MLINFO COLLECTION

品質予測

工程条件、原料ロット、測定値から、品質指標や不良リスクを予測するための実装ガイドです。

どこから始める？

製造条件と品質の関係をモデル化し、早期にリスクを見つけたい。

  1. ロットごとに工程条件、検査値、品質結果を横持ちの表にします。
  2. リークしやすい事後情報を除外し、時系列分割で評価します。
  3. LightGBMでベースラインを作り、重要因子をSHAPで確認します。
  4. 品質しきい値をもとに、回帰と分類の両方で評価します。

データと評価

ロット、工程条件、原料情報、検査値、品質指標を含む表形式データ

lot_id, line_id, raw_material_lot, temperature, pressure, speed, inspection_value, defect_flag

ベースライン：LightGBM分類/回帰

評価：RMSE、AUC、再現率、誤アラート率

実装時の注意

  • まずは品質値を直接予測する回帰と、不良/良品を判定する分類の両方を比較します。
  • 時系列やロット順でデータ分割し、未来データを過去データで予測する評価に近づけます。
  • SHAPで重要因子を確認し、現場で介入可能な条件かどうかを分けて見ます。
  • 検査後にしか分からない値を特徴量に入れるとリークになります。
  • ラインや製品品番を混ぜすぎると、モデルが品番差だけを覚えることがあります。
  • 精度だけでなく、見逃し率と誤アラート率を現場運用に合わせて見る必要があります。

よくある質問

品質予測は分類と回帰のどちらで始めるべきですか？

品質指標が連続値なら回帰、不良判定が目的なら分類です。初期PoCでは両方作り、現場判断に近い方を採用するとよいです。

説明可能性はどう確保しますか？

LightGBMとSHAPを組み合わせると、どの工程条件や原料情報が予測に効いたかを説明しやすくなります。

関連する論文・実装

1 / 27
arxiv

LLM-Assisted Optimization for Simulation-Based Redesign

Engineering design frequently involves redesigning a prior solution to adapt to changes in context, such as material prices or system requirements. Redesign often leverages simulators too complex…

nlp
arxiv

Retrieval Augmented Generation Compositionality

Retrieval Augmented Generation (RAG) grounds large language models in external knowledge. Modern pipelines combine embedding, chunking, retrieval, reranking, query augmentation, context compression,…

nlp