
タイの製造現場では、設備の突発故障によるラインストップと、目視検査の属人化が収益を圧迫し続けている。AIを活用した予知保全と画像検査は、この二つの課題を同時に解決する手段として実用段階に入った。本記事では、センサーデータの収集基盤づくりから異常検知モデルのPoC、AI画像検査の段階的な導入まで、タイの工場で実行可能な手順を解説する。IT専任者が少ない現場でもスモールスタートできる構成に絞った。
タイは東南アジア有数の製造拠点だが、熟練技術者の高齢化、人件費の上昇、グローバル競争の激化という三重の圧力に直面している。AI活用が「あればいい」から「なければ戦えない」に変わりつつある背景を、課題と政策の両面から整理する。
設備の老朽化と突発故障が、タイの工場で最も深刻な問題だ。稼働10年以上のラインでは、部品の劣化予測が保全担当者の経験則に依存しており、計画外のダウンタイムが生産性を押し下げている。
もう一つの課題が品質検査の属人化である。目視検査は検査員の熟練度に左右されるが、タイの製造業では慢性的な人手不足が続いており、検査員の交代直後に不良品の流出率が上がるという現象は珍しくない。
さらに、データの分断も見過ごせない。振動センサーのログ、品質記録、保全履歴がそれぞれ異なるシステムに格納されている工場は多い。設備の状態と品質の相関を分析しようにも、データを手作業で突合する必要があり、現実的には実行されていないケースが大半だ。
こうした課題は、いずれも「人の経験と手作業」に依存する構造から生じている。AIはこの依存構造を変えるための実用的な手段だ。
タイ政府は「Thailand 4.0」政策のもと、製造業のデジタル化を国家戦略として推進している。その中核が**東部経済回廊(EEC: Eastern Economic Corridor)**だ。
EECの2022〜2026年計画では、デジタル・電子機器・自動車・BCG(バイオ・循環型・グリーン)などの重点産業に対し、約2.2兆バーツ規模の投資誘致を目標に掲げている。EEC発足後の最初の5年間で約1.92兆バーツの海外直接投資を呼び込んだ実績があり、計画は着実に進行している。
この政策枠組みの中で、AI・IoT関連技術を導入する企業には税制優遇やインフラ支援が用意されている。BOI(タイ投資委員会)のスマートファクトリー向け投資奨励措置では、AI・IoTを活用した生産効率化プロジェクトに対し法人税免除を含む優遇が適用される場合がある(具体的な条件はBOIの最新告示を確認のこと)。
つまり、予知保全やAI画像検査の導入は、コスト最適化だけでなく政策的な追い風を活用できるタイミングでもある。タイでAI活用を始める全体像については「タイ企業がAIを業務に導入する方法」も併せて参照してほしい。

予知保全(Predictive Maintenance)は、センサーデータをもとに設備の劣化や故障の兆候をAIが検知し、最適なタイミングでメンテナンスを実施するアプローチだ。「壊れてから直す」事後保全や「定期的に交換する」時間基準保全と比べ、ダウンタイムの削減と保全コストの最適化を同時に実現できる。以下の3ステップで導入手順を解説する。
AIモデルの精度はデータの質と量に直結する。最初のステップは、対象設備から安定的にデータを取得する基盤づくりだ。
対象設備の選定基準
すべてのラインにセンサーを付ける必要はない。以下の基準で優先度を決める。
取得すべきデータの種類
| データ種別 | 代表的なセンサー | 検知対象 |
|---|---|---|
| 振動 | 加速度センサー | ベアリング・モーターの劣化 |
| 温度 | 熱電対・サーモグラフィ | 過熱の兆候 |
| 電流・電圧 | クランプ電流計 | モーター負荷の変動パターン |
| 音響 | マイクロフォン(超音波帯含む) | 異音による劣化検知 |
| 圧力・流量 | 圧力トランスミッター | 油圧・空圧系の劣化 |
データ収集の実務ポイント
