Media > AI活用ユースケース > カスタマーサポート > 時計修理店が、古い時計の部品の在庫と過去の修理の記録を OpenSearch に入れ、ムーブメントの型番の書き方の揺れを吸収して、使える部品と似た修理の例を探す

時計修理店が、古い時計の部品の在庫と過去の修理の記録を OpenSearch に入れ、ムーブメントの型番の書き方の揺れを吸収して、使える部品と似た修理の例を探す

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

修理の受付票に書かれた型番と症状を、正規の型番と社内の部品名の言葉にそろえ、在庫のある部品と、似た症状の過去の修理の例を探します。候補には、どの条件で当たったかを添えて並べます。

サマリー
生成AI
Azure OpenAI Service/ChatGPT/Claude
AIサービス
Azure AI/Google Vertex AI/OpenSearch
対象業界
その他/小売
対象部門
カスタマーサポート
対象業務
問い合わせ対応/情報検索
主な課題
問い合わせが多い/属人化している/情報が見つからない
AIで行う処理
検索(RAG)
主な効果
対応スピード向上/属人化解消/検索時間短縮
導入難易度
★★★★☆
実装レベル
本格構成
費用感
RAG・個別開発(大)
人間の確認
条件付き
現在工数
120h/月
AI導入後
40h/月
想定削減
67%
年間削減
960h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 受付の担当が時計を預かり、型式番号と症状を受付票に書く
  2. 修理工房の技術者に、部品と前例を確かめるよう依頼する
  3. 技術者が型式番号から、部品の在庫の台帳を部品名で引く
  4. 台帳で見つからなければ、棚の部品箱を型番のラベルで探す
  5. 過去の修理の記録を、型式番号と症状の言葉で検索する
  6. 部品の有無と前例から、修理の見積の目安と納期のメモを受付へ返す
  7. 受付の担当がお客様に電話かメールで目安を伝える
導入後(After)
  1. 人受付の担当が受付票を登録し、裏ぶたの型式番号の写真を添える
  2. 自動生成AIが受付票から、型式番号・ブランド・症状の言葉・お客様の要望を書かれたまま取り出す
  3. 自動Lambda が型式番号を正規の形にそろえ、キャリバー番号の4桁を取り出す
  4. 自動OpenSearch が部品の索引と修理の記録の索引を引き、名前付きの条件で当たった理由を返す
  5. 自動生成AIが候補を記録のまま並べ、受付の担当向けの確認のメモを作る
  6. 人技術者が候補と当たった理由を見て、使える部品と見積の目安を決める
  7. 人受付の担当が目安と納期をお客様に伝える
各工程の詳しい説明を読む
  1. 受付の担当が時計を預かり、型式番号と症状を受付票に書く
  2. 修理工房の技術者に、部品と前例を確かめるよう依頼する
  3. 技術者が型式番号から、部品の在庫の台帳を部品名で引く
  4. 台帳で見つからなければ、棚の部品箱を型番のラベルで探す
  5. 過去の修理の記録を、型式番号と症状の言葉で検索する
  6. 部品の有無と前例から、修理の見積の目安と納期のメモを受付へ返す
  7. 受付の担当がお客様に電話かメールで目安を伝える

(a)型番の書き方がばらばらで引けない。 3番目と5番目で、「9S85」で引くと「Cal.9S85」「9S85」で書かれた記録が出てきません。同じ機械の前例が記録にあるのに、無いことにされます。

(b)部品名もばらばら。 「巻真」で引くと「巻き真」の部品が出ず、棚を目で探す4番目に毎回数分かかります。

(c)前例を覚えているのがベテランだけ。 「巻いても止まる」と書かれた受付票を見て、ぜんまいの交換か、輪列の汚れか、前に同じ型番で何をしたかを思い出せるのは、記録を長く読んできた技術者です。その技術者が作業に入っていると、受付からの問い合わせが止まります。

(d)別の機械の部品を同じものと思い込む。 型番が1文字違うだけの機械の部品を「同じだろう」と取り出し、合わずに戻すことがあります。似た型番を同じものとして扱う判断は、記録にもメーカーの資料にも根拠が無いまま行われています。

