オライリーイベント登壇資料「鉄リサイクル・産廃業界におけるAI技術実応用のカタチ」

オライリーイベント「Superstream: AIストラテジー」にご招待いただき登壇した資料です。

■ セッションタイトル「現実世界の不確実性をデザインする」
https://learning.oreilly.com/live-events/superstream-ai%E3%82%B9%E3%83%88%E3%83%A9%E3%83%86%E3%82%B8%E3%83%BC/0642572364854/
■ 発表タイトル「鉄リサイクル・産廃業界におけるAI技術実応用のカタチ」

Transcript

1. 鉄リサイクル・産廃業界におけるAI技術実応用のカタチ 株式会社EVERSTEEL VPoE/AI開発部マネージャー 唐澤拓己 2026.05.14 Superstream: AIストラテジー「現実世界の不確実性をデザインする」by
2. Today’s topics 今日話すこと 『実世界の問題をAIによって扱うために、どのような取り組みを行っているか？』をテーマに３つのお話を。 AI事業（✗ 事業へのAI活用）を検討する際の一助となればと思います。 AI導入前に、不確実性を可視化する。 現場の暗黙知を、形式知に。 AIをコア価値にしないピボット Topic1 Topic2 Topic3
3. Self introduction 自己紹介 ◼名前：唐澤 拓己（からさわ たくみ） ◼所属：株式会社EVERSTEEL ◼VPoE／AI開発部マネージャーとして、 AI開発周辺の仕事＋マネジメントをしています。 EVERSTEEL作業着・作業靴、 入社したら皆さんもらえます。ぜひ。 略歴 ▪ 東京大学／東京大学大学院にて、画像認識AIに関する研究 ▪ 株式会社ディー・エヌ・エー／GO株式会社にて、 AI研究開発エンジニアとして車載カメラ向けAIの研究開発 ▪ 株式会社EVERSTEELにて、2022年4月よりAI開発部マネージャー
4. 目次 Contents 1. 会社・サービス紹介 2. AI導入前に、不確実性を可視化する。 3. 現場の暗黙知を、形式知に。 4. AIをコア価値にしないピボット 5. 最後に
5. 会社・サービス紹介 Company / Services 1. 会社・サービス紹介 2. AI導入前に、不確実性を可視化する。 3. 現場の暗黙知を、形式知に。 4. AIをコア価値にしないピボット 5. 最後に
6. About EVERSTEEL Inc. 株式会社EVERSTEEL Mission「鉄を未来の主役に」 世界最大のCO2排出産業である鉄鋼業の“脱炭素化”に挑んでいます。 ◼ 設立：2021年3月 ◼ 累計調達額：6.6億円（三井物産／Coreline／DCM Ventures） ◼ 提供サービス：鉄スクラップ画像解析システム『鉄ナビ検収AI』 2024 Forbes 30 Under 30 Asia 選出 2021 設立 2023 シード 2億円 DCM Ventures 2022 東京製鐵 実証実験完了 2026 シリーズA 4.6億円 三井物産／Coreline 2023 東京製鐵 実運用開始 2026 6工場にて運用中 4工場にて導入中
7. About steel recycling 電炉による鉄リサイクルとCO2排出量 鉄の製造法は、ざっくり２種類。 鉄スクラップからリサイクルする製造は、鉄鉱石からの製造に比べ、約1/4のCO2排出量。 0.67t 2.3t 高炉 電炉 CO2 排出量 1/4 → EVERSTEELは電炉リサイクル支援のプロダクトを展開 近年、世界的に高炉→電炉へのビッグチェンジが起きている。
8. About steel recycling 鉄リサイクルプロセス 鉄スクラップ業者から鉄スクラップを調達し、新たな鉄製品の製造まで大きく４つのステップ。 鉄スクラップの「品質」の管理が重要。 原料である鉄スクラップの「品質」の管理が鍵 …ただし、長年にわたり、熟練職人の目視・経験依存の検収の業界 → 画像認識 AI
9. 鉄スクラップの種類の区別とは？
10. 鉄スクラップの種類の区別とは？
11. 鉄スクラップの種類の区別とは？
12. 鉄スクラップに混入する危険な異物とは？
13. 鉄スクラップに混入する危険な異物とは？ 密閉物は、電炉で爆発を引き起こしうるため極めて危険。 数億円規模の被害。
14. Our service 鉄スクラップ画像解析システム『鉄ナビ検収AI』 画像解析により鉄スクラップ品質管理を行う「鉄ナビ検収AI」を提供。 鉄スクラップ等級査定AI・異物検出AIの二大機能とともに、 経営資産としてデータ管理・分析を可能に。 鉄ナビ検収AI
15. EVERSTEEL’s map EVERSTEELの拡がり EVERSTEELでは、鉄リサイクル業界を中心に 鉄スクラップを含めた産廃業界全体を視野に展開中。 鉄鋼メーカー 鉄リサイクル業全体 産業廃棄物業・リサイクル業全体（→Topic3）
16. 1. 会社・サービス紹介 2. AI導入前に、不確実性を可視化する。 3. 現場の暗黙知を、形式知に。 4. AIをコア価値にしないピボット 5. 最後に AI導入前に、不確実性を可視化する。 Visualize Uncertainty Before AI Development.
