学習データを自社で揃えるといくらかかるか — コストの内訳

AI開発の予算を組むとき、学習データの費用が「アノテーション単価 × 件数」だけで見積もられていることがあります。この形で通した予算は、たいてい途中で足りなくなります。データを集める前の調整と、集めたあとの手直しが計算に入っていないためです。

この記事では、学習データを自社で揃える場合の費用を工程ごとに積み上げます。想定しているのは、画像・映像・センサーデータのように、自社の現場にカメラや機器を据えて新たに取得するデータです。金額そのものより、どの工程に、誰の時間がどれだけかかるかを先に明らかにすることを目的としています。予算の根拠を社内で説明する立場の方、他社への発注と自社収集を並べて比較したい方に向けた内容です。

1. 見落とされがちな「データを集める前」のコスト

撮影を始める前に、社内の合意を取る工程があります。ここは社外に支払うものがないので見積書には載りませんが、実際には最初の1件目のデータが手に入るまでの期間を決めている工程です。

主に次の4つがかかります。

• 現場部門との調整 — どのラインを、いつ、どのくらいの期間止めずに撮れるか。生産や配送の計画に割り込むため、現場責任者との合意が要ります
• 撮影・録音の許諾 — 自社施設であっても、作業者が写る場合は本人への説明と同意の取得が必要になります。取引先の敷地や車両が写り込むなら、相手方の許諾も別に要ります
• 関係部署のレビュー — 法務・情報セキュリティ・人事・広報のいずれかが関わります。個人情報や取引先情報を含む可能性がある時点で、確認の依頼先は増えます
• 撮影計画の作成 — 何を、どの角度から、どの条件で撮ると学習に使えるかを決める作業。ここが曖昧なまま撮影を始めると、5章の撮り直しが発生します

この工程の費用は、関わった人の人件費（人日 × 社内単価）と、着手までの待ち時間という形で発生します。特に待ち時間は金額に換算されないまま予定を押すため、計画上は「調整2週間」と置いていたものが、実際には部署間の往復で1〜2か月になることがあります。

見積もりに入れるべき項目

外部に委託した作業であれば請求書で金額を確認できますが、この工程は社内の人手だけで進むため、かかった分が表に出てきません。だからこそ、予算書に人日として明示的に計上しておくことをおすすめします。計上していないと、超過したときに何が原因だったのかを後から説明できません。

2. 収集フェーズ — 機材・設置・人件費・拘束時間

実際に撮る段階の費用は、機材費に目が行きがちですが、金額として大きくなるのは人の拘束時間のほうです。

機材と設置

カメラやセンサー本体のほか、固定用の治具、電源、ネットワーク、保存先のストレージが要ります。工場や倉庫では、防塵・防水の等級や、既存設備に干渉しない取り付け方法の検討が加わります。設置工事を外注する場合は、現場の停止時間に合わせた夜間・休日作業になり、その分の割増が発生します。

撮影中の人件費

無人で回せるなら安く済みますが、実際には立ち会いが要る場面が多くあります。機材のトラブル対応、撮り漏らしの確認、作業者への説明。撮影対象そのものを人が演じる（特定の異常状態を再現するなど）場合は、その作業者の時間も費用です。

拘束時間の見積もり

ここは見積もりを誤りやすい項目です。目的の事象が自然に起きる頻度で必要枚数が決まるためです。1日に数回しか起きない事象を1,000件集めるなら、単純計算で1年近く回し続けることになります。異常検知のように対象そのものが稀にしか発生しないテーマでは、収集期間が数か月から年単位になることを前提に置いてください。

保管と転送

高解像度の映像を長期間撮り続けると、保存容量と転送の費用が無視できない額になります。現場から持ち出せないデータの場合は、閉じた環境での保管と、作業者がその場でしか触れない運用が要ります。

収集フェーズの積み上げ式

収集費 = 機材費（台数 × 単価）
       + 設置費（工事費 + 現場停止のコスト）
       + 立ち会い人件費（日数 × 人数 × 単価）
       + 保管・転送費（容量 × 期間）

この式のうち、機材費だけが初期投資として一度で済み、残りの3つは期間に比例して増え続けます。したがって収集期間の見積もりが実態とずれると、総額もほぼ同じ比率でずれます。

