Media > AI活用ユースケース > 営業 > 観賞魚の卸が、小売店の注文の流通名・別名・学名のゆれを OpenSearch で在庫と仕入れの表に引き当て、品種とサイズの合う候補を出す

観賞魚の卸が、小売店の注文の流通名・別名・学名のゆれを OpenSearch で在庫と仕入れの表に引き当て、品種とサイズの合う候補を出す

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

小売店から届く注文の行を、流通名・別名・学名・サイズ・産地に分け、OpenSearch で自社の在庫の表と仕入れの表に引き当てます。品種とサイズの合う候補に在庫の数と規制の印を添えて並べ、受注の担当が確かめて決めます。

サマリー
生成AI
Azure OpenAI Service/ChatGPT/Claude
AIサービス
Azure AI/OpenSearch
対象業界
その他/商社/小売
対象部門
営業
対象業務
データ入力・転記/情報検索
主な課題
入力作業が多い/属人化している/確認ミスが多い
AIで行う処理
検索(RAG)
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
本格構成
費用感
RAG・個別開発(大)
人間の確認
条件付き
現在工数
100h/月
AI導入後
40h/月
想定削減
60%
年間削減
720h
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. 注文のメールと受発注の表を開き、1行ずつ読む
  2. 名前を在庫の表で検索する。当たらなければ、別の呼び名や略さない名前で引き直す
  3. 学名で書かれた行は、図鑑や輸入業者のリストで流通名を調べてから在庫を引く
  4. サイズ(S・M・L、3cm など)と産地(ワイルド・ブリード、国名)が注文と合うかを見る
  5. 在庫が無ければ、仕入れの表で次の便の入荷予定を探す
  6. 引き当てた品番と数を販売の管理の仕組みに打ち込み、欠品と入荷予定を店に返す
導入後(After)
  1. 人注文のメールと受発注の表を、決まった受け口に置く(FAX の注文は担当が受け口の様式に打ち込む)
  2. 自動生成AIが注文を1行ずつ、名前・サイズ・産地・数・備考に分ける(書かれたとおりに)
  3. 自動名前の文字をそろえる(幅、長音、中黒、学名の大文字小文字と略した属名)
  4. 自動店ごとに過去に確定した呼び名の表を引く
  5. 自動当たらなければ、在庫の表と仕入れの表を、別名の表で広げた欄とあいまい検索の欄の両方で引く
  6. 自動候補ごとに、当たった引き方、サイズと産地の一致、在庫の数、入荷予定、規制の印を添える
  7. 自動候補の数と一致の度合いから、`matched` / `review` / `not_found` / `restricted` を規則で決める
  8. 人担当が `review` と `not_found` と `restricted` を確かめ、引き当てを決める
  9. 自動決めた引き当てを販売の管理の仕組みへの取り込みの形で書き出し、店ごとの呼び名の表に組を足す
各工程の詳しい説明を読む
  1. 注文のメールと受発注の表を開き、1行ずつ読む
  2. 名前を在庫の表で検索する。当たらなければ、別の呼び名や略さない名前で引き直す
  3. 学名で書かれた行は、図鑑や輸入業者のリストで流通名を調べてから在庫を引く
  4. サイズ(S・M・L、3cm など)と産地(ワイルド・ブリード、国名)が注文と合うかを見る
  5. 在庫が無ければ、仕入れの表で次の便の入荷予定を探す
  6. 引き当てた品番と数を販売の管理の仕組みに打ち込み、欠品と入荷予定を店に返す

(a)同じ魚が、店ごとに違う名前で届く。 「カージナル」「カーディナル」「カーディナルテトラ」、略した名前、昔の呼び名が混ざります。在庫の表は標準の名前1つなので、検索に当たらないたびに引き直します。

(b)似た名前の別の魚と取り違える。 「ネオン」とだけ書かれた注文を、在庫の数が多い方のネオンテトラで引き当て、店はグリーンネオンテトラのつもりだった、ということが起きます。取り違えは、店に届いて箱を開けたときに分かります。 生き物なので、返品で戻すこともできません。

