良品ベースライン学習（One-Class学習）の産業音響における実践
年間100万台を生産する民生用電子機器のラインで、NPI（新製品立ち上げ）段階に密封性検査が必要になった。品質マネージャーはAI音響検査の導入を検討し、アルゴリズムチームが最初に出した要求はこうだった。「不良品の音声サンプルを最低500件ご提供ください」。
3か月後、集まったのは7件だった。
これは特殊な例ではない。産業音響検査の領域において、「まず大量のラベル付きデータをください」というコンシューマーインターネット由来の経験則は、ほぼ通用しない。
01 現実の壁：産業音響AIの「データのパラドックス」
実際の生産ラインのデータ分布は、実験室が想定するものとはまったく異なる。
・不良率が極めて低い：成熟したラインの不良率は通常0.1〜2%。日産1万台の工場でも、1日に発生する不良品の数はごくわずかだ。
・サンプルが即座に失われる：ラインを離れた不良品は、通常ただちに手直しまたは廃棄される。わざわざ確保して録音するには、高い管理コストがかかる。
・欠陥が偏って集中する：ラインの異常は特定の一〜二種類に集中することが多く、「あらゆる異常」の汎用特徴を学習させることは難しい。
・NPI段階はゼロサンプル：立ち上げ期の新しいラインには不良品がひとつも存在しないことがある。しかし、まさにこの段階こそ検査体制が最も必要とされる。
ここから導かれる工学的な結論は明快だ。産業音響検査において、「多様な不良サンプルを大量に集める」という従来の教師あり学習の前提条件は、ほとんどの現場で成立しない。
半年分の不良品を溜めることが前提の方案なら、その方案は企画段階で既に却下されている。
02 パラダイム転換：「猫と犬の見分け」から「猫を知る」へ
従来の教師あり学習の論理は「見分ける」ことだ。猫を1000枚、犬を1000枚見せて、分類境界を学ばせる。
良品ベースライン学習（One-Class学習）の論理は「認知する」ことだ。猫の写真だけを大量に見せ、「猫とはどのようなものか」を十分に学ばせる。そして、この特徴パターンから逸脱したものは、すべて異常と判定する。
この転換は工学的に大きな意味を持つ。「欠陥サンプルが必要」を「正常サンプルだけでよい」に変える。しかも後者の取得コストはほぼゼロである。
産業現場でよく使われる教師なし／単一クラス学習のパラダイムは4種類あり、それぞれ適性が異なる。
アルゴリズム | 核心となる考え方 | 適した条件
One-Class SVM | 高次元特徴空間で正常サンプルを囲む境界超球面を構築 | 特徴次元が中程度、サンプル数が極小（30〜200件）
Isolation Forest（孤立森） | 特徴空間をランダムに分割し、異常点を孤立させやすくする | サンプル数が多い、高次元特徴空間
オートエンコーダ | 正常音を再構成するよう学習し、異常音は再構成誤差が大きくなる | 複雑な音響パターン、深層特徴表現が必要
GMM | 複数のガウス分布で正常音の特徴分布を近似 | 音響パターンが多峰性（複数回転条件など）
工学的な第一選択は通常 One-Class SVM である。理由は3つ。
1. サンプル要求が少ない：最小30件でモデル構築可能、推奨は50件で頑健なベースラインを構築できる。
2. 計算コストが小さい：ARM Cortex-M55クラスのMCUに実装可能で、GPUは不要。
3. 特徴との相性が良い：MFCCなどの音響特徴への適性は、多数の産業現場で実証済み。
03 3つの実ラインでの検証
理論だけでなく、現場での成果を見るべきだろう。以下は業種の異なる3つのラインの実データである。
民生用電子機器：TWSイヤホンの密封検査
条件はNPI段階、不良品サンプルゼロ。良品ベースライン学習を採用し、良品サンプル収集から2日で運用開始。初月に密封不良を3件検出し、過検率（誤報率）は1.2%だった。
これは最も典型的なシナリオだ。新製品には不良データの蓄積が一切ない。しかし検査体制は量産初日に間に合っていなければならない。
自動車部品：シートモーターの異音
ラインの不良率は0.3%、月間の不良品は10台未満。まず良品ベースライン学習で運用を開始して基本的な要求をカバーし、3か月後に不良品サンプルが30台蓄積された段階で、教師あり学習へ円滑に移行した。見逃し率は0.5%から0.1%未満へ低下した。
この事例の価値は、段階的戦略の実現可能性を実証した点にある。初日から完璧を求める必要はない。まず運用開始し、その後で最適化すればよい。
電力設備：変圧器の異常音監視
欠陥サンプルの取得が極めて困難（停電と分解が必要）であり、教師ありデータセットの構築は事実上不可能。純粋な良品ベースライン学習を6か月間継続運用し、鉄心の緩みという初期故障を2件予兆検知した。
電力分野は故障率が低いが結果が重大という特性があり、「見逃すより多く報せる」というベースライン学習の性質とちょうど噛み合う。
04 5ステップのモデル構築フロー
良品ベースライン学習の実装は、次の標準フローに落とし込める。
