AI異常検知の「評価」を、手を動かして理解する(1/4)

2026-07-28 2026-07-28

kotai2003

AI外観検査を導入するとき、いちばん誤解されやすいのが 「評価（evaluation）」 の部分です。
「F1 が最大の閾値に設定します」と言われても、F1 とは何か、なぜ閾値で結果が変わるのか、
100% という数字をどこまで信じてよいのか — ここが腹落ちしないまま話が進みがちです。

この記事では、ブラウザで動く教材アプリを 実際に操作しながら、異常検知の評価プロセスを
一歩ずつ体で理解していきます。数式の暗記は不要です。スライダーを動かして、
数字とグラフが一斉に動くのを眺めるだけで、評価の全体像がつかめます。

アプリ（無料・インストール不要）
https://anomalydetectiondemo.streamlit.app/

この記事を別ウィンドウで開き、アプリを操作しながら読むのがおすすめです。
表示されるデータはすべて説明用の疑似データで、実製品のデータではありません。

このチュートリアルで分かること

各パートには 🖱 操作と 👀 観察を用意しました。実際にやってみてください。

Part 0. 前提：AI は「良品らしさ」を測っている

異常検知には、有名な言葉があります。

幸福な家庭はみな同じように似ているが、不幸な家庭は不幸なさまもそれぞれ違うものだ。
— トルストイ『アンナ・カレーニナ』

良品はどれも似ていますが、欠陥は一つひとつ違います。 キズ、打痕、汚れ、欠け…
欠陥のパターンを全部集めて教えるのは不可能です。そこで良品学習型の異常検知は、
「良品らしさ」だけを学び、そこからどれだけ外れているかを数値化 します。

この数値が 異常スコア（0〜1）です。良品らしいほど小さく、欠陥らしいほど大きくなります。
そして、あるライン（閾値）を超えたものを「NG」と判定します。

つまり AI は最初から「OK / NG」と言っているのではなく、
スコアを付け → 閾値で線引きする、という 2 段構えなのです。
この記事は、その「線引き（＝評価）」を掘り下げていきます。

画面の構成：左が操作パネル（閾値スライダーと分布設定）、右が 4 つのタブです。

タブ①には 2 つのグラフがあります。同じデータの別の見方 です。

グラフの下に、いちばん大事な 2 つの数字があります。

左サイドバーの 閾値スライダー を 0.30 くらいまで下げてみましょう。

👀 観察：過検知が 67 件 に跳ね上がり、見逃しは 0 件 になりました。
線を左に寄せると欠陥は全部つかまえますが、良品まで大量に巻き込みます。

今度は 0.60 くらいまで上げてみます。

👀 観察：過検知は 0 件、しかし 見逃しが 62 件。
線を右に寄せると良品は素通しできますが、欠陥をごっそり見逃します。

👀 観察：過検知 11 件・見逃し 12 件。両方が少ないバランス点です。

過検知と見逃しを同時にゼロにする閾値は存在しません（分布が重なっているため）。
片方を減らせば、必ずもう片方が増える。だから閾値は「数学的な正解」ではなく、
見逃しと過検知のどちらをより避けたいか、という品質方針で決める運用条件 なのです。

これが異常検知の評価で最初に押さえるべき、いちばん大切な感覚です。