BA01.[Bayesian Data Noir] 沈黙の工場、真実を彫刻するベイズの美学

直感とデータの境界線で：

射出成形工場のショートショット事件

機械は嘘をつかない。ただ沈黙するだけだ

工場は巨大な獣の腹の中のようだった。ドン、シュー、ドン、シュー。 数百トン級の射出成形機が刻む規則正しい心拍が、床を震わせている。それは工場の心臓の鼓動だった。だが今日、そのリズムはわずかに狂っていた。

検査班長が、汗に濡れた作業服のまま駆け込んできた。その手には、成形が不完全なプラスチックケース、いわゆる「ショートショット(Short Shot)」不良品が握られていた。

朝から様子がおかしいです。末端まで充填されません。もう何回目かわかりません。

「ショートショット(Short Shot)」。溶融したプラスチックが金型の末端まで到達できず、そのまま固化してしまう未充填不良。現場のエンジニアたちは、この不良を「幽霊」と呼ぶ。原因があまりにも多いからだ。

作業班長が油のついた手袋を外しながら尋ねた。「バレル温度が低いのでしょうか。それとも射出圧が足りないのでしょうか。まずヒーターを外してみますか？」

現場では、多くの場合「勘(Gut Feeling)」で判断する。「今日は寒いから温度の問題でしょう」。そしてその勘が外れれば、数百万円単位の金型修正費用が空中に消える。

私は首を横に振った。「いいえ、まだです。まだ確信できません。もう少し確認しましょう」

私は空のノートを手に取った。私の武器である「ベイズ推論(Bayesian Inference)」を取り出したのだ。ベイズ数学とは、冷たいデータを通じて熱い真実へ近づいていく過程であり、まさに「ベイズ更新(Bayesian Update)」の記録である。

私はしばらく、容疑者を追い、犯人を探し出す刑事(Detective)になることにした。犯人は工場の中にいる。私の頭の中には、ただちに二人の容疑者(Suspect)が浮かんだ。

容疑者(Suspect)

• 容疑者A：温度($H_T$)

• 性格：気まぐれ。バレル温度が低かったり、ハンチング(hunting)が発生したりすると、樹脂が固まり、末端まで流れない。不安定な充填によるショートショット不良を引き起こす。

• 特徴：こいつが犯人なら、不良率は8%(p = 0.08)まで跳ね上がる。

容疑者B：圧力($H_P$)

• 性格：臆病で力不足。この容疑者は保圧が弱く、ときどき末端まで押し切れない問題を起こす。

• 特徴：こちらが犯人なら比較的おとなしく、不良率は4%(p = 0.04)程度にとどまる。

経験的な直感と疑い、事前知識(Prior：事前確率)

犯人はこの二人のどちらかだ。だが、軽率に機械を止め、ヒーターを分解するわけにはいかない。MES(生産管理システム)の前四半期の記録を見ると、ショートショット事故の60%は「温度」の仕業だった。

「過去の前科を見る限り、今回も温度の可能性が高いな」

私の頭の中で、事前信念(Prior Belief)が設定される。私はデータをノートに記録し始めた。

• 事前確率(Prior)

• 温度である確率 P($H_T$)：60%（有力容疑者）

• 圧力である確率 P($H_P$)：40%

プロは確率よりもオッズ(Odds、勝算)を好んで使う。

（解釈：現時点で私は、温度が犯人であるという側に、圧力より1.5倍多く賭けている。）

第一の証拠：午前の襲撃 (Update 1)

「作業班長、いま生産されたものを50個だけ無作為に検査しましょう」

午前10時、第一の証拠物($D_1$)が机の上に並べられた。50個のサンプルのうち、5個がショートショットだった。(n = 50, k = 5)

「50個中5個……不良率10%か？」

一瞬、背筋が冷たくなった。圧力問題($p$ = 0.04)なら、50個中せいぜい2個程度が自然だ。圧力の仕業にしては荒すぎる。5個は多すぎる。むしろ、荒々しい温度（不良率8%）のシグネチャ(Signature)に近い。

ここでベイズの核心武器である尤度(Likelihood)が登場する。「誰が犯人であれば、この証拠(5/50)がより自然に説明できるのか？」

私はすばやくベイズ因子(Bayes Factor)、すなわち「証拠の重み」を計算した。

4.7倍。

このデータ（50個中5個の不良）は、圧力仮説よりも温度仮説を4.7倍強く支持している。

これで私は、自分の信念を更新(Update)しなければならない。「もともとの信念(1.5)」に「証拠の力(4.7)」を掛け合わせる。

ベイズ更新 (Posterior 1)：確信の急上昇。

既存のオッズ(1.5)に証拠(4.7)が結合される。

これを確率に換算すると：

新しい確信：温度が犯人である確率は60%から87.6%へ急騰した。データが「犯人は温度だ！」と叫んでいる。

「ヒーター側の問題である確率が90%近くあります！ 作業班長、保全部隊を待機させてください。バレル温度をチェックします！」私の声には確信があった。勝利感に酔い、コーヒーを一口飲んだ。

