星では分からない"壊れ方"を社外データ×AIで可視化【Bright Data】

※本記事はBright Data社の提供でお送りします（PR）。検証と評価はすべて筆者自身が行っています。

最近、製造業の現場でも「AIで品質改善」「機械学習で異常検知」という言葉を、よく聞くようになりましたね。ですが、取り組もうとした人達は、みんな"同じ壁"にぶつかっているのではないでしょうか。それは・・・ＡＩに学習させるデータが無い、という壁です。

製品は良品で当たり前、故に不良品のデータは数万件に１件。自社製品のクレームは年に数十件。不具合が少ないのは健全で実にいいことですが、データの観点から見ればこれは不健全。非常に偏っているといわざるを得ません。

さらには数が少ないゆえに、不良のデータは体系的に整理されてないことがほとんど。「製品が壊れてる」「箱が潰れた」「電源が入らない」「傷がある」など、種類もレイヤーもごちゃ混ぜで届く。これでは学習どころの話ではありません。

一方で目を社外に向けると、実はそこに宝の山が。自社の工場でなくても、Web 上に何万件もの"故障の声"が転がっています。

でも、何だか怖くない？合法なの？勝手に使っていいの？・・・そもそも AI の学習って、何をどうすることなの？

と色々と心配があるでしょう。本記事では社外にデータを求める方法、また活用法についてざっくばらんにお話しします。今回は個人でできる範囲で、データを収集して故障モードを解析するＡＩを作ってみました。意外なデータから、工具の故障モードがわかるかも！？

では、さっそくいきましょう！！

「自社データがない」なら、社外に求めればいいじゃない

かつて、データサイエンス界のマリーアントワネットは言いました。

製造業の機械学習が止まる理由は、だいたい 3 つです。データが少ない、偏っている、OK/NG が判断できない曖昧な情報しかない。不具合データは「起きてほしくないもの」なので、自社の中だけで集めると年単位の時間が掛かってしまいます。

ここで発想を変えましょう。実は自社内のデータにこだわる必要はないのです。同じ性質をもった外部のデータを自社の仕組みに活かすこともできます。

AI には転移学習という考え方があります。似た性質の大量データで"基礎"を覚えさせ、少量の本番データで"仕上げ"をする。「日本語を習得した異国の新人研修生に、不具合分類の仕事だけを教える」ようなものです。"日本語を教える"みたいな基礎力の部分は、自社データである必要がないんですね。

ただし、社外のデータを活用するといってもインターネット上に転がってるデータを無尽蔵に使っていいかと言われたら、当然そんなことはありません。データを集めるためには色々な手法があります。例えば Web 系でいえばスクレイピングといって、プログラムに Web ページを次々と開かせて、必要な部分だけを抜き出してくる方法があります。ただスクレイピングを禁止しているサイトもありますし、素人が下手にやろうとすると相手側のサーバーに負荷をかけてしまい、思わぬトラブルを招く可能性もあります。社外のデータは、社内データと違った意味でまた集めるのが難しいのです。

しかし、そんな問題を解決してくれる素敵なインフラがあります。それが今回紹介する "Bright Data" なのです。

Bright Data という"データインフラ"

社外のデータを安心して使えるようにしてくれるデータインフラ。それが今回使う Bright Data です。一言でいうと「Web からデータを取ってくる代行業者」。イスラエルの企業で、年間売上 3 億ドル、顧客 5 万社超。公式サイトによれば「世界トップクラスの AI ラボの 75% が利用」しているそうです。

何を代行してくれるのか。試しに、Amazon のページをプログラムで開こうとしてみてください。人間がブラウザで見る分には何の問題もないページが、プログラムからだと門前払いを食らいます。Amazon のような大手サイトは「これは人間じゃなくてプログラムだな」と見抜く仕組みを持っていて、見抜いた瞬間にページを見せなくなるのです。「信号機の画像をすべて選んでください」というアレ（CAPTCHA と言います）も、その仕組みの一部ですね。

Bright Data は、この門番との付き合い方を全部引き受けてくれます。世界中に散らばった数億台分の回線を使い分けて「普通の人がいつも通り見に来た」ように振る舞い、面倒な確認もこなしてくれる。しかも Amazon や YouTube のような主要サイトについては、ページの見た目をそのまま渡すのではなく、「レビュー本文・星の数・投稿日・購入済みかどうか」のように項目ごとに整理された表の形で返してくれます。自分でプログラムを書いて、サイトの模様替えのたびに直し続ける日々からの解放、というわけです。

合法性については、Meta 社と X 社（旧 Twitter）から訴えられ、いずれも「ログアウト状態で公開データを取得すること」の正当性を勝ち取った唯一の Web データ企業だと公式に掲げています。

といわれても、実際に触ってみないとよくわかりませんよね。Bright Data、触れます。まず個人で試したいエンジニアにとって重要なのがここ。無料枠は月 5,000 クレジット、クレジットカード不要です。すぐに使い始めることができます。

