Media > AI活用ユースケース > 品質管理 > 染色の工場が取引先ごとに書式の違う手書きの染めの依頼書から色番・生地・反数・納期を読み取り、釜ごとの染めの予定表の案と依頼の台帳を作る

染色の工場が取引先ごとに書式の違う手書きの染めの依頼書から色番・生地・反数・納期を読み取り、釜ごとの染めの予定表の案と依頼の台帳を作る

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

取引先ごとに書式の違う手書きの染めの依頼書を読み取り、依頼の台帳に登録して、翌日の釜ごとの染めの予定表の案を作ります。処方の無い色や反数の読み違いの疑いは、釜に入れる前に工程管理の担当へ戻します。

サマリー
AIサービス
Azure AI/Google Document AI
連携・自動化
Python
対象業界
商社/製造
対象部門
品質管理/生産
対象業務
データ入力・転記/台帳・マスタ管理
主な課題
入力作業が多い/属人化している/期限・対応漏れが起きる
AIで行う処理
読み取り(OCR)
主な効果
入力漏れ削減/属人化解消/工数削減
導入難易度
★★☆☆☆
実装レベル
半自動化
費用感
API連携(中)
人間の確認
条件付き
現在工数
50h/月
AI導入後
20h/月
想定削減
60%
年間削減
360h
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. FAX と生地に添えた紙の依頼書を受け取り、受付の箱に入れる
  2. 1枚ずつ見て、依頼の台帳に依頼元・生地の品番・素材・反数・色番・納期を写す
  3. 取引先の色番を、色の台帳で自社の色番に引き当てる。処方があるかを見る
  4. 処方の無い色は、試し染めの担当に回す
  5. 翌日の分について、素材で釜を決め、反数が釜に入るかを見る
  6. 同じ釜の中で、色の淡い順に並べ、ホワイトボードに書く
  7. 納期に間に合わない依頼があれば、営業の担当に知らせる
導入後(After)
  1. 人届いた依頼書を複合機でスキャンし、共有フォルダに1枚1ファイルで保存する(FAX は受信の画像をそのまま保存する)
  2. 自動社内のPCで動く Python が新しいファイルを見つけ、Document Intelligence のカスタム ニューラル モデルで読み取る
  3. 自動項目の値と信頼度を受け取り、反数・長さ・納期の形を確かめる
  4. 自動取引先の色番を、取引先ごとの色番の対応表で自社の色番に引き当て、色の台帳で濃さと処方の有無を見る
  5. 自動依頼の台帳に「確認待ち」として登録する
  6. 人工程管理の担当が、要確認の印のある依頼を画像で確かめて「確定」にする
  7. 自動毎日決めた時刻に、確定した依頼から翌日の予定表の案を作る(素材で釜を選び、反数で詰め、淡い順に並べる)
  8. 人工程管理の担当が案を直し、予定表として掲示する
各工程の詳しい説明を読む
  1. FAX と生地に添えた紙の依頼書を受け取り、受付の箱に入れる
  2. 1枚ずつ見て、依頼の台帳に依頼元・生地の品番・素材・反数・色番・納期を写す
  3. 取引先の色番を、色の台帳で自社の色番に引き当てる。処方があるかを見る
  4. 処方の無い色は、試し染めの担当に回す
  5. 翌日の分について、素材で釜を決め、反数が釜に入るかを見る
  6. 同じ釜の中で、色の淡い順に並べ、ホワイトボードに書く
  7. 納期に間に合わない依頼があれば、営業の担当に知らせる

(a)書式が取引先ごとに違う。 反数を「反」で書く取引先、「m」で書く取引先、両方を書く取引先があります。どこに何が書いてあるかを、取引先ごとに覚えていないと写せません。

(b)処方の無い色に気づくのが遅れる。 写すのに追われて3番を後回しにすると、予定に入れた後で処方が無いと分かり、その日の釜が1つ空きます。 試し染めは数日かかるため、納期にも響きます。

