AI外観検査のモデルドリフト監視を導入する目的は、判定率の変化を見つけ次第、再学習を押すことではありません。カメラ交換、照明の劣化、ワーク表面の仕上げ変更、品番レシピの切替後に、何が変わり、出荷判断にどの影響が出たかを切り分けることです。タイ工場の量産ラインを想定し、入力画像の変化と真の不良率を分けて読み、遅れて届く正解ラベルを扱い、候補モデルの並走試験から承認・復旧までつなぐ運用を説明します。
AI外観検査のモデルドリフト監視で守る対象を定義する
「モデルドリフト」は現場で幅広く使われます。画像の明るさや構図など入力分布が変わるデータドリフト、画像と品質判定の関係が変わる概念ドリフト、同じ判定基準に対するモデルの性能低下を区別します。新しいロットで不良が本当に増えた場合、AIが正常に検出していてもNG率は上がります。逆に照明が暗くなった場合は、良品が傷に見えてNG率が上がるかもしれません。NG率だけでは両者を区別できません。
監視対象は「AIの精度」一語では足りません。画像取得の成立、照明とカメラの状態、対象品番とレシピの整合、モデル入力の分布、AI判定、実際の排出先、人による最終判定、顧客流出や後工程検査で判明した結果までを、一つのワークIDまたはロットIDで結びます。もし単品IDが取れないなら、時刻・搬送位置・連番の対応可能範囲と誤結合リスクを明記します。後から「どの版が何を判定したか」を追えない構成では、更新の良否も証明しにくくなります。
初期導入のセル構成、PoC、調達全体はAI外観検査導入の実務で扱っています。本稿は量産後の変更と更新管理に絞ります。良品の過排出と不良の見逃しをどのように受入指標へ落とすかはAI外観検査の誤検知対策も参照してください。本稿で重視するのは、指標が悪化したときに「本当にモデルが古くなったのか」を確かめる手順です。
NISTのAI RMF Playbookは、運用条件、データドリフト、モデルドリフトの変化に応じ、指標や管理策の妥当性を定期的に見直すこと、導入前後の性能と限界を記録することを勧めています。これは製造業の個別数値を指定する規格ではありません。工場側が欠陥の重大度、顧客要求、工程のばらつき、再検査能力を基に監視の頻度と判断権限を決めるための枠組みです。
画像検査の入力変化と真の不良増加を混同しない
まず、同じワークを撮っても画像を変える「撮像側の変化」を列挙します。カメラまたはレンズの交換、取り付け角度の微小なずれ、焦点、露光、ゲイン、照明の出力と位置、LEDの劣化、レンズ窓の汚れ、治具の摩耗、トリガーのタイミング、搬送速度が含まれます。これらはワーク自体の品質変化なしに入力画素を変えます。照明レシピが保存されていても実出力が同じとは限らないため、設定値と状態確認を分けます。
次に「ワーク側の変化」です。材料メーカー・ロット、めっきや研磨の条件、油膜、表面粗さ、色、塗装、金型の手入れ、工具交換、部品形状の改訂で、良品の見た目そのものが変わります。良品の分布が変われば過排出が増える一方、欠陥の見え方も変わり得ます。さらに、工程不具合で傷や欠けが実際に増えれば、AIのNG増加は正しい警報です。モデル更新でその警報を消してしまうと品質問題を隠します。
三つ目は「運用上の結合ミス」です。品番がAなのにB用の撮像・判定レシピを呼んだ、カメラ画像とPLC排出信号が一つずれた、夜勤で手動補正が入った、時刻同期が外れた、といった場合です。グラフ上はドリフトに見えても、学習データを足しても解決しません。変化前後の最初の確認は、モデルのスコア以前に、品番、レシピID、設備版、画像ID、排出実績の一致です。
この切り分けを「変更イベント台帳」として残します。イベントには変更時刻、設備ID、品番、ロット、作業者、変更前後のカメラ・照明設定、部品図面や表面仕上げの改訂、対象モデル版、現品画像、復旧先設定を記入します。予定外の清掃や一時的な照度調整も書きます。台帳がないと、三週間後にNG率が上がった原因を追うとき、異なる変更が一つの塊に見えます。変更票は製造・設備・品質・ITが同じ版を参照できる場所に置きます。
外観検査のデータドリフトを何で監視するか