(c)学名が古い。 学名は研究で属が変わることがあり、輸入業者のリストと図鑑と店の注文で、同じ魚の学名が違うことがあります。

(d)入荷予定の確認が後回しになる。 在庫に無い魚は輸入業者のリストを英語の流通名で探し直すことになり、締めの直前に回されて、店への返事が翌日になります。

(e)規制の対象を見落とす。 外来生物法の特定外来生物には、ガー科の全種のように科の単位で指定された魚もあります。別名や新しい学名で書かれた注文は、名前を見ただけでは対象だと気づけません。

  1. 【人】 注文のメールと受発注の表を、決まった受け口に置く(FAX の注文は担当が受け口の様式に打ち込む)
  2. 【自動】 生成AIが注文を1行ずつ、名前・サイズ・産地・数・備考に分ける(書かれたとおりに)
  3. 【自動】 名前の文字をそろえる(幅、長音、中黒、学名の大文字小文字と略した属名)
  4. 【自動】 店ごとに過去に確定した呼び名の表を引く
  5. 【自動】 当たらなければ、在庫の表と仕入れの表を、別名の表で広げた欄とあいまい検索の欄の両方で引く
  6. 【自動】 候補ごとに、当たった引き方、サイズと産地の一致、在庫の数、入荷予定、規制の印を添える
  7. 【自動】 候補の数と一致の度合いから、matched / review / not_found / restricted を規則で決める
  8. 【人】 担当が review と not_found と restricted を確かめ、引き当てを決める
  9. 【自動】 決めた引き当てを販売の管理の仕組みへの取り込みの形で書き出し、店ごとの呼び名の表に組を足す

4番目を先に置くのが、この設計の要です。 店は毎週同じ呼び名で同じ魚を注文します。一度担当が決めた組は翌週から呼び名の表で当たり、検索は初めての呼び名だけに使います。

7番目の restricted は、ほかのどの判定よりも先に決めます。 規制の印の付いた魚に当たった行は、候補が1件でも matched にしません。

02今回想定するシステム構成

構成図
注文(メール本文・受発注の表・FAX を打ち込んだもの)
   │
   ▼【トリガー】受け口(Amazon S3)への保存
AWS Lambda ──▶ Claude(Amazon Bedrock)── 行を名前・サイズ・産地・数・備考に分ける
   │            名前のそろえ(幅・長音・中黒・学名の書き方)
   ▼
Amazon OpenSearch Service
   ├── shop_alias:店ごとに確定した呼び名と品番の組(そのまま引く)
   ├── stock:在庫の表(標準の名前・別名・学名・サイズ・産地・数)
   └── supply:仕入れの表(英語の流通名・学名・入荷予定)
   ▼
AWS Lambda ── サイズ・産地の一致、規制の印、判定の規則
   ▼
引き当ての候補の一覧 ──【担当が確かめて決める】──▶ 販売の管理の仕組みへの取り込み
役割想定する製品代替候補
検索基盤Amazon OpenSearch Service(synonym_graph、fuzzy、ICU、named queries、カスタムパッケージ)Azure AI Search、自社で運用する OpenSearch
生成AIClaude(Amazon Bedrock の Converse API、構造化出力)Azure OpenAI(Microsoft Foundry)、OpenAI API
連携AWS Lambda(行の分け方の呼び出し、名前のそろえ、判定の規則)AWS Step Functions
保管Amazon S3(元の注文・候補・確定の記録・別名の表)社内のファイルサーバー

販売の管理の仕組みと在庫の表は新しく足すものではなく、この構成から直接は書き込みません。 担当が決めた引き当てを取り込みの形のファイルにして、従来の取り込みの手順で入れます。

