終わらない目視チェックをどう減らすか。AIに明らかな不良を弾かせる仕組みづくり

線路設備の検査は目視での確認が多くを占め、膨大な人手と労力がかかる一方で、鉄道業界は社員の減少に直面していました。日本線路技術は「線路DX」というコンセンプトのもとで先端技術の活用を進め、その一つとして営業車両の床下カメラで線路設備を撮影する線路設備モニタリング装置を取り入れています。ただし、この装置は検査員が現地に出向く頻度は下げたものの、撮影された画像の確認・判定は依然として目視で行う必要が残りました。

ここで注目したいのは、困りごとが「消えた」のではなく「移った」という構造です。現地での歩行検査という作業が、机の上で大量の画像を1枚ずつ見る作業に置き換わった。データ処理延長は約6600kmに及ぶ規模であり、撮影が自動化されればされるほど、見なければならない画像は増えていきます。つまり本質的な課題は撮影の効率化ではなく、増えた画像のうち「人が見る必要のあるもの」をどう絞り込むかにあったのではないでしょうか。

効いたと考えられるのは、AIに最終判断を任せず、人が見る対象を減らす道具として位置づけた設計です。この取り組みでは、画像から明らかに分かる不良をAIがスクリーニングし、そこから除外される判断の難しいケースだけを人が目視で確定させる流れをとっています。判定の責任を人に残したまま作業量だけを削るこの切り分けは、鉄道の安全という譲れない前提と、現場の省力化という要求を同時に成り立たせる現実的な落としどころだと言えます。全画像を人が見るか、全判定をAIに委ねるかの二択で考えなかったことが、実運用に載せられた大きな理由でしょう。

もう一つは、対象を一つのモデルで押し切らず、部材ごとに技術を選び分けた点です。ボルト、マクラギ、締結装置、軌道パッドといった部材はカテゴリーが複数あるだけでなく、環境や用途によって構造や素材が異なり、検出すべき異常のパターンや判定基準もそれぞれ違います。ボルト一つを取っても脱落、緩み、破損と不良のパターンが分かれ、類似した部材が並ぶという難しさもあります。この取り組みでは、過去に集まっているデータの量と質、そして判定基準の状況に応じて、教師あり学習と教師なし学習のどちらが適するか、どのAIモデルを使うかを調査したうえで選択しています。物体検出（画像の中から部材の位置を見つける技術）で対象を切り出し、異常検知で状態を見るという組み合わせも、部材ごとの事情に合わせて使い分けるための土台になっているはずです。

現場のデータ処理を担う側とAI開発を担う側の役割分担も見逃せません。装置管理とデータ処理を日本線路技術が受け持ち、Laboro.AIがオーダーメイド型のAI開発を担うという組み合わせは、判定基準という業務知識と、モデル選定という技術判断のどちらも欠かさない体制につながります。加えて両社は、精度向上を続ける前提でMLOps（機械学習モデルを運用し改善し続けるための基盤）を見据えた体制づくりを目標に掲げており、作って終わりにしない構えが最初から織り込まれています。

全画像を目視で判定していた従来の運用と比べ、1ヶ月あたり100時間の工数削減が見込まれています（この数値にはJR東日本が開発したAIの効果も含まれます）。判定対象は十数種類の部材に及び、一部の部材では8割以上のスクリーニング効果が得られています。2023年11月から実運用が始まり、現在も運用が続いていることは、精度が現場の判断フローに耐える水準にあることを示す材料と見てよいでしょう。両社は今後も精度向上の取り組みを継続する予定です。