日本精工が品質トラブル4,000件を生成AIで要約、情報収集は約30秒に

生成AIに何をさせ、何をさせないかを切り分けた設計が、この取り組みの中核にあります。元データはテーブル構造を持っており、件数や傾向の把握はグラフの可視化が担い、生成AIは専門的な記述を平易な言葉へ置き換える要約の役割に絞られています。データ構造を維持できる形で生成AIを組み込むという工夫は、集計や比較という機械が確実にこなせる仕事を、あえて生成に委ねない判断でもあります。図と要約文が同時に示されるため、読み手は言葉の説明を図で裏取りしながら読み進められる。

ハルシネーションへの備えを、モデルの側ではなく運用の側に置いた点も見逃せません。AI品質コントロールと業務運営ルールを自社で策定し、生成AIは同社専用の環境に構築されています。品質トラブルの記録は顧客対応や設計判断に直結するだけに、誤りをゼロにはできない前提のまま現場へ出すには、出力をどう扱うかの取り決めが技術以上に効いてきます。先にルールを用意する進め方は、利用者の範囲を広げるときの説明にもそのまま使えるはずです。

2024年10月の技術検証から約半年で自社開発を完了させたアジャイルの進め方も、この種のアプリケーションとは相性がよさそうです。専門知識のない社員が直感的に操作できるかどうかは、仕様書の上では判断しづらく、触ってみて初めて見えてくる部分が多い。短い周期で作っては確かめられる体制だからこそ、UIの詰めに手をかけられたと考えられます。