食品原料の輸入商社が海外の原料メーカーから届く英文のハラール認証書を読み取り、認証機関・対象品目・有効期限を原料台帳と照らして、期限切れと対象外の品目を拾う

処理の起点を決める

受付フォルダ（Amazon S3）に認証書のPDFが保存されたことを起点にします。 保存の通知で AWS Lambda が動き、照合までを済ませます。

保存するのは担当者で、ファイル名の先頭にメーカーコードを入れる決まりにします。 代理店から転送されてくることが多く、差出人から自動で取ると別のメーカーの原料と照らすおそれがあるためです。

もう一つの起点は、毎週月曜の定時実行です。 認証書は読まず、台帳の期限と認証機関の表だけを見直して、期限まで60日を切ったものと、一覧の改定で外れた機関のものを一覧にします。

入力データを集める

質を決めるのは、メーカー品名と機関名の呼び方の2つです。 自社の品番が「乳化剤E-12」でも、別表には「Emulsifier Type 12 (Powder)」と書かれます。この対応が無ければ、載っている原料を「対象外」と判定します。

指定を聞いていない顧客は「未確認」とし、照合の規則で needs_human に回します。 空欄を「どの機関でもよい」と読まないためです。

データの取得方法を決める

読み取りは StartDocumentAnalysis に S3 の場所と FeatureTypes を渡して始めます。完了は NotificationChannel に指定した Amazon SNS のトピックに通知され、状態が SUCCEEDED なら GetDocumentAnalysis で結果を取ります。

質問は対象ページを指定しないと既定で1ページ目だけに当たります。 有効期限が最後のページの署名の近くに書かれている認証書もあるため、Pages に * を入れて全ページに当てます。質問は非同期の処理で1ページあたり30個までです。

対象品目の一覧は、質問ではなく表として取り、セルの単位で生成AIに渡します。 箇条書きの別表もあるので、全文も一緒に渡します。

結果は1回最大1,000ブロックで区切られ、NextToken が返る限り呼び直します。JobId は7日間しか有効でないため、取った結果はその場で S3 に保存します。 状態が PARTIAL_SUCCESS のときは Warnings のページ番号を記録し、そのページを読めなかったものとして扱います。

AIへ渡す前に整形する

1. 形式の確認 … JPEG、PNG、PDF、TIFF であることを確かめます。XFA で作られたPDFは扱えないとされているので、印刷してPDFにし直します
2. パスワードの確認 … PDFはパスワードで保護されていてはいけないとされています。保護されたものは、メーカーに解除したものを頼みます
3. ページ数の確認 … 非同期の処理で、PDFとTIFFは500MB・3,000ページまでです。規格書や分析証明書とまとめて1つのPDFで届いたときは、認証書のページだけを切り出します
4. 言語の確認 … 英語の記載が無い認証書は、読み取りに回さず担当者の一覧に入れます
5. 文字の大きさの確認 … 検出できる文字の高さの下限は15ピクセルで、150DPIで8ポイント相当です。別表の品目は小さな字で詰めて書かれることが多いため、スキャンの写しは解像度を確かめます
6. メーカーコードの確認 … ファイル名のメーカーコードで台帳が引けるかを確かめ、引けなければ処理を止めて担当者に戻します

AIに処理させる

させるのは、読み取り結果から6つの項目を取り出し、それぞれに根拠の文字列と状態を付けることだけです。 原料台帳と認証機関の表との照合は Python が行い、AIには台帳を渡しません。

対象品目の欄が、この構成でいちばん大事です。 品目を1行ずつ写させ、自社のどの品番に当たるかは選ばせません。 当てるのは Python が台帳のメーカー品名と照らして行います。日付は、「05/04/2027」が4月5日か5月4日かを決められなければ ambiguous にさせます。

3行目がいちばん起きやすい失敗です。 品名の照合は Python で完全一致と呼び方の一覧だけに限ります。

指示内容を固定する

あなたは食品原料の輸入商社の品質保証課で、海外の原料メーカーから届いた
英文のハラール認証書を読み、記載を項目に分ける担当です。
AWS Textract の読み取り結果だけを見て答えてください。推測で埋めないでください。

【取り出す6項目】
1. 認証機関（名前と国）
2. 認証番号
3. 認証を受けた会社
4. 製造所（住所。複数あればすべて）
5. 対象品目（品名・ブランド・品番を1行ずつ）
6. 発行日と有効期限

【status の選び方】
- present ......... 値が読み取れている
- missing ......... 該当する記載が無い。項目名だけがあって値が空の場合も missing
- unreadable ...... 文字は検出されているが信頼度が低く、値として確定できない
- ambiguous ....... 値の候補が複数あり、1つに決められない
- not_specific .... 製造所が「all plants」など特定されていない
- reference_only .. 「as per annex」など別の書類を参照するとだけ書かれ、その書類が無い
迷ったときに present を選ばないでください。

