三部作：基礎理論編 ／ 応用理論編 ／ ユーザーマニュアル編

SUNO MAXIMIZER〜TTM 基礎理論編

SUNO MAXIMIZER (Ver. 0.9)

SUNOのSTYLEプロンプトを、実験的なTTMプロセスで最適化する。このシステムは汎用である。ほぼすべてのプロダクトを、同じ枠で最適化できる。音楽は、いま手元にある質的案件である。

思想は短い。最適化されていないものは作れない。量的案件の核は誤差因子と機能評価である。質的案件では、誤差因子を置けないことが多い。SUNO MAXIMIZER は誤差因子を使わない。直交表とSN比は、実験が高い時代の道具だ。AIの情報単位は TOKEN である。数値でもカテゴリの点数化でもない。近い意味は近くに座る。許容差設計は、質を維持して価格を安くすること。向きがあるかどうかは、課題にそのニーズがあるかだけである。コンテキストは三つある。データマイニング、自分の実験、コミュニティで共有された実験。評点を他人に渡すときは、評者のプロファイルを対にする。計測系の無い数字は、使い物にならない。

インストールはユーザーマニュアル編 §1 に集約した。実装エージェント (Codex / Claude Code 等) への指示文はそちらを見よ。

参照順: 基礎理論編 → 応用理論編 (質的) → ユーザーマニュアル編 → 事例研究編。応用理論編 (量的・番外) は本筋から外れる姉妹編で、参照は任意。

この文書（基礎理論編）は、その機械の思想の一部である。基礎が変われば応用も事例も機械も変わる。逆は許さない。

用語 — 「誤差」とだけ書かない

誤差の三文字だけでは、統計の残差か、タグチの誤差因子か、分からない。この文書では、機能を乱す条件を誤差因子と書く。誰のために設計するかを適用対象と書く。男性と女性は、SUNO MAXIMIZER では二つの適用対象である。誤差因子ではない。

男性にも女性にも受ける曲が欲しい、は本物の需要である。それは共通方案である。二つの評点を誤差因子の外側配列と見て平均すると、誰の曲でもない点が残る。単独を先に出し、共通は代金付きで後から出す。

SUNO MAXIMIZER は誤差因子を使わない。車内騒音や夜冬を技術名で置ける、という事前の読みは、機械の列にしない。質的最適化の理論一般では、方案の差と人の差が分離できるときに限り、誤差因子の欄を埋めてよい。分離できないなら空である。ラーメンは空である。

構想ごと選ぶ品質工学

TRIZ–TAGUCHI–METRICS。枠は品質工学のまま。

教師は、タグチを一度は触った管理者。生徒は、タグチを聞いたことのない入社0–2年。AIは使っているが、QA以外の最適化は初めてである。

日付 2026-08-19。ver0p9。数値の教材例は仮想実験である。コミュニティとプロファイルと欠測は、計測系の本体である。

四つの問い

基礎 → 応用 → 事例。この順番を逆にすると、枠が案件に飲み込まれる。

この文書の使い方

受け取る人は、部下に最適化を任せたい管理者である。自分ではもう実験しない。AIの時代に、SN比と直交表と損失関数を儀式のまま残すのは無理だ、と思っている。その感覚は正しい。ただし、核まで捨てると、部下は「点数の高い案」だけを拾う。

教える人は同じ管理者である。タグチを簡単に伝え、AIで最適化できることを見せなければならない。この文書はその授業の台本である。

教わる人は新入社員から2年目まで。タグチは初耳でよい。砂時計から入る。風力とラーメンは、量的課題と質的課題の見本である。今回の音楽案件の固有名詞は、応用理論編と事例研究編で埋める。

0. 序論 — 最適化は必要条件になった

1960年代は損失を減らすことが「良いもの」だった。いまは、最適化されていないものは作れない。

タグチメソッドは高度経済成長の日本で育った。品質のばらつきが社会の損失になる。ばらつきを設計段階で潰せば、検査で拾うより安い。最適化は十分条件だった。最適化されていれば、市場はそれを良いものと読んだ。

いまは違う。温暖化、資源、人口。制約が同時に効く。最適化は存続の前提であり、十分条件ではない。最適化しても売れるとは限らない。人を動かすとも限らない。それでも、最適化されていないプロダクトは、そもそも作れない。

AIがこの前提を実行可能にした。因子を分解し、言語で評点をつけ、計算機で探す。物理量のない案件でも、直交表にこだわらなければ最適化できる。TTMはその変化に応える方法である。

0.1 AIの現状 — 想像もしなかったことができる

文章もコードも評価も探索も、エージェントが実行する。足りないのは計算ではない。表である。

2026年の現場では、対話するだけでは終わらない。エージェントがリポジトリを開き、論文を読み、表を作り、方案を採点する。Claude Codeに代表される実装系も、研究と教案を一気に書く系も、同じ景色を見ている。想像もしなかった仕事が、手元で動く。

だから最適化の前提が変わった。因子を分解し、言語で評点をつけ、計算機で探すことは、特別な研究室の仕事ではなくなった。物理量のない案件でも、直交表にこだわらなければ最適化できる。できないと言っていた側が、まだ道具を儀式のまま残している。

課題解決AIに必要なのは、魔法のプロンプトではない。実験である。実験結果は、散文の感想ではなく、表としてコンテキストに入る。データベースでも、手書きの表でもよい。型は同じだ。

0.2 実験計画法が先にある

Fisherが古い。タグチは誤差を核にした。AIは水準を切らず、交互作用も読む。

タグチメソッドを話す前に、実験計画法を置く。R. A. Fisherの発明は、田口玄一より早い。目的は同じ側にある。顧客の要求品質を、設計段階で、経済的に決める。日常の工場データでは因果が取れない。計画したデータだけが、「水準を動かしたら何が起きるか」に答える。

従来実験の誤りは、いまもそのまま使える。目的が無い。誤差を無視する。試した水準の外へ外挿する。温度を60→65→70と時間順に上げて装置の摩耗と交絡させる。因子の組合せ（交互作用）を見ない。二元配置に繰り返しを置けば、交互作用は検出できる。これがFisher側の強みである。

直交表は、両方の子である。2水準7因子の要因実験は128回。直交表は主効果を少ない回数で見る圧縮である。3水準ならL9、L27。既定の解析は分散分析だった。発明当時、計算手段が貧弱だったからだ。手回し計算機の時代に、加法性のある指標へ圧縮する必要があった。

一長一短がある。実験計画法は交互作用を明らかできる。タグチの直交表は、交互作用を列に割り当てても、現場では使わない運用が多い。誤差因子を外側に置く思想はタグチが強い。どちらも、直交表を既定にする点では、AIの時代になじまない。AIは両者を越える。因子の数は決める。水準は無限でよい。交互作用も分析の対象になる。

0.3 TOKEN — 量でも質でもない第三の情報

数は要約。カテゴリの点数化は古い。TOKENは意味のまま入る。

AIの最適化は、TOKENで処理されている。TOKENは、数値でもダミー変数でもない。Style文、口コミ、歌詞は、すでに意味空間の一点である。近い意味は近くに座る。king − man + woman が queen に近い、と同じである。

点が持つのは座標ではない。関係である。

統計学でいう量的データと質的データは、ここを説明しきれない。質的データを数量化第一類で点数化してから回帰する、という手順は、AIでは意味が無い。TOKENがすでに意味を数値空間に載せている。点数化してから探すな。

TOKENには、数値を超える巨大な情報が入っている。評点5は要約である。『息の近い中音域の女声』は、空間の一点である。最適化は、近い TOKEN を残して方案を組むことだ。許容差設計も、同じ TOKEN でできる。質を維持する、とは、近い位置に残す、ということである。

定義は、質を維持して価格を安くすること。向きはニーズだけである。

許容差設計を、こう定義する。質を維持して価格を安くする。従来のタグチは、部品公差とコストの釣り合いを、金額で書いた。AIでは、金額化は必須ではない。TOKENが質を運ぶ。問題は、課題が許容差設計に向いているか否かだけである。ラーメンに現地価格の列があり、味を落とすな、という命令があるなら、向かう。SUNOのStyleは方案ごとに生成コストが変わらない。この案件は向かない。