(c)釜の順が1人の頭の中にある。 淡い順にどう並べ、どの依頼をまとめて1釜にするかは、工程管理に長くいる1人の判断です。 その人が休むと、洗浄の回数が増えます。

(d)反数の読み違いが釜に入るまで分からない。 手書きの「1」と「7」、「反」と「本」の取り違えは、生地の受入で数えたときに初めて分かります。 反数が違えば釜に入る量が変わり、組んだ予定がその場で崩れます。

(e)ホワイトボードは記録にならない。 予定は毎日消して書き直すため、どの依頼をいつ、どの釜で染めたかを後から追うには、作業日報を1枚ずつめくることになります。 取引先から「先月の色と違う」と言われたときに、同じ釜で続けて染めた色が分かりません。

  1. 【人】 届いた依頼書を複合機でスキャンし、共有フォルダに1枚1ファイルで保存する(FAX は受信の画像をそのまま保存する)
  2. 【自動】 社内のPCで動く Python が新しいファイルを見つけ、Document Intelligence のカスタム ニューラル モデルで読み取る
  3. 【自動】 項目の値と信頼度を受け取り、反数・長さ・納期の形を確かめる
  4. 【自動】 取引先の色番を、取引先ごとの色番の対応表で自社の色番に引き当て、色の台帳で濃さと処方の有無を見る
  5. 【自動】 依頼の台帳に「確認待ち」として登録する
  6. 【人】 工程管理の担当が、要確認の印のある依頼を画像で確かめて「確定」にする
  7. 【自動】 毎日決めた時刻に、確定した依頼から翌日の予定表の案を作る(素材で釜を選び、反数で詰め、淡い順に並べる)
  8. 【人】 工程管理の担当が案を直し、予定表として掲示する

6番目と8番目が人の仕事として残ります。 読み取りと予定表の案は自動ですが、どの依頼を先に染めるかは、取引先との約束と生地の届き方で変わります。 案はあくまで案です。

7番目で案に入れるのは、確定し、かつ処方のある依頼だけです。 処方の無い依頼は、案の下に「試し染め待ち」として別に並べます。

02今回想定するシステム構成

構成図
染めの依頼書(FAX の受信画像、生地に添えた紙のスキャン。取引先ごとに書式が違う)
   │  1枚1ファイル
   ▼【トリガー】共有フォルダへの保存(Python が定期的に見に行く)
Python(azure-ai-documentintelligence)
   ▼
Azure AI Document Intelligence(カスタム ニューラル モデル)
   │   依頼番号・依頼日・依頼元・生地の品番・素材
   │   反数・1反の長さ・色番・見本の添付・仕上げの加工・納期
   ▼
Python ── 形の確認、色番の引き当て、処方の有無
   │       → 依頼の台帳(確認待ち)
   ▼
【要確認の依頼を、工程管理の担当が画像で確かめて確定】
   ▼
Python ── 毎日決めた時刻に翌日の予定表の案(釜ごと、淡い順)
   ▼
【工程管理の担当が案を直して掲示】
役割想定する製品代替候補
OCRAzure AI Document Intelligence(カスタム ニューラル モデル)Google Document AI(Form Parser)
集計Python(台帳の登録、色番の引き当て、予定表の案の組み立て)―
台帳共有の表(依頼の台帳、取引先ごとの色番の対応表、色の台帳、釜の一覧)社内の生産管理システム
保管共有フォルダ(依頼書のスキャン)―

読み取りには、カスタム ニューラル モデルを使います。 配置と言葉の特徴を合わせて学習し、構造化された文書と半構造化の文書から、ラベルを付けた項目を取り出すとされています。同じ情報を持ちながらページの見た目が違う文書に向くと書かれており、取引先ごとに書式が違う依頼書はこれに当たります。欄の値・選択マーク・表・署名を扱えます。

手書きの文字の対応言語には日本語(ja)が含まれます。 カスタム ニューラル モデルの学習ができる地域には東日本(Japan East)があります。

Python からは、azure-ai-documentintelligence のライブラリで呼びます。 DocumentIntelligenceClient の begin_analyze_document にモデルの ID とファイルを渡します。ライブラリの 1.0.0 は API の 2024-11-30 版に対応し、Python 3.8 以降が必要です。