  1. 【人】 受付の担当が受付票を登録し、裏ぶたの型式番号の写真を添える
  2. 【自動】 生成AIが受付票から、型式番号・ブランド・症状の言葉・お客様の要望を書かれたまま取り出す
  3. 【自動】 Lambda が型式番号を正規の形にそろえ、キャリバー番号の4桁を取り出す
  4. 【自動】 OpenSearch が部品の索引と修理の記録の索引を引き、名前付きの条件で当たった理由を返す
  5. 【自動】 生成AIが候補を記録のまま並べ、受付の担当向けの確認のメモを作る
  6. 【人】 技術者が候補と当たった理由を見て、使える部品と見積の目安を決める
  7. 【人】 受付の担当が目安と納期をお客様に伝える

3番目を Lambda で行うのは、型番のそろえ方を一つに決めておくためです。 全角を半角に、小文字を大文字に、「Cal.」と空白を外し、ハイフンの前の4桁をキャリバー番号として持ちます。AIに型番を直させると、読めない文字を似た文字で埋めます。

6番目が、この設計の分かれ目です。 候補が並んでも、その部品がその時計に使えるかを決めるのは技術者です。画面は判断の材料を並べるところまでにします。

02今回想定するシステム構成

構成図
修理の受付の仕組み(受付番号・ブランド・型式番号・症状・預かり時の状態)
部品の在庫の台帳(部品番号・部品名・メーカーの部品番号・対象キャリバー・数量・棚)
修理の記録(型式番号・症状・作業・交換した部品・技術者のメモ)
   ▼【トリガー】毎晩の取り込み/受付票の登録のたび
AWS Lambda ── 型式番号を正規の形に、部品名を社内の名前に
   ▼
Amazon OpenSearch Service
   │   部品の索引:キャリバー(keyword+normalizer)・部品名(kuromoji+同義語)・数量・棚
   │   修理の記録の索引:キャリバー・症状(kuromoji+同義語)・作業・交換した部品
   ▼【人】受付の担当が受付票を登録
AWS Lambda
   ├──▶ Claude(Amazon Bedrock)── 受付票を型番と症状の言葉に読み替える
   ├──▶ OpenSearch ── 名前付きの条件で部品と前例を引く
   ├──▶ Claude(Amazon Bedrock)── 候補を記録のまま並べたメモ
   ▼
修理工房の画面 ──【人】技術者が部品と目安を決める
役割想定する製品代替候補
検索基盤Amazon OpenSearch Service(kuromoji、normalizer、synonym_graph、名前付きの問い合わせ)Azure AI Search、Vertex AI Search(Agent Search)
生成AIClaude(Amazon Bedrock の Converse API、構造化出力)Azure OpenAI(Microsoft Foundry)、OpenAI API
連携AWS Lambda(取り込み、型番の正規化、読み替えと検索の呼び出し)AWS Step Functions
保管Amazon S3(同義語の辞書、取り込みの写し、受付ごとの候補とメモ)社内のファイルサーバー

受付の仕組みと部品の台帳には、この構成から書き込みません。 部品の引き当てと見積の登録は、技術者と受付の担当がいつもの画面で行います。

日本語の部品名と症状の文を引くには、形態素解析が要ります。 AWS の公式ページでは、OpenSearch Service のドメインには Japanese(kuromoji)と ICU の解析のプラグインが全ドメインに含まれるとされています。症状の文は kuromoji で区切り、全角と半角の混ざった型番は ICU と normalizer でそろえます。

同義語の辞書は、パッケージとしてドメインに関連付けます。 AWS の公式ページでは、同義語などの辞書ファイルを S3 に置いてパッケージとして取り込み、ドメインに関連付けられるとされています。辞書の更新を索引の作り直し無しで反映するために、同義語は検索時の解析器にだけ置きます。