1. タグチメソッドの本質

よく言われる標語は「直交表・SN比・損失関数」だ。標語は半分だけ正しい。核は誤差因子である。使う場所で機能が乱れる。その乱れを設計で潰す。道具は時代で入れ替わってよい。核は入れ替えない。

1.1 ばらつき

同じ設計でも、香港と北欧で成績が違う。同じ砂時計でも、夏の日中と冬の朝で落ちる速さが違う。品質の原点は、平均を目標に寄せることではない。使う条件が変わっても、機能が素直に残ることだ。

1.2 損失

目標からのズレを二乗して金額に換える。平均が目標でも、幅が残れば損失は残る。

損失函数は L = k(y − m)² である。目標からのズレを金額に換える。静特性は、目標が一点のときに使う。5分砂時計なら m = 5.00 分。動特性は、信号因子 M に出力 y が従うときに使う。理想は原点を通る一次式、y = βM。

損失函数ができるのは、ズレを罰することだ。得も、喜ばれることも、合法の害も、初期費の増減も、同じ式には乗らない。後で機能 F に拡張する理由がここにある。

1.3 誤差因子

同じ砂の量でも、高温多湿と振動で傾きが変わる。これが誤差因子の図の読み方である。

誤差因子は、機能を乱す条件である。市場、使用環境、季節、劣化。一つの線ではなく、同じ信号に対して複数の一次比例直線が立つ。線が重なればロバスト。扇に開けばばらつく。

誤差因子は「困った外乱」ではない。市場に出す以上、必ず起きる条件である。技術者が実験室の平均値だけを見ると、市場で壊れる。タグチが実験室の外を設計に引き込んだことが、本質である。

1.4 パラメータ設計と二段階

従来の最適化は、システムが決まったあとのつまみを動かす。制御因子はパラメータである。二段階で進む。まずばらつきを小さくし、次に平均を目標へ寄せる。平均合わせを先にやると、ばらつきの大きな案が「平均は近い」と生き残る。

タグチができるのは、決まったシステムを、誤差の下で素直に動かすことだ。できないのは、システムそのものを選ぶことだ。構想は所与である。構想を因子にする仕事は、後でTRIZとTTMが引き受ける。

2. 静特性 — 5分砂時計

生徒が初めて触る事例は砂時計でよい。目標が一点のとき、静特性（望目特性）と呼ぶ。上田時計製作所の教材を、授業用に圧縮する。

必要機能は5.00分。制御は技術者、誤差は市場。測度は望目のSN比。

2.1 課題

正確に5分を刻む砂時計を、安く、丈夫に作る。正確とは、暑い夏の日中でも、寒い冬の朝でも、洗濯機の上のような振動でも、5分である。丈夫とは、棚の上だけでなく、振動する場所でも狂わない。安いとは、利用者が買える値段である。

制御因子は、技術者が設計段階で決められるものだ。穴の径、穴の角度、砂の量、容器の材質、砂の質、砂の加工法、乾燥剤の量、台座の種類。誤差因子は、製品が市場に出たときに受ける条件だ。温度、湿度、振動。

入門書は、この8因子をL18に割り付ける。従来品の水準を第2水準に置くことが多い。水準の幅はできるだけ広く取る。狭くすると、最適が見えない。動特性に進むと、砂の量は制御から外れ、信号因子になる。

2.2 なぜ平均合わせでは足りないか

現状は平均が5分に近くても幅が広い。先に幅を潰す。

実験室の平均値を5.00に合わせることは易しい。砂の量を増やせば時間は伸びる。問題は、同じ砂時計を市場の悪い条件に置いたとき、4分になったり6分になったりすることだ。損失はズレの二乗だから、プラスマイナス1分は、プラスマイナス0.2分よりはるかに高い。

2.3 望目特性のSN比

望目特性のSN比は、次の形である。

SN比 = 10 log (ȳ² / s²)

ȳ は平均、s² は誤差の分散。平均が大きく、ばらつきが小さいほどSN比は大きい。通信工学の「信号対雑音」を、品質に借りた式である。授業では、式の暗記より先に「幅が狭い案が高い」と覚えれば足りる。

2.4 二段階最適化

左が現状。右が、ばらつきを潰してから砂量で平均を5分へ寄せたあと。

第1段でSN比を最大にする。穴径や角度や砂の質を動かし、誤差の下でも時間が揃う組合せを取る。第2段で、平均を5.00へ寄せる。寄せるつまみは、機能の傾きを変えない調整因子である。砂時計なら砂の量だ。平均合わせを先にやると、ばらつく案が残る。

3. 動特性 — 任意の時間を刻む砂時計

5分専用の砂時計を、10分用にも15分用にも使いたい。同じ制御因子で、砂の量だけを変えて時間を変えたい。これが動特性である。静特性を繰り返すより、信号因子を置いた方が効率が良い。

横軸は砂の量M、縦軸は時間y。最適案は誤差2本が重なり、原点を通る。

3.1 信号と0点比例

砂の量 M を信号因子にする。5g、10g、15g。出力 y は時間。理想は原点を通る一次式、y = βM。砂が0なら時間は0。β は傾きであり、感度である。β が大きいほど、同じ砂から長い時間が取れる。

動特性のSN比は 10 log (β² / σ²) である。傾きが大きく、直線の周りのばらつきが小さいほど高い。授業では、式より図を先に読む。誤差条件ごとに直線が一本立つ。重なれば健全、扇ならばらつく。

3.2 効率と健全性

効率は β(最適) / β(現状) である。後で出す応答面積 S の比と同じ意味になる。健全性は、誤差の下で直線が崩れないことだ。タグチは健全性を η（SN比）で見た。TTMは dB にせず、誤差条件ごとの測度で見る。

制御因子の例は静特性と同じでよい。穴径、上下の角度、容器、砂の質、加工法、乾燥剤、台座。違うのは、砂の量が信号になることだ。砂の量を制御因子に入れると、信号とつまみが混ざる。

3.3 静特性との違い

動特性の方が、製品の機能に近い。砂時計の機能は「砂を時間に変える」ことであって、「5分であること」だけではない。5分は、その機能の一つの使い方である。

4. 直交表と Excel ソルバ

制御因子が8つ、各3水準なら、全部試すと 3⁸ = 6561 回である。一回に一日かかる実験では、人生が終わる。直交表は、各水準が同じ回数だけ出るように割り付け、少ない回数で主効果を見る道具だ。

4因子2水準のL8。外側に誤差N1/N2。全16回ではなく8回。数値は授業用の仮想実験。

4.1 割り付け

内側に制御因子、外側に誤差因子を置く。内側直交表の1行が一つの設計。その設計を、常温乾燥（N1）と高温多湿＋振動（N2）で測る。行ごとに平均とばらつきが出せる。ばらつきからSN比を出す。

L18 は、2水準1列と3水準7列を18回で見る表である。入門書の砂時計は、穴径と角度をL18に割り付ける。授業ではL8で足りる。表の哲学は同じだ。各水準が均等に現れ、他の因子とバランスする。

4.2 変動分解と Excel

変動分解 → Excel回帰 → 数値が揃えば全評価。核は誤差の下で選ぶこと。

本来の解析は分散分析と同じスタイルの変動分解である。SN比を因子の効果に分解し、どの因子が効くかを見る。科学技術の発展で、同じ作業は Excel の回帰とソルバでできるようになった。ダミー変数で水準を置き、SN比を目的関数にして係数を読む。手計算の儀式が消えても、見ているものは水準平均である。

この教材データでは穴径が支配的。2.0mmは速すぎてSN比が落ちる。

直交表がなくなるAI手法への発展も、同じ必然である。方案が十〜数十で、因子と目的がすでに数値なら、直交表は圧縮の必要がない。全部評価すれば足りる。実験が高い、全評価ができない、測度がまだ言語のまま。そのときにだけ直交表を出す。

4.3 Excel での手順

授業では、次の順で見せる。直交表の各行に N1 と N2 の実時間を書く。行ごとに平均 ȳ と不偏分散 s² を出す。SN比 = 10 log(ȳ²/s²) を隣の列に置く。因子ごとに水準1の平均SN比と水準2の平均SN比を取る。差が大きい因子が効いている。最適水準を足し合わせて予測SN比を出す。

