異常検知AI 2026｜5領域のどこから着手するかを判定する

「異常検知 AI」を検索すると、設備の予知保全、外観検査、プロセス監視、異音検知、動作分析といった話が、同じ言葉の下にまとめて並びます。ところがこの5つは、必要なデータも投資額も回収期間もまったく違います。しかも2026年10月には、クラウドの代表的な異常検知サービスが2つ相次いで終了します。本記事では5つの領域を4つの軸で採点して着手先を決める判定モデルを示し、順番を間違えたときの差額をタイの日系工場を例に試算します。

異常検知 AI という言葉が指すものは5つある

異常検知AIの導入検討がうまく進まない最大の理由は、社内の全員が違うものを想像したまま会議をしていることです。生産技術は設備の故障予測を、品質保証は不良品の検出を、情報システムはクラウドサービスの選定を思い浮かべています。同じ「異常検知AI」という言葉なのに、必要なデータも、投資額も、効果が出るまでの期間も違います。

AI総合研究所の解説記事では、製造業の異常検知AIは主に5つの領域に整理されると説明されています。本記事もこの整理を出発点として使います。

なお⑤は出典では「作業分析」と表記されています。本記事では映像から人と物の動きを見る領域であることを明確にするため、以降「動作分析」で統一します。

同じ記事では事例も紹介されています。ダイキンは製品の稼働データを異常検知に用いる取り組みで、製品改善のPDCAサイクルを従来比で1年以上短縮したと報じられています。ブリヂストンはタイヤ成形設備でタイヤ1本あたり480項目のセンサーデータをリアルタイム解析し、真円性を従来製法比で15%以上向上させ、マルチドラム製法との組み合わせで既存比およそ2倍の生産性を実現したとされています。JFEスチールは制御故障の復旧を支援する「J-mAIster」を開発し、全国6か所の製鉄所・製造所への展開を完了したと報じられています。

いずれも大規模な事例で、そのまま自社に当てはめられるものではありません。ただしこの3件を並べると、異常検知AIが単一の技術ではなく、扱うデータの種類ごとにまったく別のプロジェクトになることは見て取れます。ダイキンは製品の稼働ログ、ブリヂストンは成形設備の時系列センサー、JFEは制御系の故障記録です。共通しているのは、いずれも扱うデータの所在を先に決めてから始まっているという点です。ダイキンとJFEはすでに手元にあった記録から入り、ブリヂストンは成形システムに計測そのものを作り込むところから入っています。入口が「既存の記録」か「計測の新設」かは分かれますが、どちらもモデルやサービスの選定より先に決まっています。

2026年10月、クラウドの異常検知サービスが2つ相次いで終わる

自社データから始めるべきだという主張は、これまでは「そうは言っても、まずクラウドのサービスを試してみればよいのでは」という反論で片付けられてきました。2026年10月以降、大手2社が出していた汎用サービスという選択肢は消えます。

Azure AI Anomaly Detector は2026年10月1日に廃止

Microsoft の公式ドキュメントには、Anomaly Detector サービスが2026年10月1日に廃止されること、および2023年9月20日以降は新しい Anomaly Detector リソースを作成できないことが明記されています。移行先として案内されているのは Microsoft Fabric、またはオープンソースの anomaly-detector プロジェクトです。

つまり、このサービスはすでに3年近く前から新規受け入れを止めていました。既存の利用者向けに動かし続けていた分が、2026年10月1日で終わるということです。

AWS Lookout for Equipment は2026年10月7日に提供終了

AWS の公式ブログには、Amazon Lookout for Equipment について「新規顧客は2025年10月7日から本サービスにアクセスできなくなるが、既存顧客は2026年10月7日まで通常どおり利用できる」と書かれており、同ブログは同日をもって本サービスの提供が終了することを告知しています。移行先として案内されているのは AWS IoT SiteWise で、2025年7月に追加された多変量異常検知機能が Lookout for Equipment のモデリングに対応しており、既存モデルの移行スクリプトも GitHub で提供されています。

読み取るべきは「基盤は残り、完成品が消えた」ということ

この2つが6日違いで終わることは偶然ですが、意味することは同じです。少なくともハイパースケーラーが提供する「データを投げれば異常を返してくれる汎用API」というレイヤーは、単体の商品として維持されなくなったということです。他社のサービスがすべて消えるわけではありませんが、代表格の2つが同時に畳まれた事実は、このレイヤーに賭ける前提を見直す理由になります。

