検証の成果が現場に実装されず、
PoCへの投資が回収されないまま終わっている
AIは、精度の高いアルゴリズムを作るだけでは現場に定着しません。検証では成果が出たのに、使われないまま終わるPoCも少なくありません。つまずきの多くは精度ではなく、業務フローに合わない画面、既存システムとつながらない構成、社内の基準を満たせない設計から生じます。「誰が、いつ、どの画面で使うのか」が定まっているかどうかが、現場に残るかを分けます。
APPROACH
Spark+は、PoCを「試してみる」ための工程ではなく、本開発に進めるかを判断するための工程として設計します。検証に入る前に、対象業務の棚卸しと現行フローの整理、活用できるデータの確認、成功基準の定義まで行います。ここが曖昧なまま始まったPoCは、たとえ精度が出ても次に進めません。
本開発では、検証したロジックを現場が毎日使えるシステムに落とし込みます。業務フローの再設計、既存システムやデータ基盤との連携、現場のオペレーションに合わせたUI/UX設計に加え、セキュリティ・ログ・監視の実装まで担います。社内の技術審査やセキュリティ基準への対応も、この工程に含めて進めます。
導入後は、利用ログと現場からのフィードバックをもとに精度と機能を改善し、対象業務を広げていきます。
PoCが止まりやすい地点検証で成果が出ても、画面が業務フローに合わない、既存システムと連携できない、社内基準を満たせないといった理由で、本番導入に至らないケースが少なくありません。
※ 実案件の構成を一般化した一例です。構成は要件に応じて変わります。
SERVICE
CASE
検証の前提となる撮影環境から整備し、実装・評価まで到達
BEFORE
部品表面の微細な欠陥の検出を目視で行っており、工数がかかるうえ、検出できるようになるまでに訓練を要した。次々と製品が流れるため、一点にかけられる検査時間も限られていた。
AFTER
撮影環境のコンサルティングからアノテーション、データセット構築、モデリング、実装、学習、評価までを一貫して実施し、欠陥検出を自動化。検査工数の削減に貢献した。
推定の根拠を可視化し、信頼性が求められる現場での導入リスクを低減
BEFORE
物体検出モデルは対象物の位置を高精度に推定できる一方、なぜその位置と判断したのかという根拠を示しにくい。信頼性が求められる領域では運用リスクが残っていた。画像単位で注目領域を示すことはできていたが、モデルがどのような特徴に依存して判断しているかという傾向は定量化できていなかった。
AFTER
説明可能AIの技術であるD-CLOSEの導入と独自の分析手法により、欠陥位置の推定時にモデルが注目する領域の傾向把握を実現。推定結果の妥当性を確認しやすくし、物体検出モデル導入のリスク低減に貢献した。
手書き書類の形式チェックを自動化し、PoCから本番運用まで到達
BEFORE
手書きの提出物の形式審査を人手で行っており、多くの工数を要していた。
AFTER
提出物を読み取り、形式要件を項目ごとに自動判定するシステムを構築。PoCから数ヶ月で本開発を完了し、本番運用と継続利用に至った。
RELATED
CLIENT
PoC止まりのプロジェクトがあれば、状況をお聞かせください。
何が本番導入を妨げているかを整理し、進め方をご提案します。
初回のご相談は無料です。構想段階や、課題がまだ言葉になっていない段階でも構いません。現状を伺いながら、AIで解ける課題かどうかのアセスメントからご一緒します。