モノづくり産業を アップデートするAI イベントまとめ

Transcript

1. モノづくり産業を アップデートするAI KINTOテクノロジーズ × CADDi イベントまとめ AI × 製造業 RAG MCP / FDE 構造化データ 一言でいうと： 「モデルを作る」から「現場で価値が出続ける仕組みを設計する」へ 作成: ChatGPT / ユーザー提供写真と公開資料から要約 1
2. イベント全体像 オフラインLTを通じて、製造業AIの「実装」と「定着」を多面的に整理 イベント モノづくり産業をアップデートするAI KINTOテクノロジーズ × CADDi 2026/04/23 19:00〜 / Osaka Tech Lab KINTO Technologies MCP Apps / FDE / 自働化 AIを組織に組み込むための「役割」と「境界 線」の設計 CADDi RAG開発体制 / 見積明細の構造化 複雑な製造業データをプロダクト価値へ変換 補完視点：図面資産×AI ユーザー企業・設計現場側から、図面資産、ローカルLLM、ク ラウド制約、検図指摘の資産化を提示。 このまとめ資料の読み方 各LTの詳細メモではなく、イベント横断で見えた「論点」と「実践の勘所」を再編集しています。 出典: connpassイベントページ検索結果 / ユーザー提供写真 / SpeakerDeck公開資料 2
3. 横断テーマ：製造業AIの価値は「接続」で決まる 技術単体よりも、現場・データ・プロダクトを接続する設計が重要 01 現場知を 設計に入れる 02 非構造データを 使える形にする 03 PoCを本番価値に つなぐ 04 継続運用で 学習する 各発表が指していた共通の落とし穴 デモでは動くが、現場で使われない 人とAIの役割や責任境界が曖昧なまま導 入される。 PoCは速いが、本番化で止まる 言語・運用・品質説明責任・セキュリテ ィで壁に当たる。 データはあるが、知識として使えない 図面・見積・文書が多様な形式で散在し 、検索・比較・再利用できない。 まとめの視点：AI導入は「モデル選定」ではなく、知識の流れを再設計する取り組み。 ユーザー提供写真・公開資料をもとに作成 3
4. KINTO：組織にAIが組み込まれない理由 「技術力」よりも「役割と関わり方」の問題として整理 3つの失敗パターン 1. 人とAIの境界が設計されてい ない 2. ドメインエキスパート不在 3. 作って渡して終わり 現場で起きること デモでは完璧でも、本番で誰 も使わない。 Slack質問やレビュー作業に埋 もれ、結局フロー外運用にな る。 転換点 AIを「人の代替」ではなく、人が判断すべきところを残 しながら、監視や転記から解放する仕組みとして設計す る。 自働化の思想 異常を検知して止まる。人を「機械の番人」 にしない。AIでも同じく、人をAIの番人にし ない設計が必要。 ユーザー提供写真・公開資料をもとに作成 4
5. KINTO：FDEとMCPで「自働化」を両輪実装 ヒトが現場に入り、技術が境界を引く FDEの役割 Forward Deployed Engineer：前線に降 りて、現場と技術の間を翻訳し、実装 から定着まで伴走するエンジニア。 ドメインエキスパートとの協業 FDEは技術的複雑さから守り、エキス パートはビジネスの曖昧さから守る。 背中を預け合う関係。 4条件を実装へ落とす 人の役割が明確 MCP UI 必要な持ち物が揃う Tool Schemas / Structured Outputs 境界線が引かれる MCP UI + Evals & Observability 業務を知る人が設計に入る FDE + Domain Expert ユーザー提供写真・公開資料をもとに作成 5
6. CADDi：製造業RAGは「早く顧客に当てる」体制が鍵 課題設定から本番デプロイまで 1〜2週間を目指すプロセス RAGプロダクトの基本フロー Ingestion レイアウト解析 チャンキング Embedding Search Keyword / Semantic Rerank Answer Source selection Answer generation 開発の勘所 要件定義 → PoC → 本番開 発。課題が明確ならPoC をスキップし、顧客FBを 早く取り込む。 なぜ早期FBが必要か：回答の正しさや「ちょうどよさ」は、顧客文脈・固有名詞・暗黙の意図を聞かないと分からない。 ユーザー提供写真・公開資料をもとに作成 6
7. CADDi：見積明細を構造化し、QCDで評価する 形式が揺れるデータを「比較・判断できるデータ」に変換する 課題 見積明細の表記揺れ、粒度違い、空白セ ル、多様なフォーマット。慣れていない 人は読み取りに10〜15分/枚。 アプローチ AI Agentでフォーマットに対応した構造 化ワークフローとアプリを高速プロトタ イピング。 結果 約90%以上の精度で構造化。今後は精度 だけでなくCost / Deliveryも含めて改善。 評価軸：QCD = Quality（精度）/ Cost（コスト）/ Delivery（スピード） 学び AI Agentはアプリを早く作れる。ただし「動く」ことと「プロダクトとして届く」ことは別。 ユーザー提供写真・公開資料をもとに作成 7