同じ表を、Excel の LINEST に渡してもよい。水準を 0/1 のダミーにして、SN比を目的変数にする。係数の符号が、水準平均の高低と一致する。ソルバは、制約付きで係数を動かすときに使う。手計算の変動分解と同じものを、科学技術の発展で置き換えているだけである。

この教材データでは、穴を2.0mmにすると速すぎて5分から外れ、SN比が落ちる。乾燥剤は湿度誤差を抑える。角度と砂の主効果は小さい。最適の第一候補は A1（1.0mm）と D2（乾燥剤多）である。

4.4 確認実験

水準平均の足し算で予測した最適は、必ず確認する。直交表は加法性を仮定する。交互作用が大きいと、予測SN比と確認SN比が食い違う。食い違ったら、交互作用を見るか、システムを変える。後者がTRIZの領分である。

確認は、最適条件ともう一つ、第二候補を、同じ誤差 N1/N2 で測る。予測と確認の差が 1–2 dB なら、加法性は持っている。5 dB 以上ずれたら、交互作用を疑う。AI全評価の案件では、この確認は「別の年・別の店舗で同じ論理を再実行する」に移る。

4.5 望大・望小・望目

静特性は三つある。望目は目標が一点（5.00分）。望大は大きいほどよい（強度、発電）。望小は小さいほどよい（摩耗、騒音）。砂時計の授業は望目で足りる。風力の発電は望大、騒音は望小だが、TTMは騒音を M に足さない。限度を超えたら棄却し、金額化できる害だけ Δ逆で引く。

4.6 実験計画法とタグチとAI — 道具の交代

直交表の哲学は残す。各水準が均等に現れ、他の因子とバランスする。残さないのは、水準を2か3に切ってからでないと探索できない、という前提である。

実験計画法は、交互作用を見るために繰り返しを買う。タグチは、誤差の外側配列を買う。AIは、方案の行を買う。買うものが違う。核は同じだ。使う条件が変わっても、機能が残る案を選ぶ。

5. 交互作用 — 最適が入れ替わる

因子Aの効果が、因子Bの水準で変わるとき、交互作用がある。直交表の主効果だけを信じると、確認実験で崩れる。生徒に一番見せたい図は、平行な線と交差する線である。

左は加法的。右は交差。穴を広げたときの良し悪しが、砂の質で逆転する。

TTMでは、交互作用は β の変化として読む。応答面積 S は β と使用域だけで決まる。だから、組合せ表で β や F を見れば足りる。直交表の列割り当てで交互作用を消す作業は、全評価が前提なら要らない。

乗法・抑止・閾値。風力の事例では、静音と鳥、静音と基数、台風寄せと立地がこれに当たる。

交互作用が大きいとき、パラメータ設計の土俵に載せてはいけない。それは構想が違う。TRIZで構造を変え、別の方案として並べる。

6. 開発の流れと転写性

システム選択 → パラメータ設計 → 向きがあれば許容差設計 → 機能性評価 → 製品。

立林和夫が整理した一次設計・二次設計・三次設計がこれである。システム選択、パラメータ設計、許容差設計。そのあと機能性評価がある。AIの大きな絵では、最初の2段は同じ方案探索として統合できる。違うのは3段目と4段目の扱いだ。

6.1 射出成型の転写性

金型寸法が製品寸法に写る。β≈1。製造なのでユーザー環境の誤差は置かない。

タグチメソッドの歴史で特筆すべきは、射出成型の転写性である。金型の寸法 M が、同じ位置の製品寸法 X に写る。グラフが豊富なので、最適化のための誤差因子は要らない。製造プロセスであり、ユーザーの使用環境を想定しなくてよい。効率は β≈1 なので測らない。見るのは健全性 η だけである。

6.2 TTMは転写法の一種

金型が、予測モデルや言語の評価関数に置き換わる。

ディープラーニングは、違う物理量や質的変量を出力に変える金型である。予測値を M に置き、実際値を X に置く。LLMが口コミからラーメンを採点するのも、歌詞と様式から受容評点を出すのも、同じ転写である。TTMは転写法の一種だ。金型が金属から、評価関数に移った。

転写だけでは現場系は足りない。風力のようにユーザー環境がある案件では、伝統型から誤差を二つ借りる。製造の転写図を、現場にそのまま持っていくな。

7. 動特性の歴史 — 4類型

伝統 → 転写 → 総合SN比（単一） → 総合SN比（多次元）。TTMは3番を骨格にする。

その1は親である。0点比例の絵と、使用環境の誤差という感覚は残す。その2は製造の話だ。その3がTTMの既定である。予測は中間生成物で、効率は傾きではなく予測値の比に移る。その4は、ユーザー利益が複数あるときにだけ開く。騒音や故障を第2の M にしてはいけない。

効率は Mopt／M0。健全性は誤差の下の測度。dB にはしない。

8. 量的課題と質的課題

類型コードは要らない。測度が金額か評点か、TRIZの行列を踏むか踏まないか。

課題は二つに分かれる。量的課題は物理量がある。測度は金額にできる。TRIZが構想と物理量を出す。風力、射出成型、砂時計がこの側だ。質的課題は、最終評価が言語評点である。測度は0–5のまま使う。換金しない。TRIZの矛盾行列は踏まない。データベース解析の一種である。ラーメンと、後の音楽案件がこの側だ。

質的だから手法が雑になる、ではない。因子が言語で揃い、方案が数えられ、評価基準が書いてあれば、探索は機械的にできる。TOKEN が質を運ぶ。違うのは、許容差に向かうかがニーズで決まることと、妥当性の確認が現場の実測ではなく、過去条件での論理再実行になることだ。

9. 量的課題の見本 — 風力

横軸は風の強さ、縦軸は発電。三角形の面積が増えることがメリット。

風力は量的課題の見本である。入力は風のエネルギー。出力は発電量。起こって欲しくない副産物は騒音。エネルギー保存則を先に読む。風のエネルギー = 発電 + 熱と機械の損失 + 騒音エネルギー。騒音を小さくしたいなら、まず発電（ユーザー利益）を最大化する。

現状の固定VAWTと、HAWT+PV。面積の差が動特性のメリット。

調整因子は平均風速、空気密度、運転時間。組合せ最適化しない。制御因子は方式、基数、PV、静音、鳥対策、立地。構想と水準を分けない。誤差は技術で二つ。風向・乱流と、台風・突風。香港や欧州という国名を誤差に置くな。国名は単価と法規と気候の混合物である。

測度は金額 F である。応答面積の増分を売電に換え、初期費と合法の害を引き、証拠のある魅力だけ足す。法規を超える騒音は金額にしない。その誤差では方案が無い、と書く。売電という価格があるので、許容差設計に向かう。

TRIZはここで本領を出す。発電を増やしたいが騒音と鳥と初期費が悪化する。技術的矛盾である。全方位で受けたいが効率も欲しい。物理的矛盾である。原理を案件の言葉に訳すと、VAWT、静音翼、鳥マーク、台風寄せカムといった制御因子になる。行列の番号は答えではない。

9.1 機能Fの内訳を読む

抽象例を一度、手で追う。使用域を風速2から11とする。現状案の β が40なら S = ½×40×(121−4) = 2340。方案の β が95なら S = 5565。面積は約2.4倍。この増分を、現状案の年間応答に比例させて一元へ換える。初期費の増減と逆の増減を足す。これが一つの方案の F だ。

同じ方案が、ある適用対象では正、別の対象では棄却、ということは起きる。ロバストは、棄却されない対象だけで平均しない。全対象で残る方案だけを見る。残る方案が一つで F が負なら、同じ方案にする代金を書く。

地区風力の研究では、単独適用で黒字の案が、複数市場を同時に通そうとすると赤字になることがあった。それを「ロバストが勝った」と読んではいけない。同じもの税である。通すか、対象を分けるかを決める。

10. 質的課題の見本 — ラーメン

麺・スープ・具に分解し、言語評点で選ぶ。誤差は置かない。

ラーメンは質的課題の見本である。出汁の濃度や茹で時間は物理量だが、最終の「うまい」は客の舌が決める。評価は口コミと現場知を、0–5の評点に写す。換金しない。

0点は、いま店主が頼むであろう名店の寄せ集めである。新しい組み合わせでも、何もしないでもない。誤差因子は置けない。同じ一杯でも、客の体調と空腹で受け取りが変わる。方案の差と客の差が分離できない。置けないものは、無理に置かない。

