実績

医療機器の部品写真から、約1,000種類の候補の中より型番を自動で特定する画像認識システムを構築。

ひとつの大規模モデルで全種類を分類するのではなく、小型モデルを複数組み合わせたアンサンブル構成を採用。新しい部品が追加された際に該当モデルのみを再学習すればよく、全体を作り直す必要がない保守性の高いアーキテクチャとした。

オペレーターの熟練度に依存していた型番特定業務を標準化し、発注ミスの削減と作業時間の短縮を両立した。

官公庁から寄せられる問い合わせへの回答業務を効率化するため、RAG（Retrieval-Augmented Generation）を活用した回答生成システムを構築。

過去の問い合わせと回答をベクトル化してCosmos DBに蓄積し、新たな問い合わせに対して類似する過去事例を自動で検索。検索結果をコンテキストとして回答ドラフトを生成することで、担当者は過去事例の探索と原稿作成の大部分を省略できるようになった。

ナレッジが個人の経験に依存しがちだった業務において、組織として蓄積された知見を誰でも引き出せる状態を実現した。

官公庁に提出する調査資料の作成業務を効率化するため、過去資料のフォーマットを踏襲しながら調査データから新たな資料を自動生成するシステムを構築。

過去の提出資料を構造化して参照させることで、担当者ごとに異なっていた記述スタイルを統一しつつ、調査結果を本文へ自動反映する仕組みを実現した。生成結果は必ず人がレビューする運用とし、精度と責任所在の両立を担保。

Azure OpenAI ServiceとFlaskによる軽量なWebアプリケーションとして提供し、業務フローにそのまま組み込めるUIを設計した。

屋外設備をカメラで常時監視し、異常が発生した際にリアルタイムでアラートを発報するシステムをオンプレミス環境で構築。

物体検出モデルで監視対象を抽出したうえで、異常検知モデルによって正常状態からの逸脱を判定する二段構成のアプローチを採用。異常を検知した場合は現場のパトライトを即時発報させることで、オペレーターが遠隔から常時モニタリングする負荷を大きく軽減した。

屋外環境特有の天候・照度変化に耐える学習データ設計と、オンプレミスでの安定稼働を両立させた。