複合樹脂レシピ開発におけるデータ品質の低下とコスト負担
生産・物性・原材料など、さまざまなソースが分散しており、重複データや誤値が多く発生してデータ品質が低下しています。
特に、レシピの組み合わせが膨大なため、実験に要する時間とコストの負担が増大し、必要なラベル数の確保にも困難が伴います。
新しい原材料を評価する際には既存指標との乖離が大きくなり、AIモデルの信頼性が低下しています。
そのため、工場現場からのフィードバックを反映しながら継続的に改善を行えるサイクルの構築が求められています。
データ完全性の確保とAIベース物性予測モデルの高度化
データの完全性を確保するために、チェックリストコードを活用して物性の品質を管理し、複雑なレシピ変数を統合することで実験回数を削減し、必要なラベル数も同時に減少させます。
また、状況別のテストシナリオを構築して各条件における精度のばらつきを把握することで、AIモデルの信頼性を向上させます。
さらに、カスタマイズされたダッシュボードを提供し、工場現場からの意見を体系的に収集できる仕組みを整備します。
AIベースの物性予測精度向上と開発期間・コストの削減
高品質なデータを確保し、AIモデルの予測精度を向上させます。
ラベル数の最適化によってレシピ開発に要する時間とコストを削減し、状況別の信頼度基準を明確にすることでモデルの活用範囲を具体化します。
また、フィードバックに基づく改善サイクルを構築し、プロセス最適化と持続的な生産性向上の仕組みを実現します。