別名の表は、Amazon OpenSearch Service のパッケージとして持ちます。 表のファイルを S3 に置いてパッケージとして取り込み、ドメインに関連付けると、synonyms_path で使えます。検索の解析だけで使い、フィルタに updateable: true を付けておけば、パッケージを更新したときに検索の解析が自動で更新されます。 新しい呼び名を足すたびに在庫の索引を作り直す必要はありません。

03どうやって実装するのか

Step1

処理の起点を決める

注文のファイルが受け口に置かれたことを起点にします。 メールの注文は本文をそのまま、受発注の表はファイルのまま置きます。FAX で届く注文は、担当が受け口の様式に打ち込んでから置きます。

注文の締めの時刻に合わせて、届いたものから順に動かします。 出荷の前日の締めまでに引き当てを終える必要があり、まとめて夕方に動かすと、欠品を店に返す時間が残りません。

同じ注文を二度置いても、二重に引き当てません。 店・注文の日・行の文字列を組にした鍵で、処理した行を飛ばします。店が同じ注文を訂正して送り直したときは、担当が古い方を取り消します。

Step2

入力データを集める

データ中身取得元
注文の行店、注文の日、書かれた名前、サイズ、産地、数、備考受け口のファイル
在庫の表品番、標準の名前、別名、学名、サイズ、産地(ワイルド/ブリード、国)、数、販売の可否毎朝と入荷の後に書き出し
仕入れの表輸入業者・養殖場、英語の流通名、学名、サイズ、入荷予定の日輸入業者のリストを取り込んだ表
店ごとの呼び名の表店、そろえた呼び名、品番、確定した日と担当この構成で育てる表(初めは過去半年の伝票から作る)
別名の表標準の名前、別名、略称、英語の流通名、古い学名の組自社で用意するパッケージ
規制の表規制の対象の分類(科・属・種)、政令の学名、知られた別名・新しい学名環境省の一覧から自社で作る表

質を決めるのは、下の3つの表です。 店ごとの呼び名の表が育つほど、検索まで行く行が減ります。別名の表が無いと「カーディナル」と「Cardinal tetra」がつながりません。

別名の表は、1行に同じ魚の呼び名を並べる形で書きます。 例えば「カーディナルテトラ, カージナルテトラ, カーディナル, cardinal tetra」のように並べ、似た名前の別の魚(グリーンネオンテトラなど)は別の行にして、決して同じ行に入れません。 1行に混ぜると、検索で広げたときに別の魚まで同じものとして当たります。

規制の表は、名前ではなく分類で持ちます。 環境省の特定外来生物の一覧では、魚類は30種類で、ガー科は「ガー科の全種」と「ガー科に属する種間の交雑により生じた生物」が対象とされています。科や属の単位で指定されているものは、1種ずつの名前の表では漏れます。 在庫と仕入れの表の1行ごとに科と属を持たせ、規制の表と分類で突き合わせます。

Step3

データの取得方法を決める

在庫の表は、毎朝と入荷の後に書き出して、索引をまるごと入れ直します。 状態の悪い個体を販売の対象から外したことが、差分の更新では取りこぼされやすいからです。数が0の品も索引から消さず、数0として残します。 入荷予定と並べて店に返すためです。

取るものどこから何に使うか
標準の名前・別名在庫の表別名の表で広げた欄と、あいまい検索の欄の両方に入れる
学名在庫の表と仕入れの表属名と種小名に分けて入れる
サイズ・産地在庫の表と仕入れの表注文と合うかを添える
科・属在庫の表(なければ学名から自社の表で引く)規制の表と突き合わせる
入荷予定仕入れの表在庫が無い候補に添える

