LayerXにおけるAI活用事例とその裏側（2025年2月）バクラクの目指す “業務の自動運転” の例 / layerx-ai-deim2025

Slide 1

Slide 1 text

Slide 2

Slide 2 text

© LayerX Inc. 2 バクラク事業部 AI / 機械学習グループマネージャー経歴 ● 2018/3 ○ 京都⼤学⼤学院情報学研究科修⼠課程修了 ● 現在 ○ 株式会社LayerX AI / 機械学習グループマネージャー ○ NewsPicks プロピッカー(AI) ○ ⼤学にて⾮常勤講師やスタートアップの技術⽀援等画像を入れてね⾃⼰紹介松村優也（Yuya Matsumura） @yu__ya4

Slide 3

Slide 3 text

Slide 4

Slide 4 text

4 © LayerX Inc. 「すべての経済活動を、デジタル化する。」をミッションに、AI SaaSとAI DXの事業を展開事業紹介バクラク事業企業活動のインフラとなる業務を効率化するクラウドサービス Fintech事業ソフトウェアを駆使したアセットマネジメント‧証券事業を合弁会社にて展開 AI‧LLM事業社内のナレッジやノウハウをデータベース化するAIプラットフォーム AI SaaSドメイン AI DXドメイン

Slide 5

Slide 5 text

バクラクは、稟議、経費精算、法⼈カード、請求書受取、請求書発⾏、勤怠管理などの業務を効率化するクラウドサービスです。最先端のAIを組み込むことで、⼿⼊⼒や紙の管理などの業務から解放し、従業員⼀⼈ひとりがコア業務に集中できる新しい働き⽅を創造します。中⼩企業から⼤企業まで、10,000社を超えるお客様の働きやすい環境づくりと事業成⻑を⽀援しています。バックオフィスから全社の⽣産性を⾼める。 © LayerX Inc.　 5

Slide 6

Slide 6 text

© LayerX Inc.　 6 「バクラク」シリーズラインナップ ‧AIが請求書を５秒でデータ化 ‧仕訳 / 振込データを⾃動作成 ‧電帳法‧インボイス制度にも対応仕訳‧⽀払処理効率化 ‧年会費無料で何枚でも発⾏可能 ‧カード利⽤制限で統制を実現 ‧すべての決済で1%以上の還元法⼈カードの発⾏‧管理 ‧帳票の⼀括作成も個別作成も⾃由⾃在 ‧帳票の作成‧稟議‧送付‧保存を⼀本化 ‧レイアウトや項⽬のカスタマイズも可能請求書発⾏ ‧スキャナ保存データも直接取込み ‧AI-OCRが書類種別を判定＆データ化 ‧[取引先][取引⽇][取引⾦額]での検索帳票保存‧ストレージ ‧AIが各種申請書の作成をサポート ‧スマホからも申請‧承認可能 ‧柔軟な通知設定 / 承認の催促機能あり稟議‧⽀払申請 ‧直感的UIで従業員の負担を軽減 ‧Slack連携で打刻や⾃動リマインド可能 ‧わかりやすい残業 / 休暇管理レポート勤怠管理 ‧AIが領収書を5秒でデータ化 ‧スマホアプリとSlack連携あり ‧領収書の重複申請などミス防⽌機能経費精算

Slide 7

Slide 7 text

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

© LayerX Inc. 10 「業務そのものをなくす」ことのできるはずの背景 LLMの進化により、⼈間が「（⾃然）⾔語」で機械に実現したいタスクや意図を伝えられるようになり、アプリケーションのインターフェースのあり⽅がどんどん変化している。実現したいタスク・人の意図これまで実現したいタスク・人の意図アプリケーションが理解（入力）できる形にタスクや意図を人が “翻訳” 必要に応じて複数の専用アプリケーションを組み合わせて人が作業タスク・意図をそのまま AIアプリケーションに入力（複数の）アプリケーションを利用した人間によるタスクの遂行 AIアプリケーションよるタスクの遂行例：「受信したメールに対して、Googleカレンダーの予定を参照した上で出席・欠席の返答を作成して送付してください。」というタスクをPromptを与えるだけで実現できる（かもしれない）これから人がアプリケーションを利用するためにコストをかけて、やりたいことを実現してきた。

Slide 11

Slide 11 text

© LayerX Inc. 11 バズワードとなっているAgentを、技術的に正しく理解しそれぞれの事業で適切な体験に落とし込む。進化するAgent技術「業務そのものをなくす」ことのできるはずの背景 Planning Workflow Tool Use Knowledge Memory Interaction （UX・HITL）これらの要素×よりよいUXを追い求めプロダクトのあり方を模索する2025年となる。

