Upgrade to Pro — share decks privately, control downloads, hide ads and more …

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...

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

2025年2月27日 DEIM2025 (https://pub.confit.atlas.jp/ja/event/deim2025) における技術報告の資料です。

題目:『 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』
日程:2/27(木)16:00 〜 18:10([3B]LLM拡張)
発表者:松村 優也
プログラムリンク:https://pub.confit.atlas.jp/ja/event/deim2025/session/1RoomB11-15

Yuya Matsumura

February 27, 2025
Tweet

More Decks by Yuya Matsumura

Other Decks in Technology

Transcript

  1. © LayerX Inc. 2025/02/27 DEIM2025 技術報告 株式会社LayerX Yuya Matsumura(@yu-ya4) T1-3B-05:

    LLM拡張 [技術報告] 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
  2. © 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
  3. 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
  4. © 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
  5. © 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。
  6. © 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
  7. 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
  8. © 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
  9. © LayerX Inc. 22 RoBERTa • モデル⼊⼒ ◦ OCRされた⽂書テキスト •

    モデル出⼒ ◦ Tokenに対応するラベル (Token Classification) • 選定理由 ◦ まずはシンプルな実装で ベースラインを作るのが重要 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
  10. © LayerX Inc. 23 YOLOXなどのObject Detectionモデル • モデル⼊⼒ ◦ PDFを画像化したもの

    ◦ 携帯で撮った写真 • モデル出⼒ ◦ 欲しいラベルのBBox ◦ OCR結果と突合して出⼒する • 選定理由 ◦ 画像情報がどれほど重要かを検証 パーソナライズドAI-OCR (項⽬抽出モデル) PaymentAmount “業務の⾃動運転” Level2 の例
  11. © 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
  12. © 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
  13. © 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」
  14. © 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。