AIの性能は学習データの質に依存し、品質データはしばしば乱雑です。検査結果は一つのツールに、クレームは別のツールに、サプライヤー記録はさらに別のシステムに保存されており、実際の状況の半分は急いで入力されたフリーテキストのコメントに埋もれています。
モデルの学習を開始する前に、チームは連携された信頼性の高いデータ層を構築する必要があります。これには、共通の定義に合意し、システム間で共有識別子を用いて記録を紐付けることが含まれます。また、不良データを入力段階で検出できる基本的なチェックを導入し、数か月後に発覚する事態を防ぐことも重要です。
重要概念
信頼性の高い自律型品質管理システム（QMS）は、クリーンで連携され、一貫した定義の品質データから始まります。なぜなら、不良データは静かに自信満々だが誤ったAIの意思決定を引き起こすからです。
実践例
ある工場では、「不適合」の定義がラインごとに異なり（一つのラインでは不合格部品、別のラインでは手直し部品を指す）、モデルの学習前に定義を標準化することで、AIが異なる記録を比較することを防ぎました。
標準手順
- 1品質関連データを保持するすべてのソースをマッピングする。
- 2製品、ロット、工程に対して共通の用語と一意の識別子を定義する。
- 3データ入力時点でバリデーションルールを追加する。
- 4すべてのソースを単一のアクセス可能なデータ層に統合する。
- 5各データストリームの正確性に責任を持つ担当者を割り当てる。
レッスンのまとめ
- ✓分散した不整合なデータは初期段階での最大の障害である。
- ✓技術的な統合と同様に、共通の定義が重要である。
- ✓データの所有権が品質データの信頼性を長期的に維持する。