働く人にもっと自由を  アップデータ株式会社

AI/機械学習サービス「匠のAI(あい)」

熟練の匠の経験とノウハウが AI に命を吹き込む

Overview製品概要

一般的なAIソリューションは業務システムから出力された膨大なデータ量とコンピューターの計算量によって、データの特徴を検出することで予測モデルを生成します。
しかしそこには長年に経験により培った貴重な現場のノウハウは活かされず、ブラックボックス化したまま失われることとなります。
匠のAI は、「匠」の視点、思考、ノウハウ最大限に活かすことでブラックボックス化せず、現場ユーザーがしっかりと使えるAIを/機械学習を提供するソリューションです。
現場ユーザーが使える AI は働き方を変え、競争力を高め、時代やビジネスの変化に耐えうる生産性と質の高いビジネスへの変革をもたらします。

About「匠のAI」とは

現場ユーザーの業務ノウハウを活かす

AI 構築に必要となるトレーニングデータに対して、現場ユーザーの思考を反映した肉付け、特徴を増幅などを行います。
このトレーニングデータによって高精度な予測モデルを生み出し、これによりブラックボックス化しないAIが実現します。

現場ユーザーが導入に参加する

実際の現場ユーザーの業務ノウハウを活かすことで、AI導入を共に構築するという参画意識が高まりスムーズな導入への下地が構築されます。

現場ユーザーが AI をコントロールする

現場ユーザーが導入に携わり、ノウハウを活かしているからこそ、様々な「匠」のさじ加減(パラメーター)によるAI制御が実現できます。
AIベンダー主導の任せっぱなしソリューションと 匠のAIとの根本的な違いです。

現場ユーザーの働き方を改革、ステップアップする

匠のAI が目指すのは、AIによる安易なコスト削減と人員整理ではありません。
現場レベルでコントローラブルな AI の提供は、ユーザー自身による with AI による意識変革、働き方の改革やステップアップをもたらします。

IntroductionAI導入までの流れ

PoCフェーズ
企画・構想
企画・構想
ビジネスの課題を明確化し、AI 導入によるビジョンやKPIを定義します。
分析
分析
業務システムや計測機器のデータを分析を行い、AI学習として利用可能か評価を行います。
また、現場スタッフの様々な業務ノウハウを徹底的にヒアリングします。
検証
検証
業務に熟練した「匠」の技術、経験、ノウハウを活かして正規化されていないデータに肉付け、 増幅することで機械学習に最適なデータを使って予測モデルを構築し、問題解決可能か検証します。
実運用フェーズ
導入
導入
AI に対する知識がなくても容易に利用可能な API を提供することで、一問一答方式のリアルタイム予測、多数のデータに対する一括バッチ処理予測が可能になります。
メンテナンス
メンテナンス
日々の業務データを常に学習データに変換することで常に最新の予測モデルにリフレッシュし、予測精度の低下と陳腐化を防ぎます。。

Images導入イメージ

匠の力をAIに活かす

業務データに対して、現場ユーザープロ「匠」の思考を元にデータの肉付け、特徴の増幅などをする AI モデルの教育データ生成プログラム「匠データ変換エンジン」を実装します。
また、「匠」の研ぎ澄まされた感覚やさじ加減はブラックボックス化せずに変換エンジンのパラメーター化とすることで、現場レベルでコントロールでき、ビジネスの変革の即応できる AI を生み出すことができます。

Modulus提供モジュール

見積もり予測の匠
見積もり予測の匠
製品個別に仕様が異なる、熟練の経験者でなければできないなどの理由で、困難な製造工数や金額を見積ります。
細菌発生予測の匠
細菌発生予測の匠
食品製造ラインにおける細菌検出データを元に、細菌発生箇所を予測するします。
製造ライン異常検出の匠
製造ライン異常検出の匠
製造ラインの様々なセンサーの時系列データを元に、品質悪化やトラブルの予兆を検出し、事前にアラートします。
出店計画サポートの匠
出店計画サポートの匠
店舗面積、立地条件、周辺人口、テーブル数などの実績データを元に、新規に出店する店舗の売上を予測します。
不良品検出の匠
不良品検出の匠
検査機器から出力された製造品の計測結果を元に、傷や汚れなどの状態を判断し、不良品を識別します。
受注予測の匠
受注予測の匠
営業活動中におけるリードや案件の営業進捗状況、商品、売上額などの実績を元に、今後の受注確度を予測します。

Case Study導入事例

導入事例(1)製造業最適見積もり予測

課題

  • 一つずつ異なる仕様の製品の製造の見積もりは一部の熟練の経験者だけに依存
  • 見積もりのブレが与える生産計画の影響は経営的な影響も大きかった

成果

  • 過去数年の見積もりと実績データをトレーニングデータとして利用
  • 平均誤差 1/5、ブレ幅 1/8 という予測精度のアップを実現

導入事例(2)食肉加工業細菌発生予測

課題

  • 食肉加工時に発生リスクのあるリステリア菌を抑えるノウハウは一握りの経験者
  • 細菌によるパンデミックは事業に与える影響は甚大

成果

  • 工場作業員の拭き取り作業によって検出された結果の報告書データをトレーニングデータとして利用
  • 約90%を上回る確率で製造過程のリステリア菌発生工程の位置情報を予測

導入事例(3)製造業不良品検出

課題

  • 目視による製品表面の傷による不良品判定は担当者の経験やスキルに依存
  • 不良品によるユーザーからのクレームへの改善に限界があった

成果

  • 表面検査器から出力されたデータをトレーニングデータとして活用
  • 熟練の技術者でしか判別できない不良品を含め約90%の確率で検出可能

AI/機械学習についてのお問い合わせはこちら