課題
意思決定は昨日の数字に基づいて行われ、目視検査は抜き取りの確認に頼っています。欠品や過剰在庫、手遅れになってから見つかる不良、事後に発覚する異常。いずれも大きなコストにつながります。
- 毎週、表計算ソフトで作り直される予測
- ラインの最後に抜き取りで行われる品質確認
- 被害が出てから発覚する不正や異常
- 予兆を捉えられたはずの設備故障
開発対象
需要・売上・在庫の予測
過去のデータとその要因に基づき、商品別・拠点別・期間別の予測を算出し、発注点も示します。
異常・不正の検知
通常と異なる取引、計測値、行動を、発生した時点で理由とともに通知します。
予知保全
センサーや稼働データから故障の予兆を捉え、計画的な保守につなげます。
顧客離反の予測とスコアリング
離反の可能性が高い顧客を特定し、見込み客、リスク、案件を順位付けするスコアを、利用者に分かる形で提供します。
画像による品質検査
生産ラインや受け入れ時に、すべての部品や製品を画像で検査し、不良の疑いを作業者に示します。
文書・物体・映像
文書の読み取りと情報抽出、物体認識、映像ストリームの解析。
活用する分野
同じ手法を、各分野のデータと制約に合わせて適用します。
製造
生産ラインでの外観検査、予知保全、品質インシデントの横断的な分析。
小売
店舗別・商品別の需要と在庫の予測、顧客離反、レコメンド。
物流
物量の予測、遅延リスク、配送書類や通関書類の読み取り。
金融
不正・異常の検知、スコアリング、金融関連書類からの情報抽出。
ユースケースの例
予測AIと画像認識が活用される代表的な状況です。
補充発注のための需要予測
- 状況
- 計画担当者が表計算ソフトで需要を見積もっており、店舗では売れ筋商品の欠品が起きている。
- 成果
- 商品別・店舗別の週次予測を不確実性の幅とともに算出し、発注ツールへ直接連携。
生産ラインでの外観検査
- 状況
- 不良品の確認が、ラインの最後に抜き取りの目視で行われている。
- 成果
- すべての部品をカメラ画像で検査。作業者が不良の疑いを確認し、判断する。
取引における不正検知
- 状況
- 疑わしい取引が、数週間後の手作業による確認で初めて見つかる。
- 成果
- すべての取引にリスクスコアを付与し、リスクの高い取引を理由とともに担当者へ回す。
設備の予知保全
- 状況
- 故障が予告なく生産を止め、保守は固定のスケジュールで行われている。
- 成果
- センサーデータから予兆を捉え、故障の前に保守を計画。
目指す成果
- 信頼できる予測に基づく意思決定
- すべての部品を画像で検査
- 発生と同時に捉えられる異常
- 貴社のデータで測定された、貴社の業務に合わせたモデル
貴社のデータから、本番稼働するモデルへ
- 01
データの評価
過去データ、画像、センサー。何があり、品質はどうか、モデルに何が必要かを確認します。
- 02
構築と測定
過去のデータで最初のモデルを検証し、現在の業務のやり方と比較します。
- 03
統合
ERP、計画ツール、ラインの画面など、現場がすでに使っている場所に結果を表示します。
- 04
監視
本番環境で精度を継続的に確認し、データの変化に応じてモデルを再学習します。
すべてのプロジェクトに含まれること
詳しく見るデータ
データを集め、整え、構造化します。うまくいくAIプロジェクトは、すべてここから始まります。
セキュリティとコンプライアンス
データは貴社の管理下に置き、貴社内でのホスティングも可能です。トレーサビリティとアクセス管理を備え、GDPR、日本の個人情報保護法（APPI）、香港のPDPO、米国の適用法（カリフォルニア州のCPRA改正後のCCPAなど）を考慮したうえで、貴社のセキュリティ要件と監査に合わせて対応します。
運用と品質評価
本番環境での監視、AIの回答品質の測定、安全策、継続的な改善、コストの管理。
研修と内製化
経営陣と現場に向けたAI研修、スキルの移転、ドキュメントの整備。
何を予測し、何を検査したいですか。
データと、改善したい意思決定についてお聞かせください。モデルで何ができ、何が必要かをご説明いたします。