Media > AI活用ユースケース > 品質管理 > 鋳物工場が過去の鋳造の条件と不良の記録を OpenSearch に入れ、新しい不良に似た事例と効いた対策を探す

鋳物工場が過去の鋳造の条件と不良の記録を OpenSearch に入れ、新しい不良に似た事例と効いた対策を探す

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

新しい鋳造不良が出たときに、不良の記述とそのロットの鋳造の条件を手がかりに、過去の不良の記録から似た事例を探します。そのとき効いた対策と、今回との条件の違いを並べた調査の材料にします。

サマリー
生成AI
Azure OpenAI Service/Claude/Gemini
AIサービス
Azure AI/Google Vertex AI/OpenSearch
対象業界
製造
対象部門
品質管理/生産
対象業務
情報検索/比較検討
主な課題
判断に時間がかかる/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
判断支援/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
60h/月
AI導入後
20h/月
想定削減
67%
年間削減
480h
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. 造型・仕上げの工程で不良が見つかり、生産管理システムに不良の種類と数が登録される
  2. 品質管理課の担当者が、不良品の写真と現品を見て、不良の種類と発生した部位を確かめる
  3. 共有フォルダの対策報告書を、品番と不良の種類のファイル名で探す。見つからなければ、思い当たる年のフォルダを順に開く
  4. 見つかった報告書のロットについて、月ごとの条件の記録を開き、注湯温度と砂の試験の値を写す
  5. 今回のロットの条件も同じように写し、表計算のシートに並べて比べる
  6. 古株の技術者に「前に似たのがなかったか」を聞きに行く
  7. 似た事例と効いた対策をメモにまとめ、調査の方針を決めて現場と打ち合わせる
導入後(After)
  1. 人品質管理課の担当者が、不良の報告の画面に不良の種類・発生した部位・外観の記述を書き、ロットの番号を入れる
  2. 自動報告の登録をきっかけに処理が動き、ロットの番号から溶解・注湯・砂の試験の記録を引く
  3. 自動生成AIが、報告の文から不良の種類の候補と部位、外観の語句を取り出す
  4. 自動材質と鋳型の種類で絞り、記述の語句と条件の範囲で OpenSearch を検索する
  5. 自動上位の事例について、今回の条件との差をプログラムが計算する
  6. 自動生成AIが、引けた事例と対策、効かなかった対策を決まった形に並べる
  7. 人担当者が一覧を読み、根拠の報告書を開いて、似ているかどうかを自分で判断する
  8. 人調査の方針を決め、現場と打ち合わせる。対策の結果は報告書に書き、次の取り込みで索引に入る
各工程の詳しい説明を読む
  1. 造型・仕上げの工程で不良が見つかり、生産管理システムに不良の種類と数が登録される
  2. 品質管理課の担当者が、不良品の写真と現品を見て、不良の種類と発生した部位を確かめる
  3. 共有フォルダの対策報告書を、品番と不良の種類のファイル名で探す。見つからなければ、思い当たる年のフォルダを順に開く
  4. 見つかった報告書のロットについて、月ごとの条件の記録を開き、注湯温度と砂の試験の値を写す
  5. 今回のロットの条件も同じように写し、表計算のシートに並べて比べる
  6. 古株の技術者に「前に似たのがなかったか」を聞きに行く
  7. 似た事例と効いた対策をメモにまとめ、調査の方針を決めて現場と打ち合わせる

(a)探すところで時間が尽きる。 3番と4番に1件あたり40分以上かかります。品番が違えば同じ不良でもファイル名で引けず、同じ鋳型の形の別の品番で起きた事例を見落とします。

(b)条件を並べるのが手作業。 砂の試験は1日数回なので、ロットの注湯の時刻にいちばん近い測定の行を探して写します。どの行を採ったかが担当者ごとに違い、比べた結果も違ってきます。

(c)古株の記憶が検索の代わりになっている。 6番で「3年前の夏、梅雨の時期に同じピンホールが出た」と教えてもらえれば早いのですが、聞ける相手が2名しかおらず、2名とも現場の対応で手が離せないことが多いのが実情です。