輸入業者のリストは、取り込むときに学名を確かめます。 英語の流通名だけの行は、別名の表で標準の名前に当て、当たらなければ取り込みの係に回します。

Step4

AIへ渡す前に整形する

  1. 行を分ける … 生成AIが、注文の行を名前・サイズ・産地・数・備考に分けます。書かれた文字を書き換えずに分けます
  2. 文字の幅とかたちをそろえる … icu_normalizer(既定は nfkc_cf)で、半角カナを全角に、全角の英数字を半角にし、英字は小文字にそろえます
  3. 長音と中黒をそろえる … 「カーディナル・テトラ」「カーディナルテトラ」の中黒や空白を外した欄も持ちます
  4. 学名を分ける … 属名と種小名に分け、「sp.」「cf.」「var.」などの語は別の欄に移します
  5. 略した属名を開く … 「P. axelrodi」は、在庫と仕入れの表の中で「P」で始まる属名と種小名の組が1つだけなら開き、2つ以上あれば開かずに ambiguous の印を付けます
  6. サイズの書き方をそろえる … 「M」「Mサイズ」「3cm前後」を、自社のサイズの区分に当てます。区分に当たらない書き方はそのまま残します

5番目で、略した属名を推して開かないのが肝心です。 似た種小名を持つ別の属は珍しくありません。1つに決まるときだけ開き、決まらなければ人に見せます。

Step5

AIに処理させる

検索にさせるのは、引き方を分けて在庫と仕入れの表を引き、どの引き方で当たったかを記録することです。 句ごとに _name を付けると、当たった文書の matched_queries に当たった引き方が並んで返ります。

引き方(_name)対象の欄当たるもの
shop_alias店ごとの呼び名の表を、店とそろえた呼び名で完全一致その店がいつも使う呼び名
synonym名前の欄(検索の解析で別名の表を広げる)を match別名・略称・英語の流通名
name_fuzzy名前の欄(同義語なし)を match に fuzziness: AUTO「カージナル」と「カーディナル」のような書き方の違い
sci_name属名と種小名を match(古い学名は別名の表で広げる)学名で書かれた注文

注文の行「カージナル M」から組み立てる検索は、次の形です(サイズと産地は検索のあとに規則で比べます)。

{
  "query": { "bool": { "should": [
    { "match": { "name.syn":   { "query": "カージナル", "_name": "synonym" } } },
    { "match": { "name.plain": { "query": "カージナル", "fuzziness": "AUTO",
                                  "_name": "name_fuzzy" } } }
  ] } },
  "size": 10
}

name.syn は検索の解析に別名の表をかけた欄、name.plain は別名をかけない欄で、同じ標準の名前と別名を両方に入れておきます。

synonym と name_fuzzy で欄を分けるのは、OpenSearch の決まりに合わせるためです。 match クエリのあいまい検索は、同義語を持つ語や、同じ位置に複数の語が出る語には適用されないとされています。別名の表を持つ欄に fuzziness を指定しても、別名の付いた語は1文字の違いを吸収しません。欄を分ければ、両方の効き目が残ります。

name_fuzzy の距離にも注意が要ります。 AUTO は検索語の長さで上限を決め、2文字以下は完全一致、3〜5文字は1文字、6文字以上は2文字までの違いを許し、上限は最大2です。 「ネオン」(3文字)は1文字の違いまで、「カーディナルテトラ」は2文字までです。名前の長い魚ほど、別の魚に当たる余地が広がります。

検索のあとは、規則で判定を決めます。

条件判定
候補の科・属・種が規制の表に当たるrestricted(ほかの条件より先)
shop_alias で1件だけ当たり、サイズと産地が合うmatched
synonym か sci_name で1件だけ当たり、サイズと産地が合い、在庫があるmatched
name_fuzzy だけで当たった、候補が2件以上、サイズか産地が合わないreview
在庫の表にも仕入れの表にも当たらないnot_found

生成AIにさせるのは、注文の行を分けることだけです。

分けるもの書き方判断できないときの扱い
名前書かれたとおり(カナ・英字・学名のまま)名前が見当たらなければ unclear
サイズ書かれたとおり無ければ空
産地書かれたとおり(「ワイルド」「ブラジル」など)無ければ空
数書かれた数(「1袋」「50匹」など単位も)読めなければ空
備考「オス・メス」「ペア」「状態の良いもの」など無ければ空
させないこと理由
魚を決めること決めるのは検索と担当。似た名前の別の魚がある
名前を標準の名前に直すこと別名の表で行う。表に無い対応を作らせない
学名を補うこと古い学名と新しい学名の対応は表で持つ
規制の対象かの判断規制の表と分類で突き合わせ、最後は人が確かめる
欠品のときの代わりの提案店の売り場と水槽の条件は担当が知っている

