海外の輸出者から届く英文の商品規格書を読み取り、商品マスタの登録案にそろえて、日本の食品表示に要る項目の抜けを拾う

処理の起点を決める

受付用の Amazon S3 のバケットにPDFが置かれたことを起点にします。 輸出者からのメールは受付用のアドレスへ転送し、添付ファイルをバケットに保存する仕組みを1つ置きます。担当者が手で置く場合も、同じバケットの受付用のフォルダに入れます。

届いた順に1件ずつ動かします。 新しい商品の規格書は、催事の準備や定番の入れ替えの前にまとまって届きますが、まとめて夜に処理すると、問い合わせの下書きが出るのが翌日になります。 輸出者とは時差があるので、午前中に問い合わせを出せば相手の営業時間に届きます。

Textract の非同期の処理は、ClientRequestToken を付けると同じ依頼から同じ JobId が返ります。同じPDFが二度置かれても二重に分析しないよう、ファイルのハッシュ値をこのトークンに使います。 完了の通知に載る JobTag には、受付の番号を入れておきます。

入力データを集める

質を決めるのは、下の3つです。 特定原材料の語の一覧が粗いと照合が漏れ、チェックリストが無いと「何が抜けているか」を言えません。どちらもAIに作らせず、表示の担当が持つ一覧として管理します。

特定原材料の語の一覧には、言い換えを多めに入れます。 「milk」だけでなく「whey」「casein」「butter」「cream」、「wheat」だけでなく「semolina」「durum」「spelt」のように、原材料の名前に現れる形で並べます。ここに無い語は照合で拾えないので、拾えなかった食い違いを見つけるたびに足していきます。

データの取得方法を決める

読み取りは StartDocumentAnalysis を1回呼ぶだけです。FeatureTypes に TABLES・FORMS・QUERIES を指定し、QueriesConfig に質問を並べます。

質問は、書式がばらばらでも聞きたいことは同じ、という項目に使います。 例えば What is the shelf life?（別名 SHELF_LIFE）、What is the storage temperature?（STORAGE_TEMP）、How many units are in one case?（UNITS_PER_CASE）、What is the country of origin?（ORIGIN）、What is the GTIN or EAN barcode?（GTIN）のように並べます。答えは QUERY_RESULT のブロックで返り、信頼度と答えの位置が付きます。答えが見つからないときは空になります。

質問の数には上限があります。 1ページあたり、同期の処理で15件、非同期の処理で30件までです。質問を増やしすぎず、表と項目で取れるものは表と項目から取ります。 上限を超えたり、存在しないページに質問したりすると、結果に INVALID_REQUEST_PARAMETERS が出ます。

結果は GetDocumentAnalysis で取ります。1回で返るブロックは既定で1,000件までで、それを超えると NextToken が返るので、無くなるまで繰り返し呼びます。 途中で止めると、後ろのページの栄養成分の表が欠けたまま次へ進みます。

AIへ渡す前に整形する

1. 形式の確認 … JPEG・PNG・TIFF・PDFだけを受け付けます。Wordや表計算のまま届いたものはPDFにします。XFA形式のPDFは扱えないので、印刷し直したPDFを輸出者に頼みます
2. パスワードの確認 … パスワード付きのPDFは扱えません。輸出者に外したものを頼みます
3. ページ数とサイズの確認 … 非同期の処理ではPDFが500MB・3,000ページまでです。規格書は数ページに収まるので、数十ページあるものはカタログが混ざっていないかを疑います
4. 文字の大きさの確認 … 検出できる文字の高さは15ピクセルが下限で、150DPIで8ポイントの文字に当たります。栄養成分の表の脚注は小さいことが多いので、スキャンし直したPDFは解像度を確かめます
5. 言語の確認 … 読み取った単語に英語以外の文字が多いものは、Textract の対象外として人へ回します
6. 新規か改訂かの判定 … 輸出者と商品名・GTINで既存の登録を引き、改訂なら前回の登録内容を一緒に渡します

6番目を軽く見ないでください。 改訂の規格書は、変わったところだけを見たいものです。前回の登録内容と並べて渡すと、原材料が1つ増えた、賞味期間が短くなった、という差分を出せます。 第2章で書いた「改訂の見落とし」を止めるのはここです。

AIに処理させる

させるのは、読み取り結果を登録案の項目に割り当て、原材料の一覧を1つずつに分けることです。 判定はさせません。

3行目がいちばん起きやすい失敗です。 保存温度が書いていない冷凍食品を渡すと、「Frozen」という商品名から −18℃ と埋めることがあります。埋まった瞬間、輸出者に聞くべき項目が一覧から消えます。

指示内容を固定する

あなたは輸入食品の商品登録の担当を手伝う立場です。
AWS Textract が英文の商品規格書から読み取った結果だけを見て、
商品マスタの登録案の項目に値を割り当ててください。推測で埋めないでください。

【割り当てる項目】
product_name, brand, gtin, net_quantity, units_per_case,
inner_pack, case_dimensions, case_weight, country_of_origin,
shelf_life_raw, storage_raw, ingredients, allergen_statement,
nutrition_rows

【status の選び方】
- present ..... 値が読み取れており、その項目として解釈できる
- missing ..... 規格書にその項目の記載が無い
- 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 ... 候補が複数あり、1つに決められない
迷ったときに present を選ばないでください。