17. Steel Scrap Grading System 等級査定AI – 何をしているのか 等級査定AI H1 70% H2 30% H3 0% L1 0% トラック１台分の等級構成比 トラック１台分の画像群 鉄スクラップの「等級（グレード）」： 鋼材の種類・厚み・長さ・処理有無により品質をランク付け。 等級査定AIは、現場の荷下ろしが行われる中、トラック 1 台分の 等級構成比を査定。 現場の荷下ろしをモニタリングカメラで検知。 高解像度カメラで自動撮影。 CHALLENGES 撮影（粉塵、振動、光）、高解像度、スクラップ区別、可変長複数枚画像の扱い、etc. → 真に一番難しいのは…？ 等級名 割合
18. Challenge 課題 – 現場査定の不確実性 vs AIへの過度な期待 AI導入の前に、AI導入の構造的な課題を理解する。 KEY この課題を直視せずAI開発へ進むと、ゴール設定が定まらない。
19. Solution AI導入前に、不確実性を評価する 100%の割合予測をするタスクで、19.8ptの開きが存在するレベル KEY まず現場の人間の現状をしっかりと評価する 50台程度のトラックを準備
20. Approach 可視化から伴走サイクルへ 相互アプデサイクルにより、AI自動査定の未来へ。 不確実性の可視化により、現場と開発の足並みを揃える。
21. Auxiliary feature EVERSTEELだからできること - 後追いで「目合わせ」できる仕組み VALUE 「EVERSTEELのプロダクトだからこそできる機能」で、査定の標準化サイクルを加速させる。
22. 1. 会社紹介 2. AI導入前に、不確実性を可視化する。 3. 現場の暗黙知を、形式知に。 4. AIをコア価値にしないピボット 5. 最後に 現場の暗黙知を、形式知に。 Make tacit knowledge explicit.
23. Challenge2 課題2 ─ AIに教えるべき「正解」がそもそも難しい 現場で当たり前のように扱われる「等級」・「異物」 「なぜそれが異物と考えたんですか？」→「…経験上。。。」 AIの学習には、大前提としてAIに教える正解データの作成が必須 ドメイン知識が極めて重要な、専門的業界。
24. Approach 現場主義 ＆ ドメイン特化アノテーション組織 アノテチームを、重要なドメイン知識チームと位置づけ、ドメイン特化の専門チームとして内製。 また、ナレッジマネジメント専門家がチームリーダとしてジョイン。 サイクル運用を仕組み化し、もとは１つ１つのアノテーションのための仕事だったところを「SECI モデル」で再設計。
25. “Field First” 現場への入り込み アノテチームに限らず、全社的にField Firstを大事に。 EVERSTEELの３つのバリューのうちの１つ
26. Framework 「SECIモデル」ー 知識創造サイクルで、暗黙知を AI に継承する ナレッジマネジメント専任のリーダーをチームに招き、サイクル運用を仕組み化。 もとは闇雲なアノテーションだったところを、SECI モデルで再設計。 社内に蓄積される膨大な知見のカタログ。 約100種の鉄スクラップ／異物の特徴が記載されている。 SECIモデル 一橋大学の野中名誉教授が提唱した、「暗黙知」→「形式知」へ変換共有し、組織全体で 新たな知識を創造するフレームワーク。 共同化（S）・表出化（E）・連結化（C）・内面化（I）の4プロセスをスパイラル状に循環 させることで、組織のイノベーションや属人化解消を促進。 SECIモデルの４つのプロセス
27. Approach “課題”を”強み”に ー ドメインアセットと組織 暗黙知を「形式知に変換する装置」を社内に持ち、ニッチ業界 AI の最大の強みに。
28. 1. 会社紹介 2. AI導入前に、不確実性を可視化する。 3. 現場の暗黙知を、形式知に。 4. AIをコア価値にしないピボット 5. 最後に AIをコア価値にしないピボット Beyond AI-Centric value.
29. Industry 産廃業界 ─ EVERSTEEL のもう１つの領域 排出事業者から発生する産業廃棄物を、収集運搬・中間処理・リサイクルに至るまで取り扱う業界。 事業活動に伴って生じた廃棄物のうち、法令で定めた20種類。いわゆる、家庭ゴミや燃えるゴミとは異なります。
30. Industry 鉄スクラップ業界と共通する課題 ー 長年変わらない業界標準 鉄スクラップ業界と同じく、 熟練職人の目視・経験依存の検収／積算が業務の中心に。 特に、廃棄物回収における営業見積業務の難しさが長年の課題… 営業見積業務における実際の会話
31. Our product 産業廃棄物画像解析サービス『Waste Navi』 産廃営業が見積積算で苦労する「数量・重量・体積」の試算~合算を画像解析によって積算アシスト。
32. Insight 期待値の壁の先に見えた、業務の実態 「精緻に積算する AI」を目指すほど、現場との期待値ギャップが顕在化。 現場を通して、見積もり業務構造の特徴が浮かび上がった。 「トラック１台分？ ２台分…？」 AIに求められていたのは、 精緻な「答え」ではなく、コスト感覚に合う「ヨミのアテ」だった。
33. Pivot AI をコア価値にしないピボット 業務構造と慣習の理解に基づき、AI の役割を「精緻な答え」から「ヨミの照らし合わせ役」へ再定義。 AI化のPOINT（中山さん発表コメント復習…！） AIの後段に人間を挟み込むことで、人間が責任を負えるように業務フローを再定義。 ✓精度向上の改善に使う時間を別の開発時間に。 ✓「まさにこれよ、欲しかったのは」とのお声を。 タップしたら反映されるUIのタイプに
34. Tech detail フカボリ：画像認識 AI の使い分け プロダクトごとに「技術独自性が強みになる領域」と「開発サイクルの速さが強みになる領域」を見極め、 技術スタックを使い分け。
35. Summary まとめ：AI技術実応用の３つのカタチ