Column
コラム
社内ナレッジの自動化・議事録 AI・画像処理と外観検査など、現場での実践から得た知見をお届けします。
画像処理開発の外注先の選び方 — 受託開発・業務委託で失敗しないための 5 つの質問
画像処理・画像検査システムの外注は「作れば動く」が保証されない点で通常のソフト開発と異なります。撮像設計への対応、古典と DL の使い分け、PoC の設計、運用体制という外注先を見極める質問と、請負・準委任の契約の使い分けを解説します。
続きを読む議事録作成を AI で自動化するには — 文字起こしで終わらせない 3 つの段階
議事録 AI の導入を検討する際に知っておきたい 3 つの段階 (文字起こし・要約・ナレッジ化) と、認識精度だけでツールを選ばないためのチェックポイントを解説。会議の録音から提案書ドラフト作成まで自動化する方法も紹介します。
続きを読む社内 Wiki が定着しない・続かない本当の理由 — 「書く運用」の限界と自動化という選択肢
社内 Wiki やナレッジベースが更新されず形骸化するのはなぜか。ルール化・テンプレート整備・担当者の設置が効かない根本原因は「人が書く」前提にあります。記録作業そのものを自動化する「書かない社内 Wiki」という選択肢まで、対策を整理します。
続きを読むAI アルゴリズム開発を業務委託する前に — 発注側が確認すべき 4 つのこと
AI・機械学習の開発委託は、通常のシステム開発と同じ感覚で進めるとつまずきます。課題とデータの棚卸し、成功条件・撤退基準の事前合意、成果物と運用体制の確認、契約形態の設計という発注前チェックリストを解説します。
続きを読む営業コンサルティングの選び方 — 4 つの類型と費用の考え方、発注前チェックリスト
戦略型・研修型・営業代行型・伴走型という営業コンサルの 4 類型の違いと、月額の安さではなく「契約終了後に何が残るか」で比較する費用の考え方、現場への踏み込みと定着の設計を確認する発注前のポイントを解説します。
続きを読む提案書とクロージングを言語化する — エース依存の営業から抜け出す方法
刺さる提案書と決め切るクロージングは、センスではなく分解可能な技術です。成果を出す営業の提案構造と、決まる商談の合意プロセスを言語化し、テンプレートとレビューで組織に定着させる方法を解説します。
続きを読むAI 内製化の始め方 — 人材採用の前にやるべき 4 つのステップ
AI 内製化はデータサイエンティストの採用からではなく、判断軸の獲得から始まります。リテラシーの土台づくり、ユースケースの棚卸し、社内主導の PoC、自走の仕組み化という現実的な 4 ステップを解説します。
続きを読むエッジ AI とクラウド推論の使い分け — AI 外観検査のシステム構成をどう決めるか
AI 外観検査の推論をエッジで実行するか、クラウドで実行するか。低遅延・閉域対応・データの置き場所というエッジの強みと、集中管理・スケールというクラウドの強みを整理し、実務で定番のハイブリッド構成まで解説します。
続きを読むPoC 貧乏から抜け出す撤退基準の作り方 — 「継続検討」を終わらせる設計
AI・新技術の PoC が本番化も中止もされず積み上がる「PoC 貧乏」。原因は技術ではなく、始める前に「やめる条件」を決めていないことにあります。成功条件と撤退基準を対称に設計し、判断の場を固定する方法を解説します。
続きを読むインサイドセールス立ち上げの設計図 — アポ取り部隊にしないための 3 点セット
インサイドセールスの立ち上げが失敗する典型は「テレアポ部隊」化です。商談化基準・リード別シナリオ・CRM による記録という立ち上げ時に決めるべき 3 点セットと、小さく始めて数字で改善する進め方を解説します。
続きを読む外観検査の過検出を減らすには — 「見逃しゼロ」要求との現実的な付き合い方
良品を不良と判定する過検出は、放置すると再検査工数で自動化の意味を失わせます。見逃しとのトレードオフの直視、撮像の安定化、過検出パターン分析、グレーゾーン運用という現実的な対策の打ち順を解説します。
続きを読むAI 検査モデルの精度劣化と再学習 — 導入後に精度が落ちる理由と運用設計
稼働開始時は高精度だった AI 外観検査が数ヶ月で不安定になる —— 原因は工程・材料・撮像環境の変化によるデータドリフトです。劣化に気づく監視の仕組みと、再学習を定常業務として回す運用設計を解説します。
続きを読む営業のプレイングマネージャーが機能しない理由 — 「売る人」から「売らせる人」への転換
