Media > AI活用ユースケース > 研究開発 > 受託試験の会社が、過去の試験の記録から Python で新しい依頼の完了までの日数を予測し、納期の回答と遅れそうな依頼の早めの連絡に使う

受託試験の会社が、過去の試験の記録から Python で新しい依頼の完了までの日数を予測し、納期の回答と遅れそうな依頼の早めの連絡に使う

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

過去の依頼の記録から、新しい試験の依頼が受付から報告書の発行まで何営業日かかるかを Python で見込み、8割が終わる日を納期の回答の候補にします。進行中の依頼も週ごとに見込み直し、遅れそうなものを早めに知らせます。

サマリー
連携・自動化
Python
対象業界
その他/製造
対象部門
研究開発
対象業務
問い合わせ対応/集計・分析
主な課題
判断に時間がかかる/属人化している/期限・対応漏れが起きる
AIで行う処理
予測
主な効果
判断支援/対応スピード向上/属人化解消
導入難易度
★★★★☆
実装レベル
半自動化
費用感
個別開発(大)
人間の確認
条件付き
現在工数
100h/月
AI導入後
20h/月
想定削減
80%
年間削減
960h
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. 依頼が届いたら、受付の担当が台帳に登録する(試験の種類、検体の数、規格、報告書の言語)
  2. 試験の種類から担当の試験室を決め、班長にチャットで日数を聞く
  3. 班長が装置の予約の表と手元の進み具合を見て、日数を答える
  4. 複数の試験室にまたがる依頼は、各班長の答えのうち長いほうを取る
  5. 受付の担当が営業日の暦で日付に直し、顧客に回答する
  6. 試験が遅れたら、班長が気づいた時点で受付の担当に伝え、受付の担当が顧客に連絡する
導入後(After)
  1. 人依頼が届いたら、受付の担当が台帳に登録する(今と同じ)
  2. 自動30分ごとの定時の実行で、Python のスクリプトが新しく登録された依頼と、その時点の装置の群ごとの待ちを読む
  3. 自動学習済みのモデルで、受付から報告書の発行までの営業日を、半分・8割・9割が終わる日として見込む
  4. 自動8割が終わる日を営業日の暦で日付に直し、回答の候補として台帳の横の表に書く
  5. 自動試験室の確認が要る依頼(新しい試験の種類、検体の数が過去に無い多さ、急ぎの指定)に印を付ける
  6. 人受付の担当が回答の候補を見て顧客に答える。印の付いた依頼だけ班長に聞く
  7. 自動週に1回、進行中の依頼の残りの日数を見込み直し、回答した日に間に合わなくなりそうな依頼の一覧を出す
  8. 人班長と受付の担当が一覧を見て、遅れを顧客に早めに伝えるか、試験の順番を相談するかを決める
各工程の詳しい説明を読む
  1. 依頼が届いたら、受付の担当が台帳に登録する(試験の種類、検体の数、規格、報告書の言語)
  2. 試験の種類から担当の試験室を決め、班長にチャットで日数を聞く
  3. 班長が装置の予約の表と手元の進み具合を見て、日数を答える
  4. 複数の試験室にまたがる依頼は、各班長の答えのうち長いほうを取る
  5. 受付の担当が営業日の暦で日付に直し、顧客に回答する
  6. 試験が遅れたら、班長が気づいた時点で受付の担当に伝え、受付の担当が顧客に連絡する

(a)回答が班長の手の空き具合で決まる。 班長は試験室の作業もしています。装置の前にいるときはチャットを見られず、回答が数時間から翌日に延びます。 顧客から催促が来て、受付の担当がもう一度聞く、ということが起きます。

(b)答え方が班長ごとに違う。 余裕を見て長めに答える班長と、ぎりぎりで答える班長がいます。同じような依頼でも、試験室によって回答の日数の付け方が違い、顧客には説明がつきません。

(c)遅れの連絡が直前になる。 試験が遅れていることに班長が気づくのは、たいてい報告書を書く段になってからです。顧客に遅れを伝えるのが納期の前日になり、顧客の側の段取りが崩れます。