画像には画素ヒストグラム、明るさ、鮮鋭度、視野内の位置、飽和領域、欠落画像率といった単純な品質指標が使えます。欠陥候補領域のスコア分布、モデルが抽出した特徴量、埋め込み表現の距離なども候補です。ただし、画像全体の明るさ平均が同じでも、傷が出る面だけに反射が生じることがあります。逆に背景の照度が変わって距離指標が大きくても、欠陥の見え方は保たれているかもしれません。したがって代理指標を「性能低下の証明」にしません。
基準分布は、モデル学習に使った都合のよい画像集合ではなく、承認した撮像条件で実際に量産した期間から作ります。品番、設備、カメラ、照明レシピ、シフト、仕上げ、材料ロットなど、影響の大きい層に分けて保存します。新ロットの占める比率が変わっただけで全体分布が変わる場合があるからです。全体のドリフト指標が平静でも、少量の重要品番だけで異常が起きることもあります。層別の件数を常に付け、母数の小さい層の警報には「判定保留」の扱いを設けます。
監視の最初の層は撮像そのものです。トリガーしたのに画像がない、画像が飽和している、ワークが視野から外れる、フォーカスが落ちる、検査時間内に判定できない、といった問題は「AIのドリフト」ではなく設備・制御の故障として扱います。基準ワークを毎日の立上げや設備整備後に撮り、位置・明るさ・欠陥の見え方を比較する方法も有効です。基準ワークは劣化や汚れが起こるため、保管方法と交換判定も決めます。
次の層は無ラベルでも計算できる入力・スコアの変化です。設定した警報範囲から外れたら、工程の切替、設備履歴、原画像のサンプルを確認します。MicrosoftのAzure Machine Learningの監視概念は、データ品質、データドリフト、予測ドリフト、モデル性能を別信号として整理しています。ただし、クラウド製品の一般的な監視機能を「生の画像を投入すれば、外観検査のドリフトが自動判定できる」と解釈してはいけません。特徴量化、層別集計、ラベル接続、製造ラインの安全なアクションは用途に合わせた設計が必要です。
Google CloudのML運用ガイドにもドリフト監視の実践が示されていますが、構造化データ向けの組み込み機能と生画像の監視を混同しないことが大切です。どのプラットフォームでも、画像のどの表現を比較するか、基準群をどの期間から作るか、正常な品番変更をどう除外するかは工場側の責任です。ベンダーが「監視機能あり」と答えたら、対象データ型と実際のサンプル画面、検知後の現場動作を確認します。
遅れて届く正解ラベルを前提に性能を測る
本当に見逃しが増えたかを測るには、AI判定とは独立した最終判定が必要です。良品とされたワークの一部を抜き取って再検査する、NG品を品質担当が現品確認する、後工程の検査結果を紐づける、顧客からの戻りを追うなど、複数の経路があります。いずれも時差と偏りがあります。NG品だけを人が再確認すれば過排出は測れても、OK品の見逃しは測れません。顧客クレームだけを待てば遅く、母数と発見率が不明です。
サンプル採取は、単純なランダム抽出に加え、品番・シフト・カメラ・仕上げ・変更前後・スコア境界付近で層別します。重要欠陥は発生が少ないため、過去の実欠陥を保存した固定のチャレンジセットも保持します。ただし固定セットだけでは新しい工程条件を代表できません。日常の層別サンプルと、変更前後に増やす監査サンプルを組み合わせます。採取比率は顧客要求と欠陥リスクから決め、都合のよい一律件数を記事から転用しません。
正解ラベルには「欠陥が見えるか」「欠陥分類は何か」「出荷可否はどうか」を別欄に持たせます。限度見本が変わったとき、同じ画像の出荷可否が変わっても画像認識の誤りとは限りません。判定者が割れた境界品は、品質責任者が現品と規格を照合して裁定し、判定基準の版を残します。画像に写らない裏面の不良をAIの見逃しに数えないよう、検査範囲も紐づけます。ラベル付けの仕様自体は別途整備し、後日変更できる履歴を残します。
月曜日の画像に対する最終判定が金曜日に届くなら、月曜日のダッシュボードに「性能データ未確定」と表示します。日付は撮像日とラベル確定日の両方を持ち、速報と確定値を混ぜません。遅延率、未裁定件数、再検査の対象選択方法も公開します。スコア変化の警報は先行信号、確定した見逃し率と過排出率は遅行信号です。先行信号だけでモデルを入れ替えるのではなく、出荷リスクが高ければ暫定的に人の再検査や隔離範囲を増やします。