探索は仮想評価である。麺×スープ×具の方案を、LLMに全件採点させる。食べログや類似店の文章がすでに数値化の材料になっている。因子と目的と数値が揃っている。直交表もSN比も要らない。

価格列が無ければ、許容差設計には向かない。残るのは感度地図だ。茹で時間を10秒動かしても評点が動かない、程度の話である。現地価格の列を足せば向かう。味の TOKEN を固定し、安い行を探す。これが許容差設計である。

妥当性は、口コミの再集計である。出した案を、1ヶ月後・3ヶ月後に同じ論理で読み直す。現場でXを測る代わりに、過去条件で論理を再実行する。作業の型は風力と同じだ。

TRIZの行列は踏まない。質的最適化はデータベース解析の一種である。矛盾の感覚は残してよい。濃厚と健康を時間帯で分ける、は物理的矛盾の分離だ。だが手順の本体は、行列引きではない。

10.1 四つの条件が揃えば、直交表は要らない

ラーメン最適化が示した条件は四つである。豊富な言語情報（口コミがすでに文章である）。厳正な評価と数値化（QEU評点）。モノのモジュール化（麺・スープ・トッピング）。LLMがドメイン知識を持っている。この四つが揃えば、直交表も分散分析もSN比も不要で、最高評点の方案を直接生成できる。

許容差側の命令も同じ型である。「味を落とさずコストダウン」。換金はできないが TOKEN が質を運ぶ。価格列があれば、これは許容差設計である。

機能性評価は、出した案を後から同じ論理で読み直すことだ。食べログの★と件数を、1ヶ月後・3ヶ月後に再集計する。予測が持てば同じ結論が出る。出なければ、店主の判断が主観的すぎた、と書く。風力が現場の X を測るのと、作業の型は同じである。

10.2 コンテキスト表 — 実験はすでに終わっている

各行が一つの完了した実験である。水準は言語。評点が応答である。

ラーメン最適化の本体は、直交表ではない。Webの口コミを、麺・スープ・トッピング・評点の表に直すことだ。データマイニングと実験が、同じ表で融合する。各店は、誰かがすでに走らせた実験行である。

この表をLLMに渡す。役割は「静岡の店主」。命令は「リストにない一杯を、麺・スープ・トッピングで書け。奇をてらうな」。水準をA1/A2に切らない。切った瞬間に、最適が表の外へ逃げる。

10.3 因子は有限、水準は無限

決めるのは列の数。切らないのはセルの中身。

制御因子は三つで足りる。麺、スープ、トッピング。これが因子の数である。水準数は決めない。中太縮れ・多加水も、青竹手打ちも、甘エビ白湯も、一つの水準である。直交表は、先に2か3へ切る。AIは言語のまま読む。

コンテキストはデータベースでもよい。食べログの店舗マスタを、同じ四列へ写せば、行が増えるだけである。行が増えることが、実験回数が増えることだ。

現場やWeb → コンテキスト表 → LLM。散文の感想を渡すな。

11. TRIZの基礎

方案を増やすのがTRIZ。同じ尺度で切るのがTTM。

TRIZは、発明的な問題を解く体系である。中心の主張は単純だ。よい発明は妥協ではなく、矛盾を解消する。量的課題の構想は、ここで出る。

11.1 技術的矛盾

ある特性を良くすると、別の特性が悪化する。改善したい特性と悪化する特性を、39の工学特性へ写す。矛盾行列を引き、40の発明原理から候補を読む。原理はヒントである。そのまま答えではない。案件の言葉に翻訳して、初めて方案になる。

11.2 物理的矛盾

同じパラメータが、大きくもあり小さくもあれ、という要求になることがある。行列は使わない。空間・時間・条件・全体と部分で分離する。技術的矛盾より一段きつい。分離できたときの方案は、構造が変わる。

11.3 できること、できないこと

TRIZができるのは、構造の違う方案を出すことだ。物理量の候補も出る。感度、騒音、起動の下限、耐久の上限、初期費。これらはあとで測度か棄却条件になる。中間出力（矛盾・原理・物理量）は残す。行き先の無い量は測度にしない。

TRIZができないのは、方案を同じ尺度で選ぶことだ。誤差の下で選ぶことだ。法規で棄却することだ。いま選ばれる案より得かどうかを言うことだ。行列の次に「いちばんよい原理」は書いていない。

11.4 質的課題では行列を踏まない

質的最適化は、TRIZのステップを本体にしない。すでに言語化された評価が世の中にある。それをモジュールに分解し、評点で選ぶ。TRIZの感覚（矛盾の分離）は因子の抽出に使ってよい。手順書の本体は、矛盾行列ではない。

11.5 因子採取の5段

量的課題でTRIZを動かすときは、次の5段で因子を取る。飛ばすと、構想が水準に化ける。

風力の例。発電を増やしたい、騒音と鳥と初期費が悪化する、が要求。矛盾行列から「局所品質」「事前保護」「他次元へ移す」などを読む。訳すと静音翼、鳥マーク、台風寄せカムになる。物理量の行き先は、β・S（発電）、棄却（騒音限度）、一元（初期費）である。国名は誤差にしない。

12. なぜこのスキームが必要か

現場の問いは、しばしば「どのつまみを何度回すか」ではない。「どのシステムを立てるか」である。従来の二つは、その問いに対して、それぞれ半分しか届かない。

12.1 TRIZだけでは選べない

TRIZは方案を増やす。増えた方案を、誤差の下で、現状より得かどうかで切る道具を持たない。原理の番号が新しいことは、採用の理由にならない。

12.2 タグチだけでは構想が出ない

パラメータ設計は、システムが決まったあとの話だ。構想の差を水準の差に化けさせるな。構想は因子である。水準ではない。

12.3 分けて直列にすると、探索の意味がない

TRIZのあとタグチ、と工程を分ける考え方がある。分けると、前半はアイデア出し、後半は直交表になる。どちらも、方案を数値で評価できるいまの探索には要らない。役割は分かれる。工程は分けない。同じ図の上で同時に動かす。

12.4 数値が揃えば、直交表とSN比は終わる

因子と水準が明確で、目的が数値なら、方案を生成し、棄却を通し、測度を計算し、最大のものを取る。実験が高いときにだけ直交表を出す。TTMの既定は、そちらではない。

12.5 損失だけでは機能に足りない

L = k(y−m)² はズレを罰する。得も、喜ばれることも、合法の害も、同じ式に乗らない。機能は主に金額だ。狩野の一元・魅力・逆に分ける。換算できないものは棄却条件にする。

13. TTMという名前と用語

• T: TRIZ。システムを作り、因子と物理量の候補を出す。中間出力を残す。

• T: TAGUCHI。誤差因子を置き、信号に素直な動きを求める。直交表とSN比は既定では使わない。

• M: METRICS / METHOD / MONETIZATION。機能は主に金額。狩野の三層。質的案件では評点V。

新しい図を覚えなくてよい。品質工学のアプローチ図の単語が置き換わるだけである。

14. 品質工学のアプローチ図

外枠が評価、内枠がシステム、上が制御、下が最適、左が入力、右が出力、右下が診断、黒い丸が誤差。

この読み方は変えない。変えるのは単語である。

入力・測度・制御・誤差・診断・0点。場所は同じ。

左は調整と予測M。右は実際Xと金額F。黒丸は技術誤差2つ。

15. 0点と機能F

何もしないを原点にすると、必要機能がある課題で、すべての方案が罰から始まる。

F の0は、与えた因子水準のうち、最適化しないいま選ばれる方案である。世間一般の最良でも、理論上の理想でもない。与えた表の中で、最適化しないなら選ばれる行である。選び方は記録に残す。

金額(ΔS) − Δ初期費 − Δ逆 ＋ Δ魅力。損失専用ではない。

単位を先に固定する。既定は USD、10年、実質3%（年金係数 8.53）。案件で変えてよい。変えたら記録する。途中で単位を変えない。質的案件では、この式の F を評点差 V − V0 に読み替える。換金しない。