(d)振り返りの材料が無い。 回答した日数と、実際にかかった日数が並んでいる表がありません。どの班長の見込みがどのくらい外れているかが分からず、答え方を直すきっかけがありません。

  1. 【人】 依頼が届いたら、受付の担当が台帳に登録する(今と同じ)
  2. 【自動】 30分ごとの定時の実行で、Python のスクリプトが新しく登録された依頼と、その時点の装置の群ごとの待ちを読む
  3. 【自動】 学習済みのモデルで、受付から報告書の発行までの営業日を、半分・8割・9割が終わる日として見込む
  4. 【自動】 8割が終わる日を営業日の暦で日付に直し、回答の候補として台帳の横の表に書く
  5. 【自動】 試験室の確認が要る依頼(新しい試験の種類、検体の数が過去に無い多さ、急ぎの指定)に印を付ける
  6. 【人】 受付の担当が回答の候補を見て顧客に答える。印の付いた依頼だけ班長に聞く
  7. 【自動】 週に1回、進行中の依頼の残りの日数を見込み直し、回答した日に間に合わなくなりそうな依頼の一覧を出す
  8. 【人】 班長と受付の担当が一覧を見て、遅れを顧客に早めに伝えるか、試験の順番を相談するかを決める

6番目で受付の担当が班長に聞くのは、印の付いた依頼だけです。 過去に何十件もある種類の依頼は、記録からの見込みで答えます。班長の時間は、記録から読めない依頼に使います。

7番目の見込み直しが、遅れの連絡を早めます。 進行中の依頼は「ここまでで何営業日たったか」が分かっているので、その日数を条件にして残りの日数を見込めます。 回答した日を残りの日数の8割の見込みが超えていれば、一覧に出ます。

02今回想定するシステム構成

構成図
受付の台帳(依頼・検体・受付の日・完了の日・進み具合)+ 装置の群の一覧 + 営業日の暦
   ▼【トリガー】30分ごとの定時の実行(新しい依頼)/週に1回(進行中の依頼)
Python(pandas)
   ├──▶ 特徴を作る:試験の種類・検体の数・装置の群・受付の時点の待ち・前処理の有無
   ├──▶ lifelines WeibullAFTFitter(打ち切りを含めて学ぶ)
   │      新しい依頼 … 半分・8割・9割が終わる営業日
   │      進行中の依頼 … ここまでの日数を条件にした残りの営業日
   ▼
回答の候補の表 ──【受付の担当が確かめて回答】──▶ 顧客
遅れそうな依頼の一覧 ──【班長と受付の担当】──▶ 早めの連絡・順番の相談
   ▼ 報告書の発行
回答した日と実際の日の差の記録
役割想定する製品代替候補
実行環境Python(pandas・lifelines)R の survival
処理エンジンlifelines の WeibullAFTFitter(ワイブルの加速故障時間モデル)scikit-survival、LightGBM の分位点の回帰(打ち切りを扱えない点に注意)
集計Python(回答した日と実際の日の差、試験室ごとの外れ方)表計算のファイルの式
入力受付の台帳の書き出し(CSV)受付の台帳の API(ある場合)

新しく足すのは、Python のスクリプトと、回答の候補を書く表だけです。 受付の台帳は今のものを使い、台帳の納期の欄へは書き込みません。 回答した日は、受付の担当が今までどおり台帳に入れます。

モデルには、lifelines の WeibullAFTFitter を使います。 公式ページでは、ワイブルの加速故障時間(AFT)モデルを実装したもので、生存関数を S(t) = exp(−(t/λ(x))^ρ) の形で表し、λ が説明の変数で決まるとされています。ここでの「生存」は「まだ終わっていない」、「故障」は「報告書が出た」と読み替えます。

打ち切りを扱えることが、この製品を選ぶ理由です。 公式ページの生存回帰の解説では、打ち切りがあるために線形回帰のような普通の方法は使えないとされ、事象の列は起きたら1、打ち切りなら0とされています。進行中の依頼は、事象の列を0にして学習に入れます。