仮の例として、ある品番のNG率が前週より上がったとします。原画像の明るさが変わり、基準ワークも暗ければ、まず照明・レンズ窓・露光設定を点検します。画像条件は安定しているが現品で本当に傷が増えたなら、上流工程と材料ロットを調べます。画像も現品も同じなのに判定だけ変わったなら、モデル・しきい値・レシピ・データ結合を確認します。この例は診断の順序を示す仮定で、NG率の変化幅や管理限界の推奨値ではありません。
アラートを「再学習開始」ではなく現場の行動に結びつける
警報には少なくとも三段階の対応を作ります。撮像不成立、レシピ不一致、重要欠陥の見逃し疑いなど出荷判定の根拠が失われる事象では、自動隔離、手動検査への切替、設備停止のいずれを行うかを事前に定めます。入力分布の軽微な変化でラベル確定待ちなら、監視を強めてサンプルを増やします。許容範囲内の変動は記録して継続します。どの段階でも、品質保証が製品の出荷判断を、設備が撮像復旧を、モデル責任者が分析を担うよう、権限を分けます。
ダッシュボードは、全体のAIスコアを一枚表示するだけでは現場で使えません。画面には設備とレシピの現行版、変更イベント、品番別の撮像失敗、OK/NG/要確認数、現品裁定の完了率、欠陥別の見逃し・過排出、サンプル母数、未確定ラベル数、前版との比較を並べます。画面上の「正常」は対象層の証拠が十分かも示します。少量品番にサンプルがない状態を、ゼロ見逃しとして緑色にしないようにします。
アラートの受け手は人名ではなく役割と代行者で指定します。夜勤に品質担当がいないなら、隔離して翌朝裁定する範囲と、ラインを止める条件を前もって決めます。タイ語の現場手順、英語や日本語の報告書、設備画面の短い英語コードで同じ事象を指す対照表も役立ちます。通知だけが届き、現品の置き場や解除権限が決まっていなければ、監視システムは品質管理になりません。
画像検査AIのモデル更新を変更管理に載せる
モデル更新の候補が出ても、原因が照明の汚れならまず清掃と基準ワークでの復旧を試みます。新しい仕上げが正式な良品仕様なら、撮像条件で吸収するか、新条件を学習対象に加えるかを評価します。真の不良率が上がった場合は工程改善が主であり、モデルが不良を見逃すようにしきい値を動かすべきではありません。カメラ・照明・レシピの変更をモデルの再学習で隠すと、次の設備整備時に再び判定が崩れます。
変更票には、理由、影響を受ける品番と欠陥、変更前後のカメラ・照明・ワーク仕様、データ期間と除外条件、ラベル裁定、学習コードとデータ版、モデル重み、前処理、しきい値、推論環境、PLCインターフェース、想定する再検査量、承認者、適用日時、戻し方を書きます。モデルのファイルだけでは検査結果を再現できません。特に前処理としきい値、撮像レシピの組合せを一つのリリース単位として識別します。
学習用データに新条件を加える際は、既存条件の良品・欠陥を消さないようにします。新ロットの画像だけで学び直すと旧仕上げの検出が落ちる可能性があります。学習データ、調整用データ、最終受入用の封印セットは、可能な範囲で日付・ロット・設備状態をまたがないよう分離します。近接フレームや同一ワークの連写が学習とテストの両方に入ると、独立評価の数字がよく見えます。実欠陥が不足する領域は「未検証」と明記し、合成画像や良品のみの試験で保証値にしません。
MicrosoftのMLOps資料は、データ、モデル、コードの版管理、テスト、承認、運用監視を一連のライフサイクルとして扱います。Microsoft Custom Visionの再学習手順も、更新後に評価をやり直す流れを示しています。ただし、サービスの操作手順だけで工場の受入は完了しません。モデルの結果と、実機の撮像・排出・人の裁定までを含む変更管理票が必要です。
候補版はシャドー試験で現行版と比べる
候補版をいきなり排出ゲートへつなぐのではなく、同じ量産画像を現行版と候補版に並行入力し、候補の結果は出荷動作に反映しないシャドー試験を行います。両版の差分を、品番、ロット、仕上げ、シフト、欠陥、スコア帯、変更イベントごとに見ます。両者が一致する件数だけでなく、候補が良品を新たにNGへ送る件数、現行が検出していた不良を候補がOKへ変える件数を現品で裁定します。分母の違う比較を避けるため、画像欠落やタイムアウトも別枠にします。