【厳守事項】
- 記載がなければ value を「不明」とし、status を missing にしてください。
  商品名やカテゴリから推測して埋めないでください。
- 期間・温度・重量は、単位を含めて原文のまま写してください。
  換算しないでください。
- ingredients は書かれた順を保ったまま1つずつに分けてください。
  括弧の中の副原材料は sub に入れてください。並べ替えないでください。
- 各原材料に ja_name_draft として日本語の名前の案を付けてください。
  訳せない語は英語のまま入れ、note に「訳語未確定」と書いてください。
- allergen_statement は「Contains」「May contain」の欄を原文のまま写してください。
  原材料の一覧からアレルゲンを補って書き足さないでください。
- 特定原材料に当たるかどうかは書かないでください。
- 入数が「12 x 6」のように掛け算で書かれていれば、そのまま写し、
  units_per_case を計算しないでください。
- evidence には根拠にした文字列を原文のまま写してください。
- confidence は読み取り結果の値をそのまま入れてください。

【読み取り結果】{textract_result}
【前回の登録内容（改訂のときだけ）】{previous_entry}

「申告欄に原材料から書き足さない」を明記しないと、親切に補います。 原材料に「cashew」があり、申告欄に無ければ、AIは申告欄に「cashew」を加えたくなります。しかし、申告と原材料の食い違いこそが拾いたいものです。 補われると、食い違いが無かったことになります。

「換算しない」「計算しない」を何度も書くのも同じ理由です。 換算をAIに任せると、どこで換算したかが記録に残りません。原文のまま写させ、換算はプログラムの側で、式が分かる形で行います。

出力形式を固定する

Claude API の構造化出力で、次の形のJSONを受け取ります。

{
  "spec_id": "",
  "exporter_code": "",
  "revision": "new | revised",
  "fields": [
    { "name": "units_per_case", "status": "present | missing | unreadable | ambiguous",
      "value": "", "confidence": 0, "evidence": "" }
  ],
  "ingredients": [
    { "order": 1, "name_en": "", "sub": [], "ja_name_draft": "", "note": "" }
  ],
  "allergen_statement": { "contains": "", "may_contain": "", "status": "" },
  "nutrition_rows": [
    { "nutrient": "", "value": "", "unit": "", "basis": "" }
  ]
}

1つ目の理由は、AIの割り当てとプログラムの判定を別の層に置けることです。 fields と ingredients はAIが埋め、特定原材料との照合、単位の換算、チェックリストの判定はプログラムが行います。特定原材料が増えても、直すのは語の一覧とプログラムだけです。

2つ目は、構造化出力でスキーマに合う形が保証されることです。 公式ページでは、構造化出力は数値の範囲や文字数の制約に対応していないとされています。confidence の範囲や GTIN の桁数は、受け取った後にプログラムで確かめます。

プログラムが足す判定は、次の表の形で作業表に出します。

システムへ連携する

チェックリストは、日本の食品表示基準で一般用の加工食品に表示が求められる項目を、規格書のどの値で埋めるかに置き換えたものです。 名称、保存の方法、消費期限または賞味期限、原材料名、添加物、内容量、栄養成分（たんぱく質・脂質・炭水化物・ナトリウム）の量と熱量、アレルゲン、輸入品の原産国名、輸入業者の氏名と所在地などが並びます。輸入業者は自社なので規格書からは埋めません。 チェックリストのどの項目を規格書から埋め、どの項目を自社で書くかは、表示の担当が決めます。

人が確認する

1. アレルゲンの照合結果を毎回見る … conflict が無くても、原材料の一覧と申告欄を目で見ます。語の一覧に無い言い方は照合で拾えないからです
2. missing と unreadable を分ける … unreadable はPDFの画質の問題です。輸出者に聞く前に、元のPDFで該当の箇所を見ます
3. 区分と入数を確かめる … 冷蔵か冷凍か、ケース入数が内箱か外箱かは、物流の手配と発注の単位に直結します
4. 改訂の差分を確かめる … 前回の登録と変わった項目だけを見て、売り場と通販の表示に影響があるかを判断します
5. 問い合わせの下書きを直して送る … 送信は表示の担当が行います

1番目を省かないでください。 アレルゲンの見落としは、商品の回収と健康被害につながります。この構成の時短は、アレルゲン以外の項目で稼ぐ前提です。

目標は、180件をならして1件10分です。 登録案の確認と転記に6分、アレルゲンと表示の材料の確認に4分という見込みです。

例外に対処する

上から3行目までは、規格書の受け取り方で減らせます。 輸出者に「英文のPDFで、パスワードを付けずに」と最初に伝えておくと、例外のほとんどが入口で消えます。

記録を残す

• 元の規格書のPDFと、受け取った日時・輸出者・新規か改訂か
• Textract が返した結果の全文（ブロックと信頼度）
• Claude API の出力と、そのとき使った指示の版
• プログラムの判定（アレルゲンの照合、区分、換算）と、そのとき使った特定原材料の語の一覧の版
• 人が登録案を直した記録（どの項目を、何から何へ）
• 輸出者への問い合わせと回答の記録

4つ目で語の一覧の版を残すのは、特定原材料が変わるからです。 令和8年4月のカシューナッツの追加のように、一覧が変わったときに、どの登録を見直せばよいかを版から引けます。