重要なのは移行先の性格です。Microsoft Fabric も AWS IoT SiteWise も、異常検知の完成品ではありません。どちらも自社のデータを持ち込んで自分で組み上げることを前提にした基盤です。つまり手離れの良さは確実に下がります。

ここから導かれる実務上の結論は次の通りです。異常検知AIの検討は「どのサービスを買うか」から始めてはいけません。サービスは終わりますが、自社のデータと、そのデータから何を検知したいのかという定義は残ります。だから最初に決めるべきなのは、5つの領域のうち、自社のデータが今どこに存在しているかです。

5つの領域を4つの軸で採点する

どの領域から着手すべきかを、4つの軸で採点します。各軸を0点から3点で評価し、領域ごとに合計0点から12点を出します。点数が最も高い領域から着手する、というだけのモデルです。

以下、軸ごとに採点基準を示します。5つの領域それぞれについて4回採点するので、合計20回の判断になります。1時間もあれば終わります。

軸A データの既存性

これから取る予定のデータではなく、今この瞬間に取れているデータで測ります。「センサーを付ければ取れます」は0点です。付ける工事と予算取りが必要な時点で、それは着手の容易さを下げる要因だからです。

2点と3点の差が、実務では最も大きい落差になります。装置の中にデータがあることと、それを学習に使えることの間には、通信の追加、フォーマットの解読、保存先の確保という3つの工程が挟まります。ここを軽く見積もった計画は、ほぼ必ず遅れます。

軸B 異常事象の履歴

異常検知AIには、正常だけを学習して外れ値を出す方式と、正常と異常の両方を学習して分類する方式があります。前者は正解ラベルが不要に見えますが、検知した外れ値が本当に問題だったのかを検証する段階で、結局は過去の異常の記録が必要になります。ここを飛ばすと、アラートが鳴るたびに現場が「これは異常ではない」と言い、3か月で誰も見なくなります。

軸C 年間の損失額

金額はTHB建てで、年間で置きます。ここで大事なのは、同じ損失を2つの領域で二重に数えないことです。軸受の異音が原因で起きた突発停止は、④異音検知ではなく①設備監視の損失として1回だけ数えます。二重計上を許すと、全領域が高得点になって順位が付かなくなります。

金額を帯で持っているのには理由があります。損失額の見積もりは前提の置き方で簡単に2割は動きます。1THB単位で比べても意味がないので、帯を100万、300万、1,000万と3倍以上の刻みで切り、その刻みをまたぐときだけ順位に反映されるようにしてあります。

軸D 検知後の打ち手

見落とされがちですが、実際にプロジェクトを殺すのはこの軸です。異常を検知しても、代わりの設備がなく、予備品もなく、止める判断ができる人が現場にいなければ、検知したという事実だけが残ります。

採点の読み方と例外規則

4軸の合計点が高い領域から着手します。同点の場合は軸Dが高いほうを優先します。検知したその日に手が打てる領域のほうが、社内で成果が見えやすいからです。

この判定には1つだけ例外規則があります。軸Dが0点の領域は、合計点に関わらず着手しない、というものです。他の3軸が満点でも、検知の後に何もできないなら投資は回収されません。タイの工場でよくあるのは、日本から輸入した1台しかない特殊設備で、部品の調達に2週間かかり、代替ラインもないというケースです。この設備の異常検知は、まず予備品を持つか代替手段を確保するかが先で、AIはその後です。

モデル工場で採点してみる

抽象論を続けても仕方がないので、実在しそうな工場を1つ立てて採点します。

ラヨーン県の日系電子部品メーカー、車載用コネクタと端子の成形・プレス・めっきを行う工場です。従業員450名、2交替。

停止1時間あたりの逸失限界利益を出しておきます。780,000,000 THB を250日で割ると1日あたり3,120,000 THB、これを16時間で割ると1時間あたり195,000 THBです。限界利益率28%を掛けて、1時間あたり54,600 THBとなります。