【厳守事項】
- 対象品目は、書かれた品名を1文字も変えずに1行ずつ写してください。
  似た品名をまとめたり、自社の品番に読み替えたりしないでください。
- 日付は書かれた文字列をそのまま raw に写し、年月日に直した値を date に入れてください。
  日と月の並びが決められない場合は ambiguous とし、どちらかに決めないでください。
- 「renewal in progress」などと書かれていても、書面の有効期限をそのまま写してください。
  期限が延びたものとして扱わないでください。
- 認証機関の名前は、ロゴの図柄ではなく文字で書かれた名前を写してください。
- 読み取りの警告が出ているページがあれば、そのページにありうる項目は
  missing ではなく unreadable としてください。
- evidence には根拠の文字列を原文のまま、ページ番号と一緒に写してください。
- 原料がハラールに当たるか、顧客に出してよいかは書かないでください。
- ハラール認証書でない書類（規格書、分析証明書など）と判断した場合は、
  項目を取り出さず document_type に種類を書いてください。

【読み取り結果】{textract_result}
【読み取りの警告があったページ】{warning_pages}

「1文字も変えずに写す」を強く書くのは、AIが品名を整えたがるからです。 「Gelatin 240 Bloom (Bovine)」を「Gelatin」とまとめると、牛由来と魚由来のゼラチンの区別が消えます。日付を raw と date の2つで返させるのは、期限の判定を誤ったときに原文から追えるようにするためです。

出力形式を固定する

Claude API の構造化出力（output_config.format に json_schema）で、次の形のJSONを受け取ります。 数値の minimum・maximum や文字列の長さの制約は使えないとされているため、日付の範囲や品目の数は Python の側で確かめます。

{
  "maker_code": "MK-0412",
  "document_type": "halal_certificate",
  "items": [
    { "item": "cert_body", "status": "present",
      "value": "Halal Certification Body X (Brazil)",
      "page": 1, "confidence": 97.2, "evidence": "Issued by: Halal Certification Body X" },
    { "item": "expiry", "status": "present",
      "raw": "05/04/2027", "date": "2027-04-05",
      "page": 1, "confidence": 95.8, "evidence": "Valid until: 05/04/2027" }
  ],
  "products": [
    { "name": "Gelatin 240 Bloom (Bovine)", "brand": "", "code": "G240B",
      "page": 2, "confidence": 93.1 }
  ]
}

items には5項目（認証機関・認証番号・会社・製造所・期限）を並べ、item は cert_body ／ cert_no ／ holder ／ site ／ issue_and_expiry です。対象品目は products に1行ずつ入れます。

照合は Python が台帳と認証機関の表に突き合わせて行い、項目ごとに印を付けます。

判定は、印と状態の組み合わせで規則として決めます。

認証機関の印を needs_human に寄せているのは、メーカーに頼んでも直らないからです。 必要なのは顧客との相談か、別のメーカーの原料の検討です。

システムへ連携する

原料台帳への書き込みは、「ハラール認証書」の列（期限・認証番号・確認日・確認者）だけに限ります。 照合の元になる列を、照合する側が書き換えられないようにします。

人が確認する

担当者が開くのは needs_request と needs_human の認証書だけです。 ok のものは一覧でメーカーと品目の数を流し見て、確認の列を確定します。

1. needs_human を先に見る … 多くは別表が読めていないか、認証機関の表に無い書き方です
2. product_not_listed の根拠を確かめる … 別表の原文を開き、自社の品名が本当に無いのか、呼び方が違うだけなのかを見ます
3. body_not_accepted の対応を決める … 顧客に相談するか、別のメーカーの原料を探すかを、課長と購買の担当で決めます
4. メーカーへの依頼を送る … 下書きを直して送ります。送信は人が行います
5. 印を覆したら記録する … どの印を、なぜ外したかを残し、呼び方の一覧を直します

目標は、120件をならして1件4分です。 開くのは2割前後という想定です。

例外に対処する

最後の行は仕組みの側に持たせます。 JAKIMは2025年3月に、フランス、クロアチア、中国の海外認証機関の承認の取り消しを告知しており、届いた日に正しくても後の改定で出せなくなります。

記録を残す

• 元の認証書ファイル（版を含む）と、受け取った日時・送り主
• AWS Textract が返したJSONの全文と、Warnings のページ
• 生成AIが返した6項目と品目のJSON、Python が付けた印、verdict
• そのとき参照した認証機関の一覧の有効日と、顧客の指定
• 人が印を覆した記録 … どの印を、なぜ外したか
• メーカーへの依頼の日時と、届いた新しい認証書との対応

4つ目を残すのは、顧客の監査で「その時点で正しかったか」を答えるためです。