03どうやって実装するのか

Step1

処理の起点を決める

新しい依頼の見込みは、30分ごとの定時の実行で出します。 受付の担当が台帳に登録してから30分以内に、回答の候補が表に出ます。登録のたびに動かす仕組みにしないのは、台帳の側に通知の仕組みが無いことが多いからです。 台帳から登録を知らせる仕組みがあれば、それを使います。

進行中の依頼の見込み直しは、週に1回、月曜日の朝に動かします。 前の週の進み具合(検体の受け取り、試験の開始、報告書の作成の開始)が台帳に入り終わった後にします。見込み直しを毎日にすると、一覧が毎日変わって、班長が追い切れません。

モデルの学び直しは、月に1回にします。 前の月の末までの記録で学び直し、第7章の「保存・ログ」の検証の結果を、受付の担当の代表と班長が見てから切り替えます。

Step2

入力データを集める

データ中身取得元
依頼の記録依頼の番号、受付の日、報告書の発行の日(未完了なら空)、取り下げ・中止の日、試験の種類、規格、検体の数、報告書の言語、急ぎの指定受付の台帳の書き出し(直近36か月)
検体の進み具合検体の受け取りの日、試験の開始の日、報告書の作成の開始の日受付の台帳の書き出し
装置の群の一覧試験の種類と装置の群の対応、群ごとの装置の台数試験室で用意する表
規定の試験の時間環境試験の「500時間」などの、規格で決まった試験の時間依頼の記録(規格の欄)から
営業日の暦会社の休日、年末年始、装置の点検で止める日暦の表

質を決めるのは、受付の日と報告書の発行の日の記録です。 発行の日が後から一括で入っている、取り下げた依頼の発行の日が空のまま残っている、という台帳では、完了までの日数そのものが正しく取れません。 最初に、直近36か月の依頼について、発行の日の空の行がどれだけあるかを数えます。

受付の時点の待ちは、台帳から作ります。 受付の日に、同じ装置の群で「受付済み・未完了」だった依頼の検体の数の合計です。この値は受付の日ごとに過去にさかのぼって作れるので、新しい台帳の項目は要りません。

Step3

データの取得方法を決める

受付の台帳から、依頼の記録と進み具合を CSV で書き出し、pandas で読みます。 書き出しの手順は、台帳の仕組みによって違います。この部分は利用している受付の台帳に応じた個別の設定が要ります。 読み込むときに列の名前と並びを確かめ、合わなければ止めます。

学習の行は、依頼1件ごとに次のように作ります。

列作り方
日数(duration)受付の日から報告書の発行の日までの営業日。未完了なら今日までの営業日
事象(done)発行の日があれば1、未完了・取り下げなら0
試験の種類・装置の群0と1の列に分ける(1つの種類を基準として落とす)
検体の数対数を取る(3本と30本の差を、比で効かせる)
受付の時点の待ち同じ装置の群の未完了の検体の数を、群の装置の台数で割る
前処理の有無・英文の報告書・急ぎの指定0と1
年度末の印受付の日が2月・3月なら1(顧客の発注が集まる時期)

環境試験は、規定の試験の時間を日数から引きます。 1,000時間の試験は、それだけで装置を暦の日で約42日使います。この部分は規格で決まっていて、見込む必要がありません。 装置は休日も止めずに動くので、試験の開始の日から終了の日までの営業日の数を「規定の日数」として数え、日数から引いた残り(待ち・前処理・報告書の作成)をモデルで見込みます。回答の候補には規定の日数を足し戻します。

受付の時点の待ちは、依頼ごとに次のように数えます。

def queue_at(row, req):
    # 受付の日に、同じ装置の群で受付済み・未完了だった依頼の検体の数 ÷ 台数
    same = req[(req.group == row.group)
               & (req.received < row.received)
               & ((req.issued.isna()) | (req.issued >= row.received))
               & ((req.cancelled.isna()) | (req.cancelled >= row.received))]
    return same.n_samples.sum() / units[row.group]

issued >= row.received の条件が肝心です。 今日の時点の未完了で数えると、過去の依頼の待ちが今の混み具合になってしまいます。受付の日に終わっていなかった依頼を、発行の日と取り下げの日で判定します。新しい依頼の見込みでは、同じ関数を今日の日付で呼びます。