(d)効かなかった対策が残らない。 報告書には最後に効いた対策が書かれ、試して効かなかったことは省かれがちです。

  1. 【人】 品質管理課の担当者が、不良の報告の画面に不良の種類・発生した部位・外観の記述を書き、ロットの番号を入れる
  2. 【自動】 報告の登録をきっかけに処理が動き、ロットの番号から溶解・注湯・砂の試験の記録を引く
  3. 【自動】 生成AIが、報告の文から不良の種類の候補と部位、外観の語句を取り出す
  4. 【自動】 材質と鋳型の種類で絞り、記述の語句と条件の範囲で OpenSearch を検索する
  5. 【自動】 上位の事例について、今回の条件との差をプログラムが計算する
  6. 【自動】 生成AIが、引けた事例と対策、効かなかった対策を決まった形に並べる
  7. 【人】 担当者が一覧を読み、根拠の報告書を開いて、似ているかどうかを自分で判断する
  8. 【人】 調査の方針を決め、現場と打ち合わせる。対策の結果は報告書に書き、次の取り込みで索引に入る

7番目が、この設計の分かれ目です。 一覧の上位は「点が高い」だけで、似ていることの保証ではありません。担当者が根拠の報告書を開いて確かめる時間を、After の工数に入れています。

5番目をプログラムにしているのは、生成AIに計算させると桁や符号の取り違えに気づけないからです。

02今回想定するシステム構成

構成図
溶解・注湯・砂の試験の記録(表計算のファイル)/対策報告書(文書)
   │  取り込み(毎晩)
   ▼
AWS Lambda ── 記録をロットにそろえる/報告書を項目に分ける
   ▼
Amazon OpenSearch Service
   └── 事例の索引(不良の記述 text・条件の数値・材質と鋳型 keyword)
   ▲
   │【トリガー】不良の報告の登録
AWS Lambda
   ├──▶ ロットの条件を引く
   ├──▶ Claude(Amazon Bedrock)── 報告から検索の手がかりを取り出す
   ├──▶ OpenSearch ── hybrid のクエリ(記述+条件の範囲)
   ├──▶ 条件の差を計算
   └──▶ Claude(Amazon Bedrock)── 引けた事例だけで一覧を作る
   ▼
不良の報告の画面に一覧を表示
   ▼
【担当者が根拠の報告書を開き、似ているかを判断】
役割想定する製品代替候補
検索基盤Amazon OpenSearch Service(hybrid のクエリと normalization-processor)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)、Gemini API
連携AWS Lambda(取り込みと正規化、検索の呼び出し、条件の差の計算)AWS Step Functions
保管Amazon S3(取り込んだ記録の写し、検索と一覧の記録)社内のファイルサーバー
報告の画面既存の不良の報告の画面(生産管理システム)社内のWebフォーム

条件の記録と対策報告書は、いまあるものをそのまま使います。 足すのは毎晩の取り込みと、報告ごとの検索の仕組みです。最初の準備作業は、条件の記録のファイルの列名をそろえることです。 年によって「注湯温度」「鋳込温度」と呼び方が違うと、取り込みで同じ項目にできません。

土台になるのは、OpenSearch の hybrid のクエリです。 複数のクエリの関連度の点を、文書ごとに1つの点に合わせるクエリで、中に入れられるクエリは最大5つとされています。点を合わせるのは検索のパイプラインの役目で、normalization-processor が、クエリごとの点を正規化してから合わせます。

hybrid のクエリには、全部のクエリにかける filter を1つ渡せます(OpenSearch 3.0 で入った機能)。材質と鋳型の種類のように「違えば比べる意味がない」条件は、ここで絞ります。Amazon OpenSearch Service は、3.1 以降の版を選べます。

日本語の不良の記述は、形態素解析で語に分けて索引にします。 Amazon OpenSearch Service には Japanese(kuromoji)Analysis がすべてのドメインに入っており、Sudachi Analysis も「日本語に推奨」として OpenSearch 1.3 以降で使えます。

生成AIは、Amazon Bedrock の Claude を Converse API で呼び、outputConfig.textFormat で渡したスキーマに沿った JSON で受け取ります。