新しく足すのは、取引先ごとの色番の対応表と、釜の一覧です。 釜の一覧には、釜ごとの素材の区分(高圧・常圧)と、1回に入る反数の上限を書きます。どちらも工程管理の担当が直せる表にします。

03どうやって実装するのか

Step1

処理の起点を決める

共有フォルダに、依頼書のスキャンが保存されたことを起点にします。 社内のPCで Python を15分おきに動かし、未処理のフォルダにある新しいファイルを読みます。FAX は届いた順に保存され、依頼は届いた日のうちに台帳に載ります。

予定表の案は、別の時刻に作ります。 毎日15時に、その時点で確定している依頼から翌日の案を作ります。読み取りと予定表の案を分けておけば、15時以降に届いた依頼は翌々日の案に回り、作りかけの案が途中で変わりません。 急ぎの依頼を翌日に入れたいときは、工程管理の担当が案を直す段で手で足します。

台帳への登録が成功したファイルだけ、処理済みのフォルダへ移します。 未処理のフォルダに残っている数が、そのまま未処理の数です。

Step2

入力データを集める

データ中身取得元
依頼書のスキャンPDF または画像。FAX の受信画像を含む共有フォルダ
読み取り結果項目の値、選択マークの状態、それぞれの信頼度、文書の種類Document Intelligence
取引先ごとの色番の対応表取引先、取引先の色番、自社の色番共有の表
色の台帳自社の色番、色の名前、濃さの区分(淡・中・濃)、素材ごとの処方の有無共有の表
釜の一覧釜の番号、素材の区分、1回に入る反数の上限、止める予定の日共有の表

質を決めるのは、学習に使う見本です。 ニューラル モデルは、1つの文書の種類の書式の違いをまとめて1つのモデルにするよう勧められており、書式ごとに少なくとも5枚のラベルを付けた見本を入れるよう書かれています。30社の書式があれば、少なくとも150枚です。取引の多い10社から始め、残りは届いたものから足していきます。

項目の名前は、文書の言葉に合わせます。 公式の案内では、項目の名前を値に関係のある名前にし、文書の言語で付けるよう勧めています。依頼書は日本語なので、「反数」「色番」「納期」のように付けます。

色の台帳の「素材ごとの処方の有無」が、予定表の案の質を決めます。 同じ色番でも、綿の処方はあってポリエステルの処方は無い、ということがあります。色番だけで処方ありと判定すると、素材の違う依頼が案に入り、釜の前で止まります。

釜の一覧の「止める予定の日」も入れておきます。 点検や修理で止める釜に案を組むと、翌朝に組み直しになります。予定表の案は、その日に動く釜だけで組みます。

Step3

データの取得方法を決める

Python から begin_analyze_document にモデルの ID とファイルの中身を渡し、戻った結果から documents の fields を読みます。認証には API キーか、Microsoft Entra ID の資格情報を使えます。 社内のPCに置く場合はキーを環境変数に置き、スクリプトには書きません。

【読み取りの呼び出しの形(例)】
from azure.ai.documentintelligence import DocumentIntelligenceClient
from azure.core.credentials import AzureKeyCredential

client = DocumentIntelligenceClient(endpoint=ENDPOINT,
                                    credential=AzureKeyCredential(KEY))
with open(path, "rb") as f:
    poller = client.begin_analyze_document("dye-request-neural-v3", body=f)
result = poller.result()
# result.documents[0].fields の各項目の値と confidence を読む

ロケールは渡しません。 言語の案内には、言語が確かでないかぎり言語の指定を渡さないこと、渡すと不完全で誤った文字が返ることがあると書かれています。生地の品番には英字と記号が混ざります。

取るものどこから何に使うか
依頼番号・依頼日・依頼元・納期項目の値台帳の項目、納期の確認
生地の品番・素材項目の値釜の素材の区分を決める
反数・1反の長さ項目の値釜に入るかの判定
色番項目の値対応表での引き当て
見本の添付・仕上げの加工選択マークの状態見本の照合の要否、後の工程
信頼度項目の信頼度、文書の種類の信頼度要確認の判定