1行目と2行目がいちばん起きやすい失敗です。 「ネオン 50」と書かれた行を、生成AIは「ネオンテトラ」に直して返したがります。直された行は、もう店の書いた文字ではありません。 店がグリーンネオンテトラのつもりだったかは、書かれた「ネオン」のまま検索に渡し、候補が割れたことで初めて担当に伝わります。

Step6

指示内容を固定する

あなたは観賞魚の卸の受注の担当の補助です。
小売店から届いた注文の文を、1行ずつ次の項目に分けてください。
魚や水草を決めること、在庫を探すことはしないでください。

【分ける項目】
- name ……… 魚・エビ・水草の名前。カナ・英字・学名を書かれたとおりに
- size ……… サイズ(S・M・L、3cm など)。書かれたとおりに
- origin …… 産地・ワイルド・ブリードなど。書かれたとおりに
- quantity … 数と単位(50匹、1袋など)。書かれたとおりに
- note ……… オス・メス、ペア、状態の注文など、上のどれにも入らないもの

【厳守事項】
- 名前を、より長い名前や正式な名前に直さないでください。
  「ネオン」は「ネオン」のまま、「カージナル」は「カージナル」のままです。
- 学名を補ったり、新しい学名に直したりしないでください。
- 書かれていないサイズ・産地・数を補わないでください。
- 1行に複数の魚が書かれていたら、行を分けてください。
- 「いつもの」「前回と同じ」など名前が無い行は、name を空にして
  name_status を unclear にしてください。
- 規制や飼育の可否について書かないでください。

【店】{shop}
【注文の文】{order_text}

「より長い名前に直さない」を例と一緒に書かないと、略した名前を補って返します。 補った名前は在庫に当たりやすく、当たりやすいことがそのまま取り違えになります。

「いつもの」は、店ごとの呼び名の表でも引けません。 前回の注文を勝手に当てると、季節で変わる注文を外します。名前の無い行は担当が店に確かめます。

Step7

出力形式を固定する

注文の1行ごとに、次の形の JSON で持ちます。

{
  "order_key": "",
  "shop": "",
  "line_raw": "",
  "parsed": { "name": "", "name_status": "ok | unclear", "size": "", "origin": "",
              "quantity": "", "note": "" },
  "name_norm": "",
  "candidates": [
    { "source": "stock | supply", "item_code": "", "std_name": "", "sci_name": "",
      "matched_queries": ["synonym"], "size_match": "match | differ | unknown",
      "origin_match": "match | differ | unknown", "stock_qty": 0,
      "arrival_date": "", "restricted": false }
  ],
  "verdict": "matched | review | not_found | restricted",
  "staff_decision": { "item_code": "", "decided_by": "", "decided_at": "" }
}

1つ目の理由は、line_raw と parsed と name_norm を3段で残すことです。 店が書いた文字、生成AIが分けた項目、そろえた名前が別々に残るので、取り違えが起きたとき、どの段で文字が変わったかを後から追えます。

2つ目は、matched_queries で当たり方を担当に見せられることです。 shop_alias や synonym で当たった候補と、name_fuzzy だけで当たった候補は、確からしさが違います。

3つ目は、restricted を候補ごとに持つことです。 候補が複数あれば、規制の印の付いた候補だけを目立たせます。

生成AIの呼び出しには、Amazon Bedrock の Converse API の outputConfig.textFormat に JSON スキーマを渡します。object ごとに additionalProperties: false を書き、name_status を enum で固めます。