既存のPLC(プログラマブルロジックコントローラー)からOPC-UAやModbus経由でデータを吸い上げるのが、追加投資を最小化する現実的な方法だ。PLCにデータ出力機能がない旧型設備の場合は、後付けのIoTゲートウェイで補完できる。
保存先は、まずエッジサーバーに蓄積してからクラウドへバッチ転送する構成を推奨する。タイの工場ではネットワーク帯域が限られるケースが多いため、エッジ側でのデータ圧縮と前処理を組み込んでおくとスムーズだ。
データ収集基盤が安定したら、異常検知モデルの構築に入る。ここで重要なのは、最初から完璧を目指さないことだ。
モデル選択の方針
予知保全のAIモデルは、大きく2つのアプローチがある。
| アプローチ | 手法例 | 特徴 | 適するケース |
|---|---|---|---|
| 統計ベース | 移動平均・Z-score・ARIMA | 実装容易。少量データで動作 | 単一センサーの閾値異常 |
| 機械学習ベース | Isolation Forest・LSTM-AE・XGBoost | 複合パターンの検出が可能 | 複数センサーの相関異常 |
PoCの初期段階では統計ベースの手法から始めることを推奨する。振動データの移動平均と標準偏差だけでも、ベアリング故障の兆候を事前に検出できるケースは少なくない。「もっと高度なモデルを」と焦る必要はない — 統計ベースでベースラインを確立し、精度が不十分な場合に機械学習ベースへ段階的に移行するのが堅実なアプローチだ。
PoCの設計
| 項目 | 推奨値 |
|---|---|
| 期間 | 2〜3ヶ月(データ収集1ヶ月+モデル構築・検証1〜2ヶ月) |
| 対象設備 | 1〜2台(故障頻度が高く、過去の故障記録がある設備) |
| 成功基準 | 「故障の○日前にアラートが出るか」を定量的に設定 |
| 初期投資 | センサー・エッジ機器で数十万〜200万円程度(クラウドは無料枠で足りることが多い) |
PoCの進め方の詳細は「PoC開発とは?概念実証の基本から費用・進め方まで」も参考にしてほしい。
PoCで有効性が確認できたら、本番ラインへの展開に移る。ここでの勘所は、一気に全ラインに展開しないことだ。
段階展開の進め方
効果測定のKPI
導入効果を定量的に示せなければ、経営層の承認を得て横展開するのは難しい。以下のKPIを設定しておく。
| KPI | 計算方法 | 備考 |
|---|---|---|
| 計画外ダウンタイム削減率 | (導入前DT − 導入後DT) ÷ 導入前DT | PoCとパイロットの比較で算出 |
| 予測的中率(Precision) | TP ÷ (TP + FP) | 初期は70%以上で十分実用的 |
| 見逃し率(Miss Rate) | FN ÷ (FN + TP) | 30%以下を目標に設定 |
| 保全コスト変化 | 導入前後の保全費用比較 | 部品在庫コスト削減も含める |
予知保全は「導入したら終わり」ではない。本番稼働後もセンサーデータの分布はドリフトするため、モデルの再学習サイクルを四半期ごとに回す運用設計が必要だ。

製造ラインのもう一つの痛点が品質検査だ。AI画像検査は、目視検査の属人性を排除し、検査速度と精度を同時に引き上げる。Google Cloudの報告では、Visual Inspection AIの導入により従来の汎用機械学習アプローチと比べて精度が最大10倍向上した事例がある。ここでは、目視検査からAI検査への移行手順と、精度を維持するための仕組みを解説する。
目視検査をAI画像検査に置き換える際、最初にやるべきことは検査対象の分類と優先順位付けだ。
Step 1: 検査項目の棚卸し
現在の目視検査で何をチェックしているかを一覧化する。「傷」「汚れ」「寸法ずれ」「色ムラ」「欠品」「異物混入」など、検査項目ごとに以下を整理する。
影響度が高く、かつ検出率にばらつきがある項目から着手するのが鉄則だ。
