VERTICAL AI FOR MANUFACTURING
社内ネットワークに置いた1台の上で、画像処理AIが現場を読み、ローカルLLMエージェントが判断を実行する。 検査・在庫・帳票・配置・発注——製造業の現場業務に垂直統合した、オンプレミス完結のAI基盤です。
01 — THE SHIFT
Nsightはこれまで、外観検査とOCR——見て、読む——で製造・物流の現場に入ってきました。 ただ、人手が残っている工程の多くは、その先にあります。読み取った値をマスタと突き合わせ、在庫台帳に入れ、 翌月の生産計画から不足を読み、人を配置する。つまり、判断です。
EYES
外観検査とVLM-OCR。傷・打痕・ラベル・帳票・刻印。Webには出回らない現場の画像を扱える、物理世界との接点です。
AGENT
社内サーバー上で動くローカルLLMエージェント。読み取った内容を意味づけし、次にやるべきことを提案し、承認された作業を実行します。
ONE BOX
目と頭が別のシステムに分かれていない。同じサーバー上で動くので、現場のデータは社内に留まったまま処理が完結します。
ここから先のページは、その1台が動いているところを
そのままお見せします。
02 — LIVE : READ & MATCH
ラベルを読むだけでは台帳は正しくなりません。読取値を在庫マスタと照合してベストマッチを選び、確信の持てない項目だけを人に返す。この一連が、Nsightの「読む」です。
CAM 02 — LABEL VIEW
FIXED CAM + RING LIGHTREAD RESULT — 読取結果
MASTER MATCH — 在庫マスタ照合
03 — LIVE : LEARNING
現場のNG画像は、いつも足りません。VLMが教師役として不良サンプルを生成・アノテーションし、エッジで走る軽量モデルを育てる。学習が回るほど、その現場専用の目になっていきます。
SAMPLE GENERATION — 不良サンプル生成 × 自動アノテーション
04 — ARCHITECTURE
いま見ていただいた「読む」「学ぶ」も、この後の「判断する」も、すべて社内ネットワーク上の1台で動いています。載せる機能は現場ごとに選べます。
01 PLATFORM
オンプレGPUサーバー、あるいはJetson等のエッジデバイス。1台で複数の機能を選択して載せられます。実行環境であると同時に、データが出ていかない境界そのものです。
02 VISION / OCR
ルールベース × CNN × VLM のハイブリッド画像処理と、VLM-OCR。傷や欠品を判定し、ラベル・帳票・刻印を読み取ります。書式ごとの登録を前提にしない設計です。
03 LOCAL LLM AGENT
社内サーバー上で動くローカルLLMエージェント。読み取った値を在庫マスタと照合し、意味づけし、次のアクションを提案し、承認された範囲の作業を実行します。
04 STRUCTURED DATA
基幹システム・SaaS・紙の帳票に散らばったデータを、AIが解釈できる形に構造化して蓄積します。ここが厚くなるほど、提案と実行の精度が上がります。
どこまで載せるかは、会社ごとに違って構いません。OCR単体で終わる現場も、在庫管理まで進む現場も、エージェントまで行く現場もある。部品単位で導入できる構成にしてあります。
RING-LIGHT CAM
EDGE DEVICE
ON-PREM SERVER05 — LIVE : AUTONOMY
エージェントの1サイクルを流しています。段階が上がるほど、人が目と頭で判断していた仕事に近づく。ただし実行の前には、必ず人の承認が挟まります。
STAGE 01 — ACCUMULATE
帳票・在庫・現場のデータを、AIが解釈できる形に構造化して貯める。
STAGE 02 — INTERPRET
読み取った値をマスタと照合し、それが何のことなのか意味づけする。
STAGE 03 — SUGGEST
社内データと予測を突き合わせ、人が気づく前に起案する。
HUMAN GATE — 承認
実行の手前に必ず置く関門。内容を人が確認し、修正し、承認する。
STAGE 04 — EXECUTE
承認された範囲で、エージェントが業務そのものを実行し、証跡を残す。
06 — CAPABILITY
入口はどの業務でも構いません。同じ箱の上に、必要な機能を積んでいけます。左の項目を選ぶと、その業務がどう変わるかをご覧いただけます。
VISUAL QC