Step8

システムへ連携する

つなぎ先方式内容
受け口(Amazon S3)保存のイベント注文のファイルが置かれたら Lambda を動かす
Claude(Amazon Bedrock)Converse API注文の行を項目に分ける
Amazon OpenSearch Service検索の API呼び名の表・在庫・仕入れを引く
在庫の表・仕入れの表毎朝と入荷の後の書き出し索引を入れ直す
販売の管理の仕組み取り込みの形のファイル担当が決めた引き当てを従来の手順で入れる

店ごとの呼び名の表に足すのは、担当が決めた行だけです。 matched のまま担当が手を入れなかった行は足しません。誤った組が表で増え続けることを防ぎます。

Step9

人が確認する

担当が開くのは、restricted、review、not_found の行です。 matched の行は一覧で店と名前と数を流し見ます。

  1. restricted を最初に見る … 規制の表と分類で当たった理由を確かめ、注文の店に連絡します。出荷の手配はしません
  2. review の候補を見比べる … 当たった引き方、サイズと産地の一致を見ます。名前の短い注文と、候補が割れた注文は、店に確かめます
  3. not_found を調べる … 新しい呼び名なら別名の表に足す候補にし、扱いの無い魚なら店に返します
  4. 決めた引き当てを確定する … 翌週から店ごとの呼び名の表で当たります

2番目で店に確かめることを惜しまないでください。 取り違えた生体は、返品で戻せません。電話1本のほうが、箱を開けたあとの行き違いよりはるかに安く済みます。

目標は、2,400件をならして1件1分です。 matched が6割前後になる想定で、それより低い月は、店ごとの呼び名の表の育ち方を見直します。

Step10

例外に対処する

起きること対応
「いつもの」など名前が無いunclear。担当が店に確かめる
略した属名が2つ以上の属に当たる開かずに review。属名の候補を並べる
同じ名前で改良品種が複数ある品種の違いを添えて review
在庫が0で、仕入れの表に入荷予定がある入荷予定の日を添えて review。店に入荷待ちでよいかを確かめる
学名が規制の表の古い学名・別名に当たるrestricted。名前の書き方が違っても分類で当てる
受発注の表の列がいつもと違う処理を止めて担当に知らせる。列をずらして読まない
生成AIの呼び出しが失敗した行をそのまま名前として引き、review にする
OpenSearch が応答しない受け口に残す。処理済みへ移すのは成功したときだけ

5行目が、規制の表を分類で持つ理由です。 環境省の一覧は、学名にシノニム(同物異名)があることに注意するよう添え書きしており、別名や新しい種名で輸入しようとする人への案内も別に設けています。 名前だけで突き合わせると、ここで漏れます。

Step11

記録を残す

  • 元の注文のファイルと、受け取った日時・店
  • 生成AIが分けた項目、そろえた名前、使った別名の表と規制の表の版
  • 候補、matched_queries、サイズと産地の一致、在庫の数、規制の印、判定
  • 担当が決めた引き当てと、決めた日時と担当
  • 店ごとの呼び名の表に足した組と、足した元の注文の行
  • restricted になった行と、店への連絡の記録

最後の行は、規制の対象の注文があったことを残すためです。 同じ店から同じ魚の注文が続くなら、店に事情を伝える材料になります。

04実装レベルの3段階

最小構成:表計算で別名の表を引いてから在庫を完全一致で引く / 別名をそろえたうえでの照合
半自動化:上記+OpenSearch に在庫と仕入れを入れ、別名・あいまい検索・学名で候補を出す / 候補の一覧化と当たり方の記録
本格構成:上記+生成AIで注文の行を分け、店ごとの呼び名の表を育て、規制の表と分類で突き合わせる / 注文から引き当ての候補までの全体

半自動化で、1件2.5分が1.5分程度になります。 行を分けて打ち込む作業が残ります。本格構成で1分になり、この段階が本記事の想定です。 店ごとの呼び名の表で当たる行が増えるためです。 段階を飛ばさないでください。 半自動化を1か月回すと、name_fuzzy だけで当たる別の魚がどれくらい混ざるかが分かります。

