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

AIの精度が出ない原因を追っていくと、モデルではなくデータに行き着くことがあります。学習に使った画像が自社の現場とは違う照明で撮られていた、検出したかった不良品がデータにほとんど写っていなかった、といったケースです。

学習データの調達方法は、大きく3つに分かれます。自社で集める、公開データセットを使う、外部から購入する。この記事では、その3ルートを費用・期間・権利・品質の4つの観点で比較します。金額そのものではなく、自社で集めた場合にどの工程に何人日かかるのかを積み上げる形で整理しました。

1. AI学習データの3つの調達ルート

自社収集は、対象の現場にカメラやセンサーを設置し、自分たちでデータを取る方法です。公開データセットは、研究機関や企業が配布しているデータを使います。購入は、すでに実環境で収集されたデータを提供事業者から調達する方法です。

この3つは「安いか高いか」では比べられません。公開データセットは無償ですが、使えなければ費用対効果はゼロです。自社収集は外注費が出ない代わりに、社内工数として費用がかかります。比べるときは、次の4つの観点で整理すると判断しやすくなります。

公開データセットは技術検証とベースライン作りに向きます。購入は、着手までの期間を短くしたいときや、自社にない環境を補いたいときに向きます。自社収集は、長期運用や独自の要件があるときに向きます。どれか1つに決めず、フェーズに応じて使い分けるほうが現実的です。

2. 公開データセットが現場で通用しない理由

ImageNet や COCO、Open Images といった公開データセットは、AIの研究を大きく前に進めました。ただし、これらは「一般的な物体を一般的な条件で撮った画像」の集まりです。工場のライン上を流れる特定部品や、自社倉庫のフォークリフト動線は入っていません。

現場で使えない理由は、精度の値よりも、撮影条件のずれとして出てくることが多いです。よくある例は次のとおりです。

• 照明と画角：公開データの多くは順光で被写体が中央にあります。天井照明だけの工場や逆光の屋外とは、画像の見え方がそもそも違います。
• 設備と世代：同じ「検査装置」でも、メーカーと導入年でカメラ位置も筐体の見た目も変わります。
• クラス分布：公開データは各クラスが均等に近い一方、現場は圧倒的に正常系ばかりです。不良品は、数千件に1件しか出ないことも珍しくありません。
• ラベル定義：公開データの「人」と、自社が検出したい「安全帯を着けていない作業員」は別物です。

学習時のデータと運用時のデータで分布がずれることをドメインギャップと呼びます。公開データセットで学習したモデルを自社現場へ持ち込むと、検証環境では出ていた精度が実運用で落ちるのは、ほぼこれが原因です。

そこで必要になるのが実環境データ、つまり実際に運用する現場と同じ条件で収集されたデータです。実環境データは、対象物が写っているだけでは足りません。逆光、夜間、雨天、繁忙期、機材の汚れといった「うまくいかない条件」が含まれていて、はじめて運用に耐えるモデルが作れます。公開データセットは、実環境データを用意する前に、この手法でいけるかを安く試す用途に向いています。

3. 自社収集の実際のコスト構造

自社収集は外注費が発生しないため無料に近いと見積もられがちですが、実際には社内の人件費として複数の部署にかかります。どの工程に工数がかかるかを並べると、次のようになります。

この表で見落とされやすいのは、上2行です。カメラの購入費は稟議の対象になりますが、「現場に頼んで回る工数」はどの部署の予算にも計上されません。製造ラインを止められない、撮影範囲に取引先の設備が写る、従業員への説明が必要といった調整は、技術的な難しさとは無関係に数か月かかることがあります。

もう1つの構造的な問題が、待ち時間です。検出したい事象そのものが稀な場合、収集は作業時間ではなく発生頻度に支配されます。月に数回しか出ない不良品を1,000件集めるには、単純計算で年単位の稼働が必要です。農作物の収穫期のように年1回しか訪れない条件なら、1回撮り逃した時点で次は翌年になります。

アノテーションの工数も、件数だけでは決まりません。画像全体に分類ラベルを付けるのか、対象の輪郭まで指定するのかで、1件あたりの作業時間は桁が変わります。ラベル設計から検品までの進め方はデータアノテーションの完全ガイドで整理しています。