5つの領域で年間いくら失っているか

領域ごとに損失額を積みます。二重計上を避けるため、各損失の帰属先を先に決めてから数えます。

①設備監視・予知保全。計画外停止340時間のうち、残業や休日出勤で取り返せず出荷に響いたのは25%と置きます。340 × 25% = 85時間、これに54,600 THBを掛けて 4,641,000 THB。残りの255時間は残業で取り返しているので、その割増賃金が出ます。残業要員8名、割増を含む賃金ベースの時間単価210 THB（こちらは間接費を乗せていません）として、255 × 8 × 210 = 428,400 THB。加えて突発修理の外注費と特急部品代が年間620,000 THB。合計 5,689,400 THB です。

②外観検査・品質。年間出荷数量42,000,000個に対し、目視で止め切れずに客先へ流出する比率を0.05%と置くと21,000個。これが年間24件のクレームとして顕在化し、1件あたり選別・回収・輸送・報告書・特急代替生産で平均165,000 THBかかるとすると、24 × 165,000 = 3,960,000 THB。さらに全数目視の人件費が14名 × 2,000時間 × 165 THB = 4,620,000 THBあり（165 THBは賃金に法定福利と間接費を乗せた社内の負担レートで、給与そのものの時間単価ではありません）、このうち3割は検知の自動化で置き換えられる余地があると見て 1,386,000 THB。合計 5,346,000 THB です。

③プロセス監視。めっき液の濃度と温度の管理不良に起因するロットアウトが年間18ロット、1ロットあたり材料と工数と再めっきで平均96,000 THB。18 × 96,000 = 1,728,000 THB。

④異音検知。コンプレッサ系のエア漏れによる余剰電力です。コンプレッサ分の年間電力費が2,400,000 THB、エア漏れ率を20%と推定して 2,400,000 × 20% = 480,000 THB。軸受の異音に起因する突発停止は①に含めているので、ここでは数えません。

⑤動作分析。作業手順からの逸脱に起因する手直しが年間310件、1件あたり2,900 THB。310 × 2,900 = 899,000 THB。

5領域の合計は 14,142,400 THB です。検算すると、5,689,400 + 5,346,000 + 1,728,000 + 480,000 + 899,000 = 14,142,400 で一致します。

採点結果

この工場の現状を4軸に当てはめます。

採点の根拠を補足します。

①は、射出成形機が温度と圧力をコントローラ内に保持しているものの外部に取り出せず上書きで消えるため軸Aが2点。停止の記録は保全日誌に文章で残るが分単位の時刻がないため軸Bが1点。打ち手は現場で判断できるが計画停止への組み込みは月次会議を通すため軸Dが2点です。

②は、外観検査機をすでに導入していて、判定結果と撮影画像を日次でファイルサーバへ書き出す運用が動いており、良品と不良品の画像が時刻付きで12か月分以上、それぞれ1,000枚をはるかに超えて残っているため軸Aと軸Bがともに3点。判定NGはその場でラインから抜けるだけで部品も手順も要らないため軸Dが3点です。

③は、めっき液の濃度を1日2回の手分析で紙に記録しており、温度と電流は指示計を読むだけなので軸Aが1点。ロットアウトの発生日は分かっても原因工程の時刻を特定できないため軸Bが1点。液の補正は現場判断で当日できるため軸Dは3点です。

④はマイクを一台も設置していないため軸Aが0点、異音やエア漏れが発生した日時の記録も残っていないため軸Bも0点。エア漏れは配管の補修で当日直せるので軸Dは3点です。⑤は防犯用の天井カメラがあるものの映像はモニタに映るだけで録画装置に残っていないため軸Aが1点、手直し件数の集計はあるが映像と紐づく時刻がないため軸Bが0点。手順の是正は現場でできますが、教育の再実施が月次のため軸Dは2点にとどまります。

判定は明快で、着手すべきは②外観検査・品質です。

ここで注目してほしいのは順位の中身です。年間損失額が最も大きいのは①設備監視の5,689,400 THBで、②の5,346,000 THBを上回っています。それでも②が勝つのは、軸Cが帯判定で両者とも2点に並び、343,400 THBの損失差が順位に効かないからです。差が付くのは残りの3軸で、軸Aと軸Bで3点、軸Dでさらに1点、合わせて11点対7点の4点差になります。損失の大きさだけで着手先を決めると、ほぼ必ず設備が選ばれます。そして設備は、たいていの工場でデータが最も足りていない領域です。

