研究所の手書きの実験ノートを毎月読み取り、日付・試料番号・条件・結果を電子の実験記録にそろえて、署名と確認者の欠けを拾う

処理の起点を決める

月末のスキャンで、受付の Blob Storage にページの画像が保存されたことを起点にします。 1ページずつ処理が動き、数分で読み取りと照合が終わります。月末にまとめてスキャンする運用は変えません。 ノートは研究者の手元にあるもので、毎日集めると実験の邪魔になるからです。

ただし、署名の欠けの一覧は月末を待たずに出せる形にしておきます。研究者が自分でページをスキャンして入れれば、その日のうちに欠けが分かります。確認者の署名は、実験の直後ほど取りやすいからです。

処理が終わったページは、処理済みの場所に移します。移すのは読み取りと照合が成功したときだけで、受付に残っている数が未処理の数になります。

入力データを集める

質を決めるのは、下の3つです。 試料の台帳が無ければ、読み取った試料番号が正しいかを確かめる先がありません。ノートの持ち主の一覧が無ければ、署名の欠けを誰に知らせればよいか分かりません。項目の定義が無ければ、生成AIのそろえ方が担当者の打ち方と同じようにばらつきます。

データの取得方法を決める

表は、行とセルの単位で信頼度が取れます。 v4.0 のカスタムニューラルモデルは、表全体・行・セルのそれぞれに信頼度を返します。試薬の量のセルだけが読みにくい、という状態を見分けられるので、ページ全体ではなくそのセルだけに印を付けられます。

学習のときに印を付ける項目は、次のように決めます。項目の名前は、後段のプログラムと電子の記録の列名に合わせておきます。

本文を領域として印を付けるのは、本文の書き方が研究者ごとに違うからです。 本文の中の温度や時間を1つずつ項目にして学習させると、書く場所が毎回違うので安定しません。本文は領域のまま文字を取り出し、項目に分けるのは生成AIに任せます。 表の形で試薬を書く研究者が多ければ、表の項目も足します。

モデルを作るときの学習は、過去のノートのページから50〜100ページを選び、Document Intelligence Studio で欄に印を付けて行います。署名の欄は、署名のあるページと無いページを混ぜて5つ以上ずつ入れます。研究者の癖を学習させるため、研究者を偏らせずに選びます。

AIへ渡す前に整形する

1. 形式の確認 … PDF または画像（JPEG/JPG、PNG、BMP、TIFF、HEIF）であることを確かめます
2. ページ数とサイズの確認 … PDF と TIFF は2,000ページまで、有料（S0）レベルで500MB。月末の束はノートごとに分けます
3. 画像の寸法の確認 … 50×50ピクセルから10,000×10,000ピクセルの間であることを確かめます
4. 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。複合機の設定で保護が付くことがあります
5. 向きと傾きの確認 … 綴じたノートは見開きでスキャンされがちです。1ページずつに分け、綴じ目の影が欄にかからないようにします
6. ノート番号とページ番号の付与 … ファイル名からノート番号とページ番号を取り、どのページかを読み取りの前に決めます
7. 重複の検知 … 同じノートの同じページが二度スキャンされていないかを確かめます

5番目を軽く見ないでください。 見開きのままスキャンすると、左のページの下の署名の欄が綴じ目にかかります。署名が影に隠れると、モデルは「署名なし」と返し、空振りの欠けの連絡が研究者に届きます。

AIに処理させる

生成AIにさせるのは、読み取り済みの本文の条件と結果を、記録の項目と書き方にそろえることだけです。 読み取りそのものと署名の判定はさせません。

1行目が、この業務でいちばん起きやすい失敗です。 生成AIは、読めない数字を前後の実験から推測して埋めることが得意です。実験の記録で推測した値が登録されると、後から誰も気づけません。 読めないものは読めないまま印を付けて返させます。

指示内容を固定する

あなたは研究所の研究管理グループで、手書きの実験ノートを
電子の実験記録にそろえる担当です。
渡すのは、読み取りのモデルが返した本文の表と文字、それぞれの信頼度です。
読み取り結果にある文字だけを使ってください。推測で埋めないでください。

【やること】
1. 実験の条件を、temperature / duration / reagents（名前と量） / equipment
   の項目に分けてください。
2. 単位の書き方を、次の定義にそろえてください。値そのものは変えないでください。
   時間：「2時間」「30分」の形。2h は「2時間」、120分 は「120分」のまま。
   温度：「30℃」の形。
3. 結果を、原文の語を使って3行以内の要点にしてください。
4. 各項目の source_text に、根拠にした読み取り結果の文字をそのまま写してください。