Step 2: カメラ・照明の選定と設置
AI画像検査の精度は、モデルの性能だけでなく撮影環境に大きく左右される。現場でよくある失敗は、照明条件を軽視してカメラだけ導入し、影や反射でAIが判定不能になるケースだ。実際に、導入済みのカメラシステムが「照明の角度が悪くて使い物にならない」と棚上げされている工場は珍しくない — 撮影環境の設計は後回しにしてはならない。
| 検査対象 | 推奨カメラ | 照明方式 |
|---|---|---|
| 表面の傷・汚れ | エリアスキャンカメラ | 斜光・同軸落射 |
| 寸法・形状 | ラインスキャンカメラ | バックライト |
| 色ムラ・変色 | カラーカメラ | 拡散照明 |
| 微小欠陥(μm単位) | 高解像度カメラ+マクロレンズ | 暗視野照明 |
Step 3: 学習データの収集とモデル構築
良品画像と不良品画像のペアを収集する。ここでの注意点は、不良品の画像は圧倒的に少ないということだ。不良率が0.1%の製品であれば、1万枚の良品に対して不良品は10枚程度しか集まらない。
この不均衡に対処するアプローチは主に3つある。
Step 4: 並行運用(人間+AI)
いきなり全数をAI判定に切り替えるのはリスクが高い。最初は人間の目視検査と並行してAIを動かし、判定結果を突合する期間を設ける。この並行運用期間(通常2〜4週間)で、AIの誤判定パターンを特定し、閾値やモデルを調整する。
人間とAIの協働設計については「ヒューマン・イン・ザ・ループ(HITL)とは?」も参照してほしい。
AI画像検査は、導入直後が最も精度が高く、時間とともに精度が低下する傾向がある。製品の仕様変更、原材料ロットの変化、照明の経年劣化、カメラレンズの汚れなど、撮影環境と製品の両方が変化するためだ。
精度を維持するには、以下のフィードバックループを組み込む。
1. 検査結果のモニタリング
AI判定結果(OK/NG)と、後工程や出荷後の品質データを定期的に突合する。特に注意すべき指標は以下の2つだ。
どちらの指標が重要かは製品によって異なる。安全部品であれば見逃し率の低減を最優先し、コモディティ製品であれば過検出率とのバランスを取る。
2. 定期的な再学習
新しい不良パターンや、環境変化に伴う画像の変化をモデルに取り込むため、月次または四半期ごとの再学習サイクルを設ける。再学習のたびにモデルのバージョンを管理し、精度が下がった場合にロールバックできる体制を整えておく。
3. 照明・カメラの保守
意外と見落とされがちだが、照明の光量低下やカメラレンズの汚れは画像品質を静かに劣化させる。検査装置の月次清掃・校正を保守手順に組み込んでおく。

技術的なハードルだけがAI導入の障壁ではない。タイの製造現場では、人の問題と設備の問題が複合的に絡み合う。ここでは、導入プロジェクトが頓挫しやすい2つのパターンとその対策を取り上げる。
タイの工場では、現場スタッフがAI導入に対して「自分の仕事が奪われるのではないか」という不安を抱くケースが多い。この感情的な抵抗は、技術的な課題よりもプロジェクトを停滞させる原因になりやすい。
ある日系工場では、予知保全システムの導入を発表した直後、ベテランの保全担当者が「機械に自分の経験が負けるわけがない」と反発し、センサー設置作業への協力を拒否した — タイに限った話ではないが、現場の心理的ハードルを軽視するとプロジェクトは確実に遅延する。
有効な対策
タイの製造現場には、稼働20年以上の旧型設備が現役で動いている工場も少なくない。こうした設備はデジタル出力端子を持たないことが多く、AI導入の前提となるデータ収集が最初のハードルになる。
後付けセンサーによる対応
旧型設備のデジタル化には、設備本体を改造しない非侵襲型のセンサーが有効だ。
| センサー種別 | 設置方法 | 特徴 |
|---|---|---|
| 振動センサー(マグネット式) | 設備筐体に磁石で貼付 | 配線不要、設備改造なし |
