning and programming to derive insights and models from data. In manufacturing they analyze defect causes, forecast demand and build anomaly detection models, and work best when paired with domain experts.",
        "zh": "运用统计、机器学习和编程知识，从数据中提炼有助于解决问题的洞察和模型的专业人员。在制造业中负责不良原因分析、需求预测和异常检测建模等，需与掌握现场知识的工程师合作。"
      },
      "related": [
        "mlops",
        "citizen-data-scientist",
        "domain-expert"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-scientist"
    },
    {
      "id": "data-engineer",
      "type": "entry",
      "ja": "データエンジニア",
      "abbr": null,
      "en": "Data Engineer",
      "zh": "数据工程师",
      "category": "組織・人材",
      "definition": {
        "ja": "データエンジニアは、データを集めて整え、分析やAIで使える状態にするための基盤とパイプラインを設計・構築・運用する専門職です。工場では、PLCやセンサー、MES、ERPなど形式の異なるデータを収集し、時刻や設備IDをそろえて蓄積する仕組みづくりを担います。AIプロジェクトの工数の多くはデータ準備にかかるため、データサイエンティストと同じくらい重要な役割です。",
        "en": "A specialist who designs, builds and operates the platforms and pipelines that collect and prepare data for analytics and AI. In factories they integrate data from PLCs, sensors, MES and ERP with aligned timestamps and asset IDs, work that consumes much of an AI project's effort.",
        "zh": "设计、构建和运维数据平台与数据管道，使数据可用于分析和AI的专业人员。在工厂中负责采集PLC、传感器、MES、ERP等格式各异的数据，并统一时间戳和设备ID进行存储。"
      },
      "related": [
        "data-pipeline",
        "data-scientist",
        "data-platform"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/data-engineer"
    },
    {
      "id": "domain-expert",
      "type": "entry",
      "ja": "ドメインエキスパート（現場の専門家）",
      "abbr": null,
      "en": "Domain Expert",
      "zh": "领域专家",
      "category": "組織・人材",
      "definition": {
        "ja": "ドメインエキスパートは、特定の製品・工程・設備について深い知識と経験を持つ現場の専門家のことです。AIプロジェクトでは、課題の設定、データの意味の説明、正解ラベルの付与、AIの判定結果の妥当性確認などに欠かせません。熟練者の判断基準をAIや文書に移す技能伝承の取り組みでも、中心的な役割を担います。",
        "en": "A frontline specialist with deep knowledge of specific products, processes or equipment. In AI projects they define problems, explain data, label ground truth and validate AI outputs, and are central to capturing expert judgment in skill transfer.",
        "zh": "对特定产品、工序或设备拥有深厚知识和经验的现场专家。在AI项目中，他们在问题设定、数据含义说明、标注和验证AI判定结果方面不可或缺，也是技能传承的核心角色。"
      },
      "related": [
        "skill-transfer",
        "data-scientist",
        "annotation"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/domain-expert"
    },
    {
      "id": "ai-literacy",
      "type": "entry",
      "ja": "AIリテラシー",
      "abbr": null,
      "en": "AI Literacy",
      "zh": "AI素养",
      "category": "組織・人材",
      "definition": {
        "ja": "AIリテラシーは、AIの仕組みと得意・不得意を理解し、業務で適切に使い、結果を批判的に確かめられる能力です。経営層には投資判断、現場には日々の利用と誤りへの気づき、技術者には開発・評価と、役割ごとに必要な水準が異なります。EU AI規則では事業者に従業員のAIリテラシー確保が義務づけられており、教育の記録を残すことも重要になっています。",
        "en": "The ability to understand how AI works, its strengths and limits, and to use it appropriately and check its outputs critically. Required levels differ by role, and the EU AI Act obliges organizations to ensure their staff's AI literacy.",
        "zh": "理解AI原理及其擅长与不擅长之处，在业务中恰当使用并批判性检查结果的能力。不同岗位所需水平不同，欧盟AI法案要求企业确保员工具备AI素养。"
      },
      "related": [
        "reskilling",
        "ai-literacy-obligation",
        "citizen-data-scientist"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/ai-literacy"
    },
    {
      "id": "reskilling",
      "type": "entry",
      "ja": "リスキリング",
      "abbr": null,
      "en": "Reskilling",
      "zh": "再技能培训",
      "category": "組織・人材",
