LayerXにおける業務の完全自動運転化に向けたAI技術活用事例 / layerx-ai-jsai2025

Slide 1

Slide 1 text

Slide 2

Slide 2 text

© LayerX Inc. 2 バクラク事業部 AI-OCRグループ Tech Lead/ 機械学習エンジニア経歴 ● 2019/04 京都⼤学⼤学院⼯学研究科修⼠課程修了 ● 新卒では、事業会社でタクシー配⾞アプリに関する機械学習システムの構築や、ライブストリーミングサービスにおける推薦システム構築に携わる ● 現在 ○ 株式会社LayerX AI-OCRグループ Tech Lead ○ バクラク事業部において、AI-OCRの改善や新規機械学習システムの構築を担当 ○ Kaggle Competitions Grandmaster ⾃⼰紹介島越直⼈（Naoto Shimakoshi) @nt_4o54

Slide 3

Slide 3 text

⽬次 Agenda ● LayerXについて ● 事例紹介①- バクラクAI - ● 事例紹介②- Ai Workforce - ● 今後の課題 ● まとめ

Slide 4

Slide 4 text

LayerXについて

Slide 5

Slide 5 text

5 © 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 6

Slide 6 text

Slide 7

Slide 7 text

Slide 8

Slide 8 text

Slide 9

Slide 9 text

© LayerX Inc. 9 バクラクのAI機能群業務に⾼頻度で潜むアナログな⼿間 ● 請求書を1枚1枚スキャンする⼿間 ● 領収書をシステムに⼿⼊⼒する⼿間 ● 仕訳を作成する⼿間 ● カード明細と領収書との突合の⼿間 ● 書類の情報を⼊⼒する⼿間 ● 請求書をAIが⾃動分割して取り込み ● 領収書のデータをAIが⼊⼒ ● AIが過去に学習した仕訳を⼊⼒ ● 領収書とカード明細をAIが紐付け ● AIが書類種別を判定してラベル付け AIにより、アナログな⼿間を無くしていく

Slide 10

Slide 10 text

Slide 11

Slide 11 text

© LayerX Inc. 11 多くのお客様に共通する「⽂章処理の課題」契約書やレポート作成時に、複数の資料を参考しているけど、フォーマットや構成がバラバラで欲しい情報を探すのが大変… 手作業でのコピー&ペーストも面倒くさい… 契約書が社内規定にあっているかのチェック業務に時間がかかっている。早く案件を進めたいのに… 過去資料検索が大変。結局ファイルを開いて中を見てみないとわからない。タグを付けるルールにしたけど誰も付けてくれない… “知的だが単純な作業”に多くの時間を取られている(疲弊している) Ai Workforceのターゲット

Slide 12

Slide 12 text

Slide 13

Slide 13 text

Slide 14

Slide 14 text

Slide 15

Slide 15 text

事例紹介① - Bakuraku AI -

Slide 16

Slide 16 text

© LayerX Inc. 16 ⽇常業務の中で”⾃然に”AIを活⽤いただけるような体験を提供 Bakuraku AIの事例写真を撮影し、まとめてアップロードするとAIがデータ⼊⼒請求書をアップロードした瞬間に、 AIが過去に学習した仕訳を⼊⼒領収書をアップロードした瞬間にAIがカード明細情報と照合適切な明細と紐付け複数枚まとめてスキャンすると、 PDFファイルをAIが⾃動分割あらゆる種別の書類をまとめてアップロードすると、AIが書類種別を判定し、ラベル付与

Slide 17

Slide 17 text

Slide 18

Slide 18 text

© LayerX Inc. 18 最終的にお客様が欲しいのは、「誰に対して」「いつ」「いくら⽀払うのか」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) Bakuraku AI事例 (Level 1からLevel 2へ) 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

Slide 19

Slide 19 text

© LayerX Inc. 19 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従来の機械学習モデルの⽅が強い。) ⾃社ドメインの⼤量データで既存モデルでも解けるタスクを学習する際は、精度的にも従来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)より従来の推薦技術の⽅がシンプルで解釈しやすい。 Why not LLM ? パーソナライズド AI-OCR