ちなみに今回は Bright Data の Web MCP（AI エージェントがツールを呼ぶための接続口）を Claude Code につないで、「この商品のレビューを取ってきて」と頼むだけで使いました。

概要の説明はこれくらい。ここから今回試してみた具体的な取り組みについて紹介します。

今回やったこと — レビューの"星"の裏側をAIに読ませる

やったことを一言でいうと、Amazon の電動工具レビューを約 2,000 件集めて、「壊れ方」を仕分ける AI を作った、です。

Amazon のレビューには星の数がついています。でも星 1 つのレビューが「使い始めてすぐ異音がした」なのか「箱が潰れて届いた」なのかは、星を見ても分かりません。前者は製品の問題、後者は配送の問題。品質保証の人にとっては全然違う話ですよね。そこで、レビューの文章を読んで「異音」「破損」「動作不良」「精度」「バッテリー」「発熱」「漏れ・錆」「納品・梱包」「正常」の 9 種類に自動で仕分ける AIを育てました。人間が 2,000 件読めば半日仕事ですが、AI なら数秒です。

これができると何が嬉しいのか。星の平均では同じ「4 点台」に見える製品どうしを、「何で怒られているか」で比べられるようになります。たとえば純正メーカーの工具と「純正互換」をうたう安い工具。星はほぼ同じでも、壊れ方は同じでしょうか？ それから、自社製品のレビューを同じ AI にかければ、競合と比べて自社はどのモードで負けているのかが、内製データなしで数字になります。

ここでBright Data じゃないと成立しない理由を一つ。Amazon のレビューは、プログラムから素朴に取りに行くと前述の門前払い（HTTP 503 というエラー）で 1 件も取れません。私も最初に試して、中身を見る前に弾かれました。Bright Data 経由だと、同じページが「レビュー本文・星・日付・購入済み」の表になって、失敗ゼロで 1,873 件返ってきました。スクレイピング未経験の私が、半日で 2,000 件近いレビューを手にできたのは、正直この代行がなければ無理でした。

もちろん楽ばかりではなく、泥臭い失敗もいくつかあったので、そこも含めて公開します。

実際に集めてみた — 流れと、取れたデータ

集める作業は、ざっくり 3 ステップです。

ステップ 1: つなぐ。 Bright Data のアカウントを作り、Claude Code に「Bright Data を使っていいよ」と 1 行教えるだけ。所要 5 分。

ステップ 2: 商品を探す。 インパクトドライバ、ディスクグラインダ、エアコンプレッサ、レーザー距離計、溶接機、ベアリング・・・製造業エンジニアが Amazon で買いそうな 14 カテゴリで商品検索し、評価数の多い順に各 22 商品を選びました。

ステップ 3: レビューを取る。 「この商品のレビューをくれ」と 159 回頼んで、1,873 件。1 商品あたり 1 分前後、合計 4 時間半。失敗ゼロ。取れたデータは、たとえばこんな感じです。

{"rating": 1, "review_posted_date": "August 11, 2026", "is_verified": true,
 "brand": "Makita", "review_text": "ケース本体+ケースと記載されて購入したが、ケース付属されてませんが…"}

星・日付・購入済みフラグ・ブランド・本文が、最初から項目に分かれて届く。これが「整理された表で返してくれる」の意味です。

泥臭かったのは 3 つ。日本語で検索したら無関係な英語の本が返ってきたこと（英語で検索したら直りました）。取れたと思ったら全部「ã…」の文字化けで、脳内で 2000 年代のガラケーが起動する音がしたこと（私のミスで、無傷で復元できましたが 30 分溶けました）。そして海外のレビューが 2 割混ざっていたこと。日本語だけに絞って、最終的に 1,466 件が AI の教材になりました。

AI に"壊れ方"を読ませる — 何をどう学習したか

ここからが機械学習です。難しい話は最小限にして、何をしたかだけ追います。

まず「正解」を用意する

AI に仕分けを覚えさせるには、「このレビューは異音」という正解付きの例が要ります。最初は横着して、「星 1〜2 で"異音"という単語があれば異音」のようにキーワードで自動判定しました。ところが、星 1〜2 のレビューのうち、これで拾えたのは半分以下。拾えなかった残りを読んでみると・・・

「箱の角が潰れてる」「バッテリー 2 個のはずが 1 個しか来なかった」「開封済みの商品が届いた」

製品の話ではなく、物流の話なんです。ここで「納品・梱包」という仕分け先を追加しました。これが後で効いてきます。

最終的な正解ラベルは、レビューを 1 件ずつ LLM（ChatGPT のような文章 AI。今回は Claude）に読ませて付けました。別途 120 件を人手基準で確認して突き合わせたところ、一致率は 89%。食い違ったのは「ビットが入らないのは"精度"か"動作不良"か」のような、人間同士でも割れるケースばかりでした。