      "definition": {
        "ja": "リスキリングは、技術や事業の変化に合わせて、従業員が新しい職務に必要な知識・技能を身につけ直すことです。製造業では、AIやデータ活用、自動化設備の保守などに対応できる人材を、外部採用だけでなく社内の育成でまかなう手段として重視されています。研修だけで終わらせず、学んだ内容を実際の業務やプロジェクトで使う機会と組み合わせることが定着の鍵です。",
        "en": "Employees acquiring the knowledge and skills needed for new roles as technology and business change. Manufacturers use it to build AI, data and automation skills internally, and it sticks best when training is paired with real projects.",
        "zh": "员工根据技术和业务变化，重新学习新岗位所需知识和技能。制造业将其作为在内部培养AI、数据和自动化设备维护人才的手段，培训与实际项目结合才能真正落地。"
      },
      "related": [
        "ai-literacy",
        "skill-map"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/reskilling"
    },
    {
      "id": "skill-map",
      "type": "entry",
      "ja": "スキルマップ",
      "abbr": null,
      "en": "Skill Matrix",
      "zh": "技能矩阵",
      "category": "組織・人材",
      "definition": {
        "ja": "スキルマップは、従業員ごとにどの作業や技能をどの水準でこなせるかを一覧にした表です。製造現場では、多能工化の計画、配置の判断、教育の優先順位づけに使われます。AIやデータ活用の技能を項目に加えることで、リスキリングの対象者や進み具合を見える化する道具にもなります。",
        "en": "A matrix showing which tasks and skills each employee can perform and at what level. Factories use it for multi-skilling plans, staffing decisions and training priorities, and adding AI and data skills makes it a tool for tracking reskilling.",
        "zh": "列出每位员工能以何种水平完成哪些作业和技能的表格。制造现场用于多能工规划、人员配置和培训优先级判断，加入AI和数据技能项后也可用于跟踪再技能培训进度。"
      },
      "related": [
        "reskilling",
        "skill-transfer",
        "ai-literacy"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/skill-map"
    },
    {
      "id": "skill-transfer",
      "type": "entry",
      "ja": "技能伝承",
      "abbr": null,
      "en": "Skill Transfer",
      "zh": "技能传承",
      "category": "組織・人材",
      "definition": {
        "ja": "技能伝承は、熟練者が持つ作業のこつや判断基準を、若手や次の世代に引き継ぐことです。熟練者の高齢化と人手不足により、多くの製造現場で喫緊の課題になっています。作業映像の解析、熟練者の判断を学習したAI、過去のトラブル事例を検索できる生成AIなどが、従来のOJTや作業標準書を補う手段として使われ始めています。",
        "en": "Passing on skilled workers' know-how and judgment to younger staff and the next generation. With an aging workforce it is urgent in many factories, and video analysis, AI trained on expert decisions and generative AI search over past cases now supplement on-the-job training.",
        "zh": "将熟练工的操作诀窍和判断标准传承给年轻员工和下一代。在老龄化和人手短缺背景下，这是许多工厂的紧迫课题，作业视频分析、学习专家判断的AI和可检索历史案例的生成式AI正在补充传统的在岗培训。"
      },
      "related": [
        "tacit-knowledge",
        "standard-work",
        "domain-expert"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/skill-transfer"
    },
    {
      "id": "tacit-knowledge",
      "type": "entry",
      "ja": "暗黙知",
      "abbr": null,
      "en": "Tacit Knowledge",
      "zh": "隐性知识",
      "category": "組織・人材",
      "definition": {
        "ja": "暗黙知は、経験や勘として個人の中にあり、言葉や数値で表しにくい知識のことです。製造現場では、音や手触りでの異常の判断、材料のばらつきに応じた条件調整などが典型例です。AIの学習データや生成AIの参照文書として活用するには、作業観察やインタビューで形式知に変換する作業が欠かせません。",
        "en": "Knowledge held by individuals as experience or intuition that is hard to express in words or numbers, such as judging abnormalities by sound or adjusting conditions for material variation. Using it for AI requires converting it into explicit knowledge through observation and interviews.",
        "zh": "以经验或直觉形式存在于个人身上、难以用语言或数值表达的知识，例如凭声音判断异常或根据材料波动调整条件。要将其用于AI，需要通过观察和访谈转化为显性知识。"
      },
      "related": [
        "skill-transfer",
        "knowledge-management",
        "ontology"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/tacit-knowledge"
    },
    {
