ラボで99%を叩き出したビジョンAI——現場ではなぜ92%なのか

同じアルゴリズムが、ベンダーのラボでは99.2%を記録した。あなたの倉庫の現場に置いて1か月、稼働精度は92%だ。誰かを数字の捏造で責める前に——その差はたいていアルゴリズムのせいではない。あなたの倉庫と彼らのラボは、同じ世界ではないのだ。

ラボの姿は？均一な照明、きれいな背景、ポーズを決めた荷物、静止したカメラ。あなたの倉庫の姿は？朝から昼へと変わる天窓のグレア、半分切れた照明器具の蛍光管、コンベヤのあちこちに積もる埃、角の潰れたカートン、バーコードに映り込むテープの光、一瞬カメラを遮る作業者の手。アルゴリズムは変わっていない。変わったのは世界の方だ。

では、その7ポイントは実際どこへ消えたのか。ひとつずつ見ていこう。

**なぜ照明が何よりも効いてくるのか？**倉庫の光は、最も理不尽な変数だ。窓際のコンベヤは朝は順光、午後は逆光を受ける。曇りと晴れは、まったく別の明るさだ。ビジョンシステムは照明のドリフトを嫌う——モデルは均一な光で学習している。光が変われば特徴は一致しなくなる。対策は地味だが効く。カメラに専用の光源を持たせよ。リングライトかバーライトだ。そして環境光を方程式から外す。「モデルが適応する」は期待しない。物理的に光を制する方が、どんなアルゴリズムより勝る。雨の日に精度が5ポイント落ちたプロジェクトを見たことがある。リングライトを付けたら、その変動はほぼ消えた。

埃は誰もが忘れる変数だ。慢性的なもの——レンズと照明ハウジングに薄膜が積もり、画質は毎日少しずつ劣化する。対策は大したものではない。レンズ清掃を日次チェックリストに入れるのだ。週1回の拭き掃除は、モデル改良より効く。

**荷物そのものはどうか？**ラボの荷物は新しく、四角く、ラベルはまっすぐ貼ってある。現実の荷物は？潰れた角、斜めに貼られたラベル、バーコードに映り込むテープ、何もかも隠してしまう黒いポリ袋。変形とグレアこそ、倉庫ビジョンAIが最も失敗する領域だ。私の判断基準はこうだ。荷物認識のプロジェクトなら、学習データの少なくとも3分の1は「醜い荷物」にすべきだ——変形、破損、反射、汚れ。醜ければ醜いほど良い。きれいな荷物だけで学習したモデルは初日に失敗する。例外はまだ見たことがない。

**速度と遮蔽はどうか？**ラボのカメラは時間をかけられる。あなたのコンベヤは待ってくれない。ライン速度はモーションブラーを連れてくる。作業者が荷物を掴めば遮蔽が起きる。これらをアルゴリズムでねじ伏せようとするな——回避する設計にせよ。カメラのフレームレートと露光を実際のライン速度に合わせ、要所に人の確認ポイントを置け。倉庫のビジョンシステムはあくまで生産性の道具であり、人の代替ではない。代替と見なせば、授業料を払うことになる。

なぜ学習データは実現場から取らなければならないのか

これは私が最も伝えたい点だ。ベンダーが自社ラボで撮ったデータ——あるいはあなたの倉庫で「仕組んだ」データで学習するプロジェクトが多すぎる。明るい時間帯を選び、きれいな荷物を並べ、1,000フレーム撮って帰って学習する。それはラボのチャンピオンを生むだけだ。最初の曇りの日がその正体を暴く。

正しいやり方はこうだ。カメラを設置したら、2週間は収集専用モードで回す。3シフト、晴れも曇りも、醜い荷物のすべてを捉える。アノテーションではハードサンプル（難例）を優先せよ——モデルが誤ったもの、自信度が低かったものだ。それらを学習にフィードバックし、2〜3ラウンド反復する。そこで初めて現場精度は実際に上がる。近道はない。この工程を飛ばせば92%が天井だ。ハイパーパラメータの調整をいくら重ねても、そこは突破できない。

倉庫のコンベヤのそばでビジョンシステムを調整するエンジニア

誤検知と見逃しのコストは同じか？

受け入れ基準を書く前に、ひとつはっきりさせよう。コストが高いのはどちらか——偽陽性（良い荷物を異常と判定）か、偽陰性（悪い荷物を通してしまう）か。ほぼすべての倉庫シナリオで、見逃しの方が高くつく。誤ってラベル付けされた荷物が出荷されれば、クレーム、返品、再送——最低でも数十ドルだ。誤警報のコストは、数秒の人間による確認だけだ。

だから受け入れは「精度」というひとつの数字だけでは測れない。私の推奨はこうだ。偽陽性率と偽陰性率を別々に評価し、見逃し率には一桁厳しい基準を設けよ。署名の際、きれいな「総合精度99%」を信じるな。3つの質問をせよ。テストセットでの見逃し率は？テストセットは実現場のデータだったか？テストセットの構成を契約の付属書に入れるか？この3問で、ベンダーの真の実力はすぐ分かる。

システムが失敗したらどうなる？

どんなに良いシステムでも、動かない日のために設計せよ。私の3つのルール。信頼度閾値を下回ったものはすべて人へ回す。システムが落ちたら手動プロセスが引き継ぐ。クリティカルな工程——出荷検品など——ではビジョン＋人、ベルトにサスペンダーだ。すべての卵をひとつの籠に盛るな。AIが買ってくれるのは効率であり、免責ではない。何か起きたとき、上司が聞くのは「精度はどうだったか」ではなく「なぜ誰も気づかなかったのか」だ。