AI は文章を"座標"に置いているだけ

使ったのは京都大学が公開している日本語の言語モデル（DeBERTa）です。このモデルがやっていることは、文章を座標に変換すること。「ガタガタ音がする」と「キーキーうるさい」は近くに、「箱が潰れて届いた」は遠くに置かれるよう、大量の日本語であらかじめ訓練されています。「日本語を習得した研修生」がこれです。

仕分けは、その座標の上に境界線を引くだけ。境界線の引き方を正解付きレビューで調整するのが「ファインチューニング」で、Google Colab の GPU なら数分で終わります。研修生に「不具合分類の仕事だけ」教える、の部分ですね。

社外データは本当に効いたのか

「社外の大量データで基礎を作り、少量の本番データで仕上げる」は本当に効くのか。学習のさせ方を変えて比べました。基礎に使ったのは、研究用に公開されている 2020 年の日本語 Amazon レビュー 20 万件（服や本など雑多）。仕上げに使ったのが今回 Bright Data で集めた工具レビューです。

結果は B の一人勝ち。少量の本番データだけ（C）では、「異音」「発熱」のような珍しい不具合をほとんど「正常」と答えてしまい、立ち上がりません。基礎を社外の大量データで作ってから仕上げる、という記事の主張がそのまま実測で出ました。「学習なんてしなくても AI に聞けばいいのでは？」という疑問には、0.24 という数字が答えですね。

ここまでのまとめをすると、AI は文章を座標に置いて線を引いているだけ。その座標を作る力を、社外データで借りたということです。

では、この AI はレビューから何を読み取ったのか・・・見ていきましょう。

データが答えた 2 つのこと

① 星 1〜2 レビューの約 4 割は"物流"だった

育てた AI を全レビューにかけ、星 1〜2 だけを取り出して、カテゴリごとに「何で怒られているか」を積み上げたのがこの図です。

ディスクグラインダやベアリングの低評価は、ほぼ全部が「箱が潰れていた」「開封済みだった」。製品はたぶん壊れていません。一方で丸ノコは「ベースプレートが歪んでいる」という精度の話、コンプレッサには「エアが漏れる」「端子が発熱した」という製品固有の不具合が出てきます。

品証の立場で見ると示唆は明確です。製品不良と出荷・流通不良を自動で仕分けるだけで、クレーム対応の初動が変わる。星の数だけ見ていたら、この違いは絶対に分かりません。

② 純正 vs 互換品、壊れ方は違うのか

インパクトドライバには、マキタや HiKOKI といった純正メーカー（48 商品・124 件）と、「マキタ互換」をうたう海外ブランド（8 商品・48 件）が同居しています。星の平均は 4.2 と 3.9。「互換品は少し評判が悪い」で終わる程度の差です。ところが AI で仕分けた製品不具合レビューの割合は 8% 対 23%、およそ 3 倍でした。

星 1〜2 の中身を見ると差はもっとはっきりします。純正の低評価は 6 割が「納品・梱包」で、製品そのものへの不満はわずか。互換品の低評価は 「破損」3 割・「動作不良」2 割・「精度」1 割と、製品の話が中心です。

つまり純正は「モノは良いが届き方で怒られている」、互換品は「モノで怒られている」。互換品の低評価は 10 件ほどなので傾向として読む数字ですが、方向ははっきりしています。

さらに、同じカテゴリの不具合率を基準線に、製品ごとの p 管理図（不良率の管理図。QC の定番で、基準から大きく外れた製品が一目で分かる）を描くと、限界を超えた製品が赤く浮かび上がります。赤くなった 1 台は、案の定マキタ互換をうたう無名ブランドでした。個人的にはここが一番ワクワクしました。自社製品を同じ図に載せれば、内製データがゼロでも市場品質のベンチマークになるんです。

まとめ

本記事の内容を復習しましょう。

• 製造業の AI が止まる理由は「データが少ない・偏っている・曖昧」。基礎は社外データで作れる
• Bright Data は Web データ収集の代行インフラ。プログラムでは門前払いされる Amazon のレビューが、整理された表で届く
• 電動工具のレビュー 1,873 件を集め、「壊れ方」を 9 種類に仕分ける AI を Colab で育てた
• 社外の大量データで基礎を作り、少量の本番データで仕上げる転移学習が最も強かった（正解率 0.75）
• 星 1〜2 レビューの約 4 割は製品ではなく物流の話。仕分けるだけで品証の初動が変わる
• 純正と互換品は、星は同じでも「壊れ方」が違う。自社製品を載せれば市場品質のベンチマークになる

「自社にデータが無い」は、もう理由になりません。Bright Data の無料枠はクレジットカード不要で今日から試せます。是非とも、活用してみてください。あなたの品質改善を、次なるステージへと進めましょう。