      "id": "knowledge-management",
      "type": "entry",
      "ja": "ナレッジマネジメント",
      "abbr": null,
      "en": "Knowledge Management",
      "zh": "知识管理",
      "category": "組織・人材",
      "definition": {
        "ja": "ナレッジマネジメントは、組織の中にある知識や経験を集めて共有し、業務に活かすための取り組みです。製造業では、不具合の対策記録、設計の判断根拠、保全の作業履歴などが主な対象になります。生成AIとRAGの登場で、蓄積した文書から必要な情報を質問形式で取り出せるようになり、文書を整理して最新に保つことの価値が改めて高まっています。",
        "en": "Collecting, sharing and applying knowledge and experience within an organization. In manufacturing it covers defect countermeasures, design rationale and maintenance history, and generative AI with RAG has renewed the value of keeping such documents organized and current.",
        "zh": "收集、共享组织内的知识和经验并应用于业务的举措。在制造业中主要对象是不良对策记录、设计依据和维护履历，生成式AI和RAG的出现让整理并保持文档最新的价值再次提升。"
      },
      "related": [
        "tacit-knowledge",
        "rag",
        "knowledge-graph"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/knowledge-management"
    },
    {
      "id": "change-management",
      "type": "entry",
      "ja": "チェンジマネジメント",
      "abbr": null,
      "en": "Change Management",
      "zh": "变革管理",
      "category": "組織・人材",
      "definition": {
        "ja": "チェンジマネジメントは、新しいシステムや業務のやり方を導入する際に、関係者の理解と行動の変化を計画的に促す取り組みです。目的の共有、影響を受ける人への説明、教育、相談窓口、成果の可視化などを組み合わせます。AI導入では、技術が使えても現場が使わなければ効果が出ないため、プロジェクトの初期から計画に組み込むことが重要です。",
        "en": "A structured approach to helping people understand and adopt new systems or ways of working, through shared goals, communication, training, support and visible results. In AI projects it should be planned from the start, since technology delivers no value if the frontline does not use it.",
        "zh": "在导入新系统或新工作方式时，有计划地促进相关人员理解并改变行为的举措，包括共享目标、沟通说明、培训、咨询支持和成果可视化。在AI项目中，应从初期就纳入计划。"
      },
      "related": [
        "ai-transformation",
        "ai-coe",
        "frontline-adoption"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/change-management"
    },
    {
      "id": "frontline-adoption",
      "type": "entry",
      "ja": "現場定着",
      "abbr": null,
      "en": "Frontline Adoption",
      "zh": "一线落地应用",
      "category": "組織・人材",
      "definition": {
        "ja": "現場定着は、導入したAIやシステムが、検証段階を過ぎても現場の日常業務の中で使われ続ける状態を指します。誤報が多い、操作が増える、判断の根拠が分からないといった理由で、AIは導入後に使われなくなることが少なくありません。現場の意見を反映した画面や通知の設計、人が最終判断する役割分担、効果の定期的な振り返りが定着を支えます。",
        "en": "The state in which an AI tool or system continues to be used in daily frontline work after the pilot. Adoption often fails due to false alarms, extra steps or unclear reasoning, and is supported by user-centered design, clear human decision roles and regular reviews of results.",
        "zh": "导入的AI或系统在验证阶段之后仍持续融入现场日常业务的状态。误报多、操作增加、判断依据不明等常导致AI被弃用，结合现场意见的设计、人做最终判断的分工以及定期复盘有助于落地。"
      },
      "related": [
        "change-management",
        "false-alarm",
        "human-in-the-loop"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/frontline-adoption"
    },
    {
      "id": "vendor-lock-in",
      "type": "entry",
      "ja": "ベンダーロックイン",
      "abbr": null,
      "en": "Vendor Lock-in",
      "zh": "供应商锁定",
      "category": "組織・人材",
      "definition": {
        "ja": "ベンダーロックインは、特定のベンダーの製品や独自の形式に依存しすぎて、他社製品への乗り換えや機能の追加が難しくなる状態です。製造業では、設備データの形式、MESやAIプラットフォームの独自仕様、学習済みモデルやデータの持ち出し条件などが原因になります。契約時にデータの所有権と取り出し方法、標準的なインターフェースの有無を確認しておくことが予防策になります。",