シャドー試験での一致は必要ですが十分ではありません。同じ画像を見ても、量産の時間制約内に処理できるか、メモリや端末温度で遅くならないか、レシピ切替時に正しい版を呼ぶか、保存画像と実際の排出ワークが結びつくかを確認します。実機ゲートへの接続前に、模擬出力や隔離運転で制御への影響も試します。候補版が「スコアは改善したが遅延が増え、排出間に合わない」なら採用できません。
評価表には、欠陥別の見逃しと良品過排出を件数・母数で示し、重要欠陥の限界、要確認の処理能力、画像取得失敗、レイテンシ、層別の未検証条件を列挙します。数値の合格基準は記事の例から借りず、顧客要求・品質リスク・現行工程の能力に基づき品質保証と製造が先に承認します。テスト後に閾値を都合よく動かした場合は、その結果を最終独立試験と呼ばず、再評価します。
FAT・SATとロールバックをRFPの時点で発注する
FATでは、保存した基準画像とチャレンジ画像を使い、欠陥別判定、前処理、モデル・レシピの組合せ、更新手順、旧版への戻し、監査ログ、停電・通信断・画像欠落時の動作を試します。撮像実機を同梱できるならカメラと照明も含めます。工場の外光、振動、搬送速度、汚れ、現品の出入りはFATで完全に再現できないため、未検証項目としてSATへ渡します。FATの合格は量産での品質保証を代替しません。
SATでは、現場の実品番と交代勤務、設備の清掃後、レシピ切替、材料・仕上げの許容変動、ライン速度の上下、異常復帰を含めます。モデルを切り替えた時刻を境に画像、モデル版、しきい値、PLC信号、排出先を追跡し、取り違えがないか現品で確認します。変更直後の監査サンプルを増やし、一定期間は旧検査方法や人の裁定を併用します。期間と解除条件はリスクに合わせて事前に書き、結果が悪いとき延ばす権限を品質側に置きます。
ロールバックは「旧ファイルを保存すること」より広い作業です。旧モデル、前処理、しきい値、撮像レシピ、端末環境、PLC出力設定を再び整合させ、戻した後の基準ワークと現品で結果を確認します。戻し中に検査した製品をどう隔離するか、既出荷分をどのIDで追えるかも決めます。新しい品番を旧モデルが判定できない場合は、単純な巻き戻しではなく手動検査や対象品番の停止を選ぶことがあります。復旧訓練をSATで一度実行し、所要時間と担当者を記録します。
RFPには「ドリフト検知あり」という機能名だけを書かず、①取得する原画像・メタデータ、②層別監視と警報、③ラベル確定の遅延管理、④変更票と版管理、⑤シャドー実行の安全境界、⑥欠陥別の受入表、⑦FAT・SATの試験票、⑧ロールバック、⑨保守支援とデータ持ち出し条件を納品物として列挙します。ログの保存期間とアクセス権、顧客画像の取扱い、ネットワーク断時の動作も明記します。見積比較ではモデル再学習の単価だけでなく、現品裁定と再検証、ライン停止、夜勤対応、次の品番追加を含む総費用を見ます。
導入ロードマップ：監視を始めてから更新する
最初の段階は「測れる状態」を作ることです。設備・撮像・モデル・レシピ・品番の版と時刻を揃え、原画像と判定、排出、現品裁定を結びます。現行版の基準ワークと量産分布を保存し、既知の撮像不良と重要欠陥のチャレンジセットを用意します。データが欠けているなら、まず欠損率と結合率を見えるようにします。データが不完全なままドリフト指標だけを導入すると、見かけの変化を真に受けます。
次の段階で、撮像品質と入力分布の警報を品番・設備別に試行します。初期の警報は、現場で原画像と変更台帳を照合し、誤報の原因と有用な閾値を学びます。しきい値は設備や品番の安定度で変わり、普遍的な数値はありません。重大な判定不能だけを先に強制アクションとし、残りは検証付きの通知から始めてもよいでしょう。同時に、層別の再検査とラベル遅延を記録します。
最後に、実際の変更イベントを使って候補モデルの更新を一回通しで演習します。清掃・再調整で復旧できる事象と、正式な製品仕様変更でモデル更新が必要な事象を分けます。変更票、封印セット、シャドー比較、FAT・SAT、承認、監視強化、ロールバック訓練までを一つのケースで完了させます。ここまでできて初めて、再学習の自動化範囲を検討できます。モデル生成を自動化しても、出荷判断の承認を自動で省く設計にはしません。