文書の種類の信頼度も見ます。 これが低いのは、学習した書式と違う見た目の依頼書が来たということです。初めて依頼をくれた取引先の書式は、ここで分かります。 その依頼書にラベルを付けて見本に足せば、次からは読めるようになります。

Step4

AIへ渡す前に整形する

  1. 形式の確認 … PDF か画像(JPEG、PNG、BMP、TIFF、HEIF)であることを確かめます
  2. 1枚1ファイルの確認 … ニューラル モデルは、ページの境目で分かれた値を読めないとされています。依頼書が2枚にわたる取引先は、2枚目を別の依頼として扱わず、要確認にします
  3. 解像度の確認 … 文字の高さの下限は、1024×768の画像で12ピクセル(150 DPI で約8ポイント)です。FAX の標準の画質では、反数の欄の小さな数字が下限に近づきます
  4. 重複の確認 … 依頼元と依頼番号が同じものは重複として印を付け、両方を残します
  5. パスワードの確認 … パスワードで保護された PDF は、解除してから入れます

2番目を軽く見ないでください。 色番が多い依頼書では、表の途中でページが替わります。ページの境目にかかった値は読めない前提で、2ページ以上の依頼書は人が確かめます。

Step5

AIに処理させる

AIにさせるのは、依頼書から決まった項目の値と選択マークの状態を、信頼度とともに返すことだけです。 色番の引き当て、釜の選択、予定表の案は、読み取った後に Python の規則が行います。

読み取るもの決め方決められないときの扱い
素材決めた語の一覧(綿・ポリエステル・レーヨン・混紡など)に当たる当たらなければ「要確認」
反数整数として読め、決めた範囲の中範囲の外、または信頼度が低ければ「要確認」
1反の長さ数字と単位(m)として読める単位が無ければ、取引先の既定の長さを参考として並べるだけ
色番対応表に当たる当たらなければ「要確認(色番不明)」
納期日付として解釈でき、依頼日より後解釈できなければ「要確認」
見本の添付selected か unselected添付ありなら、色の確認を品質管理に回す

照らす決まりの例です。 どれも工程管理の担当が表で直せるようにします。

照らすこと要確認にする条件
素材と生地の品番生地の品番が過去にポリエステルで登録されているのに、素材が綿と読めた
反数と1反の長さ反数 × 長さが、その取引先の過去の依頼の幅から大きく外れる。直さずに印だけ付ける
色番と見本の添付色番が空で、見本の添付も無い。何色に染めるかが決まらない
納期と加工撥水などの仕上げの加工があるのに、納期までの日数が加工の日数に足りない
依頼元の名前取引先の一覧に無い。新しい取引先か、表記ゆれか
させないこと理由
色番の推測似た色番に寄せると、違う色に染まる
反数を取引先の過去の依頼で埋める今回だけ量が違う依頼が、いつもの量で染まる
処方の有無の判断色の台帳の記録で決める。読み取りの結果では決めない
色の合否の判定見本と染め上がりの比較は、品質管理が光の下で見る

2行目がいちばん起きやすい失敗です。 反数の欄が読めないとき、その取引先がいつも頼む反数を入れたくなります。入れた瞬間に、生地の受入で数が合わないことが釜の前で分かります。 読めない値は空のまま要確認にします。

Step6

指示内容を固定する

この構成の読み取りはカスタム ニューラル モデルで、生成AIへの文章の指示はありません。指示にあたるのは、ラベルの付け方と、Python の規則です。

【ラベルの付け方(Document Intelligence Studio でモデルを作るとき)】
- 依頼番号, 依頼日, 依頼元, 納期 … 項目の値
- 生地品番, 素材, 反数, 一反の長さ, 色番 … 項目の値
- 見本添付, 撥水加工, 柔軟加工 … 選択マーク
- 1つの項目の文字は、読む順に続けて囲み、他の項目と混ぜない。
- 書式ごとに少なくとも5枚。FAX の受信画像と紙のスキャンを混ぜる。
- 見本の値は本物の依頼書の値を使う(でたらめな文字を入れない)。