Slide 12

Slide 12 text

Slide 13

Slide 13 text

© LayerX Inc. 13 出張予定をカレンダーに登録さえすればすべてが終わる世界がくるかもしれない出張予定がカレンダーに登録される登録された期間や場所、業務‧イベント内容などから事前の出張申請をAIが⾃動で作成⾜りない情報はAIが聞いてくれるので⼈間はそれに答えるだけ出張内容に適した交通⼿段や宿泊施設を、過去の出張履歴や社内規定に沿ったものをAIが選択⾃動で予約や決済が⾏われ、事後の経費精算申請もAIが⾃動で作成出張中の経費や社内規定に沿った⽇当に関する申請もAIが⾃動で作成⼈間は出張に⾏って帰ってくるだけ。本来やるべきことに集中できる！たとえばAIエージェント in 出張業務「業務そのものをなくす」

Slide 14

Slide 14 text

Slide 15

Slide 15 text

Slide 16

Slide 16 text

© LayerX Inc. 16 請求書や領収書などの帳票に記載された項⽬（⽀払期⽇や⽀払⾦額、取引先名など）を抽出。 ● 対応枚数が数⼗、数百枚と増えるにつれ、ミスが起こりやすくなる ● 帳票のフォーマットは多種に渡り、⽬視で必要な項⽬を探すのは⼿間がかかる ● ミスが許されないため、ダブルチェック等の確認作業にも追加でコストが必要 AI-OCR機能：⼈間が帳票をもとに⼿⼊⼒でデータ化するという業務を無くす “業務の⾃動運転” Level1 の例

Slide 17

Slide 17 text

Slide 18

Slide 18 text

Slide 19

Slide 19 text

Slide 20

Slide 20 text

ホテルの領収書で読み取りたいのはチェックアウト⽇ or 決済⽇ CASE.1 請求書で読み取りたいのは税抜請求⾦額 or 税込請求⾦額 CASE.2 運⽤⽅法や業務の⽂脈など、顧客ごとのユースケースによって読み取りたい値が変わる従来のAI-OCR(Level1)機能の課題

Slide 21

Slide 21 text

© LayerX Inc. 21 項⽬抽出部分はBERT系 (NLPモデル)や、Object Detection (CVモデル)系、 LayoutLM (マルチモーダルモデル)系などを複数検証パーソナライズドAI-OCR (項⽬抽出モデル) “業務の⾃動運転” Level2 の例 Jacov Deblin, et al., BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, ACL, 2019 Zheng Ge, et al., YOLOX: Exceeding YOLO Series in 2021, arxiv, 2021 Yupan Huang, et al., LayoutLMv3: Pre-training for Document AI with Unified Text and Image Masking, ACM, 2022

Slide 22

Slide 22 text

Slide 23

Slide 23 text

Slide 24

Slide 24 text

© LayerX Inc. 24 LayoutLMv3 ● モデル⼊⼒ ○ OCRされた⽂書テキスト ○ PDFを画像化したもの ○ 携帯で撮った写真 ● モデル出⼒ ○ Tokenに対応するラベル (Token Classiﬁcation) ● 選定理由 ○ 当時のSoTAかつToken Classiﬁcationの枠組みで解けるパーソナライズドAI-OCR (項⽬抽出モデル) “業務の⾃動運転” Level2 の例

Slide 25

Slide 25 text

© LayerX Inc. 25 最終的にお客様が欲しいのは、「誰に対して」「いつ」「いくら⽀払った」といった情報。同じ書類であっても、お客様の運⽤によって変わることがあるため、過去の⼊⼒履歴を活⽤。パーソナライズドAI-OCR (推薦モデル) 会社名が欲しい or 担当者名が欲しい税込⾦額が欲しい or 税抜⾦額が欲しい税抜⾦額税抜⾦額税込⾦額会社名会社名担当者名過去の⼊⼒履歴お客様が欲しい値を推薦税抜⾦額会社名 “業務の⾃動運転” Level2 の例

Slide 26

Slide 26 text

© LayerX Inc. 26 “業務の⾃動運転” Level2 の例 Why not LLM? LayerXでは、AIを⽤いた際の体験「AI-UX」を重視しており、間違えた際の気づきやすさ、修正しやすさ、抽出速度などからシンプルなモデルを使⽤。 (どこからその値を抽出したか、などはまだ⽣成モデルより既存モデルの⽅が強い。) ⾃社ドメインの⼤量データで学習する際は、精度的にも既存モデルの⽅が⾼いことも多い。また、パーソナライズ部分などもICL(In-Context Learning)より既存の推薦技術の⽅がシンプルで扱いやすい。と今は考えています。 AI-UXについてはこちら：日経COMEMO「AI-UXとAX(AI Transformation)というLayerXの挑戦」

Slide 27

Slide 27 text

© LayerX Inc. 27 領収書以外の様々な情報を参照したLLMによる経費精算申請の⾃動化経費精算時必要となる情報立て替えをした日立て替えした金額立て替え先のお店情報社内ルールに基づいた区分飲食の場合、出席者情報・・・機械学習ベースの AI-OCRで自動読取社内の支出ルール（勘定科目等）機械学習やLLMにより入力補完過去の申請履歴データ社内マスタやカレンダーなど経費精算サービス外の情報も参照 “業務の⾃動運転” Level2 の例立替に関連するカレンダーデータ ※開発‧検証中の機能を含みます。現時点でお客様がご利⽤できるわけではありません。