        "en": "Dependence on a vendor's products or proprietary formats that makes switching or extending systems difficult. In manufacturing it arises from data formats, proprietary MES or AI platforms and restrictions on exporting models and data, and is mitigated by clarifying data ownership and standard interfaces in contracts.",
        "zh": "过度依赖特定供应商的产品或私有格式，导致难以更换或扩展系统的状态。在制造业中，数据格式、MES或AI平台的私有规格以及模型和数据导出限制都是常见原因，签约时应确认数据所有权和标准接口。"
      },
      "related": [
        "data-sovereignty",
        "tco",
        "open-source-model"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/vendor-lock-in"
    },
    {
      "id": "open-source-model",
      "type": "entry",
      "ja": "オープンモデル（オープンソースAI）",
      "abbr": null,
      "en": "Open-Weight / Open-Source Model",
      "zh": "开源模型",
      "category": "組織・人材",
      "definition": {
        "ja": "オープンモデル（オープンソースAI）は、学習済みの重みが公開され、利用者が自社の環境で動かしたり追加学習したりできるAIモデルです。ライセンスによって商用利用や改変の条件が異なり、学習データやコードまで公開されているとは限らないため、「オープンウェイト」と区別して呼ばれることもあります。製造業では、機密性の高いデータを社外に出さずに使える選択肢として、社内サーバーやエッジでの活用が検討されています。",
        "en": "An AI model whose trained weights are published so users can run or fine-tune it in their own environment. License terms vary and training data or code may not be open, hence the term open-weight; manufacturers consider such models for on-premises or edge use with confidential data.",
        "zh": "公开训练权重、用户可在自有环境中运行或追加训练的AI模型。许可条件各不相同，训练数据和代码不一定公开，因此也称“开放权重”模型；制造业将其作为在内部服务器或边缘处理机密数据的选择。"
      },
      "related": [
        "vendor-lock-in",
        "llm",
        "sovereign-ai"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/open-source-model"
    },
    {
      "id": "sovereign-ai",
      "type": "entry",
      "ja": "ソブリンAI（主権AI）",
      "abbr": null,
      "en": "Sovereign AI",
      "zh": "主权AI",
      "category": "組織・人材",
      "definition": {
        "ja": "ソブリンAI（主権AI）は、国や地域が、自国のデータ・計算基盤・人材でAIを開発・運用し、外国の事業者に過度に依存しない能力を持つという考え方です。各国が国産の大規模言語モデルやデータセンターへの投資を進める背景になっています。企業にとっては、機密データの保管場所や、海外のAIサービスが使えなくなるリスクを考える際の視点になります。",
        "en": "The idea that a country or region should be able to develop and operate AI with its own data, compute and talent without excessive reliance on foreign providers. It drives national investment in domestic LLMs and data centers, and frames corporate decisions on data location and supply risk.",
        "zh": "国家或地区依靠本国数据、算力和人才开发运营AI，避免过度依赖外国供应商的理念。它推动了各国对本土大模型和数据中心的投资，也为企业考虑机密数据存放位置和境外AI服务中断风险提供了视角。"
      },
      "related": [
        "data-sovereignty",
        "open-source-model",
        "economic-security"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/sovereign-ai"
    },
    {
      "id": "economic-security",
      "type": "entry",
      "ja": "経済安全保障",
      "abbr": null,
      "en": "Economic Security",
      "zh": "经济安全",
      "category": "組織・人材",
      "definition": {
        "ja": "経済安全保障は、国の安全を経済の面から確保するための政策や企業の取り組みで、重要物資のサプライチェーン強靱化、基幹インフラの安全確保、先端技術の育成と流出防止などを含みます。製造業では、半導体や重要部材の調達、輸出管理、技術情報の管理が直接の論点になります。AIの分野でも、計算基盤やモデル、データをどの国の事業者に依存するかが検討の対象になっています。",
        "en": "Policies and corporate measures to secure national security through economic means, including resilient supply chains for critical goods, protection of key infrastructure and fostering and protecting advanced technology. For manufacturers it affects sourcing, export control, technology management and dependence on foreign AI providers.",
        "zh": "从经济层面保障国家安全的政策和企业举措，包括关键物资供应链韧性、关键基础设施安全以及尖端技术培育和防止外流。对制造业而言，涉及半导体等关键物料采购、出口管制、技术信息管理以及对境外AI供应商的依赖。"
      },
      "related": [
        "sovereign-ai",
        "data-sovereignty",