設備領域そのものの深掘りは本記事の範囲外です。どういう条件なら予知保全が効き、どういう条件なら効かないのかは予知保全の導入事例を効くパターンと効かないパターンで整理した記事に、振動という信号で何が測れて何が測れないのかは振動センサーの設備診断を扱った記事に書いてあります。軸Aと軸Bを正しく採点するには、この2つの内容が前提になります。

着手順を間違えるといくら失うかを試算する

判定モデルの価値は、外したときにいくら損するかで決まります。3つのシナリオを比べます。効果の見積もりは、軸Cの帯判定に使った粗い損失額とは別に、実際に取れる分だけを保守的に置き直しています。

シナリオA 判定通り②外観検査から着手する

年間の運用費は保守と再学習で290,000 THBです。効果は次のように置きます。

目視検査は14名から10名へ減りますが、4名分の人件費1,320,000 THBを全額計上するのは誠実ではありません。タイでは減った人員を解雇するのではなく他工程へ再配置するのが通常で、実際に財務に効くのは残業削減と増員回避の分だけです。ここでは60%として792,000 THBを取っています。

年間の純効果は 2,442,000 − 290,000 = 2,152,000 THB。単純回収期間は 2,230,000 ÷ 2,152,000 = 1.04年です。

ただし1年目は立ち上がりがあるので、効果を満額の60%、運用費を半年分として置きます。1年目の収支は 1,465,200 − 145,000 − 2,230,000 = −909,800 THB。2年目に2,152,000 THBが乗るので、累計の黒字転換は1年5か月前後になります。

累計は1年目 −909,800、2年目 1,242,200、3年目 3,394,200 THB です。

シナリオB 損失の大きい①設備から着手する

社内の議論で「一番損しているのは設備だ」という声が通った場合です。

年間の運用費は380,000 THBです。ここで決定的なのは、1年目にはほとんど効果が出ないことです。軸Bが1点、つまり「いつ異常が起きたか」を分単位で特定できる記録がないため、故障予測モデルを学習させられません。1年目にできるのは、データを溜めることと、明らかな逸脱に対するしきい値アラートを鳴らすことだけです。

1年目の効果は、計画外停止340時間のうち8%を防げたとして置きます。340 × 8% = 27.2時間。このうち出荷に響く25%分の6.8時間は 6.8 × 54,600 = 371,280 THB、残業で取り返していた20.4時間分は 20.4 × 8名 × 210 = 34,272 THB、修理費の削減は 620,000 × 8% = 49,600 THB。合計 455,152 THBです。運用費を引くと 75,152 THB しか残りません。

2年目からは12か月分の時刻付き履歴が溜まり、予測モデルが立ちます。削減率を22%に上げると、340 × 22% = 74.8時間。このうち出荷に響く25%分の18.7時間は 18.7 × 54,600 = 1,021,020 THB、残業で取り返していた56.1時間分は 56.1 × 8名 × 210 = 94,248 THB、修理費の削減は 620,000 × 22% = 136,400 THB。合計 1,251,668 THB、運用費を引いて 871,668 THBです。

累計は1年目 −2,714,848、2年目 −1,843,180、3年目 −971,512 THB。3年経っても回収しません。黒字転換はおよそ4年1か月後、5年目に入ってすぐです。

シナリオAとの3年累計の差は 3,394,200 − (−971,512) = 4,365,712 THB になります。

ここで誤解のないように書いておきます。シナリオBは技術的な失敗ではありません。5年目以降は確実に回収しますし、設備の予知保全そのものは正しい投資です。問題は別のところにあります。1年目に何も出ないプロジェクトは、社内で続かないということです。タイの工場では日本本社への年次報告があり、初年度の投資効果報告で数字が出せないプロジェクトは、2年目の予算が削られます。学習データが溜まりきる直前で止まるのが、この領域で最もよくある終わり方です。

シナリオC ②で成果を出してから①へ進む

判定順を守りつつ、2年目に設備領域へも着手する現実的な進め方です。

2年目に①へ着手するとき、初期費用のうちデータ基盤の620,000 THBは②で構築したものを共用できるので、2,790,000 − 620,000 = 2,170,000 THBに下がります。異常検知の領域を跨いでも、時系列データの保存先と可視化の仕組みは共通だからです。

検算すると、2年目は 2,152,000 − 2,170,000 + 455,152 − 380,000 = 57,152、3年目は 2,152,000 + 871,668 = 3,023,668、累計は −909,800 + 57,152 + 3,023,668 = 2,171,020 です。

