不良品率と次元の壁を超えて！数字で見抜く「世界のバランス」

2025年12月24日 2025年12月24日山崎講師

山崎講師

こんにちは。ゆうせいです。

突然ですが、あなたは「工場のライン長」と「AI開発者」、どちらの仕事に興味がありますか？

「全然違う仕事じゃないか！」と思いましたよね。片やヘルメットを被って製品をチェックし、片やパソコンに向かってプログラムを書くイメージでしょう。

でも実は、この二つの世界には、ある共通した「数字の悩み」が存在するのです。

それは、「完璧を求めすぎると、逆にうまくいかなくなる」というパラドックスです。

今回は、これまでお話しした「製造業の品質管理」と「数学の次元・次数」という二つの視点をミックスして、数字で見える世界の本質に迫ってみましょう。

1000個中3個の失敗は許されるか？

まずは工場の現場からスタートです。

目の前に製品が $1000$ 個あり、そのうち $3$ 個が不良品でした。これをどう評価すべきでしょうか。

「歩留まり」と「PPM」の視点

ここで使う物差しが、「歩留まり（ぶどまり）」です。

これは「材料からどれだけ良品ができたか」を表す割合です。今回のケースなら $99.7$ パーセントですね。

学校のテストなら超優秀です。しかし、これがもし「100万個作る自動車部品」だったらどうでしょう。

ここで登場するのが、100万分の1を表す単位「PPM（ピーピーエム）」です。

$0.3$ パーセントの不良率は、PPMに直すと $3000$ PPM。つまり100万個中 $3000$ 個が不良品ということです。

命に関わる部品でこれが起きたら、大惨事ですよね。だからこそ、プロの世界では桁違いの精度が求められるのです。

怖いのは「不良品ゼロ」の検査

しかし、ここで面白い落とし穴があります。

「じゃあ、検査で不良品が一つも見つからなければ最高だね！」と思うかもしれません。

実は、それこそが最も危険な状態かもしれないのです。

生産者危険（第一種の過誤）： 良品を「ダメ！」と判定して捨ててします（もったいないミス）。
消費者危険（第二種の過誤）： 不良品を「ヨシ！」と判定して出荷してしまう（危険な見逃し）。

もし検査機が故障していたり、基準が甘すぎたりして「全ての不良品を見逃している」としたら……。

「不良品ゼロ」という報告は、平和の証ではなく、嵐の前の静けさかもしれないのです。

「次元」と「次数」で見る複雑な世界

さて、視点を数学の世界に移しましょう。

現実のデータや製品の良し悪しを分析するとき、私たちは数式を使います。ここで多くの人がつまずくのが「次元」と「次数」の違いです。

似て非なる二つの「次」

次元（Dimension）：世界の広さ。アリが糸の上を歩くのが1次元、机の上を歩くのが2次元、私たちが空を飛ぶのが3次元です。変数の数（ $x, \ y, \ z$ など）で決まります。
次数（Degree）：式の複雑さ。文字が何回掛け算されたか（ $x^2, \ x^3$ など）で決まります。

2次元の紙の上（平面）に、複雑な3次関数のグラフ（Ｓ字カーブ）を描くことができるように、これらは「舞台」と「役者」のような別物なのです。

AIは複雑な「次数」が大好き

現実世界の問題、例えば「明日の株価」や「画像認識」は、直線（1次式）では表せないほど複雑です。

そこで役立つのが、次数の高い関数を扱える「機械学習（AI）」です。

人間がお手上げになるような $100$ 次式のような複雑な計算も、AIなら文句も言わずに「ここにはこんな法則がありますね」と見つけ出してくれます。

完璧主義の罠「過学習」

ここで、工場の話とAIの話がリンクします。

工場で「検査を厳しくしすぎて良品まで捨ててしまう」のと同じようなことが、AIの世界でも起こるのです。

それを「過学習（オーバーフィッティング）」と呼びます。

AIに次数を高く（複雑に）することを許しすぎると、AIは「たまたまそこにあったデータ」にまで無理やり線を合わせようとします。

結果、ギザギザで歪な数式が出来上がり、新しいデータが来たときに全く役に立たなくなってしまうのです。

まるで、問題集の「答え」を丸暗記して、数字が変わったテストで0点を取る学生のようです。

究極の共通点「トレードオフ」

製造業の検査も、AIの機械学習も、結局は「メリットとデメリットのバランス」をどこに置くかという戦いです。

厳しくする・複雑にするメリット

検査： 不良品の流出を限りなくゼロにでき、ブランドの信頼を守れる。
AI： 人間には見えない複雑な法則や微妙なニュアンスを発見できる。

厳しくする・複雑にするデメリット

検査： コストが跳ね上がり、良品まで捨ててしまう（生産者危険）。
AI： データに合わせすぎて応用が利かなくなる（過学習）。中身がブラックボックス化して理由がわからなくなる。

まとめ

「1000個中3個の不良」は正常か？

「次数が高い数式」は優秀か？

この問いに対する唯一の正解はありません。

大切なのは、「何を作っているのか」「何のために分析しているのか」という目的です。

100円のペンなら3個の不良は許されるかもしれませんが、ロケットの部品なら許されません。

大まかな傾向を知りたいなら単純な直線で十分ですが、精密な予測が必要なら複雑なAIが必要です。

数字や数式は、ただの道具です。それに振り回されるのではなく、「ちょうどいいバランス」を見極める目を持つこと。それこそが、エンジニアやデータサイエンティストの本当の腕の見せ所なのです。

今後の学習の指針

品質管理と数学のつながりが見えてきたあなたに、次は「正規分布（せいきぶんぷ）」という言葉をプレゼントします。

工場の製品のバラつきも、学校のテストの偏差値も、自然界の多くの現象はこの「釣鐘型のカーブ」に従います。

これがわかると、「異常」と「正常」の境界線が、数式でくっきりと見えるようになりますよ。

それでは、またお会いしましょう。

セイ・コンサルティング・グループの新人エンジニア研修のメニューへのリンク

投稿者プロフィール

山崎講師代表取締役

セイ・コンサルティング・グループ株式会社代表取締役。
岐阜県出身。
2000年創業、2004年会社設立。
IT企業向け人材育成研修歴業界歴20年以上。
すべての無駄を省いた費用対効果の高い「筋肉質」な研修を提供します！
この記事に間違い等ありましたらぜひお知らせください。