03どうやって実装するのか

Step1

処理の起点を決める

トリガーは2つあります。 1つは毎晩の取り込みで、前の日までに追加された条件の記録と対策報告書を索引に入れます。もう1つは不良の報告の登録で、ここで検索を動かします。

取り込みは、月ごとの条件の記録のファイルが更新されたかを見て、更新があった月だけをやり直します。 砂の試験の値は後から訂正されることがあるため、ロットの番号を文書の識別子にして上書きし、同じロットが二重に入らないようにします。

検索は、報告の登録と、報告の記述が書き直されたときに動かします。 書き直したときは前回の一覧を上書きせず、版を分けて残します。最初の一覧を見て記述を足したら、どの事例が入れ替わったかを後から追えるようにするためです。

Step2

入力データを集める

データ中身取得元
不良の報告不良の種類(担当者の見立て)、発生した部位、外観の記述、ロットの番号、品番不良の報告の画面
溶解・注湯の記録材質、チャージの番号、出湯温度、接種の量、注湯温度、注湯の時間、注湯の時刻月ごとの記録のファイル
砂の試験の記録測定の時刻、水分、通気度、圧縮強さ、CB月ごとの記録のファイル
品番の情報品番、材質、鋳型の種類、鋳型の形の系統(同じ型の流用元)、中子の有無生産管理システムの品番の台帳
対策報告書不良の種類、部位、推定原因、試した対策と結果、効いた対策、ロットの番号共有フォルダの文書
不良の語の辞書不良の種類の正式名と言い換え(ブローホール/ガス穴、砂かみ/砂噛み)品質管理課で作る表

質を決めるのは、いちばん下の辞書と「鋳型の形の系統」です。 現場は同じ不良を何通りにも呼びます。辞書が無いと、「ガス穴」で書かれた3年前の報告書が「ブローホール」の検索に当たりません。 鋳型の形の系統は、品番が違っても同じ型を流用している品を同じ仲間として探すための列です。

Step3

データの取得方法を決める

取り込みでは、ロットを1件の文書にします。 注湯の記録のロットに、溶解の記録をチャージの番号で、砂の試験の記録を注湯の時刻より前でいちばん近い測定で結び付けます。この「前でいちばん近い」の決まりをプログラムに書いておくことが、第3章の(b)の解消そのものです。

項目型中身
lot_no part_no charge_nokeywordロット、品番、チャージの番号
materialkeyword材質(FC250、FCD450 など)
mold_type mold_familykeyword鋳型の種類、鋳型の形の系統
pour_temp pour_time tap_tempfloat注湯温度(℃)、注湯の時間(s)、出湯温度(℃)
sand_moisture permeability green_strength cbfloat砂の水分(%)、通気度、圧縮強さ(kPa)、CB(%)
defect_type defect_areakeyword不良の種類(辞書の正式名)、部位
defect_texttext(Sudachi で解析)不良の記述、推定原因、対策と結果の全文
countermeasuresnested ではなく文字列の配列試した対策と、効いた/効かなかった の印
report_path report_datekeyword date対策報告書の場所と日付

対策報告書は、見出しで項目に分けてから入れます。 「推定原因」「対策」「効果の確認」の見出しを手がかりに分け、分けられなかった報告書は全文を defect_text に入れて、split_failed の印を付けます。 印の付いた報告書の数は、毎晩の取り込みの記録に残します。

不良の記録が無いロット(良品のロット)は索引に入れません。 入れると、条件だけが似た良品のロットが上位に並びます。

Step4

AIへ渡す前に整形する

  1. 項目名をそろえる … 「注湯温度」「鋳込温度」など、年ごとの列名を1つの項目名に寄せる対応表を持ちます
  2. 単位をそろえる … 通気度・圧縮強さは、測定器を替えた年に単位や目盛りが変わっていないかを確かめ、変わっていたら換算せずに別の項目に分けます
  3. 欠けた値を空のままにする … 測っていない日の値を、前後の日の値で埋めません
  4. 不良の語を辞書の正式名に直す … 報告書の言い換えを正式名に寄せ、元の語も defect_text に残します
  5. 測定の時刻とロットを結ぶ … 注湯の時刻より前でいちばん近い砂の試験を採り、その差が4時間を超えるときは結び付けずに空にします(4時間は自社で決める値)
  6. 個人名を外す … 報告書の作成者・承認者の名前は検索の対象から外し、保管の側にだけ残します