Slide 20

Slide 20 text

Slide 21

Slide 21 text

Slide 22

Slide 22 text

Slide 23

Slide 23 text

事例紹介② - Ai Workforce -

Slide 24

Slide 24 text

© LayerX Inc. 24 製造・自動車・法令、論文、規制情報の調査・機微情報の自動マスキングによる情報共有・製品が法令や規格に適合するかどうかのレビュー金融・融資稟議書のドラフト作成、情報転記、内容レビュー・取引先のリスクアセスメント、監査・広告ガイドライン審査ヘルスケア・法令 (薬機法) 、論文、規制情報の調査・社内プロジェクト (基礎研究、非臨床試験、治験等) の整理と共有不動産・契約書からの情報抽出、情報転記、システム連携・法令、規制情報の調査・申し込み情報、アンケート情報の内容レビュー、情報転記⾦融や製造、ヘルスケア等の業界における様々な⽂書処理業務が中⼼。 Ai Workforceの主なユースケース ※トライアル中のケースも含みます。 Ai Workforceのユースケース

Slide 25

Slide 25 text

© LayerX Inc. 25 Ai Workforceは情報のハブ専⾨性の⾼いドキュメントワークで扱うファイルを集約‧分析。⾼品質なデータを蓄積することで、業務の⾃動化や可視化、検索の効率化を実現社内情報の連携 AIワークフローで解析・整理構造化して情報集積情報共有の加速業務効率化ドラッグ&ドロップ外部ストレージ連携高品質なレビュー済みデータを蓄積（Human in the loop）未整理なフォルダ・ファイル群既存の業務を分解し、 LLM-nativeに再構成（出典）Jin, Bowen, et al. "Long-Context LLMs Meet RAG: Overcoming Challenges for Long Inputs in RAG." arXiv preprint arXiv:2410.05983 (2024). Ai Workforceの価値

Slide 26

Slide 26 text

© LayerX Inc. 26 • 数百ページあるアニュアルレポートから、アウトプットに必要な箇所を特定 • 貸借対照表、損益計算書、キャッシュフロー計算書などの専⾨性の⾼い「表」の情報から項⽬を抽出し、⾃社が定める勘定科⽬名称に分類 • 習熟までに時間を要した業務を、平準化アニュアルレポートから財務諸表を抽出し計算数百ページを、数分で「表」からの読み取り • 処理結果を、⾃社で作成したExcelフォーマットに出⼒ • 後続業務への連携を滑らかに Excelフォーマットに出⼒⼤量資料から、必要ページを特定し欲しい情報のみを抽出勘定科⽬を⾃社仕様に整理し、計算して出⼒出典：2023 3M Annual Report Ai Workforceの事例①

Slide 27

Slide 27 text

© LayerX Inc. 27 • ポリシーに準じたリスク観点などを事前に設定することにより、その観点を踏まえた要約‧重要箇所の抽出 • 参照元も確認可能なため、レビューを効率化契約書レビュー⾼度な契約書のリスク確認を、効率化リスク観点の整理 • 契約書レビューにおいては「ポリシーにてらせば容易に判断可能なよくあるもの」「法務部の⾼度な判断が必要とされるもの」など、難易度も様々 • 前者について、事業部側でAi Workforceを使った簡易な事前確認ができるようにすることで、法務部の負荷軽減を図る法務確認前の、事業部での事前確認契約書レビュー観点を事前設定レビュー画⾯でレビュー観点や考慮事項を事前設定契約書観点が整理された内容 Ai Workforceの事例②

Slide 28

Slide 28 text

⾃動運転化に向けた今後の課題

Slide 29

Slide 29 text

© LayerX Inc. 29 AIのオンボーディングが課題⾃動運転化に向けた今後の課題どのようにして各々の業務フローをAIに学ばせるか、それをワークフロー化するかが課題マニュアル型 ● 標準化された業務の⼿続きを習得事例分析型 ● インプット‧アウトプットの事例から⼀般的なプロセスを発掘フィードバック型 ● ⼈のレビュー‧修正に基づき改善内省型 ● ⾃分で試⾏錯誤して改善 AI⾃⾝がやった事例から学ぶ⼈がやった事例から学ぶ AI⾃⾝で学習する⼈間から教わる

Slide 30

Slide 30 text

© LayerX Inc. 30 マニュアル型ワークフロー作成⽅法マニュアル型事例分析型フィードバック型内省型⼈間によって標準化された⼿続きを定義する個別のユースケースや⼀般的なものには対応できるが、より広範に広げようとすると⼈がボトルネック ● バクラクのお客様は社内のPDFドキュメントやエクセルなどで、経費精算のルールなどを従業員に周知しているケースがある。 ● 頻繁に経費精算するわけではない従業員にとっては、わざわざドキュメントを⾒に⾏かない。 ● ルールを⼈⼿でワークフロー化することで、従業員がルールを理解する⼿間を減らすことができる。ワークフロー化社内ドキュメントで規定されたルール