変更前に決める責任分界とデータの保管
監視と更新の費用見積では、機械学習の計算費よりも、現品を確かめる人の時間、画像を追える状態で保存する仕組み、設備停止時の対応が見落とされがちです。品質保証は欠陥の定義、限度見本、最終裁定、出荷解除を持ちます。生産技術・設備はカメラ、照明、治具、トリガー、PLCと復旧を持ちます。IT・モデル担当はデータ結合、アクセス制御、版管理、分析、候補版の配布を持ちます。各役割の代行者と連絡先を昼夜のシフトごとに決め、ベンダーの遠隔支援がどこまで操作できるかも契約に書きます。
画像を全件保存するか、抽出画像だけにするかは、処理量、顧客の保持要求、調査時に必要な遡及範囲で決めます。全件が難しい場合でも、変更前後、判定境界、NG、要確認、撮像異常、抜取OK品について保存方針を明文化します。保存対象が変われば、後で見逃しを検証できる能力も変わります。原画像と加工後画像を区別し、同じワークの画像が別の品番やロットに結び付かないよう識別子と時刻同期を点検します。画像を外部サービスへ送る構成なら、権限、暗号化、保存先、削除、障害時の動作、顧客との契約上の制約も発注前に確認します。
「学習データはベンダーのもの」「モデルは工場のもの」と曖昧に分けると、契約終了やライン移設時に現行判定を再現できません。RFPで原画像、ラベル、裁定履歴、前処理、モデル、しきい値、レシピ、試験結果をどの形式で引き渡すか明示します。すべての知的財産権を移転する必要があるとは限りませんが、自社の品質記録へアクセスし、承認版を復旧できる実務上の権利は確認すべきです。保守契約では、新しい品番の追加、再学習の依頼、緊急復旧の応答、現場教育を分けて価格と責任を示してもらいます。
変更後の製品をどこまで遡って確認するか
ドリフトが見つかった瞬間だけを見ても、影響範囲は分かりません。最後に基準ワークと監査サンプルが正常だった時刻、最初の異常画像、設備変更時刻、モデル版切替時刻、ロット開始と終了を並べ、疑わしい製品の範囲を暫定設定します。時刻が不一致なら安全側に広げ、現品の抜取確認で範囲を狭めます。対象製品がすでに後工程へ進んだか、倉庫にあるか、出荷済みかで、品質保証の処置も異なります。モデル担当が「精度指標は戻った」と報告しても、対象製品の処置が済むまでは事案が閉じたことになりません。
タイ工場と国外の顧客・本社が関わる場合、現場のタイ語記録と顧客向け英語または日本語の報告で、品番、ロット、欠陥クラス、判定版、対象期間が同じになるよう識別子を共通化します。翻訳された自由記述だけで対象を照合しない設計です。異常の一次報告、暫定隔離、原因確定、更新版の受入、対象製品の解除を別の承認点にすれば、復旧を急ぐ圧力で製品処置が抜けることを防げます。
現場で使える月次レビューの進め方
月次レビューは警報件数だけを読む会議にしません。品質保証は、重要欠陥の見逃し、良品の過排出、要確認の滞留、顧客または後工程から戻った指摘を、品番・設備・シフト別の件数と分母で示します。生産技術は、基準ワークの撮像結果、照明交換、レンズ清掃、治具調整、トリガーの欠落と復旧時間を示します。モデル担当は、入力分布とスコアの変化、未裁定ラベル、前版との比較、封印セットのカバー範囲を示します。同じ資料に並べると、品質指標が悪化したときに責任部署を決めつける前に原因候補を整理できます。
例として、夜勤だけ過排出が増えた場合、最初に夜勤の材料ロット構成と設備の外光・清掃時刻を確認します。昼勤と同じ品番・同じ仕上げの画像に絞っても差が残れば、撮像条件と判定スコアを比較します。夜勤に限り要確認品の裁定が翌日に繰り越されているなら、速報値の見かけの差もあります。モデルの問題と判断する前に、層別後の母数、ラベル確定率、現品の保管状態を揃えます。こうした診断を議事録へ残し、次の月に対策が効いたか同じ切り口で追います。