狩野の三層を守る。一元は本業の便益。魅力は証拠があるときだけ足す。逆は金額化できる害を引き、限度を超えたら棄却する。証拠のない魅力で一元の赤字を消さない。棄却は足し算に入れない。−∞ として平均しない。

符号が食い違うことは珍しくない。応答面積は増えても初期費が勝つ。応答面積は減っても害が減って F は正。内訳を残す。合計だけ見ない。

16. 動特性と応答面積S

使用域2から11。現状β=40ならS=2340。方案β=95ならS=5565。増分を一元へ換える。

応答面積 S は、使用域で0点比例直線が軸と作る面積である。式は S = ½ β (Mhi² − Mlo²)。使用域が0から Mmax までなら S = ½ β Mmax²。誤差で線が分かれるときは、条件ごとの S を残す。一本に潰してから面積を取らない。

メリットは、現状案の S との差を一元へ換えた額である。SN比にはしない。面積を dB にしない。質的案件では、この三角形を無理に音楽や味に当てはめない。評点 V と誤差係数で足りる。

17. 因子の三分法 — 信号は消す

調整・制御・誤差。信号の欄は作らない。

調整因子が予測Mを作る。Mはロジックの欄から消える。

信号因子は扱いづらい概念だった。機能を動かしたい入力、という説明は正しいが、最適化の欄に置くと予測値と操作つまみが混ざる。総合SN比では、信号は中間生成物でしかない。調整因子が予測 M を作る。M はロジックから消える。

調整因子は組合せ最適化をしない。風速を「水準1/水準2」にして方案を選ぶ対象にはしない。制御因子が関数 f を変え、同じ調整の値から別の予測 M が出る。誤差因子はユーザー側で起きうる条件である。全部は考慮しない。重要なものを二つ程度にする。

国名は単価・法規・気候に分解する。誤差に残るのは気候の実体だけ。

市場や国を誤差に置くのは抽象化が過ぎる。香港や欧州という入力は、単価と法規と気候を一つの黒い丸に混ぜる。混ぜた瞬間に、ロバストが「一番厳しい条例を通る案」に化け、F が負の案が勝つ。

18. 単独方案と共通方案 — 適用対象は誤差因子ではない

単独方案は一つの適用対象で最大。共通方案は両方で残る。誤差因子最適ではない。

古いTTMは、香港と日本を誤差因子に置き、ロバスト適用と呼んだ。形は正しい。名前が間違っていた。適用対象は、誰のために方案を出すかである。設計者が切る。誤差因子は、使う場所で機能を乱す条件である。設計者が選べない。二つは同じ黒い丸に入らない。

地区風力なら、香港と日本は適用対象である。風向と台風が誤差因子である。SUNOなら、男性と女性は適用対象である。誤差因子の欄は空である。評点列が二つあるので、外側配列に見える。中身が違う。市場セグメントとして扱うな、は残す。誤差因子に置け、は捨てる。

単独方案は、一つの適用対象で測度最大。共通方案は、両方の適用対象で棄却されず、低い方を最大化する。棄却されない対象だけで平均しない。二つの点を平均して真の点にするな。共通は需要である。誤差因子最適とは呼ばない。ロバストという言葉は、誤差因子がある案件（レーン摩擦、風向）に残す。

食い違うときは、同じ方案にする代金を書く。通すか、対象を分けるかを決める。平均の作り方はSN比ではない。これを同じもの税と呼ぶ。

19. エネルギー保存則

Mに載せるのは発電だけ。騒音を足すと保存則が壊れる。

総合SN比に投入するメトリックスは、ユーザーにとってプラスになる量に限る。プロセスではエネルギー変換が働くことを期待している。損失を M に足すと、保存則が壊れる。多次元でも同じである。処理件数と節約額は載せてよい。故障件数や騒音 dB は載せない。

20. 許容差の向きと棄却条件

質を維持して価格を安くする。向きは、そのニーズがあるかだけである。

質問は一つだけである。この課題は、質を維持して価格を安くしたいか。Yes なら許容差設計に向かう。TOKEN が質を運ぶ。金額化は必須ではない。No なら向かない。向かないあとに残せるのは感度地図だけだ。BPMを6動かしても落ちない、サックスをミュートトランペットに替えても落ちない。それを公差と呼ぶな。代金が動いていない。

風力は向かう。売電という価格がある。ラーメンは、現地価格の列を足したときに向かう。味の TOKEN を固定し、安い行を探す。SUNO の Style は向かない。方案ごとに生成コストが変わらない。

逆品質のうち、限度を超えたものは金額にしない。その誤差条件では方案が無い、と書く。−∞ として平均しない。平均が意味を持たなくなる。棄却理由は残す。騒音なのか、安全なのか、必須性能なのか。理由が無い棄却は、探索の穴になる。

21. 手順

枠 → TRIZ → 三分法 → 測度 → 向き → 探索 → 単独方案/共通方案 → 記録。同じ図の上で同時。

システム構築はTRIZ、因子と目的メトリックスはTRIZとタグチ、運用時の素直な動きはタグチ、探索は計算。工程は直列にしない。質的案件では、手順1のTRIZを軽くし、評点の定義を厚くする。枠は同じである。

21.1 機能性評価は残る

開発の流れの4段目は消えない。予測が持つかを見る作業である。量的案件は現場の X と比較する。質的案件は過去年や別店舗で同じ論理を再実行する。作業の型は同じだ。許容差に向かないからといって、評価まで閉じるな。

機能性評価で枠を作り直してはいけない。測度の右側だけを書き直す。β、S、V、棄却限度を、測った値に差し替える。0点の定義も三分法も動かさない。

21.2 内側と外側

入門書は、制御因子を内側直交表、誤差因子を外側直交表に置く、と教える。TTMでもこの感覚は残す。内側は方案の表である。外側は誤差の条件である。AI全評価でも、方案の行と誤差の列は分ける。混ぜた瞬間に、棄却が平均に溶ける。

砂時計なら、内側が穴径と角度と砂、外側が常温と高温多湿。風力なら、内側が方式と基数とPV、外側が風向と台風。ラーメンなら、外側が空である。空なら空と書く。無理に客の体調を外側に置くな。

21.3 実験結果は表で注入する

課題解決AIの入力は、枠の空欄と、コンテキスト表である。表の列は因子。表のセルは言語の水準。右端が評点または金額。LLMは、この表を読んで方案を出し、同じ列で採点し直す。

水準を2と3に切ってから渡すな。交互作用が見える案件では、行を足せ。麺×スープ、スープ×具、具×麺。Fisherが繰り返しで買っていた情報を、表の行として買う。

22. やらないこと、記録すること

核は8つ。信号欄を残す、市場を誤差に置く、損失をMに足す、も加えて禁止する。

核の8つに、三分法以降の禁止を足す。信号因子の欄を残すな。市場・国を誤差に置くな。誤差を全部入れるな。騒音や故障を M に足すな。チャート1位や口コミ1位で必要機能を上書きするな。ニーズの無い課題を許容差設計と呼ぶな。

0点、単位、TRIZ中間、測度内訳、棄却、単独とロバスト、食い違いの代金。

再現できない最適化は、最適化ではない。後から測度の右側だけを書き直せるように残す。枠を作り直さない。

23. 案件への埋め方と既定

正しさの半分は空欄の埋め方にある。埋まっていない枠で探索しない。

この文書は空の枠である。案件は、空欄を埋めてから動かす。埋め方が正しければ、あとの作業は機械的だ。矛盾を出し、方案を並べ、測度を計算し、単独とロバストを出す。案件の固有名詞は空欄の中だけに置く。

既定値。通貨 USD、期間 10年、実質割引 3%（年金係数 8.53）。0点は現状案。動特性は応答面積 S。診断は探索。直交表とSN比は使わない。棄却条件はゲート。魅力は証拠があるときだけ。適用対象の数と中身は案件が決める。