3. 前処理フェーズ — ノイズ除去・匿名化・フォーマット変換

取得したデータはそのままでは学習に使えません。ここで発生する工程は3つで、費用を左右するのは、そのうちどこまでを自動化できるかです。

選別とノイズ除去

撮影した全量のうち、学習に使えるのは一部です。ピントが合っていない、対象が写っていない、照明条件が極端に外れている、といったデータを落とします。長時間の映像から必要なシーンを切り出す作業もここに入ります。全量に対して使える割合がどのくらいかは撮ってみないと分からないため、必要枚数の数倍を撮る前提で計画を立てることになります。

匿名化・マスキング

顔、名札、車両ナンバー、書類、背景の看板。現場映像には想定より多くの識別情報が写ります。自動検出で一次処理をかけたあと、取りこぼしを人が目視で確認する手順が現実的です。ここは件数に比例して増える工程で、映像の場合はフレーム単位の処理量になるため、静止画より一桁多い工数になります。

なお、マスキングは強くかけるほど安全ですが、学習に必要な情報まで消すと精度が落ちます。どこまで消すかは法務要件と精度要件の折り合いで決める話であり、費用の議論だけでは決められません。個人情報の取り扱いは一般的な整理にとどめますので、実際の判断は自社の法務・情報セキュリティ部門にご確認ください。

フォーマット変換と構造化

解像度・フレームレート・コーデックの統一、ファイル名とディレクトリ構成の規則化、撮影条件（日時・場所・機材・照明）のメタデータ付与。地味な作業ですが、ここを飛ばすと後工程で「どのデータがどの条件で撮られたか分からない」状態になり、学習結果の解釈ができなくなります。

前処理費用を左右する自動化の比率

スクリプトを書けば済む変換作業と、1件ずつ目視で判定する選別作業では、単価に二桁の差が出ることもあります。フォーマット変換は自動化が効きやすく、選別と匿名化の最終確認には人が見るしかない部分が残ります。計画の時点でこの比率を見積もっておくと、総額の精度が上がります。

4. アノテーションフェーズ — 仕様策定・作業・品質チェック

ラベル付けの費用は、作業単価だけでは決まりません。前後の工程にも費用が発生します。

仕様策定

どのクラスをどう定義するか、判断に迷うケースをどう扱うかを決め、ガイドラインとして書き起こす作業です。件数に比例しない固定費ですが、ここを省略すると、後工程の手戻りとしてより大きな費用になります。作業を始めてからラベル定義を変えると、それまでに処理した分が作り直しになります。

ラベル付けの作業

手法によって工数は大きく変わります。画像全体に1つラベルを付けるのか、矩形で囲むのか、ピクセル単位で輪郭をなぞるのか。単価の目安と、対象物数まで含めた数え方はアノテーションの費用はどう決まる？内訳と相場、見積もりの立て方で工程別に整理しています。自社で作業者を抱える場合は、この単価が「人件費 ÷ 1人あたりの処理件数」に置き換わるだけで、構造は変わりません。

品質チェック

1人が作業して自分で確認するのか、別の人が確認するのか、複数人の結果を突き合わせるのか。体制を上げれば品質は上がり、費用も上がります。自社でやる場合、ここに割ける人を確保できるかが実務上の制約になります。作業者と別に確認者を置かなければ品質のばらつきは抑えられないため、人員計画の段階で確認者の工数まで見込んでおく必要があります。

作業者の教育

外注では見えにくい費目ですが、自社で作業者を配置するなら必ず発生します。ガイドラインの読み合わせ、練習データでの試行、判定基準のすり合わせが必要で、人が入れ替わるたびに同じ工数がかかります。

自社アノテーションで固定費になりやすいもの

• ガイドラインの作成と改訂
• アノテーションツールのライセンス、または自前構築の開発費
• 作業環境（端末、ネットワーク分離、アクセス権管理）
• 作業者の教育と、判定基準を揃えるための定例

これらは件数を減らしても同じ割合では減りません。少量のデータを自社で作ると1件あたりの単価が大きく上がるのは、この固定費を少ない件数で負担することになるためです。

