Share
Embed
ドメイン出身エンジニアが最速で_AIプロダクトの顧客価値最大化に挑んだ_リアルな奮闘記
「巨大産業で新たなプロダクトを“つくれる人”は、AIでどこまで広がるか」
https://enechain.connpass.com/event/406517/
の登壇資料です。
morry_48
October 26, 2026
Transcript
28 slides
-
02/28 自己紹介 Yu Moriguchi - morry Software Engineer 鳩胸になりたい⽂⿃ 保税業務‧配送センター業務‧輸⼊通関業務を経験
後、エンジニアに転⾝。約5年エンジニア経験の後 ShippioにJOIN。ドメインエキスパートに満たない⼀ 般⼈。 https://www.morry48.com/ -
06/28 輸出⼊には、法令に基づいて申告⼿続きがある 輸⼊するには、関税法などの法令に基づいて税関に申告し、関税を納める必要があります。 → 実⾏関税率表。品⽬ごとの税率がまとまっている ① 品⽬ごとにHSコード(税率)を決める ② 税額を計算して申告し、納付する インボイス
この申告に必要なデータを、書類から作るのがShippio Clearです。 -
07/28 Shippio Clear:貿易書類から申告データを作るシステム OCRで読み取った書類の情報をもとに、輸出⼊の⼿続きに必要な申告データのフォーマットを作ります。 Shippio Clearは2025年9⽉から提供開始した新しいサービス。 私は2026年始頃からプロダクトに関わっております。(当時アクティブユーザーはほぼ0...) ⼊⼒ Shippio Clear
出⼒ 貿易書類 OCRした情報を 申告⽤に整える 申告データ インボイス、パッキングリス ト、B/Lなど → 読み取った商品情報を、申告に必要な → 輸出⼊の⼿続きに必要なフォー マット(NACCS⽤ファイル) 項⽬と形式にそろえる ここから話すのは、OCR後「書類から商品ごとのレコードを作る」部分の精度改善です。 -
08/28 複数の貿易書類から、商品のレコードを作る 最初のステップでは、書類をAI-OCRで読み取り、商品1つにつき1⾏のレコードにまとめます。 ⼊⼒ 複数の貿易書類 インボイス、パッキングリスト、B/Lなど ↓ AI-OCRで読み取り、書類間で突き合わせ 出⼒ 商品ごとのレコード
品⽬コード、品⽬詳細、HSコード、数量、単価など 複数の書類から同⼀商品に関する情報をマージする 必要がある ↓ 後続の処理へ 計算の補助、NACCS⽤データの⽣成 -
10/28 実例① 1対多 インボイスの1⾏が、パッキングリストでは9⾏になる インボイス 品名 1⾏ パッキングリスト 数量 (CTNS)
商品X 7,227 単価 金額 マスク マスク コンテナ 品名 数量 (CTNS) N.W. (kg) G.W. (kg) 40HC #1 商品X 803 5,925.337 8,432 40HC #2 商品X 803 5,925.337 8,432 40HC #3 商品X 803 5,925.337 8,432 40HC #4 商品X 803 5,925.337 8,432 40HC #5 商品X 803 5,925.337 8,432 40HC #6 商品X 803 5,925.337 8,432 40HC #7 商品X 803 5,925.337 8,432 40HC #8 商品X 803 5,925.337 8,432 40HC #9 商品X 803 5,925.337 8,432 7,227 53,328.033 75,888 TOTAL 803 × 9 = 7,227 で数量は⼀致する。 コンテナごとに9⾏ ただ、インボイスには重量がなく、パッキングリストには⾦額がない。 どの⾏とどの⾏が対応するかを決めないと、⾦額と重量が1つの明細⾏にそろいま せん。 -
11/28 実例② セル結合 重量がパレット単位で結合されている パレット 品名 数量 製品A 20 付属品
4 製品A 20 製品B 2 P-3 製品C 2 部品D 1 TOTAL パッキングリストでよくある書き⽅ 49 重量はパレットごとに1つだけ書かれ、 P-1は2⾏、P-3は3⾏を1つのセルにまと 300 P-1 P-2 重量 (kg) 290 150 740 めています(緑のセル)。 -
12/28 実例③ 表記ゆれ 同じ商品なのに、書類ごとに書き⽅が違う ⽚⽅の書類だけ品番の後ろに括弧で補⾜が付いているケース。 インボイス パッキングリスト ITEM-A001 ITEM-A001 (WHITE)
ITEM-B002 ITEM-B002(SET OF 3) ITEM-C003 ITEM-C003 (FOC) ⽂字列としては⼀致しないので、そのまま⽂字列⽐較では同じ商品として紐づけられません。 -
13/28 精度改善活動における初期の進め⽅:FBドリブン 従来:成果物のリレー お客さまのフィードバック AI時代:動くものを軸に会話 1 ↓ 「このPDF、うまくデータ化されない」 要望のまとめ ↓