探索のあとに実測が来たら、同じ図の右側だけを書き直す。測度の置き方は変えない。β と S と棄却の限度を、測った値に差し替える。枠を作り直さない。

24. 授業の進め方

教師は、この文書を最初から最後まで読ませない。砂時計の静特性で90分、動特性と直交表で90分、風力とラーメンで90分、TTMの枠で90分。4回で枠が立つ。

デモは、ラーメンか音楽の全評価でよい。直交表を組ませず、方案を10本並べて採点させる。管理者が「SN比は要らない」と思っている感覚を、生徒の前で肯定する。そのうえで、誤差因子だけは残す、と釘を刺す。

生徒がやりがちな失敗は三つである。何もしないを0点にする。棄却を平均に入れる。チャート1位や口コミ1位で必要機能を上書きする。授業の最後に、この三つを禁止として復唱させる。

25. この先に進むには

枠を覚えた。次は、受け取った課題が質的であることを確認し、ラーメンとの同じ点と違う点を見る。それが応用理論編である。実際の歌詞と Excel を読むのが事例研究編である。

順番は「基礎理論編 → 応用理論編 → 事例研究編」である。基礎で枠を覚え、応用で埋め方を学び、事例で実案件に取り組む。枠を案件で上書きしてはいけない。

26. 計算ノート — L8の1行を手で追う

生徒が最初に止まる場所は、SN比の計算である。表の1行目だけを、手で追う。

No.1 は、穴径1.0mm、角度20°、砂X、乾燥剤少。N1（常温）= 5.40分、N2（高温多湿＋振動）= 6.20分。目標は5.00分である。

平均 ȳ = (5.40 + 6.20) / 2 = 5.80

不偏分散 s² = [(5.40−5.80)² + (6.20−5.80)²] / (2−1) = (0.16 + 0.16) = 0.32

SN比 = 10 log(5.80² / 0.32) = 10 log(33.64 / 0.32) = 10 log(105.125) ≈ 20.2 dB

平均は5.00より0.80分遅い。ばらつきも0.8分ある。平均だけ見ると「まあ近い」、SN比を見ると「幅が残っている」。これが望目特性の読み方である。

No.2 は同じ穴径で、砂をZ、乾燥剤を多にした行である。N1=4.90、N2=5.30。ȳ=5.10、s²=0.08。SN比 ≈ 25.1 dB。平均は目標に近く、幅も狭い。乾燥剤が湿度誤差を抑えた、と読む。

No.5 は穴を2.0mmにした行である。N1=3.20、N2=4.00。速い。ȳ=3.60、目標から1.4分外れる。SN比 ≈ 16.1 dB。穴を広げると砂は速く落ち、5分から離れる。主効果の表で A2 が負けている理由が、ここに見える。

第2段の調整は、砂の量である。最適条件（A1、D2）で幅が潰れたあと、砂を数グラム増やして平均を5.00へ寄せる。幅を潰す前に砂を動かすと、ばらつく案が「平均は近い」と生き残る。

26.1 動特性の同じ時計

同じ制御因子で、砂を5g、10g、15gと変える。理想は y = 1.00 × M、つまり5分、10分、15分。現状を流用すると、N2で線が寝て、15gのとき20分を超える。最適条件では N1 が 5.05 / 10.15 / 15.25、N2 が 5.25 / 10.55 / 15.85 まで寄る。効率は傾きの比、健全性は2本の線が重なることである。

静特性を3回やるより、動特性を1回やる方が、制御因子を統一できる。これが「任意の時間を刻む砂時計」を授業の2時間目に置く理由である。

27. 生徒用の空欄 — 一件だけ埋める

4回目の授業で、生徒に一件だけ埋めさせる。音楽案件でも風力でもよい。埋まっていない枠で探索を始めさせない。

教師は、空欄が埋まってからデモを見せる。逆は禁止である。先にAIへ「いい案を出して」と言うと、生徒は枠を覚えずに点数を追う。

28. よくある質問

Q1. SN比を残した方が、上司に説明しやすいのでは

説明用の語彙として残してよい。計算の既定にはしない。数値が揃った案件で dB に圧縮すると、内訳が見えなくなる。F の四項、または V の6項を残す方が、上司は判断できる。

Q2. 直交表はもう教えてはいけないのか

教えろ。実験が高いときに要る。授業の2時間目でL8を手計算させるのは、圧縮の思想を体に入れるためだ。既定の診断道具ではなくなった、というのが正確である。

Q3. ラーメンに誤差を置いてはいけない理由が、まだ分からない

置けないものは置けない、が先である。同じ一杯でも客の体調で評点が動く。方案の差と客の差が分離できない。分離できないものを外側に置くと、棄却もロバストも平均に溶ける。音楽は車内騒音が技術名で取れる。そこが違う。

Q4. 0点を業界の最良にした方が、野心的では

野心的ではない。方案の外に原点が出る。与えた表の中で、最適化しないなら選ばれる行が0点である。最良を置きたいなら、その行を表に入れたうえで、それがいま選ばれる理由を書け。理由が書けない最良は、0点ではない。

Q5. TRIZの40原理を全部覚えさせるべきか

覚えさせるな。訳す練習をさせろ。原理はヒントであり、番号は答えではない。量的課題で矛盾が書けたら、原理を3つだけ案件語へ訳し、制御因子の行にする。質的課題では行列を踏まない。

Q6. AIが採点した評点を、実測の代わりにしてよいか

仮想評価として使ってよい。機能性評価の代わりにはならない。実測が来たら右側だけ差し替える。枠を作り直すな。一致しなければ重みと誤差係数を動かす。0点の定義は動かすな。

Q7. 交互作用が大きいとき、どうする

パラメータ設計の土俵に載せるな。構想が違う。TRIZで構造を変え、別の方案として並べる。確認実験で予測と5 dB 以上ずれたら、この道を取れ。

Q8. 最適化すれば売れるのか

売れないこともある。最適化は必要条件である。十分条件ではない。授業の最初に戻る。

Q9. 実験計画法を教える必要はあるか

ある。タグチの前史だからだ。交互作用が見えること、直交表が圧縮であること、分散分析が計算貧弱時代の既定だったこと。この三つを飛ばすと、生徒は「タグチが直交表を発明した」と覚える。順番が違う。

Q10. コンテキスト表は、どのくらいの行が要るか

方案が識別できる最小でよい。ラーメンは10店から始めた。行を足すのは、交互作用と価格と特産が見えなくなったときだ。最初からデータベース全件を投げない。列が因子になっていない表は、コンテキストではない。

29. 記入例 — 風力とラーメン

空欄の正解は一つではない。正しい埋め方の見本を二つ置く。生徒は、自分の案件をこの表の隣に書いて比べる。

29.1 風力（量的）

29.2 ラーメン（質的）

音楽案件の記入は、応用理論編と事例研究編で埋める。基礎理論編の空欄にカナダも歌詞も書かない。

30. 転写の数値 — 金型から製品へ

射出成型を一度、数字で見る。金型寸法 M が 10、20、30、40 mm。製品寸法 X が 9.7、19.6、29.8、39.4 mm。理想は β=1、つまり X=M。実測の傾きはほぼ1、健全性は点のばらつきである。

ユーザー環境の誤差は置かない。製造プロセスだからである。見るのは、βが1からどれだけずれないか、点が一本の線に乗るかである。効率は測らない。

TTMが転写法の一種だ、というのはこの図の延長である。金型が評価関数に置き換わる。予測 M が金型寸法、実際 X が製品寸法。ラーメンの評点も、音楽の受容評点も、金型を通った転写先である。グラフが豊富なら誤差は要らない。現場で使われるシステムなら、伝統型から誤差を二つ借りる。

Kumar と Bairwa（2025）は、プラスチック射出成型のプロセスパラメータをタグチで最適化している。転写性の研究は、2020年代でも生きている。TTMはそれを捨てない。金型の材質が、金属からモデルに移っただけである。

31. 禁止の実例 — やってはいけない埋め方

禁止8項目を、空の標語のまま残すと、生徒は試験で復唱して現場で破る。実例で潰す。

派生の禁止も、同じ表の延長である。信号欄を残すと、予測とつまみが混ざる。国名を誤差に置くと、一番厳しい条例の赤字案が勝つ。損失を M に足すと、発電を減らして騒音を減らせ、という偽の最適が出る。チャート1位で歌詞を上書きすると、必要機能が消える。ニーズの無い課題を許容差設計と呼ぶと、代金の無い感度が公差に化ける。