【Python の規則】
1. 文書の種類の信頼度が決めた値より低い → 依頼ごと「要確認(書式)」
2. 項目の信頼度が決めた値より低い項目 → その項目を「要確認」
   値は参考として残し、台帳の確定の欄には入れない
3. 素材を語の一覧と照らし、素材の区分(高圧・常圧)を決める
   当たらなければ「要確認」
4. 色番を、取引先ごとの対応表と完全一致で照らす
   当たらなければ「要確認(色番不明)」。近い番号を探さない
5. 引き当てた自社の色番で色の台帳を引き、素材ごとの処方の有無を見る
   処方が無ければ「試し染め待ち」
6. 反数が決めた範囲の外なら「要確認(反数)」。値は直さない
7. 納期が、今日から最短で染め上がる日より前なら「納期注意」
8. すべての依頼を「確認待ち」で登録する。「確定」にするのは人だけ

【予定表の案の規則(毎日15時)】
9. 確定し、処方があり、生地が入荷済みの依頼だけを使う
10. 素材の区分に合う釜を選び、反数の上限まで詰める
11. 同じ釜の中は、濃さの区分の淡→中→濃の順に並べる
12. 同じ順位の中は、納期の早い順
13. 釜に入りきらない依頼は「翌々日以降」に回し、納期注意なら印を付ける

4番目で「近い番号を探さない」と書くのは、色番が1字違えば別の色だからです。 「A-112」が無いときに「A-113」を出すと、担当者はそれを選びがちです。取引先に確かめる1本の電話のほうが、染め直しより安く済みます。

9番目に「生地が入荷済み」を入れるのも理由があります。 依頼書は生地より先に FAX で届くことがあります。生地の無い依頼を案に入れると、翌朝その釜が空きます。

Step7

出力形式を固定する

依頼の台帳に1件ずつ、次の形で登録します。

{
  "request_id": "",
  "client": "",
  "client_request_no": "",
  "received_date": "2026-10-28",
  "due_date": "2026-11-10",
  "fabric_code": "",
  "fiber": "cotton | polyester | rayon | blend | null",
  "kettle_class": "high_pressure | normal | null",
  "rolls": null,
  "roll_length_m": null,
  "client_color": "",
  "color_no": "",
  "shade": "light | medium | dark | null",
  "recipe": "exists | missing",
  "sample_attached": true,
  "flags": ["rolls_low_confidence", "color_not_mapped"],
  "status": "waiting | confirmed | lab_dip",
  "image_link": ""
}

1つ目の理由は、client_color と color_no を分けて持てることです。 取引先の色番と、引き当てた自社の色番を並べておけば、引き当てが誤っていたときにどちらから直せばよいかが分かります。

2つ目は、recipe と status の lab_dip で、試し染め待ちを予定表の案から外せることです。 処方の無い依頼は、確定していても釜には入りません。

予定表の案は、釜ごとに次の形の表で出します。

釜順依頼色番濃さ反数納期印
3号(高圧)1R-1028-04P-0215淡611/05
3号(高圧)2R-1027-11P-0388中811/04納期注意
Step8

システムへ連携する

つなぎ先方式内容
共有フォルダPython が15分おきに見る依頼書のスキャンを見つける
Azure AI Document Intelligencebegin_analyze_document項目の値と信頼度を返す
色番の対応表・色の台帳・釜の一覧共有の表の読み取り引き当て、処方の有無、釜の選択
依頼の台帳共有の表への書き込み依頼の登録、状態の更新
予定表の案共有フォルダへの書き出し毎日15時に翌日の案

色の台帳と釜の一覧へは書き込みません。 処方が新しくできたときに色の台帳を直すのは、試し染めの担当です。生産管理システムがある工場では、確定した依頼をそこへ写す作業が残ります。 その連携は、システムに合わせた個別の作業になります。

