AIデータ準備：本番移行前に整理すべき3種類のデータ

結論を先に言います。倉庫でAIプロジェクトが失敗するとき、少なくとも半分はモデルのせいではありません。データが先に整理されていなかったのです。私はこの落とし穴を3回見てきました。毎回、本番前夜に破綻し、毎回チームは手を止めてデータの宿題に戻らざるを得ませんでした。AIのデータ準備は本番移行の前に行います。整理すべきデータは3種類——マスタデータ、トランザクションデータ、ラベル付けデータです。「十分にきれい」とは何か、そしてそれぞれをどう点検しどう直すか。この記事ではそれを1つずつ具体的に書きます。

なぜデータ準備が最初の関門なのか

こう考えてください。モデルは生徒、データは教科書です。ページの半分が誤植だらけの教科書を生徒に渡せば、どんなに優秀な生徒でも試験に落ちます。倉庫でAIがやること——ロケーションの認識、補充の予測、顧客からの質問への回答——のすべては、1つの前提の上に成り立っています。システムのデータが現場の実態と一致している、という前提です。ところが現実には、ほとんどの倉庫でこの2つにはズレがあります。1つのバーコードを共有するSKU、重複したロケーションラベル、作業の何時間も後に入力される入出庫記録。現場を見ている人間なら、こうしたズレは目で見て自分で補正できます。AIにはそれができません。エラーをもっと「らしく」学習するだけです。

だからデータ準備は「ついでにやる」下準備ではありません。それ自体がプロジェクトです。私が携わったAI関連プロジェクトでは、データ準備が平均でプロジェクト全体の工数の半分以上を占め、予算の3〜4割をデータガバナンスに確保しておく必要があります。キックオフの時点でこの計算をテーブルに出してください。モデルだけ予算を取って、プロジェクト途中で「データの関門を通れない」ことに気づく事態を防ぐためです。

1種類ずつ、整理していく

その1：マスタデータ——1コード1モノ、例外なし

マスタデータは「辞書」です。SKU、ロケーション、仕入先。AI導入の最初の要件：1つのバーコードは正確に1つのモノに対応すること。

汚れの見つけ方：SKUマスタを全件エクスポートして3つのチェックをかけます。第1に、空コード（バーコード欄が空白またはゼロだらけ）。第2に、重複コード（1つのバーコードが複数のSKUを指している）。第3に、1コード多品目（現場を歩いてスキャンしてみる——1つのラベルが2つの違う商品に貼られていませんか？）。ロケーションも同じ扱いです。ロケーションマスタをエクスポートして重複ラベルを探し、システムには存在するのに現場で見つからない「ゴーストロケーション」を狩り出します。

直し方：空コードや重複コードは、対象SKUの入出庫を凍結し、1つずつ現場で確認してコードを振り直します。1コード多品目のケースは、1コード1品目になるまで分割します。近道はありません。仕入先マスタの古典的な混乱は「1つの仕入先、3つの名前」——同じ業者が3通りの名前で登録され、AIのリコンサイルがそれを3つの違う会社として扱ってしまいます。

合格基準：500SKUをランダムにサンプルし、現場でスキャンします。全スキャンがシステムと完全に一致しなければなりません。200ロケーションも同じ方法でサンプルします。サンプルが1つでも落ちたら全数再棚卸に拡大し、連続2回のサンプルがきれいに通るまで先に進まないこと。

その2：トランザクションデータ——タイムスタンプはAIの目

入出庫記録、棚卸記録、タスク記録——これはAIが「倉庫の動き」を学ぶ教科書です。教科書の最低要件：タイムスタンプが完備され、記録に抜けがないこと。

汚れの見つけ方：過去90日間の入出庫トランザクションを抜き出して3つを確認します。第1に、タイムスタンプの欠損や1970のようなデフォルト値。第2に、未来のタイムスタンプ（システム時計を誰かが変えた）。第3に、在庫のマイナス（在庫がマイナスということは出庫記録の漏れがある）。次に「事後入力率」を確認します。実際の作業から24時間以上遅れて作成された伝票がどれだけあるか——事後入力の伝票は偽のタイムスタンプを持っており、そこから「繁忙と閑散」のパターンを学んだAIは曲がって覚えます。

直し方：タイムスタンプの欠損は、元の記録が復元できる場合だけ補完します。復元できない場合はその区間ごと切り捨ててマークします。「だいたいの時間を推測して埋める」は絶対にダメ。在庫のマイナスは、AIの話をする前に必ず棚卸してゼロに戻します。事後入力率が高い工程（通常は返品とクロスドック）は、まずプロセスをリアルタイムスキャンに変えてからデータを蓄積します。