ワイブル分布は0より大きい時間の分布です。 受付の当日に報告書を出した依頼は日数が0になるので、0.5営業日として扱います。 規定の時間を引いた残りが0以下になる行も同じにし、件数を記録します。

Step4

AIへ渡す前に整形する

  1. 発行の日の空を確かめる … 取り下げ・中止の日がある依頼は、その日までの日数で事象を0にします。どちらの日も無く、受付から1年を超えている依頼は、台帳の付け忘れとして学習から外し、一覧にします
  2. 営業日で数える … 会社の休日と年末年始、装置の点検の日を除いた日数にします。暦の日で数えると、連休をまたいだ依頼が長く見えます
  3. 再試験を分ける … 不合格や検体の不具合で試験をやり直した依頼は、再試験の印を付けます。新しい依頼の見込みには、再試験の無い依頼の記録を使います
  4. 学習と検証を時間で分ける … 直近6か月に受け付けた依頼を検証に取り置き、それより前で学習します
  5. 打ち切りの時点をそろえる … 学習の行の「今日」は、学習のデータを切った日(前の月の末)にします

5番目を間違えやすい点です。 検証のために直近6か月を取り置くとき、学習の行の未完了の判定を、学習を切った日の時点で行う必要があります。今日の時点で終わっている依頼を、学習の時点でも終わっていたことにすると、その後に分かった結果を学習に混ぜることになります。

Step5

AIに処理させる

させるのは、依頼ごとの完了までの営業日の見込みです。 生成AIは使いません。見込むのは過去の記録から出る日数で、文章を読む場面はありません。

出すもの中身判断できないときの扱い
半分が終わる日生存関数が0.5を切る営業日新しい試験の種類は「班長に確認」
8割が終わる日生存関数が0.2を切る営業日(回答の候補)検体の数が学習の最大を超えたら「班長に確認」
9割が終わる日生存関数が0.1を切る営業日同上
進行中の依頼の残りここまでの営業日を条件にした、残りの8割の日数試験が止まっている印があれば「班長に確認」

ここで、predict_percentile の p の向きに注意します。 lifelines の公式ページでは、qth_survival_time は生存関数が q に届く時間、つまり q = S(t) を t について解くとされています。ソースでも WeibullAFTFitter.predict_percentile は、p を生存関数の値として λ(−log p)^(1/ρ) の形で時間を返しています。「8割が終わる日」は「まだ終わっていない割合が0.2の日」なので、p=0.2 を渡します。 p=0.8 を渡すと、2割しか終わっていない日が出て、回答の候補が短くなります。

from lifelines import WeibullAFTFitter

aft = WeibullAFTFitter(penalizer=0.01)            # 既定は 0.0
aft.fit(train_df, duration_col="duration", event_col="done")

p50 = aft.predict_percentile(new_df, p=0.5)       # 半分が終わる日
p80 = aft.predict_percentile(new_df, p=0.2)       # 8割が終わる日(S(t)=0.2)
p90 = aft.predict_percentile(new_df, p=0.1)       # 9割が終わる日

# 進行中の依頼:ここまでの営業日を条件に、残りの日数を出す
remain80 = aft.predict_percentile(wip_df, p=0.2,
                                  conditional_after=wip_df["elapsed"])

event_col を必ず渡します。 ソースの fit の説明では、event_col を省くと、すべての行を打ち切りの無いものとして扱うとされています。進行中の依頼の今日までの日数が「その日数で終わった」ことになり、日数を短く見込みます。

penalizer は少しだけ付けます。 公式ページでは、既定は0.0で、l1_ratio で L1 と L2 の混ぜ方を決めるとされています。試験の種類を0と1の列に分けると、件数の少ない種類の係数が大きく振れるので、0.01〜0.1の間で検証の結果を見て選びます。

conditional_after の答えは、残りの日数です。 公式ページの生存回帰の解説では、predict_median の結果が10.5なら、全体の時間は10.5に conditional_after を足したものとされています。進行中の依頼の一覧では、受付からの日数ではなく、今日からの残りの日数として並べます。

