生成AIがカメラ映像から冠水を判定、監視労力8割減を確認した照明メーカーの実証

冠水を自動で知らせるには水位検知器が要る。この前提が、同社の防災サービスには長く置かれていました。センサーを設置できる場所は自動で警告が出せる一方、設置できない地点はカメラ映像をスタッフが見続けるしかなく、監視の負担がそこへ集中していました。

編集部の見立てでは、困りごとの本質は目視という作業の重さそのものではなく、「機器で測れる場所」と「測れない場所」の間に空いた落差を、人の目で埋め続けなければならなかった点にあります。しかも、その落差を技術で塞ごうとすると、従来型の画像認識AIは学習にかかる手間が重く、投じた分の成果が返ってくるかも読めません。負担がはっきり見えていながら投資判断に踏み切れない、そんな膠着が続いていたのではないでしょうか。

判定を一種類のAIに任せず、難易度によって処理先を分けたところに、この仕組みの設計思想が表れています。大部分の画像は安価で高速なClaude 3 Haikuが引き受け、判断に迷うケースだけを高性能なClaude 3 Sonnetへ回す二段構えです。1分間隔で画像が届き続ける監視業務では、1枚あたりの処理費がそのまま運用費として積み上がります。全件を高性能モデルに通す発想を捨て、精度を厚く見るべき場面を絞り込んだ切り分けが、日常的に回し続けられる構成を成り立たせたと考えられます。

学習用のデータを集めてモデルを育てるのではなく、プロンプト（AIへの指示文）を書き直しながら精度とコストの落としどころを探る進め方も効いています。ユースケース検証用のアプリケーションGenUを土台に据えたことで、試したい判定条件をすぐ書き換えて結果を確かめるサイクルが短く保たれました。企画からプロトタイプ完成まで2か月という速さは、作り込む前に確かめるという順序を崩さなかった帰結でしょう。

入力される画像そのものの質をハード側で担保した点も見逃せません。照明とカメラを一体にしたデバイスは照明機器メーカーならではの持ち物で、暗がりの現場でも判定に耐える映像を送り出せます。AI側の指示をどれだけ練っても、何が写っているか判別できない画像からは答えは出ません。なお、サーバーレス構成の設計と追加機能の開発はAWSパートナーの株式会社ベンジャミンが担い、自社は現場条件とデバイスの強みを持ち寄るという役割分担が敷かれています。

実証では、1分ごとの画像判定によって24時間の道路監視を自動で回せることが確かめられ、常時張り付く必要がなくなったことで監視員の労力は約80%削減されています。照明とカメラの一体型デバイスにより、従来は難しかった暗所でも鮮明な画像が得られ、高精度な検知につながりました。参加したエンドユーザーからも、自動で冠水を知らせてくれるため監視業務の負荷が大きく軽くなったとの評価が寄せられています。今後は火災や交通事故へと検知対象を広げること、通知方法を増やすことが計画されています。