5. 失敗コスト — 撮り直しと、仕様変更による再作業

ここまでの4工程を積み上げても、まだ足りません。予算が超過する原因の多くは、想定どおりに進まなかった分の費用です。

撮り直し

カメラの位置や画角が学習用途に合っていなかった、照明条件が偏っていた、想定した事象が期間内に十分な回数起きなかった。いずれも、撮り終えてデータを見た段階で判明します。厄介なのは、撮り直しが機材費だけでなく、1章の現場調整からやり直しになる点です。現場の協力を二度目に得るのは、一度目より難しくなりがちです。

仕様変更による再作業

学習を回してみて初めて「このクラス分けでは足りない」と分かることがあります。ラベル定義を変えれば、処理済みの分は作り直しです。着手後の仕様変更は、費用の増加幅が最も大きくなりやすい項目です。

偏りが判明したときの追加収集

集めたデータが特定の条件に偏っていて、実運用の環境をカバーできていないことがあります。夏に撮った屋外映像だけで通年運用のモデルを作る、といった形で起きます。追加で撮るには、また収集フェーズを一巡することになります。

失敗コストを抑える進め方

失敗コストをゼロにはできません。現実的には、まず小さな規模で試しておくことで影響を抑えられます。本番の数%の規模で一度通し、撮影条件・前処理・ラベル定義・学習までを一周させると、上に挙げた失敗の多くは本作業の前に見つかります。パイロットにかける費用は追加の出費に見えますが、実際には後で生じる失敗コストを先に払っているだけです。

予算書に「予備費」として一律の割合を積むより、どの失敗が起きうるかを具体的に挙げて、それぞれの再実行費用を見積もっておくほうが、社内の説明に耐えます。

6. 検証段階でこの全部を背負うべきか

ここまで積み上げた費用は、本番運用を前提にするなら支出する意味があります。問題は、まだAIが使えるかどうかを確かめている段階で、同じ額を投じる必要があるかです。

検証段階で確かめたいのは「この課題をAIで解けるか」であり、「自社で継続的にデータを集める仕組みが作れるか」ではありません。前者を確かめるために後者の体制を先に作ると、判断が出る前に予算と時間の大半を使います。さらに、検証で「解けない」という結論が出た場合は、構築した収集体制はそのまま不要になります。

自社収集が合理的なのは、次のような条件が揃うときです。

• 自社の現場でしか発生しない事象が対象で、他では代替データが手に入らない
• 本番運用まで継続してデータを集め続ける必要がある（一度作って終わりではない）
• 現場の協力体制と、許諾を取り切れる見込みがある
• 収集期間が事業の計画に収まる

逆に、実環境に近いデータで早く精度の見通しを得たいという段階であれば、収集済みのデータを調達して検証を先に済ませ、見込みが立ってから自社収集の体制づくりに入るほうが、総額でも期間でも有利になることが多くあります。検証だけであれば、1章の現場調整と5章の失敗コストをまるごと省けます。

Nextremerは、製造・モビリティ・物流・小売・農業・建設といった現場で取得した実環境データの提供と、その加工までを扱っています。必要なデータの種類・量・加工レベルによって内容が変わるため、個別にご相談ください。詳しくはデータ提供サービスをご覧ください。

7. まとめ

学習データを自社で揃える費用は、5つの工程の積み上げで決まります。データを集める前の現場調整と許諾、収集フェーズの機材と拘束時間、前処理の選別と匿名化、アノテーションの仕様策定から品質チェック、そして想定どおりに進まなかった分の失敗コストです。

このうち社外に支払うのは機材費と外注分だけで、残りは社内の人日としてかかります。予算書に人日を明示的に計上していないと、超過したときに原因を特定できません。期間に比例して増える費用（立ち会い、保管、調整）と、件数に比例する費用（前処理、アノテーション作業）と、件数を減らしても下がらない固定費（仕様策定、ツール、教育）を分けて置くのが、削れる場所を見つけるための最低条件です。

そのうえで、検証段階なのか本番運用なのかで判断は変わります。継続的に自社の現場データが必要ならこの体制は投資になりますが、AIで解けるかどうかを確かめたい段階で全工程を背負うのは順序が逆です。

調達ルート全体の比較はAI学習データはどう調達するか — 自社収集・公開データセット・購入の比較と選び方で扱っています。