8. 図面資産×AI：眠れる設計資産を起こす ユーザー企業・設計現場側から見た、図面データ活用のリアル SpeakerDeck公開資料の主題 As-Is チェックは人の目に依存 図面番号でしか検索できない 指摘が属人化し横展開できない To-Be ルール/AIによる自動チェック 図面情報抽出 + 透明文字埋め込みPDF 検図指摘DB・類似検索・流用判定 壁 CADDiで解ける課題はあるが、図面をク ラウドにアップロードできない制約があ る。 SECIモデルで捉える図面ナレッジ 共同化 OJTで図面の読み方を習得 表出化 検図指摘を組織ナレッジ化 連結化 図面番号と設計意図を紐づけ 内面化 蓄積ナレッジから自律学習 ローカルLLMの位置づけ 目的は「思考停止の解除」。クラウド制 約を乗り越え、図面データ利活用の機運 を高める。 結論 変えるのに必要なのは技術だけでなく、 社外・社内・業務部門との繋がり。 出典: SpeakerDeck「図面資産×AI 眠れる資産を起こす挑戦」 8
9. 3つの発表がつながるポイント 作る側・使う側・データ側の論点は同じ場所に収束する KINTO 組織にAIを組み込む MCP Apps / FDE / 自働化 / 役割設計 CADDi 製造業データをプロダクト化 RAG / 見積構造化 / QCD / 本番導入 図面資産×AI 現場資産を知識化 SECI / ローカルLLM / 図面OCR / 検図指摘DB 現場知 データ構造化 プロダクト実装 運用定着 製造業AIの実装は、技術ロードマップではなく「価値が流れる経路」の設計 「人が担う判断」「AIに任せる処理」「データとして残す知識」「本番へ届ける責任」をセットで設計す る。 ユーザー提供写真・公開資料をもとに作成 9
10. 実践の学び：製造業AI導入で外せない5点 イベント全体からの要約 1 AIの役割を明確にする 丸投げでも番人化でもなく、人の判断とAIの処理境界を設計する。 2 早く顧客・現場に当てる 正しさ・冗長さ・意図のズレは、実ユーザーからしか学べない。 3 データを使える形に構造化する 図面、見積、議事録、試験結果を検索・比較・再利用できる状態にする。 4 PoC後の本番化を最初から考える TypeScript再実装、セキュリティ、運用責任、説明可能性まで含める。 5 人と組織の繋がりを作る FDE、ドメインエキスパート、DX/DS人材、社外コミュニティを接続する。 要するに：AI導入の難所は「性能」だけではなく、使い方・責任・知識化・定着の設計にある。 ユーザー提供写真・公開資料をもとに作成 10
11. 自社で使うなら：次にやるべきこと イベント内容をアクションに落とす Step 1 対象業務を選ぶ 判断が多く、文書・図面・ 見積が散在し、現場の困り ごとが明確な領域を選ぶ。 Step 2 人とAIの境界を書く 誰が最終判断するか、AIに 何を任せるか、失敗時にど こで止めるかを明文化。 Step 3 小さくPoCする Python / ローカルLLM / 既存 検索などで、1〜2週間単位 で動くものを作る。 Step 4 現場FBで磨く 正しさだけでなく、冗長さ 、使いやすさ、説明可能性 、業務フロー適合を評価。 Step 5 本番化の道を決める セキュリティ、運用、言語 ・基盤、監視、Evals、 Schemaを設計し直す。 最初の成果物イメージ 「対象業務のAI適用メモ」1枚：業務フロー、AIに任せる 範囲、必要データ、評価軸、PoCの実装方針をまとめる。 評価軸の例 品質: 正答率・根拠提示 / コスト: 推論・運用 / デリバリー : 処理時間・提供速度 / 定着: 現場利用率 小さく作る。ただし最初から「本番で使われる条件」を決めておく。 ユーザー提供写真・公開資料をもとに作成 11
12. 参考資料・確認事項 公開情報と写真からの読み取りを統合 公開ページ connpass: モノづくり産業をアップデートするAI — KINTOテクノロジーズ × CADDi SpeakerDeck: 図面資産×AI 眠れる資産を起こす挑戦 ユーザー提供写真 KINTO発表：MCP Apps / FDE / 自働化 / 4条件 CADDi発表：RAG開発体制 / 見積明細構造化 / 社内AI利活用 読み取り上の注意 ・写真は投影スライドを斜めから撮影しているため、細かい表やQRコードは完全には読めません。 ・この資料はイベントの議事録ではなく、LT内容から抽出したテーマ別まとめです。 ・社名・発表名・日付などは公開ページの検索結果およびSpeakerDeckメタデータを参照しています。 まとめの一文：製造業AIは、現場知・データ構造化・プロダクト実装・運用定着をつないで初めて価値になる。 作成日: 2026-04-23 12