合格基準：90日連続のトランザクション記録に抜けなし、タイムスタンプ完備率100%、在庫マイナスゼロ、事後入力率5%未満。この基準を下回る状態では、予測系AI（需要予測、補充提案）を導入しないこと。エラーを増幅するだけです。

その3：ラベル付けデータ——AI導入の弾薬

画像認識システムには「異常画像」（破損した包装、誤ってラベル付けされたカートン、空パレット）が必要です。カスタマーサービスAIにはQ&Aペア（実際の顧客の質問と承認済みの回答）が必要です。倉庫にこうしたデータが自然にあることはありません。ゼロからラベル付けしなければなりません。

評価の仕方：3つの問いを立てます。量は足りているか（画像認識タスクは、始めるのに最低でも数千枚の使える画像が必要。Q&Aは最低1000ペアが必要）。カバレッジは完全か（異常写真はすべて1つのゾーンの昼間撮影ばかりではないか）。ラベル付けは正確か（同じバッチを2人が独立にラベル付けし、200件をサンプルして一致を確認したか）。

直し方：量が足りなければ、計画的に収集します。現場スタッフにチェックリストに沿って2週間撮影してもらいます。カバレッジが薄ければ、見落としがちなシナリオ（夜勤、雨季の屋外ドック）を追加します。精度が足りなければ、1ページのラベル付け仕様書を書いて「損傷と正常の境界」を明確に定義し、サンプルを再点検して、不合格のバッチは作り直します。

合格基準：200件のラベル付きデータをサンプルし、2人の独立したラベラーが目標一致率で合意すること（私は画像認識で95%以上、Q&Aで90%以上を推奨します）。主要なシナリオとシフトをすべてカバーすること。ラベリング品質基準は口約束ではなく、契約の付属文書に入れること。

この落とし穴を3回見てきた：救出劇

2025年半ば、中国東部の3PL倉庫がAI支援の棚卸を始めました。各通路をカメラ搭載のAGVが走り、AIがロケーションラベルと商品を読み取り、帳簿在庫と自動で照合する仕組みです。良いアイデアでした。本番開始の最初の1週間、棚卸の差異率は下がるどころか上がり、現場チームは怒り、プロジェクトは殺されかけました。

問題はどこにあったのか。1週間の掘り下げで、データのその1にたどり着きました。その倉庫では、ロケーションラベルのほぼ10枚に1枚が重複していました。ゾーンはこれまでに2回組み替えられ、古いラベルは完全には剥がされず、新しいラベルが上から貼られていました。1つのロケーションに2つのコードです。バーコードを共有するSKUも加わり、AIはロケーションAの商品をロケーションBのものとして読み続けました。数えれば数えるほど、現場は混乱しました。重複ラベルを見た人間の棚卸担当者なら判断を使います。AIにはそれがありません。

救出は3つのステップと、丸2週間の全面停止で行われました。ステップ1：倉庫全体の1コード1モノの整理——重複ラベルをすべて剥がし、コードを振り直し、凍結期間中の入出庫はすべて人手のダブルチェックを通します。ステップ2：SKUマスタの整理。1コード多品目のケースをすべて分割します。ステップ3：きれいになったデータで認識モデルを再学習し、小さなエリアで2週間パイロット運用し、差異率が人手棚卸の水準を下回ってから本格展開します。

データ準備はそのプロジェクトの全工数の60%を占めました。教訓は1文です。AIプロジェクトのキックオフでは、データガバナンスの工数を独自の費目として列挙し、スケジュールに組み込むこと。「導入」という言葉の中に隠さないこと。この落とし穴を私は3回見てきましたが、シナリオは毎回同じです。モデルが間違っていたことは一度もありません。キックオフ前に現場に降りて500のコードをスキャンした人がいなかっただけです。

本番前夜チェックリスト：データ編

まず直感に反する注意点を1つ。本番移行前に「完璧な」データを待たないこと。完璧なデータなど存在しません。まずリリースして、回して、モデルは運用の中で新しいデータの問題を浮き彫りにします。ただし、3種類のデータの最低基準は譲れません。マスタデータの1コード1モノ、トランザクションのタイムスタンプ完備、検査済みのラベリング。この基準を下回ると、モデルは稼働が長いほどドリフトします。リリースしない方がましです。

本番前夜、このリストを1つずつチェックします。1つでも未チェックがあれば、本番切り替えはなしです。