4. 購入という選択肢と、その前に確認すべきこと

購入が向いているのは、時間を金額に置き換えたい場面です。前章の工数のうち、現場調整から匿名化までを丸ごと省けるため、検証を始めるまでの期間が数か月から数日に縮みます。自社に存在しない環境（他業種の現場、他地域の道路、自社では再現できない気象条件）のデータも、購入以外の手段では手に入りません。

一方で、購入したデータが自社の現場と違えば、公開データセットと同じ問題が起きます。発注前に確認すべきことは、価格よりも中身です。

• サンプルを先に見る：仕様書の記述ではなく、実物のファイルを開いて画質・画角・アノテーションの粒度を確かめます。
• いつ・どこで・何で撮ったか：撮影時期、地域、機材、設置条件を聞きます。3年前の機材で撮ったデータは、現行設備と見え方が違います。
• 自社の対象環境と一致するか：照度、画角、対象物の世代、季節。1つでも大きくずれると、学習効果が落ちることがあります。
• 納品形式とアノテーションの有無：アノテーション前の素材データを買って自社でラベリングするのか、学習データとして完成した状態で受け取るのかで、後工程の工数が変わります。
• 追加収集ができるか：運用開始後に不足クラスが判明するのは普通のことです。同条件で追加できる提供元かどうかは、初回の品質と同じくらい重要です。

購入と自社収集は、どちらか一方だけを選ぶ必要はありません。購入したデータで検証を始め、運用しながら自社環境のデータを足していく進め方なら、初期の精度を確保しつつ、長期の独自性も積み上げやすくなります。

5. 権利・ライセンスで詰まるポイント

データの調達で最後まで詰まりやすいのは、技術ではなく権利です。特に「所有権」と「利用権」を混同すると、契約の読み違いが起きます。データを購入しても、所有権はデータ提供元に残ることが多く、買い手が得られるのは契約で定めた範囲の利用権です。

購入時に確認しておきたい点は次のとおりです。

• 独占か非独占か：非独占型のライセンスは、同じデータが他社にも提供される代わりに、費用を大きく下げられます。独占を求めるほど調達コストは上がります。
• 契約終了後の扱い：契約が切れたときにデータを削除する必要があっても、そのデータで学習済みのモデルは継続して使える契約になっていることが少なくありません。ここが不明確だと、モデルごと使えなくなるリスクを抱えます。
• 再配布と再販：多くの契約では、データセットそのものを第三者へ販売できません。一方、学習済みモデルをAPIとして外部提供する場合は、データの再販とは別扱いになることがあります。ここも契約で確認してください。
• 利用目的の範囲：商用利用、研究利用、社内利用のどこまでが含まれるかを、契約書の文言で確認します。

公開データセットは無償ですが、権利の制約はむしろ厳しいことがあります。CC BY-NC のように非商用に限定されるもの、研究目的での利用のみを認めるもの、派生物の公開を条件とするものが混在しています。無償だからという理由で商用プロダクトの学習に使うと、後から差し替えが必要になります。

自社収集にも権利は発生します。撮影場所が自社の敷地であっても、写り込む取引先の設備、他社製の機材、通行人、従業員それぞれについて、撮影と利用の許諾が必要になる場面があります。「自社で撮ったから自由に使える」とは限らない点が、自社収集で最も見落とされやすい注意点です。

6. 個人情報を含むデータの扱い

実環境データには、意図しなくても個人が写り込みます。店舗の来店客、倉庫の作業員、道路の歩行者や車両ナンバー、コールセンターの音声。これらは個人情報として扱う前提で設計する必要があります。

実務では、次の順で決めていくと整理しやすくなります。

1. どの情報が個人を特定しうるか洗い出す：顔、ナンバープレート、名札、社員証、声、制服のゼッケン番号まで含めて確認します。
2. 加工の方針を決める：顔やナンバーへのマスク処理で足りるのか、そもそも撮影範囲から外すのか。AIの目的上、人物の姿勢は必要だが顔は不要というケースは多くあります。
3. 取得時の説明と同意を用意する：撮影告知の掲示、従業員への説明、来訪者への周知など、現場に合った方法を選びます。
4. 保存期間と削除の手順を決める：学習が終わった生データをいつまで持つのか、誰が削除を確認するのかを先に決めます。
5. 委託先への提供条件を確認する：アノテーションを外注する場合、データがどこに保存され、誰がアクセスできるかを契約に明記します。