Slide 31

Slide 31 text

© LayerX Inc. 31 マニュアル型ワークフロー作成⽅法マニュアル型事例分析型フィードバック型内省型⼈間によって標準化された⼿続きを定義する個別のユースケースや⼀般的なものには対応できるが、より広範に広げようとすると⼈がボトルネック ● Ai Workforceでは個別のお客様の業務フローに Deep DiveしてAIワークフローを⼈⼿で作成している。 ● 最初のワークフローを構築するのに負担がかかり、開発速度のボトルネックになる。 ● モジュールを複数作り、⼈が⾃然⾔語でワークフローを⾃動構築するという取り組みもしているが、⾃然⾔語で業務を表現する必要がある。

Slide 32

Slide 32 text

© LayerX Inc. 32 フィードバック型ワークフロー作成⽅法ワークフローの⼀部にフィードバックメモリを持たせる評価の設計や⻑期メモリの設計などが重要になるが、⼈間が評価を元に⼈⼿で直すのは負担 DBに格納マニュアル型事例分析型フィードバック型内省型 FBループの結果を次の予測に活かす評価 ● ⼀般的な構造化データのフィードバックだけでなく、⾃然⾔語のフィードバック、⾏動ログなども⽤いてAIをオンボーディングしていく。 ○ 経費精算の差し戻しでの経理の⽅のコメント、AIの出⼒をそのまま受け⼊れて経費精算を完了させたかなど ● 実験段階では、評価を適切に設計し、フィードバックを元にワークフローを修正していくことも重要。

Slide 33

Slide 33 text

© LayerX Inc. 33 事例分析型ワークフロー作成⽅法インプット‧アウトプットの事例からAIがワークフローを⾃動で⽣成過去の経費精算ログ ? 承認プロセスを復元マニュアル型事例分析型フィードバック型内省型 ● 過去の経費精算ログ、差し戻しデータなどからどういうルールでの承認プロセスが⾏われているのかなどを再現。 ● 万単位のお客様に届けるためには⼈⼿で承認のワークフローを会社ごとに作成するのはスケールしないため、実際のログから再現していくことが重要。

Slide 34

Slide 34 text

© LayerX Inc. 34 内省型ワークフロー作成⽅法いわゆるAI Agent。AIが⾃分で試⾏錯誤して動的に改善する既存のLLMを使うだけでは、まだまだ実⽤レベルでは不確実性が⾼いケースもあるマニュアル型事例分析型フィードバック型内省型 ● 既存のLLM APIは経理業務を⾏うように最適化されていないため、まだまだ予期しない⾏動をすることが多い。 ○ 予算を超えたホテルをリストアップしてしまう ○ メールからの領収書取得に失敗してしまう ● Tool Useも含めた強化学習等を⾏い、ドメインから逸脱しない⾏動をするように制御する。

Slide 35

Slide 35 text

© LayerX Inc. 35 内省型ワークフロー作成⽅法いわゆるAI Agent。AIが⾃分で試⾏錯誤して動的に改善する既存のLLMを使うだけでは、まだまだ実⽤レベルでは不確実性が⾼いケースもあるマニュアル型事例分析型フィードバック型内省型 ● Ai Workforceを運⽤する中で事前に定義できない⾮定型業務などが存在することが分かった。 ● 状況に応じて⾏動をするべきアクションを動的に変える必要がある。 ● バクラクと違い達成したい⽬標‧ドメインがお客様によって異なるため強化学習的な難易度も上がる。

Slide 36

Slide 36 text

まとめ

Slide 37

Slide 37 text

© LayerX Inc. 37 バクラク‧Ai Workforce共に事例分析型、内省型の需要が⾼まっている展望 ● ⼤域的なユースケースを抑えるだけでは⾃動化レベルが上がらない ● より個別的なユースケースに「素早く」、「⾃動で」対応していくためには、事例分析型でワークフローを⾃動⽣成できる必要がある。 ● Agentの不確実性を減らし⾃律的にするためには、内省型で強化学習する必要がある。 ● 実際には、フィードバック型 x 事例分析型の組み合わせなども必要になる。