検査の画像
昼と夜、季節ごとの画像の件数をそろえる。
フィジカルAIガイド
フィジカルAIのデータ品質とは、集めたデータが現場の作業と環境を偏りなく表し、欠けや乱れが少なく、正常と異常の基準がそろっているかどうかのことです。量が多くても、同じ条件ばかりなら現場では外れます。学習に使うデータと評価に使うデータを分け、足りない場面は現場で追加するか合成データで補います。
総務省と経済産業省が2026年3月31日に公表したAI事業者ガイドライン(第1.2版)では、「データ」と「学習」の言葉の定義が見直されました。更新内容の資料によると、学習の流れの図の表記は、訓練データ、検証データ、テストデータ、推論用データという一般的な言い方にそろえられています。学習は、AIモデルのパラメータを決めるプロセスと定義され、ファインチューニングなどの事後学習も脚注で定義されました。
品質を確かめるときも、この区別が出発点です。モデルを鍛える訓練データ、調整のための検証データ、最後の評価に使うテストデータ、そして現場で判断のたびに入る推論用データは、求める条件が違います。同じ更新では、意図しない漏洩の被害を抑えるため、扱うデータを必要最小限にする「データ最小化」が重要だとも追記されています。
出典:総務省『「AI事業者ガイドライン」掲載ページ』、総務省・経済産業省『AI事業者ガイドラインの令和7年度更新内容』(2026年11月17日確認)
偏りは、特定の時間帯、季節、照明、作業者、製品の種類だけが多い状態です。昼のデータばかりで学習したモデルは、夜の照明で外れることがあります。記録に、日時、場所、設備、担当者、製品の型番を付けておけば、どの条件が足りないかを集計で見つけられます。
欠損は、センサーの故障、通信の切れ、電源の落ちで記録が抜けることです。ノイズは、カメラの汚れ、レンズの曇り、振動、周りの音の混入などで値が乱れることです。AIに渡す前に、記録の抜けた時間と乱れた値の割合を数え、基準を超えたら機器の点検を先に行います。
何を正常、異常、要注意とするかの基準が人によって違うと、ラベルがぶれ、判断の結果もぶれます。基準を文章と写真の見本で決め、複数の人が同じデータにラベルを付けて一致の度合いを測ると、ぶれを見つけられます。
製造のデジタルツインの規格ISO 23247-3:2021(2021年10月31日発行)は、人員、設備、材料、製造プロセス、施設、環境、製品、関連文書といった観測可能な製造要素について、基本的な情報の属性の一覧を示しています。製造の間に変わらない静的情報(例は材料のシリアル番号)と、変わる動的情報(例は加工で変わる形状)を分ける考え方です。データの形式や通信の方式は決めていないため、形式は現場ごとに決めます。
出典:BSI『BS ISO 23247-3:2021』(2026年11月17日確認)
AIロボット協会(AIRoA)は2026年11月6日、ロボット基盤モデル「AIRoA-0」を公開しました。ロボットを用意せず、人が手持ちの道具「YUBI」を使ってさまざまな場所で操作を記録した16,151時間のデータで学習しています。遠隔操作によるデータ収集、強化学習、実機での動作修正は行っていないと説明されています。
評価は学習データを集めていない場所で行い、10種類の作業の平均の成功率は78%、同じデータで追加学習した代表的な4モデルの最高は27%でした。学習に使ったデータセットは公開予定とされ、時期と範囲は2026年11月6日の発表時点で決まっていません。
出典:AIロボット協会『AIRoA、ロボット基盤モデル「AIRoA-0」を公開』(PR TIMES・2026年11月17日確認)
Muso Actionは2026年10月14日、ダイキン工業 堺製作所での板金部品のキッティングの実証が第2段階に入ったと発表しました。第1段階では、同社のオフィスと模擬環境で集めたデータに少量の現場データを組み合わせる学習の方法で、現場で集めるデータが少なくても精度が上がることを確かめたとしています。
ただし、発表には成功率や作業時間の数字は無く、実運用に向けた検証の段階で商用導入を確約するものではないと書かれています。現場データの量と精度の関係は、自社の作業で測る必要があります。
出典:Muso Action『ダイキン工業 堺製作所、ロボット基盤モデル(VLA)によるキッティング工程自動化の実証実験がPhase 2へ』(PR TIMES・2026年11月17日確認)
NVIDIAは2025年3月18日、ロボット基盤モデルIsaac GR00T N1の発表で、78万件の合成の軌跡を11時間で生成したと説明しました。人の実演に置き換えると6,500時間、9か月分にあたり、合成データを実際のデータと組み合わせると、実際のデータだけの場合より性能が40%上がったとしています。
2026年10月21日の発表では、人の日常の動作を3方向の映像と手の3次元の動きで記録した「Human 1M Dataset」と、シミュレーションに使える2,000点以上の部品をまとめたライブラリーが示されました。データセットはHugging Faceで公開され、全体はCosmos Coalitionの参加企業が使える形です。合成データは、まれな異常や危険な場面のように現場で集めにくい例を補う道具で、効果は自社のデータで確かめます。
出典:NVIDIA Newsroom『NVIDIA Announces Isaac GR00T N1』、NVIDIA Newsroom『NVIDIA Advances Isaac Platform for General-Purpose Robotics』(2026年11月17日確認)
Google DeepMindは2025年3月12日、ロボットの行動の安全性を測るためのデータセット「ASIMOV」を公開しました。学習のためではなく、評価のためのデータを用意する考え方です。同じ発表では、汎化の総合ベンチマークで他の最先端のVLAモデルに比べて平均で2倍を超える性能を示したとしていますが、これはどのデータでどの作業を測ったかで意味が変わる数字です。自社でも、学習に使っていない日の記録や別の現場の記録をテスト用に取り分けておきます。
出典:Google DeepMind『Gemini Robotics brings AI into the physical world』(2026年11月17日確認)
| 確認軸 | よくある問題 | 確かめ方 |
|---|---|---|
| 偏り | 特定の時間帯や製品だけ多い | 日時・設備・型番で件数を集計する |
| 欠損・ノイズ | 記録の抜け、値の乱れ | 抜けた時間と乱れの割合を数える |
| ラベル | 人によって基準が違う | 見本で基準を決め、一致の度合いを測る |
| 評価 | 学習と同じデータで測っている | 別の日・別の現場の記録を取り分ける |
昼と夜、季節ごとの画像の件数をそろえる。
センサーの抜けた時間を記録し、点検を先に行う。
模擬環境のデータに少量の現場データを足して試す。
現場の作業と環境を偏りなく表し、欠けや乱れが少なく、ラベルの基準がそろっているかという観点です。
十分とは限りません。同じ条件ばかりのデータは、条件が変わると外れます。日時や設備ごとの件数を見て偏りを確かめます。
異常のときの記録の取り方を決めて集めながら、シミュレーションの合成データで補う方法があります。効果は自社のテストデータで確かめます。
作業と手法で変わります。模擬環境のデータに少量の現場データを足して精度が上がったという発表もありますが、自社の作業で量と精度の関係を測ります。
このページの話題に関係する、最近の発表を出典つきで整理した記事です。