建設インフラ点検×連合学習デモ — 3地域が写真を送らず点検AIを鍛える
3つの点検地域が「ひび割れ・剥離」を判定するAIを、写真を1枚も送らず重みだけ持ち寄って学習。道路橋定期点検要領の実基準に校正した数値を使い、点検員の経験則を初期値にすると学習が速くなる様子も比較できます。
実際の写真で見る判定の目安
下のシミュレーションで出てくる「ひび割れ幅」「剥離の程度」「長さ」という数値が、実際にはどんな見た目に対応するのか、 健全な状態から要措置まで4枚の実写真で確認できます。
健全（損傷なし）
ひび割れ・剥離ともになし
縦方向のひび割れが走るコンクリート壁
幅は目立つが剥離はない
舗装路面のひび割れ
ひび割れが進行しつつある
網状に広がるクラック
広範囲・剥離を伴うことも
これらはひび割れ検出デモで実際に使われている点検写真です。 「健全」→「要措置」の順に並べています（写真1枚ごとの自動採点機能は本デモにはありません。実画像でのAI判定は上記のひび割れ検出デモでお試しください）。
建設・インフラ×連合学習とは
点検写真や現場データは、自治体・発注者ごとの取り扱い方針や機密性から、組織をまたいだ共有が難しいことがあります。 地域や路線ごとに構造物の築年数・交通量が違えば、損傷の重篤度分布も自然と偏ります。これが建設インフラFLにおける非IIDの主因です。
判定基準は業務エージェント実演（現場点検）デモと同じ、 道路橋定期点検要領のI〜IV区分の考え方（ひび割れ幅0.2mm/0.5mmが目安）を参照しています。
このデモの読み方
- ・散布図の点は道路橋定期点検要領の実基準に校正した合成データです（実際の点検写真から自動採点したものではありません）。
- ・3地域はそれぞれ損傷の構成が大きく偏っています（地域Aは軽微な損傷が多め、地域Cは要措置が多め）。
- ・下のグラフは「ゼロから学習」と「点検員の経験則を初期値に学習」を常に同時進行させて比較しています。学習を1回もしていないラウンド0の時点で、すでに大きな差があります。
仕組みの全体像は 連合学習 完全ガイド を、医療分野での同じ考え方は 医療画像診断×連合学習デモ をどうぞ。
⚠️ 重要な注意事項
本デモの判定シミュレーションは道路橋定期点検要領の考え方を参考にした教材であり、実際の点検・補修判断の根拠にはなりません。 構造物の健全性診断には、資格を持つ専門技術者による現地調査が必要です。
関連デモ
2体のローカルAI、いつか（VLM）と きつと（分類器）が別々に当てて相談。はずれを教えるほど端末内で学習し、似た絵をk近傍で当てる。全部ブラウザ内・データ送信なし
🔴 分類器8.6MB＋会話LLM約500MB（押したら読込）小さなニューラルネットを進化戦略でブラウザ内学習。におい勾配を登って缶に最短到達する方策を獲得し、学習なしのルール猫と競走。学習も推論も端末内で完結
🟢 0MB（ブラウザ内ES学習）粘着トラップの写真から捕獲数をブラウザ内画像処理で自動カウント。ビル環境衛生(IPM)のモニタリングを効率化
🟢 0MB（モデル不要）このデモを「実機」で使うには？
実測データで最適な機種を選び、つまずいたら原因→対処をたどれます。