03どうやって実装するのか

Step1

処理の起点を決める

起点は2つあります。毎晩の取り込みと、受付票の登録です。

毎晩の取り込みは、受付の仕組みから前日に完了した修理の記録を書き出し、部品の台帳の増減とあわせて索引を更新します。修理の記録は、完了したものだけを入れます。 作業中の記録を入れると、まだ原因の分からない症状が前例として出てきます。

受付票の登録は、受付の担当が受付の仕組みに登録したときに、受付番号を Lambda に渡して検索を始めます。宅配で届いた時計は、工房で開梱して型式番号を確かめてから登録します。

部品の数量は毎晩の値なので、画面に出す数量は「昨夜の時点」と明記し、引き当てる前に台帳で確かめます。 日中に別の技術者が同じ部品を使っていることがあるからです。

Step2

入力データを集める

データ中身取得元
受付票受付番号、ブランド、型式番号(書かれたまま)、症状(お客様の言葉)、預かり時の状態、お客様の要望(納期・予算)修理の受付の仕組み
裏ぶたの写真型式番号の刻印の写真受付の担当が撮る
部品部品番号、部品名、メーカーの部品番号、メーカーの資料に載る対象キャリバー、数量、棚、仕入れの区分(新品・再使用・部品取り)部品の在庫の台帳
修理の記録型式番号、症状、点検の所見、行った作業、交換した部品、完了日、担当の技術者修理の受付の仕組みの作業欄
同義語の辞書部品名と症状の言い方のまとまり(「巻真, 巻き真, まきしん, stem」など)技術者が作る表

質を決めるのは、部品の「対象キャリバー」の欄です。 ここはメーカーの部品の資料に載っている型番だけを入れます。技術者が「たぶん使える」と思った型番は入れません。 実際に別の型番の修理で使った記録は、修理の記録の「交換した部品」から別に引きます。

お客様の名前と連絡先は、生成AIにも索引にも渡しません。 受付番号だけで結びます。

Step3

データの取得方法を決める

取るものどこからどう取るか
同じキャリバーの部品部品の索引filter の term(caliber。normalizer でそろえた keyword)
部品名が症状に関わる部品部品の索引should の match(part_name。同義語つきの検索時の解析器。_name を付ける)
同じキャリバーの修理の例修理の記録の索引should の term(caliber。_name を付ける)
症状の言葉が近い修理の例修理の記録の索引should の match(symptom。_name を付ける)
同じブランドの修理の例修理の記録の索引should の term(brand。_name を付ける)

型番は keyword の項目に normalizer を付けて持ちます。 OpenSearch の公式のドキュメントでは、normalizer は解析器に似ているが1つのトークンだけを出し、文字の置き換えのような文字単位の処理だけができ、同義語への置き換えはできないとされています。型番の書き方の揺れは文字の置き換えで吸収し、同義語の仕組みには乗せません。 別の型番を同じものにしてしまう経路を、仕組みの側で塞ぎます。

部品名と症状の言い方の揺れは、検索時の解析器の synonym_graph で吸収します。 公式のドキュメントでは、synonym_graph は複数語の同義語を扱え、検索時の解析器でだけ使うよう書かれています。索引時に使うと複数語の同義語で後ろの語の位置がずれ、語句の一致が外れるためです。

修理の記録は、minimum_should_match を1にして引きます。 公式のドキュメントでは、must か filter を含む問い合わせでは minimum_should_match の既定は0で、should のどれにも当たらない文書も返るとされています。

GET /repairs/_search
{
  "size": 10,
  "_source": ["repair_no", "caliber", "brand", "symptom", "finding",
              "work", "replaced_parts", "completed_on"],
  "query": { "bool": {
    "filter": [ { "term": { "status": "completed" } } ],
    "should": [
      { "term":  { "caliber": { "value": "9S85", "_name": "caliber:9S85" } } },
      { "match": { "symptom": { "query": "リューズ 空回り", "_name": "symptom:空回り" } } },
      { "term":  { "brand":   { "value": "grand_seiko", "_name": "brand" } } } ],
    "minimum_should_match": 1 } }
}