【厳守事項】
- 信頼度が {threshold} 未満の文字を含む項目は、値を写したうえで
  low_confidence を true にしてください。前後から推測して直さないでください。
- 「？」や判読できない記号がある値を、それらしい値に置き換えないでください。
- 単位の換算（時間を分に、など）をしないでください。
- 結果を評価する語（良好、失敗、有望など）を足さないでください。
  原文にある語だけを使ってください。
- 署名や確認者については何も書かないでください。
- 原文に無い項目は空文字にしてください。

【記録の項目の定義】{eln_schema}
【本文の表（セルと信頼度）】{tables}
【本文の文字（行と信頼度）】{lines}

「値そのものは変えない」と「換算しない」を両方書くのが要点です。 書き方をそろえるよう指示すると、生成AIは親切に「2h」を「120分」に換算します。値が変わらなくても、記録の側で「2時間」で検索した人には見つからなくなります。 定義どおりの書き方に寄せ、換算はさせません。

出力形式を固定する

次の形のJSONで受け取ります。 Azure OpenAI の構造化出力（response_format に json_schema と strict: true を指定）を使います。構造化出力では、すべての項目を必須にし、オブジェクトに additionalProperties: false を付ける必要があります。 値が無い項目は空文字で返させます。

{
  "page_id": "",
  "conditions": {
    "temperature": { "value": "", "low_confidence": false, "source_text": "" },
    "duration": { "value": "", "low_confidence": false, "source_text": "" },
    "reagents": [
      { "name": "", "amount": "", "low_confidence": false, "source_text": "" }
    ],
    "equipment": { "value": "", "low_confidence": false, "source_text": "" }
  },
  "result_summary": "",
  "unreadable_notes": ""
}

1つ目の理由は、low_confidence で人が見る値を決められることです。 後段のプログラムは、low_confidence が true の項目と、欄の値で信頼度の低いものに印を付けます。

2つ目は、生成AIの出力と、読み取りのモデルの出力を別に持てることです。 日付・試料番号・署名の有無は Document Intelligence の結果をそのまま使い、生成AIの JSON には入れません。後段のプログラムが両方を合わせて、1ページの記録にします。

最後の行を省かないでください。 信頼度の低い「署名なし」をそのまま研究者に送ると、署名したのに欠けと言われた研究者が、この仕組みを信用しなくなります。

システムへ連携する

電子の記録へは、確認済みの行だけを渡します。 印の付いた値が残っているページは登録しません。記録に入った値は、検索で見つかった時点で「正しい値」として使われるからです。

試料の台帳には書き込みません。 台帳に無い番号が出たときも、台帳を直すのは研究者です。

人が確認する

研究補助の担当が見るのは、印の付いた値と、信頼度の低い署名の判定だけです。

1. 信頼度の低い値をページの画像で確かめる … 印の付いたセルの位置が画面に示されるので、その箇所だけを見ます
2. 台帳に無い試料番号を確かめる … 読み違いか、台帳への登録漏れかを見分けます。登録漏れなら研究者に台帳への登録を頼みます
3. 信頼度の低い「署名なし」を画像で確かめる … 本当に欠けていれば知らせ、署名があれば判定を直します
4. 直した値を記録する … どのページの、どの項目を、どう直したかを残します

1番目で直した記録は、モデルの学習し直しに使います。 同じ研究者の同じ字を何度も直しているなら、そのページを学習の見本に足すと、次から印が減ります。

目標は、600ページをならして1ページ1分です。 印の付く値が1ページあたり1〜2か所という想定で、新しい研究者が入った月は、癖を学習するまで1分を超えます。

例外に対処する

上から2行目までは、スキャンのしかたの問題です。 1ページずつ、綴じ目を押さえてスキャンする手順を研究管理グループで決めると、大半が消えます。

訂正線の行は、研究の記録として大事な箇所です。 訂正の前の値も記録に残す社内の決まりがあるなら、生成AIに訂正後の値だけを選ばせず、人が両方を確かめて登録します。

記録を残す

• ページの画像と、ノート番号・ページ番号・スキャンした日時
• Document Intelligence が返した結果の全文と、使ったモデルの版
• 生成AIに渡した入力と、返ってきた JSON
• 担当者が直した値と、直した人・日時
• 署名の欠けの判定と、知らせた日時・知らせた相手、その後に署名が入った日時
• 電子の記録に登録した日時

モデルの版を残すのは、学習し直したときのためです。 見本を足してモデルを作り直すと、同じページの読み取り結果が変わることがあります。どの版で読んだ値かが分からないと、読み違いの原因をたどれません。

署名が入った日時まで残すのは、欠けがどれだけで解消したかを見るためです。 知らせてから署名が入るまでの日数が長い確認者がいれば、運用の側で手を打てます。