2番目を軽く見ないでください。 単位の違う値を同じ項目に入れると、範囲の検索がもっともらしい順位を返し、誤りに気づく手がかりが消えます。

Step5

AIに処理させる

させることは2つです。1つ目は、報告の文から検索の手がかりを取り出すこと。2つ目は、検索で引けた事例だけを使って、決まった形に並べることです。

させること中身判断できないときの扱い
手がかりの取り出し不良の種類の候補(辞書の正式名から選ぶ)、部位、外観の語句辞書に無い言い方なら unmapped_terms に写すだけ
事例の整理引けた事例ごとに、不良の種類、部位、推定原因、効いた対策、効かなかった対策を写す報告書に書かれていなければ「記載なし」
対策の重なりの指摘複数の事例で同じ対策が効いている、または効いていないことを並べる事例が1件なら書かない
引けなかったことの明示条件の範囲に当たる事例が無かったことを残す「前例なし」とは書かない

させないことも決めておきます。

させないこと理由
原因の結論現品と現場を見て決めるのは担当者。記録の並びから原因を言い切らせない
条件の差の計算プログラムが引き算で出す。生成AIには計算結果を渡すだけ
引けなかった事例の補完「一般に砂かみは砂の強度不足で起きる」のような知識を書き足させない
対策の提案記録に無い対策を勧めさせない。勧めるなら根拠の事例が要る
似ているかの判定一覧の順位は検索の点。似ているかは担当者が報告書を見て決める

3行目がいちばん起きやすい失敗です。 一般論は読みやすく、もっともらしいので、担当者が記録と一般論の区別をつけられなくなります。

Step6

指示内容を固定する

1つ目の呼び出し(手がかりの取り出し)の指示です。

あなたは鋳物工場の品質管理課で、新しい鋳造不良の報告から、
過去の記録を探すための手がかりを取り出す立場です。
報告の文に書かれたことだけを使ってください。

【取り出すもの】
- defect_types:不良の種類の候補。下の【不良の語の辞書】の正式名から選ぶ
- areas:発生した部位(報告に書かれた呼び名のまま)
- keywords:外観の語句(形、大きさ、色、面の状態)

【厳守事項】
- 辞書に無い言い方は defect_types に入れず、unmapped_terms にそのまま写してください。
- 候補が2つ以上考えられるときは、報告に書かれた根拠の語句と一緒に両方入れてください。
- 原因の推測、条件の推測を書かないでください。
- 数値(温度、寸法など)を書き換えたり単位を変えたりしないでください。

【不良の報告】{report_text}
【不良の語の辞書】{defect_dictionary}

2つ目の呼び出し(事例の一覧の作成)の指示です。

あなたは鋳物工場の品質管理課で、新しい不良に似た過去の事例を、
調査の担当者に渡す一覧にまとめる立場です。

【使ってよい材料】
- 下の【検索で引けた事例】と【条件の差(計算済み)】だけです。
- 事例ごとに付いた lot_no と report_path を必ず写してください。
- 材料に無い事例、対策、原因を一般的な知識から書き足さないでください。

【書くこと】
- 事例ごとに、不良の種類、部位、推定原因、効いた対策、効かなかった対策を、
  報告書に書かれたとおりに写す。書かれていなければ「記載なし」
- 条件の差は【条件の差(計算済み)】の値をそのまま写す。自分で計算しない
- 複数の事例で同じ対策が効いた、または効かなかったときは shared_findings に並べる

【厳守事項】
- 今回の不良の原因を書かないでください。「原因は〜と考えられる」も書かないでください。
- 事例が今回に似ているかどうかを書かないでください。順位は検索の点です。
- 範囲に当たる事例が無かった条件は no_match_conditions に並べ、
  「前例なし」「問題なし」とは書かないでください。
- 報告書の文が途中で切れている、または項目に分けられていない(split_failed)
  事例は、その旨を note に書いてください。