3つのシナリオの比較

読み取れることは3つあります。

1つ目。3年時点で見ると、AとBの差は4,365,712 THBです。同じ工場、同じ予算規模で、着手する領域を変えただけでこの差が出ます。

2つ目。CはAに4年目まで負けています。4年目末で351,512 THBの差があり、Cが逆転するのは4年5か月あたりです。設備領域への追加投資は、正しい順番で行っても累計で追いつくまでに4年以上かかります。これは①設備監視が「やるべきだが急ぐ投資ではない」ことを意味します。予算が単年で厳しいなら、②だけで止めておいて構いません。

3つ目。それでも平年の年間純効果はCが最大です。5年より長い視点で工場を運営するなら、Cが正解です。判定モデルは「①をやるな」と言っているのではなく、「①を1番目に置くな」と言っています。

感応度分析 クレーム削減が半分でも結論は変わるか

シナリオAの効果2,442,000 THBのうち、1,650,000 THBがクレーム削減です。全体の68%を1つの前提が支えているので、ここを動かして確かめます。

クレームの削減が10件ではなく5件にとどまった場合を見ます。目視検査工数の削減792,000 THBはこの前提に依存しないので、係数を掛けずにそのまま置きます。

年間の純効果は 1,617,000 − 290,000 = 1,327,000 THB。1年目は 970,200 − 145,000 − 2,230,000 = −1,404,800、2年目累計 −77,800、3年目累計 1,249,200 THB です。黒字転換は2年1か月前後に後ろへずれます。

シナリオBの3年累計 −971,512 THB との差は 2,220,712 THB。結論は反転しません。クレーム削減を半分に落としても、②から着手したほうが3年で200万THB以上得をします。

逆に言えば、この試算の説得力はクレーム削減という不確実な項目ではなく、目視検査工数の792,000 THBという毎日発生する側に支えられています。稟議書に書くなら、削減できる工数のほうを主役にしたほうが通りやすいはずです。

もう1つ、判定そのものが動く条件も見ておきます。①設備監視の軸Bが1点から3点へ、軸Aが2点から3点へ上がると、①の合計は 3+3+2+2 = 10点になります。②の11点にはまだ1点届きませんが、③④⑤との差は決定的になります。この2軸を上げる方法は次章で扱います。

順位を上げる最短の方法は、AIを買うことではない

前章の最後に出た「①の軸Aと軸Bを上げる」という話を続けます。ここが本記事で最も実務的な部分です。

軸Bを1点から3点へ上げるために必要なのは、AIでもセンサーでもありません。保全日誌に「停止開始時刻」「復旧時刻」「現象」「処置」の4欄を足すことです。分単位で書く、という運用ルールを1つ追加するだけで、1年後には時刻付きの異常事象が年10件以上たまります。かかる費用はゼロに近い。

軸Aを2点から3点へ上げるほうは工事が要りますが、こちらも一気にやる必要はありません。射出成形機12台のうち、過去2年で停止時間が最も長かった3台だけを対象に、コントローラからデータを取り出して保存する。この規模なら数十万THBで済みます。12台すべてを一斉に接続する必要はどこにもありません。

つまり、設備領域への正しい1年目の投資は、異常検知AIそのものではなく採点の点数を上げる作業です。そして点数が上がった状態で2年目に着手すると、シナリオBで発生していた「1年目に何も出ない」期間が消えます。なお前章のシナリオCは、この前倒しを織り込まず①の初年度を削減率8%のまま置いた保守的な計算です。日誌の4欄を先に足しておけば、Cの2年目はもう少し良くなります。

この考え方は品質側にもそのまま当てはまります。外観検査機を持っていない工場が②から着手できないかというと、そんなことはありません。まず検査工程で撮った画像を捨てずに残す運用を始めるところからです。判定の精度は照合できるデータの割合で決まるという論点は品質検査データのAI分析を扱った記事で詳しく扱っています。

