アトラックラボ、マルチモーダルRAGで現場学習するAI点検サービス

一般的なAIは、画像から「錆がある」「部品が変形している」といった状態を認識できます。しかし、その設備で過去にどのような不具合が起きたか、マニュアル上で何が注意点とされているかといった現場固有の知識は持ち合わせていません。新サービスでは、設備写真や点検報告書、マニュアル、図面、故障・修理履歴などをマルチモーダルRAGに登録します。AIが点検時に関連情報を検索・参照することで、目の前の画像だけでは判断できない事象も、過去の事例や基準と照らし合わせて評価できるようになります。

本サービスでは、設備・部品の正常時と異常時の画像、過去の点検写真、点検報告書、設備マニュアル、図面・仕様書、故障・修理履歴、企業独自の点検基準などを登録できます。画像だけ、文書だけを検索するのではなく、複数種類の情報を関連付けて利用できる点がマルチモーダルRAGの特徴です。例えば、ロボットやカメラが取得した画像に対して、関連する過去画像や点検報告書、マニュアル、故障履歴を横断的に検索します。VLMやLLMがそれらの情報を参照することで、「今、何が見えているか」に加えて、「この現場ではそれが何を意味するのか」まで考慮した点検を支援します。

新たな点検結果や修理記録も、次回以降の点検で利用する現場知識として蓄積できます。現場を点検し、結果を記録し、現場知識として蓄積し、次回の点検で検索・参照するというサイクルを構築します。これまで担当者や紙の報告書、個別のデータとして散在していた情報を、AIが必要なときに検索できる「現場の記憶」として活用します。点検を重ねるほど、AIが参照できる知識が増え、判断の精度向上につながります。

アトラックラボが開発するAI自律制御システム「AT-Synapse」と組み合わせることで、UGV、UAV、レール型ロボットなどによる自動点検にも活用できます。ロボットが現場を巡回して設備を撮影し、マルチモーダルRAGから関連する過去データを検索します。VLMやLLMが現場画像と検索した情報を組み合わせて解析し、点検結果を記録します。ロボットが見て、AIが関連情報を探し、過去の知識と照らし合わせ、状態を判断し、結果を現場の新しい知識として残すという一連の点検システムを構築できます。

アトラックラボでは、AIモデルそのものに新しい検出能力を持たせる「追加学習」と、現場固有の情報を検索してAIに与える「RAG」を目的に応じて使い分けます。特定の異常そのものを認識できるようにする場合には追加学習を用います。設備履歴、マニュアル、過去の故障事例などを参照して判断する場合にはRAGを活用します。両者を組み合わせることで、汎用AIを導入するだけではなく、それぞれの現場を知り、その現場に適したAI点検システムを構築します。代表取締役の伊豆智幸氏は、AI点検で重要なのはモデルの性能だけではなく、そのAIがどれだけ現場を知っているかだとコメントしています。

A. 設備の写真や点検報告書、マニュアル、故障履歴などをAIが検索・参照できるようにし、現場固有の知識を踏まえた点検を支援するサービスです。

A. 従来は画像から錆や変形を認識するだけでしたが、このサービスでは過去の故障事例やマニュアルなども参照するため、設備ごとの注意点を踏まえた判断ができます。

A. 同社のAI自律制御システム「AT-Synapse」と組み合わせることで、ロボットが現場を巡回し、過去の知識を参照しながら自動で点検する仕組みを構築できます。

• https://attraclab.com/

O!Productニュース編集部からのコメント

点検を重ねるほどAIの判断精度が上がる仕組みは、現場の暗黙知を形式知化できるのが大きいですね。ロボット点検の導入検討時、この蓄積サイクルが効きそうです。

引用元：PR TIMES