させないこと理由
依頼を受けるかどうかの判断試験の方法・装置の空き・顧客との関係は人が見る
顧客への納期の約束回答は受付の担当が確かめて行う
試験の順番の入れ替え順番は班長が装置と検体の事情で決める
新しい試験の種類の日数記録が無い。班長が見積もる
Step6

指示内容を固定する

この構成は生成AIへの指示文を使いません。代わりに、モデルと回答の候補への「指示」に当たる設定を、受付の担当と班長で決めて表にします。

【学習の設定】
- 学習の期間:直近36か月の受付(検証は直近6か月)
- 事象:報告書の発行=1、未完了・取り下げ・中止=0(打ち切り)
- 学習から外す行:受付から1年を超えて発行の日も取り下げの日も無い行、再試験の行
- 日数:営業日。環境試験は規定の試験の日数を引いた残り
- penalizer:0.01/0.03/0.1 から検証で選ぶ
- 学び直し:毎月1日。検証の結果を見てから切り替える

【回答の候補】
- 回答に使う値:8割が終わる日(p=0.2)+ 規定の試験の日数
- 急ぎの指定がある依頼:9割が終わる日(p=0.1)も並べ、班長に確認
- 端数:営業日の切り上げ

【班長に確認する依頼】
- 学習の行が20件未満の試験の種類
- 検体の数が、その種類の学習の最大を超える
- 受付の時点の待ちが、その装置の群の学習の最大を超える

【遅れそうな依頼】
- 進行中の依頼で、今日 + 残りの8割の日数 > 回答した日

「学習の行が20件未満の種類は班長に確認」にするのは、モデルが種類の係数を少ない件数から決めているからです。 件数の少ない種類の見込みは、他の種類と同じ顔で表に出てきます。印を付けないと、受付の担当は見分けられません。

8割で答えるか9割で答えるかは、会社の方針です。 8割で答えれば回答は短くなり、10件に2件ほどは回答した日を超える見込みになります。超えそうな依頼は週ごとの見込み直しで拾い、早めに連絡する運用と組みにして、この値を決めます。

Step7

出力形式を固定する

依頼ごとの見込みを、次の形の JSON にして、表に直して出します。

{
  "request_id": "R-2026-11-0412",
  "received": "2026-11-19",
  "test_group": "環境試験(塩水噴霧)",
  "fixed_days": 42,
  "model_days": { "p50": 6.2, "p80": 9.8, "p90": 12.1 },
  "answer_candidate": "2027-01-29",
  "check_with_lead": false,
  "check_reasons": [],
  "model_version": "2026-11"
}

受付の担当が見るのは、依頼の番号・回答の候補の日・班長に確認の印・理由の4列です。 半分・8割・9割の日数は、班長に確認するときと顧客から急ぎの相談があったときに見ます。

進行中の依頼の一覧は、別の表にします。 依頼の番号、回答した日、今日までの営業日、残りの8割の日数、超える見込みの日数を並べ、超える見込みの大きい順にします。

Step8

システムへ連携する

つなぎ先方式内容
受付の台帳CSV の書き出しを読む依頼と進み具合。納期の欄へは書き込まない
装置の群の一覧・暦表を読む待ちの計算と営業日の数え方
学習済みのモデルファイルに保存して読む月に1回作り直す
回答の候補の表共有の表に書く受付の担当が見て回答する
遅れそうな依頼の一覧共有の表に書き、チャットで知らせる班長と受付の担当が見る

台帳の納期の欄へは書き込みません。 回答した日は顧客との約束で、モデルの候補と同じ欄に入ると、どれが約束でどれが見込みかが分からなくなります。

Step9

人が確認する

  1. 印の付いた依頼を班長に聞く … 新しい種類、検体の数・待ちが過去に無い多さ、急ぎの指定です
  2. 回答の候補を流し見る … 同じ顧客の似た依頼と、候補の日が大きく違っていないかを見ます
  3. 回答した日を台帳に入れる … 候補と違う日で答えたら、理由を一言で残します
  4. 遅れそうな依頼の一覧を週に1回見る … 班長が順番の相談か、顧客への早めの連絡かを決めます