【今回の不良】{report_summary}
【今回のロットの条件】{lot_conditions}
【検索で引けた事例】{hits}
【条件の差(計算済み)】{diffs}
【範囲に当たる事例が無かった条件】{no_match}

「原因を書かない」を明記しないと、生成AIはまとめの最後に原因の見立てを足します。 「以上から、砂の水分の上昇が原因と推定されます」という一文は、記録の並びを読んだだけの推測なのに、報告の結論のように読まれます。

Step7

出力形式を固定する

2つ目の呼び出しは、次の形の JSON で受け取ります。

{
  "report_id": "DF-2026-1028-007",
  "query_summary": {
    "defect_types": ["ピンホール"],
    "areas": ["上型側のボス"],
    "unmapped_terms": []
  },
  "cases": [
    {
      "rank": 1,
      "lot_no": "L23-0714-2",
      "report_path": "対策報告書/2023/07/A1234.docx",
      "defect_type": "ピンホール",
      "area": "上型側のボス",
      "estimated_cause": "砂の水分の上昇(報告書の記載)",
      "effective": ["混練の水の量を減らす"],
      "not_effective": ["注湯温度を上げる"],
      "diffs": [{ "item": "sand_moisture", "this": 4.1, "case": 4.3, "delta": -0.2 }],
      "note": ""
    }
  ],
  "shared_findings": [],
  "no_match_conditions": ["cb"]
}

diffs の値は、ワークフローが計算して渡したものを写させます。 受け取った後に、渡した値と一致しているかをプログラムで照合し、1つでも違えば一覧を出さずに作り直します。

JSON にする理由の1つ目は、画面の表示を固定できることです。 事例の順、条件の差の並び、効いた対策と効かなかった対策の色分けを、毎回同じ形で出せます。

2つ目は、照合ができることです。 lot_no が検索で引けたロットの中にあるか、diffs が計算した値と同じかを機械で確かめられます。一覧に載る事例は、検索で当たったものだけになります。

スキーマは、Bedrock の決まりに合わせます。 すべての object に additionalProperties: false を付け、数値の minimum・maximum や文字列の長さの制約は使いません(非対応で400が返ります)。任意の項目は全体で12個までなので、項目はすべて必須にし、無いときは空の配列か「記載なし」を入れさせます。 新しいスキーマは最初の1回に最大で約90秒かかることがあるため、読み取りのタイムアウトは120秒以上にします。

Step8

システムへ連携する

つなぎ先方式内容
条件の記録・対策報告書Lambda が毎晩読む更新された月とファイルだけを取り込む
OpenSearch索引の更新と hybrid のクエリロットの文書を上書き、報告ごとに検索
Claude(Amazon Bedrock)Converse API手がかりの取り出しと一覧の作成
不良の報告の画面既存の画面の項目に書き戻す一覧と、根拠の報告書へのリンク

hybrid のクエリは、次の形にします。

{
  "query": {
    "hybrid": {
      "filter": { "bool": { "filter": [
        { "term": { "material": "FCD450" } },
        { "term": { "mold_type": "生型" } } ] } },
      "queries": [
        { "match": { "defect_text": "ピンホール 上型 ボス 小さな穴 光沢" } },
        { "terms": { "defect_type": ["ピンホール"] } },
        { "bool": { "should": [
          { "range": { "sand_moisture": { "gte": 3.8, "lte": 4.4 } } },
          { "range": { "pour_temp": { "gte": 1360, "lte": 1390 } } },
          { "range": { "permeability": { "gte": 120, "lte": 160 } } } ] } }
      ]
    }
  }
}

範囲の幅(砂の水分なら ±0.3 など)は、品質管理課が項目ごとに決めた表から作ります。 生成AIに幅を決めさせません。材質と鋳型の種類は filter に置き、3つのクエリすべてに同じ絞り込みをかけます。

点の合わせ方は、検索のパイプラインで決めます。 normalization-processor の既定は min_max の正規化と arithmetic_mean の合成で、重みはクエリの数と同じ数を、合計1.0で渡します。 この構成では記述 0.4、種類 0.2、条件 0.4 から始めます。