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
4 名
月間件数
2,400 件
1件あたり現在時間
2.5 分
1件あたり導入後時間
1 分
現在  2,400件 × 2.5分 ÷ 60 = 100 時間/月
導入後 2,400件 × 1分 ÷ 60 = 40 時間/月
月間削減時間
60h
削減率
60%
年間削減時間
720h
年間金額換算(時間単価2,500円)
180万円
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. 熱帯魚・金魚・水草・エビなどの生体を、熱帯魚店やホームセンターのペット売場へ卸していて、取引先が百店を超える卸。注文が店ごとの呼び方(流通名・別名・略称・学名)で届き、在庫の表と輸入業者の英語・学名のリストに引き当てるのに、魚に詳しい担当者の知識を頼っている場合。在庫の表に自社の標準の名前・学名・サイズ・産地の列があり、毎日書き出せる場合。
向いていない
  1. 扱う種類が数十で、取引先も決まった数店の場合。注文を自社の品番で受ける仕組みが取引先に行き渡っていて、名前から引き当てる必要がほとんど無い場合。なお、欠品のときにどの魚を代わりに勧めるかの判断、規制の対象かどうかの最終の確認、生体の状態の判断は、この構成では代替できません。注文の行に合う在庫と仕入れの候補を並べるまでです。

07最小構成で試す方法

  1. 先月の注文から150行を選ぶ(うち30行は、当時担当が店に確かめたり、取り違えたりした行を入れる)
  2. 在庫の表の標準の名前・別名・学名の列を、表計算のファイルに書き出す
  3. よく出る別名・略称・英語の流通名を、魚に詳しい担当者から聞き取って表にする
  4. 150行の名前を、別名の表で標準の名前に直してから在庫の表を完全一致で引き、当時の引き当てと比べる
  5. 当たらなかった行を、理由(書き方の違い、別名が表に無い、学名、名前が短すぎる)で分ける

150行は必ずやってください。 検索の仕組みを組む前に、「別名の表だけでどこまで当たるのか」を確かめます。

出てきた内容判断
別名の表で大半が当たったあいまい検索は最後の一押し。 店ごとの呼び名の表を先に作る
書き方の違いで多く残ったあいまい検索と文字のそろえに進む
名前が短く候補が割れる行が多く残った検索の問題ではない。 店と注文の書き方を相談する

3行目が出ることは珍しくありません。 「ネオン」「コリドラス」とだけ書く店には、品番か標準の名前で注文してもらう相談をするほうが早く終わります。

08実装時につまずきやすいポイント

問題対策
別名の付いた語に1文字の違いが効かない同義語を持つ語にはあいまい検索がかからない。欄を分ける
「ネオン」が別のネオンに当たる名前の短い行は review にして店に確かめる
長い名前で別の魚に当たるAUTO は6文字以上で2文字の違いを許す。name_fuzzy だけの当たりは matched にしない
生成AIが略した名前を補う指示で禁じ、line_raw と比べて検知する
略した属名を推して開く1つに決まるときだけ開く
規制の対象を名前で漏らす規制の表を科・属・種の分類で持つ
別名の表を足しても反映されないupdateable: true を付けて検索の解析だけで使い、パッケージを更新する
数0の品が候補から消える索引から消さず、入荷予定と並べる
呼び名の表に誤った組が増える担当が決めた行だけを足す

4行目と5行目は、どちらも「推して埋める」失敗です。 生成AIも人も、短い名前や略した属名を見ると、いちばんよく出る魚で埋めたくなります。

上の3行が、この構成の失敗のほとんどです。 名前を広げるほど当たりは増えますが、似た名前の別の魚にも当たります。 当たり方を候補に添え、確かめる行を担当に回すことで釣り合いを取ります。