3番目の理由が、モデルを直す材料です。 「装置の1台が修理中」「顧客の検体の到着が遅れる」。記録にない事情が続くなら、特徴に足すか、班長に確認する条件に足します。

目標は、400件をならして1件3分です。 印の付く依頼は1割前後という想定で、ほかは候補を確かめて答えるだけです。

Step10

例外に対処する

起きること対応
台帳の書き出しの列が違う読み込みで止める
新しい試験の種類見込みを出さず「班長に確認」
検体がまだ届いていない検体の到着の日を受付の日として見込み直す
装置の故障・点検の延長暦に止める日を足して営業日を数え直し、進行中の依頼を見込み直す
見込みが無限大・極端に長い回答の候補を出さず「班長に確認」。ログに残す
学び直しで検証の結果が前より悪い前のモデルを使い続ける

3行目の検体の未着は、受付の日から数えると日数が長く出る原因になります。 顧客が申込みだけ先に出し、検体を後から送ってくる依頼は珍しくありません。学習の行でも、検体の受け取りの日が受付の日より後なら、受け取りの日から数えるようにそろえます。

5行目は、生存関数がなかなか下がらない依頼で起きます。 公式ページでは、predict_percentile は生存関数が0.5を切らなければ無限大を返すとされています。無限大のまま日付に直そうとして止まらないよう、上限を超えたら候補を空にします。

Step11

記録を残す

  • 毎回の入力の CSV、モデルの版、penalizer の値
  • 依頼ごとの半分・8割・9割の日数、回答の候補、班長に確認の印と理由
  • 受付の担当が回答した日と、候補と違えたときの理由
  • 報告書の発行の日と、回答した日・候補の日との差
  • 月ごとの検証の結果 … 検証の期間の依頼での、テストのデータの対数尤度、一致の指標(concordance)、回答の候補の日までに終わった割合

検証の結果の見方は、公式ページに沿います。 生存回帰の解説では、打ち切りがあるときは二乗誤差や絶対誤差のような損失は適さず、手元に取り置いたデータでの対数尤度(score、大きいほど良い)で比べるのが良いとされています。一致の指標は0.5がでたらめ、1.0が完全で、当てはめたモデルはたいてい0.55〜0.75とされ、順位を当てても日数を当てるとは限らないとも書かれています。回答の候補の日までに終わった割合(8割に近いか)を合わせて見ます。この割合は、検証の期間の終わりにまだ終わっていない依頼を除くと高く見えるので、候補の日が検証の期間の終わりより前に来る依頼だけで数えます。

04実装レベルの3段階

最小構成:1つの試験室の過去の記録でモデルを作り、班長の回答と比べる / 見込みの確かめ
半自動化:上記+全試験室で30分ごとに回答の候補を出し、週に1回進行中の依頼を見込み直す / 回答の候補と遅れの一覧
本格構成:上記+顧客の申込みの画面に、受付の時点の目安の日数を示す / 申込みの時点の目安まで

本記事の想定は半自動化です。 1件15分のうち、班長への問い合わせと待ち、班長が日数を出す時間、まとめの作業が候補に置き換わり、残るのは候補の確かめと、印の付いた依頼の問い合わせです。 本格構成は、半自動化で候補の当たり方を半年見てからです。 顧客に直接見せる目安は、外れたときに説明ができる必要があります。8割の日を目安として見せるのか、9割の日にするのかを、半年の記録で決めます。 半自動化で3か月回したら、班長に確認する条件を見直します。 受付の担当が班長に聞いた依頼のうち、班長の答えが候補とほとんど同じだったものが多い種類は、条件から外せます。 逆に、印が付かないのに候補と違えて答えた依頼が続く種類は、条件に足します。理由の記録と、候補・回答・実際の3つの日付の表が、この見直しの材料です。