返ってきた文書ごとに、matched_queries に当たった条件の名前が入ります。 公式のドキュメントでは、どの句にも _name を付けられ、文書が当たると当たった句の名前の一覧が matched_queries として返るとされています。caliber と symptom の両方に当たった例を先に、brand だけで当たった例を後ろに並べます。

Step4

AIへ渡す前に整形する

  1. 型番をそろえる … normalizer に cjk_width(全角を半角に)、uppercase(小文字を大文字に)、pattern_replace(「Cal.」「キャリバー」と空白を外す)を置きます
  2. キャリバー番号を取り出す … 型式番号のハイフンの前の4桁を caliber に、全体を case_ref に分けて持ちます
  3. 部品名を社内の名前にそろえる … 台帳の部品名はそのまま part_name に残し、同義語の辞書は検索時の解析器に置きます
  4. 修理の記録を切り分ける … 作業欄から「症状」「所見」「作業」「交換した部品」を項目に分けます。分けられない古い記録は全文を note に入れます
  5. 仕入れの区分を付ける … 新品・再使用・部品取りを部品ごとに持ち、候補の画面に出します

2番目で case_ref を別に持つのは、ハイフンの後ろを捨てないためです。 同じキャリバーでも、ケースや文字盤の違う時計では外装の部品が違います。ムーブメントの部品は caliber で、外装の部品は case_ref で引きます。

3番目で同義語を検索時に置くのは、辞書の更新を楽にするためです。 AWS の公式ページでは、検索時の解析器の同義語のフィルターに updateable: true を付けておけば、パッケージを更新したときに OpenSearch Service が _plugins/_refresh_search_analyzers で索引を自動で更新するとされています。この設定は検索時の解析器にだけ当てはまり、索引時の解析器では使えません。 技術者が辞書に言い方を足すたびに索引を作り直す運用は、続きません。

同義語の辞書には、書き方の違いだけを入れます。

巻真, 巻き真, まきしん, stem
リューズ, 竜頭, りゅうず, crown
主ぜんまい, ぜんまい, ゼンマイ, mainspring
空回り, 空転, 巻けない

「9S85, 9S65」のような型番どうしの行は入れません。 公式のドキュメントでは、expand の既定は true で、同じ行の語はすべて互いに置き換わるとされています。型番を1行に並べると、別の機械の部品と前例が区別なく混ざります。

Step5

AIに処理させる

AIの仕事は2つです。 受付票を型番と症状の言葉に読み替えることと、候補を記録のまま並べて確認のメモを作ることです。

させることさせないこと
型式番号・ブランド・症状の言葉を書かれたまま取り出す読めない型番の文字を、似た文字で埋めること
症状を、決められた区分(止まる・遅れ進み・巻けない・針の不具合・防水・外装)から選ぶ症状から故障の原因を言い切ること
候補を記録のまま並べ、当たった条件と記録の言葉を写す「この部品が使えます」と言うこと
写真の型式番号と受付票の型式番号が違えば、両方を書いて印を付ける修理の金額や納期を決めること

「この部品が使えます」と言わせないのが、この構成でいちばん大事な線です。 対象キャリバーが一致していても、年式や仕様の違いで使えない部品があります。AIの出力は「メーカーの資料の対象キャリバーに載っている」「この型番の修理で交換した記録がある」という事実までにします。

写真の型式番号は、AIに読ませて受付票と比べるだけにします。 刻印が薄く読み切れなければ、その旨を書かせます。写真から読んだ番号で受付票を上書きしません。

Step6

指示内容を固定する

1回目(受付票の読み替え)の指示です。

あなたは時計の修理の受付で、受付票を整理する立場です。
【受付票】と【裏ぶたの写真】から、部品と前例を探すための条件を取り出してください。

【取り出すもの】
- brand: ブランド。書かれたまま
- model_ref_raw: 受付票の型式番号。書かれたまま
- model_ref_photo: 写真から読める型式番号。読めない文字は ? にする
- symptom_raw: 症状。お客様の言葉のまま
- symptom_category: 症状の区分。下の一覧から1つ以上選ぶ
- request: 納期・予算などの要望。書かれたまま
- missing: 書かれていない項目の名前