タイの工場で進めるときに固有の論点

BOIの技術高度化枠が使える可能性がある

タイ投資委員会（BOI）には「Activity 10.1 技術高度化奨励」という枠があります。すでにBOI恩典を受けている製造業者が、IoTセンサーやデータ基盤、設備故障予測AIモデルといった予知保全システム、あるいは画像認識や深層学習を使う外観検査AIへ設備投資する場合、追加で法人所得税（CIT）3年免税と、新規機械およびAI関連機器の輸入関税免除の対象となります。この技術高度化投資そのものには最低投資額の定めがありません。前提となるのは、ベースの活動ですでに恩典を受けていることだけです。

本記事のシナリオAでいえば、初期費用2,230,000 THBのうち産業PCとエッジ推論機の340,000 THBが輸入関税免除の対象になり得ます。税率は品目によって変わるので、実額は個別に確認してください。

人材面の恩典もあります。AI人材の研修費用は200%の損金算入が認められ、さらに年間人件費の1%から3%をAI研修に投じる企業は、投じた比率に応じて追加で1年から3年のCIT免税延長を受けられます。1%で1年、2%で2年、3%で3年という構造です。

ただしこれは小さな金額ではありません。モデル工場の従業員450名、1人あたりの年間給与を雇用主負担込みで平均240,000 THBと置くと、恩典の判定基準になる年間人件費は108,000,000 THB。その1%は1,080,000 THBです。シナリオAの初期費用の半分近くを、毎年研修に投じ続ける計算になります。恩典の年数だけを見て飛びつく金額ではなく、実際に育てたい人数と講座から積み上げて判断してください。

恩典の適用可否は事業内容と申請区分によって変わります。必ず個別に確認してください。

検知の判断を現場でできるようにしておく

軸Dの1点と2点の差、つまり「本社の承認に数日かかる」か「現場で判断できる」かは、タイでは日本より重い問題になります。異常検知のアラートは、鳴ってから数時間以内に判断されなければ意味を失います。設備を止める判断の権限が日本の親会社にあり、時差と稟議を挟んで3日かかるなら、その領域の異常検知は投資しても効きません。

これは技術の問題ではなく体制の問題です。ただし、体制が変わらないなら軸Dは1点のままなので、判定モデルの中では正しく順位が下がります。無理に投資しない、という結論が出るだけです。

データの持ち出し先を先に決めておく

クラウドの異常検知サービスが終わるという冒頭の話は、ここにも効きます。学習データと推論の実行場所をどこに置くかは、後から変えるのが難しい設計です。画像を海外リージョンへ送る設計にしてしまうと、顧客監査で説明を求められたときに変更コストが大きくなります。

エッジ側で推論を回し、学習だけを別環境で行う構成なら、この論点はかなり軽くなります。シナリオAでエッジ推論機を初期費用に含めているのはそのためです。

よくある質問

異常検知AIとは何ですか

正常な状態のパターンを学習し、そこから外れた状態を自動で見つけ出す仕組みの総称です。本記事の整理では、扱うデータの種類によって設備監視・予知保全、外観検査・品質、プロセス監視、異音検知、動作分析の5領域に分かれます。単一の製品カテゴリではないので、「異常検知AIを導入する」という言い方のままでは要件が定まりません。まずどの領域の話をしているのかを確定させてください。

異常検知AIと予知保全AIの違いは何ですか

予知保全AIは、異常検知AIの5領域のうち①設備監視に相当する部分の呼び名です。包含関係にあります。ただし予知保全という言葉には「いつ壊れるかを予測して、壊れる前に部品を替える」という時間軸の含意があり、単に「今おかしい」を検知する異常検知よりも要求が一段高くなります。故障までの残り時間を推定するには、実際に故障した事例のデータが複数回分必要です。軸Bの点数が低い工場では、まず異常検知から入り、事例が溜まってから予知に進むのが順当です。

設備故障 予測 AI はどのくらいのデータがあれば作れますか

一律の答えはありませんが、本記事の採点基準では「時刻付きで特定できる異常事象が年10件以上」を軸Bの満点に置いています。これは1つの目安です。逆に言えば、年に1回しか壊れない設備の故障予測モデルを、1年分のデータで作ることはできません。同一機種を複数台持っている場合は台数分の事例が集まるので、まず同じ機種が多い設備から始めるのが有利です。

不良品 検出 AI は目視検査を完全に置き換えられますか

本記事のモデル工場では14名を10名に減らす前提で試算しており、ゼロにはしていません。判定が曖昧な領域、初物や仕様変更の直後、AIの判定に対する抜き取り確認は人が残ります。全数の目視をやめて抜き取りに変える、という置き換え方が現実的です。完全無人化を前提にした投資計画は、ほぼ確実に効果が出ません。