Step9

人が確認する

担当者が見るのは、一覧の上位5件と、その根拠の報告書です。

  1. no_match_conditions を先に見る … 範囲に当たる事例が無い条件は、過去に無い条件で作っている可能性を示します
  2. 上位の事例の報告書を開く … 一覧の要約ではなく、報告書の本文と写真で似ているかを確かめます
  3. 効かなかった対策を確かめる … 同じ空振りを繰り返さないための材料です
  4. 似ていなかった事例に印を付ける … 印は検索の重みと範囲の幅を見直す材料にします

2番目を省かないでください。 一覧は報告書の文を写したもので、写真や現品の所見は入っていません。 外観が似ていなければ、点が高くても別の不良です。

Step10

例外に対処する

起きること対応
ロットの番号から条件が引けない記録の未入力を疑う。条件のクエリを外し、記述だけで検索して、その旨を画面に出す
砂の試験が4時間以上前しか無い結び付けずに空にする。範囲の条件から砂の項目を外す
辞書に無い不良の語だけが書かれているunmapped_terms を画面に出し、辞書への追加を担当者に頼む
事例が1件も当たらない「前例なし」とは出さず、絞り込み(材質・鋳型)を外した検索を担当者が選べるようにする
1つのクエリだけに当たった事例が上位に来ないarithmetic_mean では、片方のクエリだけに当たった文書の点が下がる。記述だけ・条件だけの上位も別の欄に出す
条件の範囲に当たる事例が全部同じ点になるmin_max では、点が全部同じクエリは全文書が1.0になる。順位は記述の点で決まると画面に注記
生成AIの diffs が計算値と違う一覧を出さずに作り直す。2回続けば一覧なしで事例の表だけを出す
報告書が項目に分けられないsplit_failed の印を付けて全文で索引。一覧では note に出す

5行目と6行目は、hybrid の点の合わせ方から来るものです。 公式のページは、重みを省いた arithmetic_mean で片方のクエリだけに当たった文書の点が半分になる例と、min_max で点がすべて同じなら全部の文書が1.0になることを示しています。知らずに重みを動かすと、順位が思わぬ形で入れ替わります。

Step11

記録を残す

  • 不良の報告の版ごとの文と、そのときのロットの条件
  • 1つ目の呼び出しの入力と出力(手がかり)
  • OpenSearch に送ったクエリの全文と、検索のパイプラインの設定の版
  • 引けた事例と点、計算した条件の差
  • 2つ目の呼び出しの出力と、照合の結果
  • 担当者が「似ていない」と印を付けた事例
  • 毎晩の取り込みの件数、split_failed の数、結び付けられなかった砂の試験の数

3つ目でクエリとパイプラインの版を残すのは、重みと範囲の幅を後から変えるためです。 変えた後に「前は出ていた事例が出なくなった」と言われたとき、どの設定で検索したかが残っていないと理由が分かりません。

6つ目の印は、範囲の幅と重みを見直す材料になります。

04実装レベルの3段階

最小構成:20件のシートと報告を手でAIの画面に貼り、近い事例を選ばせる / 小さな範囲での事例の選び出し
半自動化:上記+対策報告書と条件の記録を OpenSearch に取り込み、担当者が画面から検索する / 8年分の記録の検索
本格構成:上記+報告の登録で自動で検索し、条件の差の計算と一覧の作成まで行う / 調査の出発点の作成の全体

最小構成では件数がさばけません。 20件しか見られないので、確かめるための段階です。 半自動化で、1件90分が50分程度になります。 探す時間は大きく減りますが、条件の写しと並べ、効いた対策の拾い出しが手作業で残ります。本格構成で30分になり、この段階が本記事の想定です。 差が大きいのは、ロットと砂の試験を結び付けて差を出す作業が、件数の分だけ繰り返されるからです。 段階を飛ばさないでください。 半自動化で担当者が検索を使うと、どの範囲の幅で絞ったときに技術者の選び方に近いかが分かり、本格構成の初期値になります。