【症状の区分】stop / time_error / winding / hands / water / exterior / other

【厳守事項】
- 型式番号の文字を直さないでください。読めない文字は ? のままにしてください。
- 受付票と写真の型式番号が違うときは、両方を書いてください。
  どちらが正しいかを決めないでください。
- 症状から原因を推し量らないでください。
- お客様の名前・連絡先は写さないでください。

【受付票】{intake_text}

2回目(候補のメモ)の指示です。

あなたは時計の修理工房で、技術者に渡す確認のメモを作る立場です。
【候補】は部品の記録と修理の記録と、当たった条件(matched)です。

【書き方】
- 部品は、部品番号・部品名・対象キャリバー・数量(昨夜の時点)・棚・仕入れの区分を
  記録のまま書いてください。
- 修理の例は、受付番号・型式番号・症状・所見・作業・交換した部品を記録のまま書いてください。
- 当たった理由は matched の名前どおりに書いてください。
  caliber:〜 は「型番が一致」、symptom:〜 は「症状の言葉が一致」、
  brand は「ブランドだけが一致」と書いてください。
- 記録に無いことは書かないでください。

【厳守事項】
- 「使えます」「適合します」と書かないでください。
- 原因を言い切らないでください。前例の所見を引くときは記録の文言のまま書いてください。
- 金額・納期を書かないでください。

【受付の条件】{conditions}
【候補】{candidates}

「matched の名前どおりに書く」を明記しないと、ブランドだけで当たった例にも「同じ症状の前例」と書きます。 技術者はそれを信じて分解の順番を決め、別の機械の前例に沿って開けることになります。

Step7

出力形式を固定する

Bedrock の Converse API の outputConfig.textFormat に JSON スキーマを渡し、2回目は次の形で受け取ります。

{
  "intake_no": "",
  "caliber": "",
  "model_ref_conflict": false,
  "parts": [
    { "part_no": "", "listed": "", "matched": ["caliber:9S85"],
      "qty_as_of_last_night": "", "source_type": "new | reused | donor" } ],
  "precedents": [
    { "repair_no": "", "listed": "", "matched": ["caliber:9S85", "symptom:空回り"],
      "quoted_finding": "" } ],
  "ask_back": [""],
  "memo": ""
}

AWS の公式ページでは、outputConfig.textFormat に JSON スキーマを渡すと応答がスキーマに沿い、enum が使えるとされています。すべての object に additionalProperties: false が要り、数値の minimum・maximum、文字列の minLength・maxLength には対応していません。 新しいスキーマは初回に組み立てに時間がかかり、組み立てたものは24時間キャッシュされるとされています。

1つ目の理由は、matched と quoted_finding を索引の記録と照合できることです。 matched が OpenSearch の返した matched_queries と同じか、quoted_finding がその修理の記録の所見の文言と一致するかを Lambda で確かめます。一致しなければメモを出さずに作り直します。 記録に無い所見を書いたメモは、ここで止まります。

2つ目は、model_ref_conflict が true の受付票を画面の上に出せることです。 受付票と写真の型式番号が違うまま探すと、別の機械の候補が並びます。先に受付の担当が裏ぶたを見直します。

Step8

システムへ連携する

つなぎ先方式内容
修理の受付の仕組み完了した修理の書き出し(毎晩)、受付票の読み取り修理の記録の索引の元、検索の起点
部品の在庫の台帳書き出し(毎晩。読み取りのみ)部品の索引の元
Amazon S3同義語の辞書のパッケージ検索時の解析器の辞書
Amazon OpenSearch ServiceLambda からの登録・検索部品の索引、修理の記録の索引
Amazon BedrockConverse API(Claude)読み替えとメモ
修理工房の画面社内の画面候補、当たった理由、メモ