Azure AI Anomaly Detector や AWS Lookout for Equipment を使っていた場合はどうすればよいですか

Azure AI Anomaly Detector は2026年10月1日に廃止され、Microsoft Fabric またはオープンソースの anomaly-detector への移行が案内されています。AWS Lookout for Equipment は2026年10月7日に提供が終了し、AWS IoT SiteWise への移行が案内されていて、既存モデルの移行スクリプトも提供されています。どちらも移行先は基盤であって完成品ではないので、移行を機に「そもそもこの領域の点数は高かったのか」を採点し直すことをおすすめします。動かし続けること自体が目的化しているケースは珍しくありません。

5つの領域を同時に始めてはいけないのですか

予算と人が足りているなら止めません。ただし現実には、異常検知の立ち上げは現場との対話に最も時間がかかります。アラートの妥当性を現場と1件ずつ確認する作業は、生産技術の担当者が並行して5領域分こなせる量ではありません。1領域で成果を出して現場の信頼を得てから広げるほうが、結果的に速くなります。

タイで導入する場合、日本と何が違いますか

技術要件はほとんど変わりません。違うのは3点です。判断権限が現地にあるか（軸Dに直結します）、記録の運用が定着するか、そして日本本社への年次報告で初年度の数字を出せるか。特に3点目は、着手領域の選定に直接効きます。1年目に何も出ない領域から始めると、技術が正しくてもプロジェクトが続きません。

まとめ

異常検知AIは単一の技術ではなく、設備監視・予知保全、外観検査・品質、プロセス監視、異音検知、動作分析という5つの領域の総称です。どこから着手するかは、データの既存性、異常事象の履歴、年間の損失額、検知後の打ち手という4つの軸を0点から3点で採点し、合計点の高い領域から決めます。軸Dが0点の領域は、合計点に関わらず着手しません。

モデル工場では、年間損失額が最も大きいのは設備監視の5,689,400 THBでしたが、着手すべきと判定されたのは11点を取った外観検査でした。損失の大きさだけで決めると設備が選ばれ、そして設備はたいていデータが最も足りない領域です。着手順を間違えた場合の3年累計の差は4,365,712 THB。クレーム削減の前提を半分に落とす感応度分析を行っても、差は2,220,712 THBで結論は反転しませんでした。

2026年10月1日にAzure AI Anomaly Detectorが、10月7日にAWS Lookout for Equipmentが終わります。ハイパースケーラーが出していた「データを投げれば異常を返してくれる汎用API」を買うという選択肢は、少なくともこの2社については無くなります。残るのは自社のデータです。だから最初の問いは「どのサービスを買うか」ではなく「5領域のうち、自社のデータが今どこにあるか」になります。そして順位を上げる最短の方法は、AIを買うことではなく、保全日誌に停止時刻の欄を足すことです。

4軸の採点を自社で試してみて、点数が近くて順位が付かない、あるいはそもそも軸Aの現状が分からないという段階でも構いません。設備台数と検査工程の構成、直近1年の計画外停止時間と客先クレーム件数の4つが分かれば、こちらで一次採点を行い、着手すべき領域とその根拠をお返しできます。見積もりの前段階のご相談として、お問い合わせページからお気軽にお声がけください。タイでの導入経験に基づいて、1年目に成果が出る範囲をお伝えします。

参考情報

• Microsoft Learn, What is Anomaly Detector?（Anomaly Detector サービスは2026年10月1日に廃止、2023年9月20日以降は新規リソース作成不可）: learn.microsoft.com
• Microsoft Azure Updates, AI services Anomaly Detector will be retired on 1 October 2026: azure.microsoft.com
• AWS Machine Learning Blog, Preserve access and explore alternatives for Amazon Lookout for Equipment（新規顧客は2025年10月7日から利用不可、既存顧客は2026年10月7日まで）: aws.amazon.com
• AI総合研究所, 製造業の異常検知AI（5領域の整理、ダイキン・ブリヂストン・JFEスチールの事例）: ai-souken.com
• Pertama Partners, Thailand BOI Manufacturing（Activity 10.1 技術高度化、Last Updated February 9, 2026）: pertamapartners.com