実際に動いたものだけを、
数字とともに。

欠陥検査装置が捉えたSEM画像から、欠陥の原因を自動的に特定する。不均衡なデータ、学習データの不足、クラス内の差がクラス間の差を上回るなど、機械学習にとって難しい条件が揃っていました。

異常検出、オブジェクト分類、領域分析を組み合わせて対応。異常検出は適切なサンプルのみで学習できるため、教師データが揃っていなくても結果に影響しません。エラー領域の特性から「傷」と「異物」を区別し、傷はサイズで重大度を評価、異物は種類まで識別します。

既知の欠陥原因を自動分類し、どのクラスにも属さない未知の欠陥も検出します。

放送局には膨大な番組データが保管されていますが、最低限のメタデータしかなく、内容を具体的に把握できません。手作業のタグ付けは時間もコストもかかり、古い映像の多くは未デジタル化のまま残っていました。

映像・音声・字幕・BGMをまとめて解析し、意味単位でのセグメント分割、ハイライトと要約の生成、自然言語による検索までを自動化。古い映像にもメタデータを再生成し、多言語対応で国際配信を支えます。

保管されるだけだったアーカイブが、制作・編成・営業が共通して使える資産へ。再放送、二次利用、配信ビジネスの拡大につながります。

価格はカテゴリー、メーカー、品質、需給など多くの要素に左右され、判断が属人的になりがちです。膨大な出品作業は手作業で、激しい市場変動への追随も、競合比較の自動化もできていませんでした。

製品データと市場データから最適価格を自動提案し、複数のECプラットフォームへ自動出品・在庫同期。各プラットフォームの販売手数料を計算に含めて価格へ反映します。

市場価格をリアルタイムに比較しながら販売戦略を調整し、在庫回転の監視から売れ筋・不人気商品の判断と在庫調整の提案まで行います。

技術知識は大量の文書に分散し、エンジニアは必要な情報を手作業で探しています。既存のDMSは内容を理解せずキーワード検索に依存し、専門家が離職すれば知識も失われます。汎用AIサービス上で内製を試みたものの、実用に必要な精度には届きませんでした。

RAGにより技術文書全体を読み取り、理解し、統合。表・グラフ・技術図・数式まで含めて自動でデジタル化・ベクトル化し、関連情報を出典付きで回答します。

自然言語で質問でき、文書間の隠れた関係の発見や、ユーザー・部門ごとの権限管理にも対応します。

顧客ニーズの把握に時間がかかり、適切な質問や回答が導き出せない。平均処理時間、一次解決率、教育コストに課題があり、暗黙知が共有されないまま属人化が進んでいました。

長時間のやり取りをリアルタイムに要約し、顧客状況に応じた質問候補と回答候補を提示。感情分析から応答トーンの提案までを支援します。

埋もれていた暗黙知を抽出・体系化することで、複雑な問い合わせにも柔軟に対応。得られたナレッジはマーケティングや商品開発にも活用できます。

議論と判断の経緯が議事録とチャットに分散し、Action Itemや期限も追跡されないまま、同じ議論が繰り返されます。プロジェクトが終われば知見は引き継がれず、メンバー交代のたびに共有コストが発生していました。

会議記録から重要な議論、Action Item、担当者、期限を自動抽出。成果物、仕様変更、判断理由をProject Knowledgeとして構造化し、蓄積します。

過去のプロジェクトを横断して、類似案件の判断と成果物を参照できます。