製造業特化の実践的AI
Auto Tune AI: Whatを当てるAIからHowを答えるAIへ。
相関分析や機械学習で「何が原因か（What）」が分かっても、現場の具体的な作業指示書は書けません。
AutoTune AIは、目標とする公差（USL / LSL）と公称値を与えるだけで、
歩留まりと工程能力指数（Cpk）を最大化する「どう生産条件を調整すべきか（How）」の具体的なレシピをワンクリックで逆算します。
CHALLENGES
AIの分析結果を現場指示として落とし込めていますか？
課題01
「何が効くか」は分かっても「どのくらい調整するか」は分からない。
一般的なAIや重回帰分析は「温度や配合量が品質に影響している（What）」までは教えてくれますが、「具体的にどのパラメータを・どの順番で・いくつ増減させれば公差の中央に入るか（How）」までは答えてくれません。
課題02
過去の「たまたま良かった条件」を真似して量産で失敗する。
決定木分析などで抽出された「過去最も目標値に近かった条件」をそのまま現場に適用しても、わずかな環境変動で公差外れが多発します。点の最適解ではなく、ばらつき（標準偏差）を抑える「面の条件設計」が不可欠です。
課題03
AIの提案をいきなり本番ラインに適用するリスクが怖い。
AIが出した推奨値をそのまま量産機に投入するのは現場にとって大きなリスクです。極端な外れ値データの除外や、本番採用前に少数のテストで裏付けを取る「検証計画（DoE）」の仕組みが求められます。
SOLUTION
品質保証の共通言語、工程能力 と 歩留まり を最大化する"逆算型AI"
AutoTune AIは、製造条件（入力パラメータ群）と検査結果（品質データ）の非線形な因果関係を学習し、「目標公差の中心（公称値）にピタリと寄せながら、ばらつきを最小化するスイートスポット」を自動探索します。
データサイエンティスト不要。現場エンジニアがワンクリックで「処方箋」にアクセス
日常の品質管理データベース（iNDEQS）に蓄積されたデータから、ターゲットの規格値（USL / LSL / 公称値）を指定するだけ。AIが現在の設定値からの具体的な推奨変更量（＋/－）と、調整後の予測Cpk・歩留まり改善幅を即座に算出します。
推奨アクションの指示
順序と調整量(Δ)
何を、どれだけ調整するか数値化
工程能力シミュレーション
工程能力予測
変更前後の分布と歩留まり(%)を比較
安全な現場導入
実験計画(DoE)生成
本番適用前の確認テスト条件を自動生成
【実証】同じデータでも、導き出される「答え」がここまで変わります
実測オープンデータ（N = 1,030件）を用いた比較検証です。
コンクリートの配合条件（セメント、水、高炉スラグ、養生材齢など8項目）から「圧縮強度」を制御するパラメータ(条件)を見つけ出します。
【目標設定】 公称値：30.0 MPa ／ 規格範囲（LSL〜USL）：24.0 〜 36.0 MPa
一般的な機械学習（決定木 / ランダムフォレスト）
iNDEQS AutoTune AI 分析画面
| 比較項目 | 一般的な機械学習（決定木 / ランダムフォレスト） | iNDEQS AutoTune AI |
|---|---|---|
| AIの役割 | What（何が原因か）の解説 データ全体（2.3〜82.6 MPa）のばらつきを説明する変数を探す（過去の現象説明）。 |
How（どう調整すべきか）の処方箋 目標公差（24〜36 MPa）付近で感度が高く、安定制御できる変数を探す（未来の条件設計）。 |
| 最上位の重要因子 （キードライバー） |
1位：材齢・養生期間（重要度 約34%） 2位：セメント（重要度 約33%） ※「養生1日と365日で強度が違う」という自明な全体傾向がトップになる。 |
1位：セメント（影響度 100.2% / 安定性 100%） 2位：水（影響度 77.2% / 安定性 90%） ※180日超の極端な長期養生データ（33件）を自動除外し、30 MPa付近で確実に調整可能な主成分を特定。 |
| 現場への具体的な 指示・アウトプット |
過去に30 MPa付近だった単発ノードの抽出 該当データわずか「n = 1件」の条件式を提示するため、量産適用時の再現性・安定性が低い。 |
ばらつきを極小化する具体的な変更量（Δ）を提示 #1 セメント：281.2 → 326.7 kg（+45.5 増加） #2 水：181.6 → 185.3 kg（+3.7 増加） #3 材齢：45.7 → 17.7 日（-28.0 減少） #4 高炉スラグ：73.9 → 121.4 kg（+47.5 増加） |
| 品質・工程能力の 改善シミュレーション |
工程能力指数（Cp / Cpk）や歩留まりの予測機能なし。 |
・予測出力：30.09 MPa（公称値30.0MPaに対し誤差 +0.32%） ・歩留まり：26.9% → 99.7%（+72.8%p 改善） ・工程能力：Cp 0.12 → 1.68 ／ Cpk 0.00 → 1.53 |
全体平均（35.8 MPa）から目標（30.0 MPa）へ強度を下げるだけなら、セメントを減らすのが直感的です。しかしAutoTune AIは、「セメントが少ない領域や養生期間が長すぎる領域は、強度のばらつき（標準偏差）が激増する」という非線形リスクを検知。「セメントとスラグをしっかり入れて反応を安定させつつ、水量を微増し、出荷材齢を約18日に揃える」ことで、標準偏差を 16.71 から 1.19 へと圧縮する現実的な配合レシピを導き出しています。
現場の品質改善を完結させる4つのコア機能
自動特徴量選択（Auto K）と感度・安定性評価
多数の製造パラメータから真に効く上位因子（Auto K）を自動抽出。各因子の「影響度（%）」だけでなく「特性安定性（%）」と「変更の難易度」を評価し、回すべきツマミの優先順位を明示します。
インテリジェントなリスク評価＆外れ値自動除外
通常の操業範囲から外れた孤立データ（異常値・テスト条件）を自動検知し、分析範囲（DoE Window）を実操業データ群に限定。データの前半・後半での工程偏り（ドリフト）やモデル間の不一致も警告します。
Before/After の工程能力（Cp/Cpk）予測
推奨アクション適用後の品質分布をシミュレーションし、平均値・標準偏差・歩留まり（%）・Cp・Cpkの改善幅を定量化。生産条件変更時の提案、稟議に必要な数値的根拠が揃っています。
本番適用前の「実験計画（DoE）」自動生成
「検証なしで本番適用しない」という安全思想のもと、AI推奨値の周辺（低・中央・高）を効率よく確かめるテスト条件リストと各テストランの予測値を自動生成。実測値をそのまま画面に入力して検証できます。
貴社の実データで、
「Howを答えるAI」の逆算力を体感してください
クラウド上の公開デモ環境でAutoTune AIの動作をご確認いただけます。
また、貴社の実データ（CSV、Excel）を用いたトライアル分析や個別デモンストレーションも承っております。