傷・打痕・シワ・欠け・異物。照明と光学の設計から入り、ルールベース × CNN × VLM を品種ごとに組み合わせます。従来手法では工数が膨らむ、多品種・非定型の検査こそ対象です。
INBOUND
ラベルを固定カメラやスマホで撮ると、読取値を在庫マスタと照合してベストマッチを提示。確信の持てない項目だけを人に返し、確認後に台帳へ登録します。
DOCUMENT
B/L・インボイス・納品書・手書き帳票を構造化テキストへ。書式ごとの事前登録を前提にしない設計なので、フォーマットが混在する現場でも運用が破綻しません。
INVENTORY
入出庫の記録が構造化されて貯まるため、在庫台帳・棚卸・ロット追跡が同じデータから出せます。「読む」を入口に、台帳が自然に育ちます。
PROCUREMENT
在庫の減り方と生産予測を突き合わせ、不足しそうな資材の発注案を人が気づく前に起案。数量の根拠つきで提示し、承認を経てから実行します。
ASSIGNMENT
当日の生産計画とスキルデータから、ライン別の配置案を作成。管理者は入れ替えて承認するだけ。判断の記録が残るので、引き継ぎも楽になります。
07 — WHY NSIGHT
4つのライブ画面を支えている、こちら側の理由です。
01
検査の成否は、AIの前で大半が決まります。照明・レンズ・撮像条件——元キーエンス画像処理部門出身のエンジニアが、この設計から現場に立ちます。
02
クラウドの仕組みを後から持ち込むのではなく、社内ネットワークの1台で完結する前提で、モデルもデータ構造も処理の配分も選びます。だから、データが外に出ません。
03
扱うのは、Webに存在しない現場の画像です。お預かりしたデータは社外に出さず、その現場のモデル精度に還元する。使うほど、その工場専用の目になります。
04
生産の速度が先、方式は後。重い処理と軽い処理を工程ごとに使い分け、ラインを止めない構成で設計します。
05
立ち上げ後の再学習・しきい値調整・横展開まで伴走します。現場で使われ続けることを、成果と定義しています。
GLOBAL PARTNER
Jetson エコシステムの技術・マーケティング支援を受ける認定スタートアップ。Jetson Orin / TensorRT / DeepStream。
DOMESTIC PARTNER
採択企業。GPU計算資源・技術メンタリング・事業開発支援。
08 — THE WHITE SPACE
オンプレミスで、物理世界を読み取り、設備につなぎ、判断まで自動化する。どれか1つではなく、4つが重なる場所に立っている会社がほとんどいません。
クラウドAI
高度な言語・画像理解
データを社外に出せない工場では、前提そのものが成立しない
デスクトップRPA
PC画面内の操作の自動化
紙の書類・ラベル・現場の写真——物理世界を読む手段を持たない
SIer・ソフト専業
業務システムの構築
光学設計・カメラ選定・PLC連携といった設備実装まで踏み込みにくい
従来型AI-OCR
定型帳票の高速読み取り
書式ごとの登録・再学習が前提になり、多品種・非定型・多フォントで工数が伸びる
NSIGHT
オンプレ完結 × 物理世界の読み取り × 設備実装 × 判断の自動化
※ 上表は当社の市場理解にもとづく整理であり、特定製品の性能を比較・評価するものではありません。
09 — DESIGN PRINCIPLES
現場に入るときに、こちらから守ると決めている条件です。
01
データは社内ネットワークから出さない。参入の条件であり、信頼の土台。
02
コア＋アドオン構成。部品単位で入れられ、必要なところで止められる。
03
裏側のデータ構造と処理を固める。操作画面は後からいくらでも組み替えられる。
04
目的は完璧なOCRではなく、正しいデータが台帳に入ること。AIは信頼度つきの候補を出すだけで、曖昧なものは必ず人が確認する。
10 — HOW WE START
ヒアリングから本番展開まで、各フェーズの期間とアウトプットを先に決めて進めます。
01
1 DAY
ラインを拝見し、品種・照明・既存設備を把握します。
02
1–2 WEEKS
方式・KPI・設計案をPoC設計書にまとめます。
03
1–3 MONTHS
実機で検証し、ログと映像を蓄積。月次で改善点を共有します。
04
SCALABLE
他ライン・他拠点へ段階的に広げます。
11 — RELATED
このページで扱った「読む」「判断する」「守る」は、それぞれ個別のページでも詳しく説明しています。
画像1枚から、AI検査・OCRの可能性を元キーエンスの技術者が無料で診断します。ラインを止める必要はありません。
「これはAIでできるのか」の判定だけでも構いません。