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
4 名
月間件数
40 件
1件あたり現在時間
90 分
1件あたり導入後時間
30 分
現在  40件 × 90分 ÷ 60 = 60 時間/月
導入後 40件 × 30分 ÷ 60 = 20 時間/月
月間削減時間
40h
削減率
67%
年間削減時間
480h
年間金額換算(時間単価4,000円)
192万円
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. 生型の造型ラインで鋳鉄やダクタイル鋳鉄の鋳物を量産し、溶解・注湯・砂の管理の記録をロットごとに残している鋳物工場。不良の対策報告書が何年分もたまっているのに、新しい不良が出るたびに古株の技術者の記憶と表計算のファイルを頼りに過去の事例を探している場合。品質管理の担当が数名で、月に数十件の不良の調査を受け持っている場合。
向いていない
  1. 鋳造の条件をロットごとに記録しておらず、不良の記録と結び付けられない場合(先に記録の仕組みが要ります)。不良の調査が月に数件で、担当者が全部の事例を覚えていられる場合。不良の原因を条件から自動で決めたい場合(この構成は似た事例を並べるまでで、原因の判断は人が行います)。

07最小構成で試す方法

  1. 過去1年の対策報告書から、不良の種類がはっきりしている20件を選ぶ
  2. 20件のロットの注湯温度と砂の試験の値を、表計算のシートに1行ずつまとめる
  3. 新しい不良を1件想定し、その報告の文と条件を、手元のAIサービスに20件のシートと報告書の要約と一緒に貼る
  4. 「この20件から、記述と条件の両方で近い事例を5件選び、条件の差と効いた対策を並べてください。原因は書かないでください。表に無い値を計算で作らないでください」と指示する
  5. 出てきた5件を、古株の技術者が選ぶ5件と比べる

この段階では OpenSearch を使いません。 確かめたいのは、記述と条件の両方を見ると、記述だけのときより技術者の選び方に近づくかです。

出てきた内容判断
技術者の5件と3件以上重なる取り込みと索引づくりに進む
記述だけで選び、条件を見ていない指示の書き方で直る。構成は有効
条件の差の値が表と合わない計算をさせない設計が必要。本格構成ではプログラムで計算する
技術者が「この事例は条件の記録がおかしい」と言う記録の整備が先。 単位や列のずれを直す

4行目が出ることは珍しくありません。 8年分の記録には、測定器の更新や記入の決まりの変更が混ざっています。

08実装時につまずきやすいポイント

問題対策
言い換えで過去の報告書が引けない不良の語の辞書を作り、取り込みで正式名に寄せる
単位の違う値が同じ項目に入る測定器の更新の年を確かめ、換算せずに別の項目に分ける
良品のロットが上位に並ぶ不良の記録が無いロットを索引に入れない
条件だけ似た別の不良が並ぶ不良の種類の terms を別のクエリにし、重みを付ける
片方のクエリだけに当たった事例が沈むarithmetic_mean の性質。記述だけ・条件だけの上位を別の欄に出す
hybrid のクエリにクエリを足しすぎる中に入れられるのは最大5つ。条件は1つの bool にまとめる
生成AIが原因を書き足す指示に禁止を明記し、出力に原因の欄を作らない
条件の差を生成AIが計算するプログラムで計算して渡し、写させた値を照合する
範囲の幅を広げすぎるほぼ全件が当たり、条件のクエリが効かなくなる。印の付いた事例で見直す
報告書に効かなかった対策が無い報告書の書式に「試して効かなかったこと」の欄を足す

上の2行が、検索の質のほとんどを決めます。 どちらも検索の仕組みではなく記録の側の問題で、索引を作ってから気づくと全件を取り込み直すことになります。

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: 材質ごとの溶解・注湯の条件、砂の管理の値、不良の発生と対策の記録です。鋳造の条件は工場のノウハウそのもので、営業秘密として扱う情報です。