Step9

人が確認する

工程管理の担当は、要確認の印のある依頼を画像で確かめて確定にし、予定表の案を直します。

  1. 要確認の項目を先に見る … 反数・色番・素材の読み違い。取引先に確かめるものは、その日のうちに問い合わせます
  2. 印の無い依頼も一覧で流し見る … 依頼元・色番・反数を画像と並べて見て、確定にします
  3. 試し染め待ちを回す … 見本があれば品質管理へ、無ければ取引先に見本を頼みます
  4. 予定表の案を直す … 取引先との約束、生地の入荷の遅れ、釜の調子を見て順を入れ替えます
  5. 直したことを記録する … 台帳の項目を直したときは直す前と後の値を、案の順を入れ替えたときは理由を一言残します

2番目を省かないでください。 信頼度が高くても、依頼元の書式が変わった直後は値の位置がずれることがあります。

目標は、300件をならして1件4分です。 書式に慣れた取引先の依頼は1分で終わり、要確認の多い依頼は10分を超えます。

Step10

例外に対処する

起きること対応
初めての取引先の書式文書の種類の信頼度が低い。手で登録し、5枚たまったら見本に足して学習し直す
2ページ以上の依頼書ページの境目の値は読めない。要確認として人が見る
色番が対応表に無い「要確認(色番不明)」。新しい色か書き違いかを取引先に確かめる
処方が無い「試し染め待ち」。予定表の案に入れない
反数が範囲の外「要確認(反数)」。値を直さない
生地が入荷していない確定していても案に入れない
釜が点検で止まる釜の一覧の止める予定の日を見て、その釜を案から外す
色番が無く見本だけが届く「試し染め待ち」。見本を品質管理に回し、自社の色番が決まってから対応表に足す
依頼の取り消し・変更の FAX依頼番号で台帳の行を探し、人が状態を直す。 自動で上書きしない
読み取りが失敗する未処理のフォルダに残し、次の回にもう一度読む

下から2行目の取り消しと変更は、自動にしません。 変更の FAX は書式がまちまちで、どの依頼の何を変えるのかを読み取りで決めると誤ります。

Step11

記録を残す

  • 元の依頼書のスキャンと、受け取った経路(FAX/紙)と日時
  • 読み取りの結果の全文と、使ったモデルの ID
  • 要確認の印と理由、人が直した項目と直す前と後の値
  • 色番の引き当てに使った対応表の行
  • 毎日の予定表の案と、人が直した後の予定表の両方
  • 釜ごとの、色の濃さが戻った回数(濃い色の後に淡い色を染めた回数)

釜ごとの色の戻りの回数は、案の良し悪しを測る目安になります。 案のとおりに染めた日と、人が組み替えた日で回数を比べれば、規則と人の判断のどちらが洗浄を減らしているかが分かります。

案と人が直した後の予定表の両方を残すのは、規則を直すためです。 案と実際の予定表の差を1か月分並べれば、工程管理の担当が何を見て順を入れ替えたかが見えます。 それを規則に足すと、案が実際に近づきます。

04実装レベルの3段階

最小構成:Studio で読み取り、結果を見ながら手で台帳に写す / 読み取りの確かめ
半自動化:上記+Python で共有フォルダから読み取り、台帳に登録し、色番を引き当て、予定表の案を作る / 転記・引き当て・予定表の案
本格構成:上記+生産管理システムへの登録と、生地の入荷の記録との自動の照合 / 生産管理への連携まで

最小構成は、確かめるための段階です。 写す手間はほとんど減りません。 半自動化で、1件10分が4分になり、この段階が本記事の想定です。 写す・引き当てる・並べるが自動になり、人は要確認の確かめと案の直しに時間を使えます。本格構成は、生産管理システムに合わせた個別の作業になります。 段階を飛ばさないでください。 半自動化で案と実際の予定表の差を見ないうちに本格構成へ進むと、規則の足りない案が生産管理にそのまま入ります。