授業の最後に、この表を配布する。砂時計の手計算より、禁止の実例の方が現場で効く。

32. デモの台本 — 90分で見せる

管理者が生徒の前でやるデモは、砂時計の手計算のあと、ラーメンの全評価でよい。直交表を組まない。方案を10本並べ、評点を出し、0点を超えた案だけを残す。

音楽案件のデモは、この台本の単語を入れ替えるだけである。麺が様式、スープがBPM、具が声。0点がExcelの最新カナダ行。誤差因子の欄は空のままである。車内騒音を技術名で書ける、という事前の読みは、デモの列にしない。SUNO MAXIMIZER は誤差因子を使わない。台本の骨格は同じだ。

デモが終わったら、基礎理論編を閉じ、応用理論編を開く。生徒が「カナダの話はどこ」と聞いたら、事例研究編だと答える。枠を案件で上書きさせない。

33. 復唱カード

授業の出口で、生徒に声に出して読ませる。紙に印刷してよい。

これが言えたら、応用理論編へ進んでよい。言えなければ、砂時計に戻る。

34. コンテキストの三分法 — 直交表の後継

データマイニング、自分の実験、コミュニティ。タグチの直交表が担っていた「計画された表」の仕事が、ここに移る。

旧い定義はこうだった。コンテキストとは、タグチメソッドの直交表のことであり、TTMでは、データマイニングと自分の実験結果である。新しい定義は、そこに第三項を足す。コミュニティで共有された実験結果である。定義は減らない。項が増える。

直交表は、計画された表だった。どの行をやるか、どの列が因子か、外側に何を置くかが、表そのものに書いてあった。AIの時代に直交表を組まないなら、その仕事は消えない。別の表が引き受ける。一つでは足りない。

ラーメンの食べログは、第一項である。店の一口が、すでに実験行だ。SUNOの聴取は、第二項である。コミュニティのパックは、第三項である。三つは協力する。第一項だけで止めると事前の定性で終わる。第二項だけで始めると、0点も語彙も無い。第三項を平均に足すと、誰の曲でもない点が残る。

第三項は、ただの「行の追加」ではない。タグチで他人のSN比を借りるとき、外側の誤差条件を宣言しなければ数字は使えない。TTMで他人の評点を借りるとき、評者のプロファイルを宣言しなければ同じである。宣言の無いパックは、庫に入っても使えない。

LLMに渡すときも、三つの表は混ぜて一本の平均にしない。列を足す。源の列、評者の列、方案の列、評点の列。ラーメン交互作用が相性の行を足したのと同じである。足すたびに見えるもの増える。平均するたびに見えるものが消える。

35. 評者プロファイルは計測系である

公道騒音は誤差。誰が選ぶかは文脈。誰が点数をつけるかは計測系。三つを混ぜるな。

質的課題の評点は、物理量ではない。人が音楽を数字に変換した計測値である。計測には計測系が要る。ゲージR&Rが、誰が測ったかを記録するのと同じである。評者の性別、年代、出身、音楽の好みは、誤差因子ではない。AUXでもない。計測系である。

カナダ30代でロックが好きな男の 3.5 と、アメリカ南部30代でK-POPが好きな女の 3.5 は、同じ数字に見えて、同じ計測ではない。前者はカントリー隣接のフォークを「一周まわって新しい」と読む。後者はオルタナR&Bを「K-POPのバラードみたい」と読む。平均の 3.5 は、どちらでもない。

既定の二人を、案件の外に固定しない。ただし、空の評者で実験を始めるな。空で始めた評点は、あとからコミュニティへ出せない。出せるのは、性別・年代・出身・好みが埋まった行だけである。

プロファイルを誤差に置くと、一番厳しい評者の点だけが残り、誰も聴かない曲が勝つ。プロファイルをAUXに置くと、選曲の主導権と計測系が交絡する。男が選ぶことと、男が採点することは同じではない。ガールフレンドの反応を男が報告するなら、そのコメントは女側の計測系に属する。

36. 田口伸と矢野耕也 — 機能評価が残り、計算は替わる

直交表もSN比も手計算も、道具である。残るのは機能を評価することだ。

田口伸と矢野耕也の対話は、品質工学の入口で、計算と機能を分けている。矢野側の言い方は、品質工学の特徴は機能を評価することだ、である。田口側の答えは、計算ではない、その考えで教える、である。パラメータ設計が本体であっても、本体はL18の儀式ではない。

対話は、コンピュータとシミュレーションへ進む。計算機が貧弱な時代には、直交表で圧縮し、SN比で加法性を作り、手で分散分析した。計算機が発達すれば、直交表を組まなくても、機能の安定は出せる。三回のシミュレーションで足りる場合がある。道具が薄くなっても、品質工学の本質は残る。機能を評価し、ばらつきを設計で潰すことだ。

米国では、品質工学がツールと計算として受け取られやすい、という話が同じ対話にある。日本側の核は、機能性評価である。TTMとSUNO MAXIMIZERは、この核の側に立つ。dBを出さない。L18を組まない。評点表を全部読む。残しているのは、0点、棄却、向き、誤差と文脈の分離、機能F、TOKENである。

シミュレーションが機能評価の主戦場になる、という予測は、2026年のエージェントに読み替えられる。リポジトリを開き、表を作り、方案を採点する。足りないのは計算力ではない。機能をどの表で評価するかである。コミュニティのパックは、その表を研究室の外へ出す手続きである。プロファイルは、シミュレーションの境界条件に相当する。

37. 欠測は「その仮説が検証不能」と書く

穴を埋めない。信頼性は「下がった」では済まない。仮説単位で切れなくなったものを示す。

実験票に空欄があるとき、機械が平均値で埋めてはいけない。人が「まあ3点だろう」と埋めてもいけない。空欄は、その行が担っていた仮説を、検証不能にする。検証不能は、失敗ではない。記録である。

総合の評点があれば、製品は選べる。機能評価は、総合Vで足りる。田口伸と矢野が残した核は、そこにある。6項の分解は、なぜ点が動いたかを見る診断である。モニターの負担が重いなら、6項は空でよい。負担を増やして無理に埋めさせるな。コメントが、分解の代わりになる。

同点も欠測の一種である。切る情報（6項、追加実験、プロファイルとコメント）が無ければ、一本化を急ぐな。平均して消すな。二つの女製品が同じ4.0なら、K-POP寄りの計測系と南部R&B寄りの計測系が、別の方案を指している可能性がある。

SUNO MAXIMIZERは、欠測を仮説単位で画面に出す。高い欠測があるときも、総合点の最適化は止めるな。止めるのは、検証不能な事前仮説を、あたかも実証されたように本文へ残すことだ。枠は触らない。右側と、「検証不能」の行だけを動かす。

38. 直交表の本義は、未実施の組合せを推定することである

実施行の最高点を製品にするのは、最適化ではない。直交表は、その誤りを避けるために発明された。

よくある標語は、直交表で実験回数を減らす、である。半分だけ正しい。減らしたあとに何をするかが、本義である。直交表の各行は、製品候補のトーナメント表ではない。各行は、因子の水準平均を推定するための標本である。推定された水準を組み直す。組み直した組合せは、直交表のどの行とも一致しなくてよい。一致しないことが普通である。その未実施の組合せのSN比を、加法モデルで予測する。確認実験で、予測と実測の利得を見る。再現しなければ、交互作用か、基本機能の取り方が誤っている。

加法モデルは短い。η_hat = η_bar + Σ(η_i − η_bar)。η_bar は全実験の平均。η_i は、選んだ水準の平均。足し上げた値が、まだ聴いていない方案の予測である。Minitabの Predict Taguchi Results が返すのは、この値である。サイバネットの解説が確認実験を必須にするのも、同じ理由である。推定値を製品にしてはいけない。確認する。

Fisherの実験計画法も、応答曲面法も、ベイズ最適化も、この一点ではタグチと同じ側にいる。測った点の最高を答えにしない。測った点から、測っていない点を予測する。違うのは、何を圧縮し、何を加法とみなすかである。タグチは交互作用を直交表の外へ追い、主効果の加法性を買う。応答曲面は二次まで交互作用をモデルに残す。ベイズ最適化は、不確かさごと次の点を提案する。AI時代のTTMは、水準を2か3に切らない。言語のまま因子効果を読み、言語のまま未実施文を組む。切らないことが、直交表を越える側である。予測をやめることが、直交表を越える側ではない。