仕様書 お客さま‧現場 2 CS(ドメインエキスパート) 対象のPDFと、本来どう読むべきかを連携 ↓ 実装 ↓ 確認 3 ⾃分 プレビュー環境ですぐ直し、動くもので確かめてもらう 書類に対する正解がわかるドメインエキスパートと、すぐ直せるエンジニアが動くものでつながり、報告から修正までが 速く回った。 -
15/28 報告を待っている限り遅い ‒ 失敗に気づいて報告する⼿間を、お客さまとCSに払わせている。 ‒ ⼤前提お客様はめちゃくちゃ忙しい。 ‒ どれだけ速く直しても、それは失敗が起きた後の話。 ‒ 続けるうちに不確実性は、下がりドメイン⼀般⼈の⾃分でも書類を⾒てある程度正解がわかるように
なったが... 修正の速さだけでは、プロダクトに求められる精度改善が進まない。 -
17/28 顧客FBを待たずに、システムが失敗を検知する 「正しく読めている状態」を定義し、外れたらSlackに通知する仕組みに切り替えました。 これまで これから 1 顧客定例やメールでお客様から改善FBが挙がる 1 お客様の利⽤中に、失敗が起きる 2
CS(ドメインエキスパート)が確認する 2 ⾃⼰検知でSlackに通知される 3 エンジニアに届いて、修正する 3 エンジニアが直接確認して、PRを作る 直せるのは、報告がきた分だけ。 起きたその⽇に直せる。 -
18/28 AIで作るのを速くした -> 次は伝えるのをなくした AIでどれだけ開発が速くなっても、失敗を認知できなければ、そもそも改善はスタートできない。 プロトタイプドリブン 「動くもの」を挟んで、企画‧仕様策定‧実装を⾼速化 フィードバック → 企画
→ 仕様策定 → 実装 → 検証 ⾃⼰検知 FBを待たず、CSやお客さまが気づいて伝えるコストを削減 ⾃⼰検知(正解との差分を⾃動で⾒つける) → 実装‧検証 精度改善は、エッジケースが⼤量にある。でも、正解はほぼ決まっている。 不確実性が低く何を作るかを企画したり仕様を議論したりする必要がない。正解を⼤体定義しておけば、外れたケースを検知 して、そのまま修正しに⾏ける。 -
19/28 通常の開発サイクルから外れてさらに速くなった 10 多い⽇には、1⽇に10パターン以上の修正案を出 パターン以上の失敗ケース し、そこから選んでcommitしていました。 顧客の連絡を待つ必要がなくなり、改善は⽇単位で回るようになりました。 さらに検知したケースは、すべてをコードで直すわけではありません。 エンジニア「〇〇機能を正しく設定すればこれは成功になりま Clearの付随機能を使えば成功するケース
す。」「β版〇〇解放しましょう。」 エンジニア→CSに連携 CSからお客さまに使い⽅を案内し利⽤を成功体験に -
20/28 精度が上がり、業務に組み込まれていった 定量的な精度は実際に向上 検知して、すぐ直すループを回し続けた結果、⽬標に近 いところまで来た。 お客さまの声が変わった DX担当が頑張って現場に使わせるものから、現場が使い たいサービスに。1時間かかっていた業務が10分未満 に。 利⽤が定着した
精度の伸びに合わせて、お客さまの業務フローへの組み 込みが進み、8ヶ⽉ほどで利⽤案件総数が50倍以上に増 加。 -
23/28 ユーザーが⼀番欲しい価値から逃げない 数値化した⽬標を⼿段以 ⾃⼰検知の仕組みがあることで、「どれだけエラーを防げたか」「どれだけ⼿⼊⼒を減らせ 上に扱わない たか」を数字で追えるようになった。でもハックしすぎには注意。解かなくていい課題もあ る。 作りやすさで選ばない お客さまが⼀番楽になることから⼿をつける。 AIで新しい機能を作りやすくなった分、ドメイン理解が⼀定ある⾃分は「その機能作れます
よ」は簡単になってる。何を検知し、何を解くかが重要になってきてる。 AI時代の⼿抜きは「アウトプット出しすぎ」みたいな話もある。(https://qiita.com/morry_48/items/c5c388153c7506109c69) 知識を活⽤し何を作らないか決めることも重要なアウトカムになる。 -
24/28 結論①:元々つくれる⼈(エンジニア)は、⼯程の⼿前へ広がる ドメイン知識の習得はもちろん、作れる⼈はより抽象度が⾼く、⼿前から⾃分の責任範囲としてとらえる必要がある。 認知 → 企画 → 仕様策定 → 実装
→ これまでのエンジニア プロトタイプドリブン 動くもので企画から‧FBを元にプロトタイプを作ってから議論する ⾃⼰検知 失敗に気づくところから AIで実装が速くなるほど、差がつくのは実装前後の⼯程。 何に気づき、何を解き、何を作り、作らないか。そこまでを⾃分の仕事にする。 検証 -
25/28 結論②:お客さまも含め、関わる⼈全員をつくれる⼈に つくれる⼈は、エンジニアの外にも広がりつつある。 社内 CSもドメインエキスパートもデザイナーも、それぞれのツールで動くものを作り、仕様書の 全員が動くものを作る リレーではなく動くもので会話する。 動くもので超える職域の壁(過去の登壇資料) お客さま 「⼀旦Clearに取り込んでおけば、そのうち今使えないフォーマットの案件でもそのうち使え
⼀緒に価値をつくる側へ るようになるはず」ということで、⼤量のエッジケース提供に協⼒。 「Shippioに⾔えばすぐ開発される」と思ってもらえるようになり、お客さまから複雑なExcel 関数が送られてくることも。