第二の証拠：ベイズの反撃(Update 2)。

このシナリオの見せ場はここからだ。多くの人は、ベイズを「一度計算して終わるもの」だと誤解している。しかしベイズの真の力は、累積(Update Loop)にある。

午後2時。保全部隊が到着する直前、作業班長が奇妙な表情で第二のサンプル($D_2$)を持ってきた。「昼食後に、さらに50個抜き取ってみたんですが……妙です」

[合計50個中、不良1個発生]

「何？ 1個だと？」私の確信にひびが入る音がした。もし本当に犯人が荒々しい温度（通常8%）なら、50個中1個（2%）は少なすぎる。むしろこれは、おとなしい圧力（通常4%）が起こしそうな出来事だ。

データが叫んでいる。「犯人は温度ではないかもしれない！」

さあ、ここからベイズ推論の魔法が始まる。先ほど私が持っていた87.6%の確信(Posterior)。それは消えるわけではない。それは午後の推論のための新しい出発点(New Prior)になる。

[午前の結論 = 午後の出発点]。これこそが、人工知能が、そして私たちが世界を学ぶ方法である。私は再び計算を始めた。午前の計算結果（事後確率）を、今回の計算の事前確率へ更新し、データ($D_2$)の証拠能力を検証する。

値は1を大きく下回っている。これは「温度仮説に不利な証拠」という意味だ。正確には、第二の証拠は圧力仮説を約4倍強く支持している。強烈な反証である。午前の確信が崩れていく音が聞こえた。

ベイズ第二更新(Posterior 2)：ベイズの審判、謙虚になる確信。

ここで「午前の確信(Odds 7.05)」に「午後の反転(0.244)」を掛ける。

確率に換算すると：

真実は収束する。

頭の中の確率グラフが激しく揺れた。私は急いで保全部隊への呼び出しを止めた。

「待ってください。まだヒーターを外さないでください」

私は汗を拭い、椅子にもたれた。午前には87%確信していたが、今は64%まで落ちている。依然として温度は疑わしい。しかし「圧力」である可能性も36%まで蘇った。もし先ほど興奮してヒーターを外していたら、正常なヒーターだけを交換し、真の原因かもしれない圧力問題を見逃していただろう。工場は最も重要な時間を失い、無駄な費用まで払うところだった。

「作業班長、次のLotでサンプルをもう50個だけ抜き取りましょう。データがもう一つあれば……確実に捕まえられます」

データが蓄積されれば、霧は晴れ、真実が姿を現す。真実はデータが積み上がるほど収束する。それがベイズが私たちに教えてくれる方法だ。

私は再び、機械の鼓動に耳を澄ませた。私たちは軽率に「犯人はお前だ！」とは叫ばない。ただ、絶えず流れ込むデータを見ながら、「最も真実に近い確率」へ更新し続けるだけである。

このシナリオの核心 Insight

• 直感の数値化：「温度の問題のようだ」という勘を P(H)=0.6 という数値に変えた瞬間、管理が可能になる。0.6がその瞬間の真実でなくても構わない。データが蓄積され、更新が続けば、モデルは自ら学習する。いずれ真実へ収束していくからだ。

• データの重み(LLR)：5/50の不良は強力な証拠(+1.55)だったが、二回目の1/50という良好な結果は、それと同じほど強い反証(-1.39)となり、均衡を取り戻す。

• 動的意思決定：ベイズの視点は固定された結論ではない。「これまでの情報ではここまでわかる」という謙虚で柔軟な態度が、エンジニアを失敗から救う。

[ガイド] 数学解説集、Pythonコード付録

この緊迫した捜査劇の中で、私たちはすでにベイズ統計の核心となる4段階を経験した。

• 事前確率 (Prior)："過去を見ると、あいつが犯人らしい。"（初期信念）

• 尤度 (Likelihood)："現場の証拠が、あいつのスタイルにぴったり合う。"（証拠の適合性）

• ベイズ因子 (Bayes Factor)："この証拠はAよりBを何倍強く支持するのか。"（証拠の重み）

• 事後確率 (Posterior)："証拠を反映して自分の信念を修正しよう。"（最終結論）

そして最も重要なこと。今日の事後確率は、明日の事前確率になる。これこそが学習(Learning)の本質である。

• 数学：この物語は単なるエピソードではない。徹底した数学的計算の上に築かれた城である。教科書で学ぶ「伝統的なベイズの定理」が、現場で使われる「オッズとベイズ因子」へどのように変換されるのか、その数学的青写真(Blueprint)を別の付録記事で公開する。

• Pythonコード：本文のシナリオをそのままPythonコード化した、もう一つの付録記事も参照できる。