購入する場合は、匿名化がどの工程で、どの程度施されているかを提供元に確認します。ノイズ除去と匿名化を済ませた状態で受け取れれば、この工程の工数と判断リスクをまとめて外へ出せます。

なお、ここで述べているのは一般的な実務上の整理です。個人情報保護法をはじめとする法令の適用は、データの種類・取得方法・利用目的によって結論が変わります。実際の案件では、必ず自社の法務部門や専門家に確認してください。

7. 業種別に見た調達の難しさ

「何を撮れば使えるデータになるか」は業種ごとに違います。難所を先に知っておくと、収集計画の精度が上がります。

製造・品質管理では、不良品が圧倒的に少ないことが最大の障壁です。1か月撮り続けても良品ばかりが集まります。撮影のためにラインを止められないため、既存設備の隙間にカメラを入れる工夫も必要になります。過去の不良品を保管しておき、意図的にラインに流して撮影する方法が現実解になることがあります。

モビリティでは、走行環境の多様性が要求されます。晴天の日中だけを集めても、夜間・逆光・雨天・積雪で精度が落ちます。加えて、歩行者の顔と車両ナンバーの処理が前提条件になります。

物流・倉庫は、対象物が棚や台車に隠れる遮蔽が頻発します。荷姿が季節や繁忙期で変わるため、閑散期のデータだけでは繁忙期に対応できません。

店舗・小売では、来店客の顔をどう扱うかが設計の起点になります。什器レイアウトや季節商材が入れ替わるため、半年前のデータが使えなくなることもあります。

農業・食品の制約は時間です。収穫期は年に一度しかなく、生育段階ごとのデータを揃えるには年単位の計画が要ります。圃場や品種が変わると見え方も変わります。

建設・インフラの現場は一過性です。同じ工程を撮り直したくても、工事が進めば同じ状態は二度と現れません。高所や危険箇所では、安全管理が撮影の可否を左右します。

こうした難所は、購入で回避できるものとできないものに分かれます。自社の設備や製品に固有の対象は自社収集が必要ですが、走行環境や店舗の一般的な動線のように、他社の現場でも成立するデータは購入で埋められます。

8. どのルートを選ぶかの判断フロー

判断は、次の順で切り分けると迷いません。

1. いま何を確かめたいのか。手法が成立するかを見る段階なら、公開データセットで十分です。ここに自社収集の工数を投じるのは早すぎます。
2. 対象は自社に固有か。自社製品の外観不良や自社設備の異常音は、他では手に入りません。自社収集を前提に計画します。他現場でも成立するデータなら、購入で埋められます。
3. その現場に自分たちで入れるか。ラインを止められない、他社の敷地である。固有な対象なのに自分たちで入れないなら、カタログ購入では埋まりません。現場側に撮ってもらう、遠隔で設置する、その現場での収集を委託するなど、入り方を変えます。
4. いつまでに必要か。数か月以内に検証結果を出す必要があるなら、現場調整から始める自社収集は間に合いません。固有部分は自社収集が前提のまま、近似データで着手し、現場のデータが揃い次第足していきます。事象が年に一度しか起きない場合も、待ち時間は納期の問題として見積もります。
5. 権利要件はどこまで厳しいか。独占的な利用や再配布が必要なら、非独占型のライセンスでは要件を満たせません。

検証段階で向いているルートが、本番運用では向かなくなる点にも注意が必要です。検証では「速くて安い」公開データセットが有利ですが、本番では同じ理由で使えなくなります。逆に、本番運用で価値を持つ実環境データは、検証段階では過剰投資になりがちです。

3ルートのどれが適しているかは、状況によって変わります。プロジェクトのフェーズ、対象の固有性、現場へのアクセス、納期、権利要件のうち、いま何を優先するかで選び方が変わります。迷ったときは、この記事の比較軸に自社の条件を当てはめ、どの制約が一番きついかを先に特定してください。

Nextremerでは、様々な加工済みデータをご提供しています。自社収集とどちらが現実的かを含めて整理したい場合は、データ提供サービスをご覧ください。購入前にサンプルで内容を確認いただけます。