部品の引き当ては、技術者が台帳で行います。 この構成は台帳の数量を減らしません。引き当てたかどうかは翌晩の取り込みで索引に反映されます。

お客様への回答は、受付の担当が行います。 画面のメモには金額と納期を書かせていないので、技術者が決めた目安を受付の担当が受付の仕組みに入れ、そこから伝えます。

Step9

人が確認する

  1. 型番の食い違いを見る … model_ref_conflict が付いた受付は、裏ぶたを見直してから候補を見ます
  2. 当たった理由を見る … caliber と symptom の両方に当たった例から見ます。brand だけの例は参考にとどめます
  3. 部品を確かめる … 対象キャリバーが一致していても、実物とメーカーの資料で確かめてから引き当てます
  4. 見積の目安を決める … 前例の作業と部品から、技術者が目安と納期を決めます
  5. 辞書に言い方を足す … 候補が出なかった受付の言い方を、週に一度、辞書の候補として確かめます

3番目を省かないでください。 同じキャリバーでも、製造の時期で部品が変わっていることがあります。台帳の記録が一致していることと、目の前の時計に合うことは別のことです。

5番目で足すのは書き方の違いだけです。 「この型番とこの型番は同じ部品が使える」という知見は、辞書ではなく部品の台帳の備考に、根拠の資料とあわせて書きます。

Step10

例外に対処する

起きること対応
型式番号が空、または刻印が読めないキャリバーの条件を外し、ブランドと症状で引いた候補を「型番なし」として出し、工房で裏ぶたを開けて確かめる
受付票と写真の型式番号が違う両方で引いた候補を分けて出し、受付の担当が見直す
部品の候補が0件修理の記録で「交換した部品」に同じキャリバーの記録があるかを出し、技術者が取り寄せか部品取りかを決める
前例の候補が0件症状の条件だけを外した件数と、キャリバーの条件だけを外した件数を示す
部品の数量が0なのに候補に出る数量は昨夜の時点。台帳で確かめ、0なら取り寄せの候補にする
同義語の辞書の更新が反映されないパッケージの関連付けが有効になっているか、updateable を付けた検索時の解析器かを確かめる
構造化出力が返らない候補の一覧と当たった理由だけを出し、メモは技術者が書く
Step11

記録を残す

  • 受付ごとの、1回目の JSON、写真から読んだ型式番号、受付の担当が直した箇所
  • 検索の条件と候補、matched_queries、2回目の JSON と照合の結果
  • 技術者が採った部品と前例、採らなかった候補とその理由
  • 同義語の辞書の版と、足した言い方・足した日・足した人
  • 候補が0件だった受付の言い方

3つ目は、辞書と索引を直す材料になります。 symptom で当たったのに採られなかった例が続くなら、同義語のまとまりが広すぎます。辞書の1行を2行に分けるかを、技術者の打ち合わせで決めます。

04実装レベルの3段階

最小構成:手元のAIサービスで受付票を読み替え、型番をそろえた表計算を引く / 受付票の整理
半自動化:上記+OpenSearch に部品と修理の記録の索引を作り、normalizer と同義語の辞書で引けるようにする / 部品と前例の検索
本格構成:上記+名前付きの問い合わせで当たった理由を返し、写真の型番との照合と確認のメモを作る / 受付から確認のメモまで

半自動化で、1件15分が8分程度になります。 書き方の揺れで引けなかった部品と前例は出てくるようになりますが、どの理由で出てきたかを1件ずつ記録で確かめる作業が残ります。本格構成で5分になり、この段階が本記事の想定です。 段階を飛ばさないでください。 半自動化を1か月使うと、候補が出なかった言い方と、交換した部品が無い記録が残ります。それを直してから本格構成に進みます。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
6 名
月間件数
480 件
1件あたり現在時間
15 分
1件あたり導入後時間
5 分
現在  480件 × 15分 ÷ 60 = 120 時間/月
導入後 480件 × 5分 ÷ 60 = 40 時間/月
月間削減時間
80h
削減率
67%
年間削減時間
960h
年間金額換算(時間単価3,000円)
288万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