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
2 名
月間件数
300 件
1件あたり現在時間
10 分
1件あたり導入後時間
4 分
現在  300件 × 10分 ÷ 60 = 50 時間/月
導入後 300件 × 4分 ÷ 60 = 20 時間/月
月間削減時間
30h
削減率
60%
年間削減時間
360h
年間金額換算(時間単価2,400円)
86万円
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. 生地の問屋・織物の工場・縫製の会社などから染めの依頼を受けている染色の工場。依頼書が取引先ごとに違う書式の手書きで FAX や生地に添えた紙で届き、工程管理の担当者が台帳に写してから、素材と色を見て釜の割り振りと染める順を経験で決めている場合。社内に Python を動かせるPCと、色の台帳(色番・濃さ・処方の有無)がある場合。
向いていない
  1. 依頼が月に数十件で、目で見て割り振れば足りる場合。依頼を取引先の発注のシステムや表のファイルで受けていて、手書きの依頼書が無い場合(読み取りが要りません)。なお、色の合否の判定、処方(染料の配合)の決定、釜の最終の割り振りは、この構成では行いません。

07最小構成で試す方法

  1. 取引の多い3社の依頼書を、1社につき10枚ずつ集める
  2. 1社5枚、計15枚に Document Intelligence Studio でラベルを付け、カスタム ニューラル モデルを学習する
  3. 残りの15枚を Studio で読み取り、反数・色番・納期が読めたかを数える
  4. 読めた値を、当時の台帳の記入と突き合わせる

学習に使った紙で試さないでください。 実力より良く見えます。

出てきた内容判断
3社とも反数と色番がほぼ読めたPython と台帳をつなぐ段階に進む
FAX の依頼書だけ信頼度が低いFAX の見本を足して学習し直す。構成は有効
特定の1社だけ読めないその社の書式の見本を増やすか、その社にだけ記入の仕方を相談する

3行目は、AIの問題とは限りません。 色番と反数が同じ欄に書かれている書式は、項目を分けて読めません。その社には、色番と反数を別の欄に書いてもらえないかを相談します。 依頼書の書き方を少し変えてもらうだけで、読み取りも人の目での確認も楽になります。

試すときは、予定表の案はまだ作りません。 読み取りが当てにならない段階で案を作っても、その案を直す手間が増えるだけです。

08実装時につまずきやすいポイント

問題対策
取引先ごとに型のモデルを作ってしまうニューラル モデル1つに、書式ごと5枚以上の見本を入れる
色番を似た番号に寄せる完全一致だけを認め、近い番号を候補に出さない
読めない反数をいつもの量で埋める空のまま要確認にする
処方の無い色が案に入る色の台帳を素材ごとに引き、無ければ試し染め待ち
生地の無い依頼が案に入る入荷済みを案の条件にする
ページの境目の値が読めない2ページ以上の依頼書は人が見る
項目の名前を英語にして精度が落ちる文書の言語(日本語)で名前を付ける
取り消しの FAX で台帳が書き換わる取り消しと変更は人が直す
キーをスクリプトに書く環境変数に置き、スクリプトに書かない
釜の点検の日に案を組む釜の一覧に止める予定の日を持たせる
混紡の素材の扱いが決まらない混紡の比率ごとに、使う釜の区分を表に書いておく

上の3行が、この構成の失敗のほとんどです。 1行目は手間の失敗で、2行目と3行目は読めなかったことを、読めたことにする失敗です。 後の2つは染め直しにつながります。

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: 取引先の名前、生地の品番、取引先の色番と自社の色番の対応、注文の量と納期です。取引先の色番の対応表は、取引先が新しく出す商品の色の情報でもあります。