ステップ1・良品サンプルの収集
良品と確認された音を音響収集装置で取得する。プラットフォーム側には通常、低品質な録音を自動で除外する推奨アルゴリズムが組み込まれている。
注意：製品に複数の回転数や運転条件がある場合は、それぞれ分けて収集すること。単一のベースラインでは複数の特徴クラスタをカバーできない（この場合は One-Class SVM より GMM が適する）。
ステップ2・「正常」のラベル付け
時間領域＋周波数領域のデュアルビュー画面で、サンプルを一括して Normal に設定する。異常ラベルは一切不要である。
ステップ3・ベースライン学習モードの選択
One-Class SVM を呼び出す。デフォルトパラメータは通常、産業現場向けに事前調整済み。
ステップ4・自動学習
MFCC特徴抽出、正規化、モデル学習、境界最適化が自動で実行される。所要時間は通常数分程度。
重要点：抽出アルゴリズムはハードウェア推論側と次元ごとに一致していなければならない。学習側（Python／浮動小数点）と推論側（C言語／固定小数点）の特徴抽出チェーンに乖離があると、デプロイ後に精度が大きく低下する。これは独立した技術課題であり、ここでは扱わない。
ステップ5・ファクトリーモードでの検証
実ラインの音声を取り込み、ノイズ低減効果、特徴分布、異常スコア（Anomaly Score）を可視化して、技術者が閾値を設定する際の判断材料とする。
05 よくある3つの工学質問
Q1：教師なしモデルの閾値はどう決めるのか
One-Class SVM が出力するのは異常スコアであり、確率ではない。したがって閾値の決め方が、誤報と見逃しのバランスを直接左右する。
一般的に2つのモードが用意されている。
・自動閾値：学習データの分布から自動計算。コールドスタートに適する。
・手動閾値：蓄積された異常サンプルに基づき微調整。精緻な管理に適する。
推奨する進め方は、まず自動閾値で運用開始し、1〜2週間運用して人手レビューでループを回したうえで、手動で最適値へ微調整することだ。
Q2：設備の経年劣化や機種変更でベースラインがドリフトしたら
ベースラインは動的に進化できなければならない。ラインの機種変更、設備の大修備、環境ノイズの大きな変化が起きた際は、インクリメンタル学習に対応すべきだ。既存のベースラインに新しい良品サンプルを追加して素早く更新し、ゼロから再学習する必要はない。更新サイクルは1営業日まで圧縮できる。
Q3：良品ベースライン学習と教師あり学習、どちらを選ぶか
両者の違いは明確だ。
| 良品ベースライン学習 | 教師あり学習
サンプル要求 | 不良サンプル不要 | 欠陥クラスごとに20件以上
運用開始まで | 2〜3日 | 長期、サンプル蓄積次第
検出能力 | 「正常からの逸脱」をすべて検出 | 欠陥種別を精密に分類
誤報率 | 比較的高い | 低い
ベストプラクティスは「まず教師なし、その後教師あり」という段階的戦略だ。最初はベースライン学習で素早く運用を開始して基本的な要求をカバーし、不良品サンプルが蓄積されるにつれて教師あり学習やハイブリッドモードを段階的に導入し、精度と再現率を継続的に改善していく。
シートモーターの事例は、この道筋を完全に実証したものだ。
06 エッジ実装：モデルは最終的にラインで動かなければならない
産業AIの価値はエッジ側で実現される。したがって学習から推論までがエンドツーエンドで閉じていなければならない。
・ワンクリック配信：モデルパラメータをUSBまたはネットワーク経由でワークステーションのFlashに書き込む。
・特徴量アラインメント：ワークステーションにはDSP最適化済みのMFCC抽出アルゴリズムが組み込まれており、プラットフォームの学習側と次元ごとに一致しているため、クロスプラットフォームの精度損失を排除できる。
・ローカル推論：音声収集 → MFCC抽出 → 異常スコア算出 → 閾値比較 → Pass/Fail出力。全工程は通常100ms以下、完全ローカル動作でネットワーク不要。
最後の点は製造業においてとりわけ重要だ。データが工場から出ない。 ネットワークが制限された環境や、データ機密性が求められる環境でも、ワークステーションは独立した検査ユニットとして動作し続ける。
おわりに
良品ベースライン学習は万能の解ではない。しかし、産業AIとコンシューマー向けインターネットAIの決定的な違いをよく表している。工場は実験室ではなく、データは常に不完全だと認めること。
本当に使える産業AIの方案は、企業に「まず10万件のデータをください」と求めるべきではない。「良品が30件しかない」という極端な条件下でも、2〜3日で実用に耐える検査システムを構築できる能力を備えているべきだ。
理想的な条件下での精度指標を追うのではなく、実際のラインで動く成果を届ける。これがおそらく、産業AI実装において最も重要な原則である。
本稿の技術内容は産業グレードAI音響検査プラットフォームのエンジニアリング実践に基づくものであり、事例データは実際の量産ラインプロジェクトによる。