自社条件で導入効果を整理したい方へ

このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 国産・海外の機械式とクオーツの時計の修理を毎月数百件受け、部品の在庫が数千点ある時計店・修理工房。部品の在庫の台帳と過去の修理の記録はあるのに、型番の書き方がそろっておらず、探すのがベテランの技術者の記憶に頼っている場合。修理の記録に、型式番号・症状・交換した部品が文字で残っている、または残すように直せる場合。AWS を使える担当か委託先がいる場合。
向いていない
  1. 扱うブランドが1〜2つで、部品をメーカーの修理窓口に任せている場合。修理の記録が紙だけで、型式番号と交換した部品が書かれていない場合(先に記録の取り方を直します)。月の修理が数十件で、技術者が全部を覚えている場合。なお、どの部品がその時計に使えるかの判断、修理の可否と見積の金額、メーカーの正規の修理に出すかどうかは、この構成では代替できません。記録から候補を探し、当たった理由を記録のまま並べるまでです。

07最小構成で試す方法

  1. 先月の修理の受付から30件を選ぶ(型番の書き方が違うもの、症状の言い方が違うもの、部品が見つからなかったものを混ぜる)
  2. それぞれについて、実際に使った部品と、参考にした前例を書き出す
  3. よく出る5つのキャリバーについて、部品の台帳と修理の記録を表計算に書き出し、型番を半角の4桁にそろえた列を足す
  4. 30件の受付票を手元のAIサービスに貼り、「型式番号・ブランド・症状を書かれたまま取り出してください。型番の文字を直さず、原因を推し量らないでください」と指示する
  5. 取り出した型番の4桁と症状の言葉で表計算を引き、実際に使った部品と前例が見つかるかを見る
  6. 見つからなかった件について、部品名と症状の言い方の違いを書き出す

6番目で書き出した言い方が、同義語の辞書の最初の版です。 30件でも、「巻真」と「巻き真」のような違いが十数個は出てきます。ここで型番どうしを同じものにしたくなる組み合わせが出たら、辞書ではなく台帳の備考に回します。

出てきた内容判断
型番をそろえるだけで、実際に使った部品と前例が見つかったOpenSearch の索引に進む
AIが型番を直した・原因を言い切った指示の書き方で直る。構成は有効
修理の記録に交換した部品が書かれておらず、前例が使えない記録の書き方を直すのが先

08実装時につまずきやすいポイント

問題対策
型番どうしを同義語の辞書に入れる型番は keyword と normalizer で扱い、辞書に入れない。normalizer は同義語に置き換えられない
同義語を索引時の解析器に入れるsynonym_graph は検索時の解析器でだけ使う。辞書の更新に索引の作り直しが要る形になる
辞書を更新しても反映されない検索時の解析器に updateable: true を付ける。索引時の解析器では使えない
症状が当たらない例が混ざるfilter があると minimum_should_match の既定は0。1にする
当たった理由が分からない条件ごとに _name を付け、matched_queries を画面に出す
ハイフンの後ろを捨てるcaliber と case_ref を分けて持ち、外装の部品は case_ref で引く
読めない型番をAIが埋める読めない文字は ? にさせ、写真の型番で受付票を上書きしない

上の3行は、検索がよく当たるようになったように見えて起きる失敗です。 型番を同義語にすると候補は増えますが、増えた分は技術者が実物で確かめ直す時間になります。

09セキュリティ・AIガバナンス上の注意点

この構成で扱うデータ: お客様から預かった時計の受付票(ブランド・型式番号・症状・預かり時の状態)、部品の在庫と仕入れの区分、修理の記録と技術者のメモです。高額な時計では、どの店に何が預けられているかが外に出したくない情報です。

  1. お客様の情報を外す … 名前・連絡先・住所は、Claude にも索引にも渡しません。受付番号だけで結びます
  2. 使えるかを言い切らない … 出すのは記録の事実と当たった理由までにし、使えるかは技術者が実物で決めます
  3. 部品取りの部品を区別する … 再使用・部品取りの部品は候補の画面で区別し、お客様への説明で新品と混ぜません
  4. 同義語の辞書の手入れの担当を決める … 誤った同義語が入ると、関係の無い前例が当たった理由つきで出ます。足す前に技術者が1行ずつ見ます
  5. 索引への接続を限る … OpenSearch のドメインには、Lambda と工房・受付の担当だけが接続できるようにします