  1. 取引先の情報を混ぜない … 依頼の台帳と予定表の案は社内の工程のためのものです。ある取引先の色や量を、他の取引先に見せる資料に使いません
  2. キーと見られる人を絞る … Document Intelligence のキーは、Python を動かすPCの環境変数にだけ置きます。共有フォルダと台帳は、工程管理と品質管理だけが見られるようにします
  3. 学習の見本の扱い … 見本の依頼書にも取引先の情報が入っています。学習を終えた見本の保管場所と、消す時期を決めます
  4. 色の合否と処方は人が決める … この構成は、色番を引き当て、処方の有無を表で見るところまでです。見本と染め上がりの色の比較は、品質管理が行います
  5. 取引先から依頼書の扱いについて聞かれたら答えられるようにする … 依頼書の画像を外部のサービスで読み取っていることを、取引先との取り決めや秘密保持の約束に照らして確かめておきます。新しい色の情報を外に出さない約束をしている取引先があれば、その社の依頼書は手で登録する扱いも選べます

誤りが起きた場合のリスクは、違う色・違う量で染めてしまうことです。 どちらも、読めない値を埋めず、近い色番に寄せないことで防ぎます。

10まず何から始めるか

1週目:色の台帳を整える

色の台帳に、濃さの区分(淡・中・濃)と、素材ごとの処方の有無の列を足します。取引の多い3社について、取引先の色番と自社の色番の対応表を作ります。

2週目:3社で試す

3社の依頼書を10枚ずつ集め、5枚ずつでニューラル モデルを学習し、残りで試します。反数と色番が読めるかを最優先で見ます。

3週目:釜の一覧と予定表の規則を書き出す

工程管理の担当に、いま釜の順をどう決めているかを聞き取り、規則の形に書き出します。 釜の一覧には、素材の区分と反数の上限を入れます。聞き取りは、ホワイトボードを書いている夕方に横で見ながら行うのが早道です。 「なぜこの依頼をこの釜のこの順にしたのか」を1件ずつ聞くと、言葉になっていなかった決まりが出てきます。

4週目:読み取りから台帳までをつなぐ

Python で共有フォルダから読み取り、色番を引き当て、台帳に「確認待ち」で登録するところまで作ります。この時点では予定表の案を作らず、台帳だけを見ます。

2か月目: 予定表の案を足し、人が直した後の予定表と並べて差を見ます。取引先の書式の見本を、届いたものから足していきます。3か月目以降: 1件10分が何分になったかを実測します。案を直す手間が減り、工程管理に入ったばかりの人でも案から予定表を作れるようになった時点で、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:2026-10-29/最終更新:2026-11-02
確認した内容情報源確認日
カスタム ニューラル モデルが配置と言葉の特徴を合わせ、構造化・半構造化の文書から項目を取り出すこと。同じ情報でページの見た目が違う文書に向くこと。欄の値・選択マーク・表・署名を扱えること。書式の違いを1つのモデルにまとめ、書式ごとに5枚以上の見本を入れること。項目の名前を文書の言語で付けること。ページの境目で分かれた値を読めないこと。学習ができる地域に Japan East があること。v4.0 で10時間まで学習が無料なこと。文字の高さの下限が1024×768の画像で12ピクセルなことMicrosoft Learn: Custom neural document model2026-10-29
信頼度が0から1の確からしさで、正確さが大事な場面では自動で受けるか人の確認に回すかを決めるのに使えること。文書の種類の信頼度が低いのは書式の違いを示すことMicrosoft Learn: Interpret and improve model accuracy and confidence scores2026-10-29
カスタム ニューラル モデルの手書きの文字の対応言語に日本語(ja)が含まれることMicrosoft Learn: Language and locale support for custom models2026-10-29
pip install azure-ai-documentintelligence、DocumentIntelligenceClient の begin_analyze_document にモデルの ID とファイルを渡すこと。API キーまたは Entra ID の資格情報で認証すること。1.0.0 が API の 2024-11-30 版に対応し、Python 3.8 以降が必要なことMicrosoft Learn: Azure AI Document Intelligence client library for Python2026-10-29
言語の指定は任意で、言語が確かでないかぎり渡さないこと(渡すと不完全で誤った文字が返ることがある)Microsoft Learn: Language and locale support for Read and Layout2026-10-29

釜の割り振りと染める順の規則は例示です。 自社の釜と染料の特性に合わせて、工程管理と品質管理で決めてください。

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-2316)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