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
8 名
月間件数
400 件
1件あたり現在時間
15 分
1件あたり導入後時間
3 分
現在  400件 × 15分 ÷ 60 = 100 時間/月
導入後 400件 × 3分 ÷ 60 = 20 時間/月
月間削減時間
80h
削減率
80%
年間削減時間
960h
年間金額換算(時間単価3,000円)
288万円
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. 材料試験・信頼性試験・成分分析などを受託し、月に数百件の依頼を受けている会社。依頼のたびに受付の担当が試験室の班長に「何日かかるか」を聞いていて、班長が忙しいと回答が翌日に延びる場合。回答した納期に間に合わない依頼が出て、遅れの連絡が納期の直前になる場合。受付の台帳に、依頼ごとの受付の日・完了の日・試験の種類・検体の数・装置が2年分以上残っている場合。
向いていない
  1. 依頼が月に数十件で、班長が全件の予定を頭に入れて答えられる場合。試験の種類ごとに日数が規格で決まっていて、待ちがほとんど無い場合。受付の台帳に完了の日が残っておらず、何日かかったかが分からない場合。なお、依頼を受けるかどうか、試験の方法、試験の順番の入れ替え、顧客との納期の約束は、この構成では代替できません。

07最小構成で試す方法

  1. 受付の台帳から、直近36か月の依頼の記録を書き出す
  2. 発行の日の空の行と、取り下げの記録を確かめる
  3. 機械試験の1つの試験室に絞り、直近6か月を取り置いて WeibullAFTFitter で学習する
  4. 取り置いた6か月の依頼について、8割が終わる日の見込みと、班長が当時に答えた日数・実際の日数を並べる
  5. 回答の候補の日までに終わった割合と、班長の回答の日までに終わった割合を比べる

最初は進行中の依頼の見込み直しをしません。 確かめたいのは、新しい依頼の見込みが班長の答えと同じくらい当たるかです。

出てきた内容判断
候補の日までに終わった割合が8割の近く他の試験室に広げ、見込み直しに進む
候補の日までに終わった割合が大きく下回る待ちの作り方か、打ち切りの扱いを疑う
特定の種類で大きく外れるその種類を班長に確認する条件に入れる

2行目が出たら、まず event_col を確かめます。 打ち切りを入れ忘れていると、日数は短く出ます。次に、待ちを受付の日の時点で作っているかを確かめます。

班長の回答と比べるときは、依頼を3つに分けて見ます。 件数の多い定番の試験、検体の数の多い依頼、待ちの長い時期に受けた依頼です。定番の試験で班長より外れるなら、特徴の作り方を疑います。 待ちの長い時期に外れるのは、班長も外していた時期かどうかを、当時の回答と実際の日数で確かめます。

08実装時につまずきやすいポイント

問題対策
進行中の依頼を学習から捨てて短く見込む打ち切りとして事象を0にして入れる
event_col を省いて全件が終わった扱いになる必ず渡す
p=0.8 で「8割が終わる日」を出すp は生存関数の値。8割が終わる日は p=0.2
conditional_after の答えを全体の日数と読む残りの日数として並べる
環境試験の規定の時間で日数が振れる規定の日数を引いてから見込み、足し戻す
日数が0の行で止まる0.5営業日として扱う
二乗誤差で検証する打ち切りがあるので、取り置いたデータの対数尤度で比べる
待ちを今日の時点で作る受付の日の時点の未完了で作る

上の3行が、この構成の失敗のほとんどです。 どれも日数を短く見込む方向にずれ、回答した日に間に合わない依頼が増えて、はじめて気づきます。

3行目の p の向きは、コードを読んでも気づきにくい間違いです。 「8割」という言葉と 0.8 という数字が自然に結びつくからです。関数を包んで、days_until_done(share=0.8) のように「終わった割合」で呼べる形にし、中で p = 1 − share に直すと、書き手が替わっても間違えにくくなります。

下から2行目も、検証の数字が良く見える形で出ます。 打ち切りのある行を二乗誤差で比べると、未完了の依頼の「今日までの日数」を正解として扱うことになり、短く見込むモデルほど良い点が付きます。