トップセールスをマネージャーにすると数字が伸び悩む —— 個人で売る力とチームで売らせる力は別のスキルです。「自分でやった方が早い」の罠、感覚の指導の言語化、マネージャー自身への伴走という転換の要点を解説します。
続きを読む少量多品種の外観検査を自動化するには — 品種が増えても破綻しない設計
品種ごとに検査レシピを作り込む従来アプローチは、少量多品種では品種数に比例してコストが増え破綻します。検査観点でのグルーピング、新品種追加の登録化、品種ごとの学習を前提にしない手法選定という 3 つの設計方針を解説します。
続きを読む技術調査を「読んで終わり」にしない方法 — 次の一手につながる調査の設計
論文・特許・競合調査のレポートが意思決定につながらないのは、調査の問いが「何があるか」で止まっているからです。方式比較型・特許型・実現性検証型という実行につながる調査の 3 つの型と、外部活用の考え方を解説します。
続きを読む3D カメラによる平面度・高さ計測の導入ポイント — 装置選定の前に決めるべき計測仕様
3D カメラの性能向上で、平面度・段差・高さのインライン全数計測が現実的になりました。方式選定の考え方、手戻りを防ぐ計測仕様の固め方、点群から自動判定・現場導入までのシステム設計を、実案件の経験を踏まえ解説します。
続きを読むSalesforce・Kintone が営業現場に定着しない理由 — 乗り換える前に見直す 3 つのこと
SFA / CRM が「月末の駆け込み入力」だけになる原因は、ツールの機能ではなく、入力が管理のための報告になっている構造にあります。入力項目の絞り込み、CRM 画面での会議運営、育て続ける体制という定着の打ち手を解説します。
続きを読む良品学習と教師あり学習の使い分け — AI 外観検査の手法選定ガイド
AI 外観検査の手法は、欠陥画像を学習する教師あり学習と、良品だけで学習する異常検知 (良品学習) に大別されます。それぞれの強み・弱みと、「狙う欠陥の明確さ」と「データの現実」による使い分け・併用の考え方を解説します。
続きを読む画像処理 PoC が本番導入に進まない 3 つの壁 — 「PoC 止まり」を防ぐ設計
PoC で良い結果が出たのに本番に進まない原因は、本番と乖離した検証条件、曖昧な精度の定義、見積もられていない本番化コストの 3 つに集約されます。PoC を導入判断の材料にするための設計を解説します。
続きを読むAI 外観検査の学習データは何枚必要か — 枚数より先に決めるべきこと
「学習データは何枚必要？」に一律の答えがないのは、良品のばらつき・欠陥の多様性・手法・撮像の安定性で必要量が大きく変わるからです。不良サンプルが集まらない前提での手法選定と、運用でデータを増やす設計を解説します。
続きを読む停滞した開発プロジェクトの立て直し方 — 原因は技術より構造にある
進捗報告は「概ね順調」なのに成果物が出ない —— 開発プロジェクトの停滞の多くは、技術難易度ではなくゴールの曖昧さ・課題の散在・意思決定の詰まりという構造に原因があります。現在地の可視化から始める立て直しの手順を解説します。
続きを読む古典画像処理とディープラーニングの使い分け — 「DL ありき」で選定を誤らないために
二値化・パターンマッチング等の古典画像処理と DeepLearning は優劣ではなく、対象の性質・データの有無・運用体制で使い分ける道具です。それぞれの得意分野と、実務で有効なハイブリッド構成を解説します。
続きを読む営業の属人化を解消するには — トップセールスの暗黙知を言語化する方法
営業の属人化は、本人も説明できない暗黙知が放置されていることが正体です。成果商談の行動レベルでの分解、判断の分岐の書き出し、営業動線への埋め込みという言語化の実践ポイントと、定着の仕組みを解説します。
続きを読む毛髪・異物検査を自動化するには — 目視率を 5% まで下げたアプローチ
何が混入するか事前に分からない異物検査は、ルールベースでは条件を書き切れない難しい検査です。DeepLearning セグメンテーションの適用と、グレーゾーンだけを人が見る半自動設計で、全数目視から脱却する進め方を実例とともに解説します。
続きを読む外観検査の自動化は照明設計で決まる — 欠陥が「写る」画像の作り方
検査アルゴリズムがどれほど優れていても、欠陥が画像に写っていなければ検出できません。ローアングル・同軸・拡散・透過という照明手法の引き出しと、稼働後の環境変化まで含めた外観検査の照明設計の考え方を解説します。
続きを読む
Contact
事業の成長に向けた
第一歩を、ここから。
成長を共に実現するパートナーとして伴走します。まずはお気軽にご相談ください。