| クランプ式電流センサー | 電源ケーブルに挟む | 設備停止なしで設置可能 |
| 非接触温度センサー | 対象に向けて固定 | 回転体にも適用可能 |
| IoTゲートウェイ | PLC信号をWi-Fi/LTE変換 | 既存PLCがある場合に有効 |
設備を改造する必要がないため、工場の保全部門からの反発も抑えやすい。
通信インフラの整備
工場内のネットワーク環境も課題になりやすい。特にタイの工業団地では、工場棟内のWi-Fiが不安定なケースが多い。センサーデータの収集には、Wi-FiよりもLoRaWANやLTE-Mといった産業用IoT向け通信規格の方が信頼性が高い場合がある。通信の安定性はデータ品質に直結するため、PoCの段階で通信方式の検証も含めておくべきだ。
段階的な統合アプローチ
既存の生産管理システム(MES)やERPとの統合は、初期段階では不要だ。まずはセンサーデータを独立したダッシュボードで可視化し、効果が確認できてからMES連携を検討する。最初からフル統合を目指すと、要件定義だけで半年以上かかり、プロジェクト全体が停滞するリスクがある。

PoCフェーズであれば、後付けセンサー・エッジサーバー・クラウド利用で数十万〜200万円程度から始められる。全ライン展開では設備数に応じてスケールするが、計画外ダウンタイムの削減効果と比較して投資対効果を試算することが重要だ。既存設備にPLCがあれば、センサー追加を最小限に抑えられる分、初期投資はさらに下がる。
可能だ。統計ベースの異常検知(移動平均やZ-score)であれば、機械学習の専門知識がなくても実装できる。Pythonの基礎的なスキルがあれば十分対応可能だ。より高度なモデルが必要になった段階で、外部のAIコンサルティングパートナーと協業する方法もある。タイでのAI導入支援については「AIコンサルティング タイ・バンコク導入ガイド」を参照してほしい。
予知保全で扱うのは設備のセンサーデータ(振動・温度・電流等)であり、個人情報には該当しない場合が大半だ。ただし、AI画像検査で作業者の手元が映り込む場合や、カメラで作業員の動線を分析する場合は、PDPA(タイ個人情報保護法)の適用対象になりうる。導入前のコンプライアンスチェックについては「タイのPDPA対応とAI活用を両立させるチェックリスト」が参考になる。

タイの製造業がAIで予知保全と品質管理を実現するためのポイントを振り返る。
予知保全は、センサーデータの収集基盤構築→統計ベースの異常検知モデルでPoC→パイロットラインで検証→水平展開という段階を踏むことで、IT専任者が少ない現場でも導入できる。AI画像検査も同様に、検査項目の棚卸しとカメラ・照明の適切な設計から始め、人間との並行運用を経て段階的に自動化を進めるのが成功の鍵だ。
重要なのは、最初から完璧なシステムを構築しようとしないことだ。1台の設備、1つの検査項目から小さく始め、効果を実証してから範囲を広げる。EEC政策やBOIの投資奨励措置を活用すれば、導入コストのハードルも下げられる。
まずは自工場のダウンタイム記録と品質検査フローを棚卸しし、最も効果が見込める設備・工程を1つ選ぶことから始めてほしい。当社ではタイの製造業向けにAI導入の相談を受け付けている。PoCの設計から伴走支援まで、「AIコンサルティング タイ・バンコク導入ガイド」から詳細を確認できる。
Yusuke Ishihara
13歳でMSXに触れプログラミングを開始。武蔵大学卒業後、航空会社の基幹システム開発や日本初のWindowsサーバホスティング・VPS基盤構築など、大規模システム開発に従事。 2008年にサイトエンジン株式会社を共同創業。2010年にユニモン株式会社、2025年にエニソン株式会社を設立し、業務システム・自然言語処理・プラットフォーム開発をリード。 現在は生成AI・大規模言語モデル(LLM)を活用したプロダクト開発およびAI・DX推進を手がける。