ラーメンの注入が、すでにこの型である。食べログの店一覧は、実施された実験行である。LLMに渡す命令は、リストにない一杯を同じ三列で書け、である。最高点の店を再掲させる命令ではない。店の優勝は記録である。新メニューは予測である。SUNOも同じである。S2が男で3.5でも、S2を製品にしてはいけない。S2は、フォーク方向とメリハリの欠落とカントリーの新鮮さを教えてくれた標本である。

水準平均は、方案の順位表ではない。組み直すための材料である。S7は欠測なので、フォークソウルの平均はまだ無い。

データマイニングは、事前の因子効果である。年代×国の様式Excelは、すでに終わった市場実験である。自分のSUNO評点は、この案件の因子効果である。コミュニティのパックは、計測系が近ければ、効果推定の行を足す。三つを総合する、とは、三つの表の優勝を投票することではない。三つの表から、同じ因子の列を読み、未実施のStyleを推定することである。

実施行の最高を製品にした瞬間に、最適化は終わる。残るのは選曲である。選曲は悪い仕事ではない。最適化ではない。田口が直交表を発明した理由は、選曲では届かない組合せを、少数回の実験から推定するためである。TTMがその道具を置いても、理由まで置いてはいけない。

39. 量的も質的も、同じフローである

ラーメン最適化システムの箱。測度が入れ替わる。箱は消えない。

中間、暫定終了、確定終了。確定終了は論文になることが期待できる。

応用理論編は二つある。質的最適化と量的最適化である。骨格は一つである。課題の認識、因子の分解、コンテキスト枠、実験、予測、確認、保存。ユーザーの実験は最大4因子。確度が高い因子は固定する。交互作用が出れば固定を見直す。ダッシュボードは三段である。中間は実験条件を渡す報告。暫定終了は予測までの全検討。確定終了は妥当性確認を含み、教育用論文の最小要素が揃う。

量的では、タグチの動特性とTRIZの物理量が、因子分解の段に入る。質的では、同じ段に分離の感覚が入る。フローを二つ作るな。測度だけ替えよ。

40. 誤差因子 — 定義と、置かないとき

誤差因子とは、使う場所で機能を乱す条件である。設計者が水準を自由に選べない。砂時計なら温度・湿度・振動。ボウリングならレーンの動摩擦。風力なら風向と突風。困った外乱、という言い方は半分だけ正しい。市場に出す以上、必ず起きる条件である。

誤差の三文字だけでは足りない。統計の残差（実験のばらつき）と、タグチの誤差因子は、別のものである。繰り返しの差を誤差因子と呼ぶな。評者の好みを誤差因子と呼ぶな。選曲の主導権（AUX）を誤差因子と呼ぶな。国名を誤差因子と呼ぶな。

質的最適化に、誤差因子は必須ではない。必須なのは、置けないときに空と書くことである。ラーメンは置けない。同じ一杯でも、客の体調と方案の差が分離できない。無理に置くと、一番機嫌の悪い客の点が方案を殺す。欄は空である。空は欠測ではない。置けないと書いた記録である。

音楽で車内騒音を技術名で書ける、という事前の読みは残してよい。ただし書く場所は、将来の外側実験の計画である。SUNO MAXIMIZER の列ではない。この機械は外側の聴取をしていない。6項も空である。測度は総合の評点 V である。誤差因子を列に出すと、使っていない外側配列があるように見える。それは嘘である。

量的案件では、誤差因子は核のままである。ボウリングのレーン摩擦を外したら、タグチではない。質的案件では、核は機能評価と0点と棄却である。誤差因子は、置けるときにだけ入る箱である。箱を消すな。空のまま残す。

41. 適用対象 — 男性と女性は、誤差因子ではない

誤差因子、適用対象、文脈、計測系。評点列が二つあっても、同じ箱ではない。

SUNO MAXIMIZER に男性と女性の評点がある。誤差因子にも見える。両方に受ける曲が欲しい需要もある。見える理由は三つある。第一に、評点列が二つある。外側配列に見える。第二に、両方に受ける曲が欲しい。ロバストに見える。第三に、古いTTMが適用対象を誤差因子だと書いた。同じ形である。名前が誤解を生む。

切る基準は一つである。設計者が切れるか。男性用と女性用を別々に出すか、一本にするかは、設計者が決める。レーンのオイルは決められない。だから前者は適用対象、後者は誤差因子である。

二つの適用対象があるとき、答えは二つある。単独方案は、一方で測度最大。共通方案は、両方で残る。共通は需要である。誤差因子最適とは呼ばない。ロバストという言葉は、誤差因子がある案件に残す。

この案件では、適用対象と文脈（AUX）と計測系が重なる。男性評者が、男性向けの曲を、自分がAUXを握る前提で採点する。三つが一人に乗る。乗っているからといって、一つの言葉にしてはいけない。混ぜた瞬間に、誤差因子が全部を吸う。吸わせない。

機械の画面は、単独（男性）・単独（女性）・共通方案の三本を出す。共通の選び方は、両方の低い方を最大化することである。男主導、女主導、1曲ロバスト、という名前は使わない。主導は文脈の言葉である。適用対象の言葉ではない。

参考文献

案件資料と生成AIの出力は参考文献に含めない。

[R1] Taguchi, G. (1986). Introduction to Quality Engineering. Asian Productivity Organization.

[R2] Taguchi, G., Chowdhury, S., Taguchi, S. (2000). Robust Engineering. McGraw-Hill.

[R3] Altshuller, G. S. (1984). Creativity as an Exact Science. Gordon and Breach.

[R4] 立林和夫 (2003). タグチメソッドとは－その発展と特徴. 品質, 33(1).

[R5] 小池昌義 (2003). タグチメソッドの体系－全体像と個別手法. 品質, 33(1).

[R6] 田口玄一 (2003). 戦略としてのタグチメソッド. 品質, 33(1).

[R7] 永田靖 (2015). タグチメソッドの体系的な理論化. 科研費研究成果報告書.

[R8] 宮川雅巳 (2023). タグチメソッドに魅せられて. 日本統計学会誌, 53(1).

[R9] 立林和夫・永田靖 (2021). タグチメソッドの推薦と考察. 横幹連合コンファレンス.

[R10] 田村希志臣・倉地雅彦・壇原文雄 (2019). バーチャル評価の現状と課題 (1). 品質工学, 27(2).

[R11] Kumar, R., Bairwa, K. N. (2025). Optimizing Process Parameters in Plastic Injection Molding using the Taguchi Method. Evergreen, 12(2), 1177–1188.

[R12] Kano, N., Seraku, N., Takahashi, F., Tsuji, S. (1984). Attractive Quality and Must-be Quality. 品質, 14(2), 39–48.

[R13] QEU FOUNDER (2025). LLMで最適化を行う（ラーメンの最適化 / 許容差設計）。

[R14] 日本規格協会（産学連携研究会 中部支部編）. 入門タグチメソッド（砂時計の静特性・動特性）.

[R15] Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.

[R16] 実験計画法の教科書（直交配列表・二元配置・分割法）。計算が貧弱な時代の分散分析が既定だった、という事実の出典。

[R17] 2026年のAIエージェント講義（Claude Code／実装系）。wn48LMBshbs、ZKIEEbx4200、QIlzqc7DO7c、d5LdEr_sKkw。想像もしなかった仕事が手元で動く、という現状の証拠。

[R18] 田口伸・矢野耕也。品質工学の対話（第1章「品質工学って何？」）。機能評価が特徴であり、計算そのものではない。シミュレーションが発達すれば直交表を組まなくても機能の安定は出せる、という核の出典。

[R19] サイバネット「品質工学（タグチメソッド）」。要因効果図で水準を選び、確認実験で推定値の再現を見る。最適条件は直交表の推定値である。

[R20] Minitab, Predict Taguchi Results。加法モデルによる予測値と、確認ラン。交互作用が残ると予測と確認が食い違う。

[R21] 応答曲面法、ベイズ最適化。測った点の最高を答えにせず、未実施点を予測する点で、直交表と同じ側にある。