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: 依頼の番号、顧客の会社名、試験の種類と規格、検体の数、受付と発行の日です。顧客の開発中の製品の試験は、顧客にとって秘密の情報です。

  1. データを社外に出さない … 見込みは社内の PC やサーバーの Python で動きます。生成AIのサービスには送りません
  2. 顧客の会社名をモデルに入れない … 顧客ごとの日数の違いを学ばせると、特定の顧客の依頼を後回しにしているように見える使い方になりかねません
  3. 回答は人が行う … 候補は候補で、顧客との約束は受付の担当が決めます
  4. 試験の順番を見込みで変えない … 順番は班長が装置と検体の事情で決めます

見込みの数字を、そのまま顧客に「8割の確率で」と伝えないようにします。見込みは過去の記録の傾向で、個々の依頼の約束ではありません。 顧客には回答した日だけを伝えます。

試験室ごとの外れ方を、班長の評価に使わないことも決めておきます。見込みより遅れる依頼が多い試験室は、装置の台数や検体の難しさに理由があることがほとんどです。外れ方は、装置の増設や人の配置を相談する材料として使います。

誤りが起きた場合のリスクは、短く見込んで回答した日に間に合わないことと、遅れに気づくのが遅れることの2つです。 前者は打ち切りの扱いと p の向き、後者は週ごとの見込み直しで防ぎます。

10まず何から始めるか

1週目:台帳の発行の日と取り下げの日を確かめる

直近36か月の依頼で、発行の日の空の行と取り下げの記録を数えます。付け忘れが多ければ、班長と台帳を直します。

2週目:1つの試験室でモデルを作って比べる

第8章の手順で、機械試験の試験室の記録からモデルを作り、直近6か月で班長の回答と比べます。

3週目:規定の時間と班長に確認する条件を決める

環境試験の規格ごとの規定の日数の表を作り、班長に確認する条件(件数の少ない種類・過去に無い多さ)を決めます。

4週目:回答の候補の表を作る

30分ごとに候補を出す表を作ります。この時点では顧客への回答に使わず、班長の回答と並べて見るだけにします。

2か月目: 全試験室に広げ、受付の担当が候補で回答する形で運用し、1件15分が何分になったかを測ります。進行中の依頼の見込み直しを始めます。3か月目以降: 毎月の検証の結果を見て学び直し、受付の担当が印の付いた依頼だけを班長に聞けば回答でき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:2026-11-19/最終更新:2026-11-19
確認した内容情報源確認日
ワイブルの加速故障時間モデルを実装し、生存関数を S(t) = exp(−(t/λ(x))^ρ) で表すこと。penalizer の既定が0.0で、l1_ratio で L1 と L2 の混ぜ方を決めること。predict_percentile の p の既定が0.5で、生存関数が0.5を切らなければ無限大を返すことlifelines: WeibullAFTFitter2026-11-19
打ち切りがあるため線形回帰のような方法は使えないこと。事象の列が起きたら1・打ち切りなら0であること。conditional_after の結果が残りの時間で、全体は conditional_after を足したものであること。打ち切りがあるときは二乗誤差などの損失は適さず、取り置いたデータの対数尤度(score)で比べるのが良いこと。一致の指標の目安(0.5・1.0・0.55〜0.75)と、順位が良くても時間が良いとは限らないことlifelines: Survival Regression2026-11-19
qth_survival_time が生存関数が q に届く時間、つまり q = S(t) を t について解くことlifelines: lifelines.utils2026-11-19
WeibullAFTFitter.predict_percentile が p を生存関数の値として λ(−log p)^(1/ρ) の形で時間を返し、conditional_after を引いた残りを返すことlifelines のソース: weibull_aft_fitter.py2026-11-19
fit の event_col を省くと、すべての行を打ち切りの無いものとして扱うこと(版 0.30.3 のソース)lifelines のソース: fitters/__init__.py2026-11-19

依頼を受けるかどうか、試験の方法と順番、顧客との納期の約束は、自社の決まりと顧客との契約に沿って決めてください。 本記事は公式ページとソース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-4284)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