        "cross-border-data-transfer"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/economic-security"
    },
    {
      "id": "sme-ai",
      "type": "entry",
      "ja": "中小製造業のAI活用",
      "abbr": null,
      "en": "AI Adoption in SMEs",
      "zh": "中小制造企业AI应用",
      "category": "組織・人材",
      "definition": {
        "ja": "中小製造業のAI活用は、資金・人材・データが限られる中小企業が、身の丈に合った形でAIを業務に取り入れる取り組みを指します。専門人材を抱えにくいため、クラウドサービスや既製の外観検査・見積もり支援ツールを使い、効果の大きい1つの課題から始める進め方が現実的です。国や自治体の補助金、支援機関の伴走支援を活用できるかどうかも、導入の成否に影響します。",
        "en": "How small and medium-sized manufacturers with limited funds, staff and data adopt AI in ways suited to their scale. A practical path is to start with one high-impact problem using cloud services or packaged tools, supported by public subsidies and advisory programs.",
        "zh": "资金、人才和数据有限的中小制造企业以适合自身规模的方式导入AI的举措。较现实的做法是利用云服务或现成工具，从一个效果明显的课题入手，并借助政府补贴和支援机构的陪伴式辅导。"
      },
      "related": [
        "ai-theme-selection",
        "subsidy",
        "saas"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/sme-ai"
    },
    {
      "id": "subsidy",
      "type": "entry",
      "ja": "補助金・助成金",
      "abbr": null,
      "en": "Subsidies and Grants",
      "zh": "补贴与资助",
      "category": "組織・人材",
      "definition": {
        "ja": "補助金・助成金は、国や自治体が設備投資やシステム導入、人材育成などの費用の一部を支援する制度です。補助金は審査で採択される必要があり、助成金は要件を満たせば受けられるものが多いという違いがあります。AIやIT導入に使える制度も多い一方、原則として後払いで、交付決定前の発注は対象外になるなど手続き上の注意点があります。",
        "en": "Public programs in which national or local governments cover part of the cost of equipment, systems or training. Many can fund AI and IT adoption, but they are usually paid after the fact and orders placed before approval are typically ineligible.",
        "zh": "国家或地方政府对设备投资、系统导入、人才培养等费用给予部分资助的制度。许多制度可用于AI和IT导入，但通常为事后支付，在批准前下单的费用一般不在资助范围内。"
      },
      "related": [
        "sme-ai",
        "ai-roi",
        "compute-voucher"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/subsidy"
    },
    {
      "id": "compute-voucher",
      "type": "entry",
      "ja": "算力券・模型券（中国）",
      "abbr": null,
      "en": "Compute and Model Vouchers (China)",
      "zh": "算力券／模型券",
      "category": "組織・人材",
      "definition": {
        "ja": "算力券・模型券は、中国の地方政府が、中小企業などのAIの計算資源や大規模モデルの利用料を補助するために配るバウチャーです。「人工智能+制造」の政策でも、地方政府に中小企業のコストを下げる手段として活用が奨励されています。対象や補助率、申請条件は地域ごとに異なり、中国に拠点を持つ日系の中小サプライヤーが使える可能性もあるため、所在地の制度を確認する価値があります。",
        "en": "Vouchers issued by Chinese local governments to subsidize SMEs' spending on AI compute and large-model usage. The AI+ Manufacturing policy encourages them to cut SME costs, and since terms vary by region, foreign suppliers in China may also check eligibility locally.",
        "zh": "中国地方政府为补贴中小企业等使用AI算力和大模型的费用而发放的代金券。“人工智能+制造”政策鼓励地方以此降低中小企业成本，具体对象、补贴比例和申请条件因地区而异。"
      },
      "related": [
        "subsidy",
        "sme-ai",
        "ai-plus-manufacturing"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/compute-voucher"
    },
    {
      "id": "outcome-based-pricing",
      "type": "entry",
      "ja": "成果報酬型課金",
      "abbr": null,
      "en": "Outcome-Based Pricing",
      "zh": "效果付费",
      "category": "組織・人材",
      "definition": {
        "ja": "成果報酬型課金は、ソフトウェアやサービスの料金を、利用者数や期間ではなく、削減できたコストや処理件数などの成果に連動させる課金方式です。AIエージェントやロボットのサービスで広がりつつあり、導入側は効果が出なければ支払いが小さく済むという利点があります。一方で、成果の定義と測り方、基準となる導入前の値を契約で明確にしておかないと、後で争いになりやすい方式です。",
