スクラッチ型開発ソリューション

様々なインフラ設備の管理の一環でダム水路の点検を定期的に行っており、壁面に発生するクラック（亀裂）等の劣化を人手で計測し、それをもとに修繕計画を策定していたが、クラックの計測・記録における人的コストの削減が課題となっていた。

ピクセル単位のセマンティックセグメンテーションを用いて、画像からクラックを自動検知する。

学習データ

• 対象物を撮影した画像
• 画像の異常部分を抽出した学習用の画像データ
• オープンデータの画像

背景技術

• CNN
• セマンティックセグメンテーション

自動車等で壁面の動画を撮影し、画像を切り出してAIでクラックの長さと幅を自動検知することで、人手による現地調査の前段階での確認・検討が可能となる。

ホタテの生剥き機において、故障の原因となる亀裂等が生じた貝殻を事前に取り除いたり、貝の表裏を機械が要求する向きに直す作業が必要で、従来それらを手作業で対応していた。
作業効率化のために貝殻のヒビや欠けなどを自動検出する技術は、技術的に難易度が高く、新しい検出技術の開発が課題となっていた。

表裏判別については2枚同時に貝殻を入力して、2値分類を実施し、異常判定については、軽量な畳み込みニューラルネットワークによる判別が適用可能かを検証。

学習データ

• 良品／不良品画像データ

背景技術

• CNNの分類器
• セグメンテーション

サイズや形状など特徴のゆらぎや、画像撮影時の被写体の姿勢の安定性欠如などが課題であったが、画像前処理、学習方法の工夫などによって高精度な判定が可能に。表裏判定100％、異常判別98.2％の精度を実現。

企業規模の拡大に伴い、社内の情報整備化一環としてチャットボットを活用。チャットボット自体の精度の問題や、障害が起こった際にはオペレーターが人力で対応しなければならないなど業務効率化が課題であった。特に、社内エンジニアからの問い合わせは複雑な技術的な質問が含まれ、チャットボットの最適化が急務であった。

社内に蓄積されていたCRMや管理システムのデータを活用し、自然言語処理AIを用いたチャットボットの開発を行うことで回答精度を向上。

学習データ

• 問い合わせ文章
• 応対履歴

背景技術

• TF-IDF
• Word2Vec
• Doc2Vec
• SCDV
• 会話管理

障害が発生した際、ヒアリングを行うオペレーターに代わり、AIが類似性の高い過去事例から有効な解決策を提示するチャットボットを開発。答えが出ない場合は、チャットに担当者へエスカレーションし、最終的な答えを次の学習データとして学ぶことで、システムを使用する度に精度が上がる仕組みを構築。
これにより、人的リソースの削減、回答までの大幅な時間短縮など複数の課題が解決されました。

コロナ禍等を背景にリモートワークが普及し、社員間の非対面コミュニケーションが増加。社員同士の会話の機会も減少し、各社員が持っている知識や社員同士のつながりが不透明になることで、社内のナレッジやリソースが有効活用できず、形式知化されていない暗黙知を把握することが難しいといった課題があった。

社員間のメッセージや、各部署で作成されたドキュメント（Officeファイルなど）の言語を解析し、各社員が持つ知識や社員間のコミュニケーションのつながりを可視化するAIを開発。

学習データ

• 社内に蓄積されたドキュメント
• メールやチャット文章
• その他のテキストデータ

背景技術

• 特徴語抽出
• ネットワーク
• BERT、Word2Vec、TF-IDF
• 類似度

上記開発したAIを搭載した同社独自のナレッジネットワーク「WhoKnowsWhat」を展開。
部署や社員が持つ様々な知見（暗黙知）をネットワーク状で可視化することで到達可能となり、社員同士の技術交流や社内協業によるソリューション創出などの機会を生み出すツールとして機能。

人手不足が日本社会全体の課題となっている今、持続可能な店舗運営には最適な人員配置が欠かせません。そこで導入企業様では、AIを用いて来店者数を事前に予測することで、人員配置（シフト）の最適化だけでなく、仕入れ（在庫）も適正化し、不要なコストの削減を目指しました。

売上増減の因子を数値化した上で、時系列分析を用いて売上や購入客数等を日別・時間帯別に予測するAIを開発。

学習データ

• POSデータ
• 販促カレンダー
• 天候データ　等

背景技術

• Deep Learning
• Gradient Boosting
• Random Forest
• ベイズ推定

店舗ごとにAIを用いた来店客数の予測を実施。
ディープラーニングやアンサンブル学習など複数の手法を組み合わせることで精度95％の需要予測を実現し、発注量と組み合わせることで欠品や廃棄量の推定も可能に。

設備故障の診断や予知は、製造・インフラ事業者にとって非常に重要なテーマとなっている。設備のトラブルが生じるとさまざまな機会損失やコストが発生するため、早期発見と対処、あるいは予防保全の実現が企業の売上やコストに大きな影響を及ぼす。しかし、障害診断には膨大なデータの分析による判断・予知が必要となるため、短時間での診断が難しく、一度装置が停止するとそこから数時間経過しないとその後の正しい検知ができないという課題があった。

プラントのセンサーシステムと機械学習を用いて、装置停止後でも起動中あるいは起動停止後すぐに検知できるAIを開発。

学習データ

• 障害検知対象物の稼働データ

背景技術

• 異常検知
• 変化点検知

障害検知に必要な時間の大幅な短縮を実現しました。