  1. 索引を社外から見えないようにする … OpenSearch のドメインは VPC の中に置き、品質管理課と製造の技術者だけが検索できるようにします
  2. 生成AIに渡すのは、検索で引けた事例と計算済みの差だけにする … 8年分の記録をまとめて渡しません。1回の呼び出しに入るのは、報告1件と上位の事例数件です
  3. 原因の判断をこの構成に置かない … 一覧は調査の出発点です。不良の原因と対策を決めるのは、品質管理課と現場です
  4. 顧客に出す報告には一覧をそのまま使わない … 客先への不良の報告は、調査の結果に基づいて人が書きます。一覧の文を転記すると、確かめていない記録の要約が客先に出ます
  5. 作成者の名前を検索の対象にしない … 「誰の報告書が多いか」を見る用途に使わせません。索引から個人名を外します

誤りが起きた場合のリスクは、似ていない事例を前例として扱うことと、似た事例を見落とすことの2つです。 前者は担当者の確認で防ぎ、後者は「記述だけ・条件だけ」の欄と no_match_conditions で減らします。どちらも検索の点を似ていることの証明として扱わないことが前提です。

10まず何から始めるか

1週目:列名の対応表と不良の語の辞書を作る

8年分の条件の記録の列名を並べ、同じ項目の呼び方を1つにまとめる表を作ります。あわせて、対策報告書に出てくる不良の言い換えを集めた辞書を作ります。古株の技術者2名に30分ずつ聞くと、辞書の大半が埋まります。

2週目:20件で試す

過去1年の報告書から20件を選び、手元のAIサービスで近い事例を選ばせます。技術者の選び方と比べ、記述と条件の両方を見る意味があるかを確かめます。

3週目:範囲の幅の表を決める

注湯温度、砂の水分、通気度、圧縮強さ、CB について、「この幅に入っていれば近い条件とみなす」幅を品質管理課で決めます。 現場の管理幅を出発点にすると決めやすくなります。

4週目:取り込みを作る

条件の記録をロットの単位にそろえ、対策報告書を項目に分けて OpenSearch に入れるところまで作ります。この時点では生成AIを使わず、担当者が画面から検索します。

2か月目: 報告の登録で自動で検索し、条件の差の計算と一覧の作成を足します。3か月目以降: 印をもとに重みと範囲の幅を見直し、1件90分が何分になったかを実測します。報告書の書式に「試して効かなかったこと」の欄を足し、次の取り込みからそれが索引に入った時点で、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
hybrid のクエリが複数のクエリの関連度の点を文書ごとに1つに合わせること。合わせ方は検索のパイプラインが行うこと。中に入れられるクエリが最大5つであること。全クエリにかける filter を1つのクエリで渡せることOpenSearch Documentation: Hybrid query2026-10-28
hybrid のクエリの filter が OpenSearch 3.0 で入り、各クエリの実行中にかかること。1つのクエリでなければならないことOpenSearch Documentation: Hybrid search with pre-filtering2026-10-28
normalization-processor の既定が min_max と arithmetic_mean であること。点がすべて同じクエリでは全文書が1.0になること。重みはクエリと同じ数で合計1.0であること。重みを省いた arithmetic_mean では片方のクエリだけに当たった文書の点が半分になる例OpenSearch Documentation: Normalization processor2026-10-28
range のクエリで gte・gt・lte・lt を指定して値の範囲を検索できることOpenSearch Documentation: Range query2026-10-28
Japanese(kuromoji)Analysis がすべてのドメインに入っていること。Sudachi Analysis が日本語に推奨とされ OpenSearch 1.3 以降で使えること。Neural Search が 2.9 以降であることAmazon OpenSearch Service: Plugins by engine version2026-10-28
OpenSearch の 3.1 以降の版がサポートの一覧に載っていることAmazon OpenSearch Service: What is Amazon OpenSearch Service?2026-10-28
Converse API で outputConfig.textFormat に JSON のスキーマを渡せること。すべての object に additionalProperties: false が要ること。数値の minimum・maximum、文字列の minLength・maxLength が非対応であること。任意の項目が12個までであること。新しいスキーマの初回に最大約90秒かかり、読み取りのタイムアウトを120秒以上にするよう勧めていることAmazon Bedrock User Guide: Structured outputs2026-10-28

不良の原因と対策は、品質管理課と現場で決めてください。 本記事は公式のドキュメント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-2094)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