        "en": "A pricing model in which fees are tied to results, such as cost savings or tasks completed, rather than seats or time. It is spreading in AI agent and robotics services, but contracts must clearly define outcomes, measurement and baselines to avoid disputes.",
        "zh": "软件或服务费用不按用户数或期限计算，而是与节省成本、处理件数等成果挂钩的收费方式。在AI智能体和机器人服务中日益普及，但合同中需明确成果定义、衡量方法和基准值，以免产生纠纷。"
      },
      "related": [
        "tco",
        "raas",
        "saas"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/outcome-based-pricing"
    },
    {
      "id": "industrial-llm",
      "type": "entry",
      "ja": "工業大模型（産業特化LLM）",
      "abbr": null,
      "en": "Industrial Large Model",
      "zh": "工业大模型",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "工業大模型（産業特化LLM）は、製造業の文書・図面・設備データ・工程知識などで追加学習や調整を行い、工業分野の業務に特化させた大規模モデルのことで、中国で広く使われる呼び方です。設計支援、工程条件の推奨、故障診断、品質文書の作成などへの適用が進められています。汎用モデルを使ったRAGで足りる場面も多く、専用モデルを持つ意味があるかは用途とデータ量で見極める必要があります。",
        "en": "A large model adapted with manufacturing documents, drawings, equipment data and process knowledge for industrial tasks, a term widely used in China. Applications include design support, process recommendations, fault diagnosis and quality documentation, though RAG on general models often suffices.",
        "zh": "利用制造业文档、图纸、设备数据和工艺知识进行追加训练或调整、专门用于工业业务的大模型。应用于设计辅助、工艺参数推荐、故障诊断、质量文档生成等，但许多场景用通用模型加RAG即可满足。"
      },
      "related": [
        "llm",
        "foundation-model",
        "ai-plus-manufacturing"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/industrial-llm"
    },
    {
      "id": "industrial-agent",
      "type": "entry",
      "ja": "工業エージェント（工业智能体）",
      "abbr": null,
      "en": "Industrial AI Agent",
      "zh": "工业智能体",
      "category": "生成AI・LLM",
      "definition": {
        "ja": "工業エージェント（工业智能体）は、製造業の業務に特化したAIエージェントで、大規模モデルが社内システムや設備データを使いながら、調査・判断・作業を自律的に進めるものです。生産計画の調整、品質異常の原因調査、保全作業の手配などを、複数のツールを呼び出して処理する構成が一般的です。設備やシステムを操作させる範囲が広がるため、権限の制限と人による承認の設計が欠かせません。",
        "en": "An AI agent specialized for manufacturing work, in which a large model autonomously investigates, decides and acts using enterprise systems and equipment data. Typical uses include schedule adjustment, quality root-cause analysis and maintenance dispatch, requiring tight permissions and human approval steps.",
        "zh": "专门面向制造业务的AI智能体，由大模型调用企业系统和设备数据，自主完成调查、判断和作业。典型用途包括生产计划调整、质量异常原因分析和维护派工，必须设计权限限制和人工审批环节。"
      },
      "related": [
        "ai-agent",
        "industrial-llm",
        "multi-agent"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/industrial-agent"
    },
    {
      "id": "smt",
      "type": "entry",
      "ja": "表面実装（SMT）",
      "abbr": "SMT",
      "en": "Surface Mount Technology",
      "zh": "表面贴装技术",
      "category": "生産・計画",
      "definition": {
        "ja": "表面実装（SMT）は、電子部品をプリント基板の表面にはんだ付けして実装する方式で、はんだ印刷、部品搭載、リフローの工程で構成されます。電子機器の基板製造の主流で、部品の小型化と高速化が進んでいます。各工程で検査装置（SPI・AOI）の画像やデータが大量に生まれるため、AIによる虚報の削減や不良要因の分析、歩留まり改善の取り組みが盛んな分野です。",
        "en": "A method of mounting electronic components by soldering them onto the surface of printed circuit boards, through solder printing, placement and reflow. Inspection systems such as SPI and AOI generate large volumes of images and data, making it a key area for AI-based false-call reduction and yield improvement.",
        "zh": "将电子元器件焊接在印制电路板表面的贴装方式，包括锡膏印刷、贴片和回流焊等工序。SPI、AOI等检测设备产生大量图像和数据，是利用AI减少误报、分析不良原因和提升良率的重点领域。"
      },
      "related": [
        "aoi",
        "traceability",
        "yield"
      ],
      "references": [],
      "url": "https://mfg-ai.com/terms/smt"
    }
  ]
}