誤りが起きた場合のリスクは、部品があるのに候補に出ないこと、別の機械の部品や前例を同じものとして勧めること、記録に無い所見で分解の順番を決めることの3つです。 normalizer と同義語の役割の分け方、_name と minimum_should_match、所見の文言の照合の3つで防ぎます。

10まず何から始めるか

1週目:型番をそろえた列を足す

部品の台帳と修理の記録を書き出し、型番を半角の4桁にそろえた列を足します。型番が空の記録と、交換した部品が書かれていない記録を数えます。

2週目:30件で試す

第8章のとおり、先月の受付30件で、実際に使った部品と前例が見つかるかを見ます。AIが型番の文字を直していないか、原因を言い切っていないかを最優先で見ます。

3週目:辞書の決まりを作る

部品名と症状の言い方のまとまりを書き出し、同義語の辞書の最初の版を作ります。型番どうしを辞書に入れないこと、使える部品の知見は台帳の備考に書くことを決めます。

4週目:索引を作る

OpenSearch に部品と修理の記録の索引を作り、normalizer と検索時の同義語で引けるようにします。この時点では、当たった理由の画面とメモは使いません。

2か月目: _name と minimum_should_match、写真の型番の照合、メモと照合を足します。3か月目以降: 候補から採られた割合、brand だけで当たって採られなかった件数、候補が0件だった言い方を毎月数えます。ベテランの技術者の手を止めずに、受付でその日のうちに目安が言えた時点で、この構成は完成です。


11関連ユースケース

12この仕組みを理解するための記事

13技術仕様の確認日・参考情報

技術仕様確認日:2026-10-28/最終更新:2026-10-28
確認した内容情報源確認日
裏ぶたに記載の型式番号の4桁がキャリバー番号で、ムーブメントの型式を表すこと。型式番号の例が 9S85-00A0 であることグランドセイコー: キャリバー番号および防水性能ご確認のお願い2026-10-28
synonym_graph が複数語の同義語を扱い、検索時の解析器でだけ使うこと。索引時に使うと後ろの語の位置がずれること。expand の既定が true で、同じ行の語が互いに置き換わることOpenSearch: Synonym graph token filter2026-10-28
normalizer が1つのトークンだけを出し、文字単位の処理だけができ、同義語への置き換えができないこと。normalizer で使えるものに pattern_replace・cjk_width・uppercase があることOpenSearch: Normalizers2026-10-28
must か filter があるとき minimum_should_match の既定が0であることOpenSearch: Boolean query2026-10-28
どの句にも _name を付けられ、当たった句の名前が matched_queries として返ることOpenSearch: Named queries2026-10-28
同義語などの辞書ファイルを S3 からパッケージとして取り込み、ドメインに関連付けられること。updateable: true は検索時の解析器にだけ当てはまり、パッケージの更新時に _plugins/_refresh_search_analyzers で自動で更新されることAWS: Importing and managing packages in Amazon OpenSearch Service2026-10-28
OpenSearch Service のドメインに Japanese(kuromoji)と ICU の解析のプラグインが全ドメインに含まれることAWS: Plugins by engine version in Amazon OpenSearch Service2026-10-28
Converse API の outputConfig.textFormat で JSON スキーマに沿った出力が得られること。additionalProperties: false が要ること。数値の minimum・maximum、文字列の minLength・maxLength に対応しないこと。新しいスキーマの組み立てに時間がかかり、24時間キャッシュされることAWS: Structured outputs(Amazon Bedrock)2026-10-28

どの部品がその時計に使えるか、修理の可否と見積、メーカーの修理に出すかどうかは、技術者が実物とメーカーの資料で判断してください。 本記事は上記のページで確認できた範囲だけを扱っています。

実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。

自社の業務に使えるAI活用候補を整理します

このユースケース(UC-2090)についてのご相談はこちらから。

AI活用について相談する
目次