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: 取引先の店名と注文の中身、在庫の数と入荷予定、仕入れ先の輸入業者・養殖場の名前です。個人の情報はほとんど含みませんが、取引先ごとの注文の傾向と仕入れ先は、競合に知られたくない情報です。

  1. 生成AIに渡すのは注文の文だけにする … 在庫の表、仕入れの表、仕入れ先の名前は生成AIに渡しません
  2. 規制の対象の判断を自動で確定しない … 規制の表は自社が作る表で、指定の追加や学名の変更に追いつかないことがあります。restricted は人が確かめ、規制の表を定期的に環境省の一覧と見比べます
  3. 出荷の手配を自動にしない … 出すのは引き当ての候補までです。生き物は取り違えを戻せないので、review は店に確かめます
  4. 呼び名の表と仕入れの表は社外に出さない … 店ごとの注文の癖と、仕入れ先との関係が読み取れます

誤りが起きた場合のリスクは、別の魚を出荷することと、規制の対象の魚の注文を見落とすことの2つです。 前者は当たり方で review に回すこと、後者は分類で突き合わせることで、設計の段階で防ぎます。

10まず何から始めるか

1週目:別名の表と規制の表を作る

魚に詳しい担当者から、よく出る別名・略称・英語の流通名を聞き取って表にします。あわせて、環境省の特定外来生物の一覧から魚類の科・属・種を書き出し、規制の表にします。最初は注文の多い上位200種類で十分です。

2週目:150行で試す

第8章の手順で、別名の表だけでどこまで当たるかを確かめます。名前の短い注文を出す店を数えておきます。

3週目:店ごとの呼び名の表の元を作る

過去半年の伝票から、店と呼び名と品番の組を拾い出します。担当者の記憶を、ここで表に移します。

4週目:索引を作る

Amazon OpenSearch Service に呼び名・在庫・仕入れの索引を作り、別名の欄とあいまい検索の欄を分けます。この時点では判定を出さず、候補の一覧だけを見ます。

2か月目: 生成AIで注文の行を分け、判定の規則を足します。matched / review / not_found / restricted の件数を毎週数えます。3か月目以降: 1件2.5分が何分になったかを実測します。魚に詳しい担当者が休んだ日にも、店への確認の電話が増えなくなった時点で、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:2026-11-05/最終更新:2026-11-06
確認した内容情報源確認日
特定外来生物の魚類が30種類で、ガー科の全種とガー科に属する種間の交雑により生じた生物が対象であること。掲載の学名が政令上の学名で、シノニム(同物異名)があることに注意するよう添え書きされ、別名又は新しい種名で輸入する人への案内があること環境省: 特定外来生物等一覧2026-11-05
AUTO が2文字以下は完全一致、3〜5文字は1、6文字以上は2の違いを許すこと。上限が最大2であることOpenSearch: Fuzziness2026-11-05
match クエリのあいまい検索が、同義語を持つ語や同じ位置に複数の語が出る語には適用されないことOpenSearch: Match query2026-11-05
synonym_graph を検索の解析だけで使うよう案内されていること。synonyms_path で表のファイルを使えることOpenSearch: Synonym graph token filter2026-11-05
icu_normalizer の既定が nfkc_cf(互換の分解・合成と大文字小文字のそろえ)であることOpenSearch: ICU normalization character filter2026-11-05
クエリの句に _name を付けると、当たった文書の matched_queries に当たった句の名前が並ぶことOpenSearch: Named queries2026-11-05
同義語の表をパッケージとして取り込みドメインに関連付けて使えること。updateable: true は検索の解析だけに効き、パッケージの更新で検索の解析が自動で更新されることAWS: Importing and managing packages in Amazon OpenSearch Service2026-11-05
Converse API の outputConfig.textFormat で JSON スキーマを渡せること。object ごとに additionalProperties: false が要ることAWS: Get validated JSON results from models(Amazon Bedrock)2026-11-05

特定外来生物などの規制の対象は、指定の追加や学名の変更があります。 環境省の最新の一覧で確かめてください。

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-2972)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