レビューでは改善の終了条件も決めます。たとえば照明清掃後に基準ワークの明るさだけが戻っても、量産品の境界傷の検出、OK品の抜取結果、判定と物理排出の一致が戻ったかは別です。モデル更新後に新仕上げの成績が良くなっても、旧仕上げが悪化していないかを確認します。対策ごとに対象品番、比較期間、必要な現品数、判定者、残る未検証条件を記録し、「再発していない」の根拠を同じ条件で読めるようにします。
設備とモデルの変更が重なったときは、一度に両方を本番へ切り替えない運用が望ましい場合があります。まず照明だけを承認設定へ戻し、基準ワークと量産サンプルを確認してから、必要なモデル変更を評価すれば、何が効いたか分かりやすくなります。ただし生産停止や出荷リスクが高い場合、段階切替が許されないこともあります。その場合は旧新の構成を一組として記録し、復旧先と影響ロットをより明確にします。現場の変更順は品質保証と設備安全の責任者が決めます。
よくある質問
AI外観検査のモデルドリフトはNG率だけで分かりますか？
分かりません。真の不良増加、照明の変化、品番構成の変化、レシピ取り違えのいずれでもNG率は動きます。設備と品番で層別し、原画像、基準ワーク、変更履歴、独立した現品裁定を突き合わせます。見逃しはOK品の抜取監査がないと過小評価しやすくなります。
外観検査のデータドリフトが出たらすぐ再学習すべきですか？
まず撮像不良と工程変更の内容を確認します。汚れや誤設定なら設備を復旧し、真の不良増加なら上流工程を直します。仕様に適合した良品の見た目が恒常的に変わり、現行モデルで品質基準を満たせないと確認した場合に、管理されたデータで更新候補を作ります。代理指標の警報だけを学習開始条件にしません。
画像検査AIのモデル更新は、正解ラベルが遅い場合どう受け入れますか？
入力変化と撮像失敗は先に監視し、品質指標には「速報」「確定」の区別を付けます。候補版は封印セットとシャドー試験で評価し、品質担当が現品を裁定したサンプルについて欠陥別・品番別に比較します。未確定分を合格件数に入れず、重要欠陥で証拠が足りなければ未検証として手動確認などの管理策を残します。
AI検査の再学習と受入基準はRFPに何を書けばよいですか？
対象品番・欠陥・設備・撮像条件、取得する画像と版情報、層別監視、ラベル裁定、モデル更新権限、独立テスト、シャドー試験、FAT・SAT、戻し方、夜勤を含む異常対応を書きます。見逃しと過排出は欠陥別に件数と分母を示す形式を指定します。合格数値は自社の顧客要求と現品評価から決めます。
まとめ
AI外観検査の運用監視は、画像の変化を検知するだけでは完了しません。撮像・ワーク・工程・レシピ・正解ラベルを結び、入力変化と真の不良増加を分け、出荷に影響する事象を現場の行動へつなげます。モデルを更新する場合も、封印セットとシャドー試験で前版と比較し、FAT・SATで実機の判定と排出を確かめ、旧版へ安全に戻せるようにします。こうした証拠の鎖があれば、設備や品番が変わっても「なぜこの判定版を使うのか」を説明できます。
タイ工場で、カメラ・照明・表面仕上げ変更後の判定揺れや、再学習の受入条件を整理している段階なら、TOMAS TECHへご相談ください。現行の撮像条件、変更履歴、判定ログが揃っていなくても、何を先に計測すべきかから一緒に検討できます。
参考資料
- NIST AI RMF Playbook: Measure — 運用条件・データ／モデル変化に応じた測定の見直し、導入前後の評価。
- Microsoft Learn: Model monitoring in production — データ品質、ドリフト、予測、性能の監視概念。
- Microsoft Learn: Machine learning operations — 版管理、検証、承認、運用の流れ。
- Microsoft Learn: Test and retrain a model — 更新後にモデルを再評価する手順。
- Google Cloud: Best practices for implementing machine learning — ML運用と監視。構造化データ向け組み込み機能と生画像の監視は区別が必要。
- AWS Well-Architected: Modern Industrial Data Technology Lens — Scenarios — 産業データと現場シナリオの設計観点。
