本プロジェクトの背景と課題
多くのメーカーでは, 品質トラブルが発生するたびに「品質トラブル報告書」や「是正処置報告書」が作成されているが, それらは部門ごと・担当者ごとに書式や粒度がばらばらであり, 十分に横断活用されていないのが実情である。
報告書には, 発生現象, 発生条件, 4M情報（Man, Machine, Material, Method）, 要因分析（特性要因図, なぜなぜ分析）, 対策内容など, 再発防止に有用な情報が多く含まれている。しかし, 現状は個別案件のクローズに使われるに留まり, 「似たトラブルがどこで何度も起きているのか」「どの設備・部品・工程の組み合わせが危険なのか」といった横断的なパターン把握が難しいという課題がある。
また, 報告書は自由記述が多く, 定量的な集計や統計分析が行いにくいため, 経験豊富な品質担当者に属人的にノウハウが滞留しがちである。結果として, 同じようなトラブルが拠点や製品を跨いで繰り返し発生し, 真の意味での「再発防止ナレッジ」が組織として共有されていない。
本プロジェクトは, 過去の品質トラブル報告書をAIで解析し, トラブルのパターンと要因構造を可視化するとともに, 効果の高かった対策パターンをナレッジとして抽出することで, 再発防止と未然防止を支援するAI基盤を構築することを目的とする。
技術概要とアーキテクチャ
本プロジェクトでは, 品質トラブル報告書（テキスト, Excel, PDF, 添付図表など）を入力とし, AIが内容を構造化して「どのような条件下で, どのようなトラブルが, なぜ発生し, どの対策が効いたのか」を機械的に読み解く仕組みを構築する。
まず, 報告書をOCRおよびレイアウト解析によりテキスト化し, タイトル, 発生日, 製品情報, 工程情報, 原因欄, 対策欄などの項目を抽出する。自然言語処理により, トラブル現象, 要因（4M分類）, 根本原因, 恒久対策などをタグ付けし, データベース上で扱える構造化データに変換する。
次に, 構造化されたデータに対してクラスタリングや頻出パターン分析を行い, 「どの製品×工程×設備で, どのようなトラブルが繰り返し発生しているか」「どの対策が, どの条件下で効果を発揮しているか」といったパターンを抽出する。同時に, 大規模言語モデル（LLM）を用いて, 個々の報告書から汎用性の高い教訓や再発防止の要点を要約し, ナレッジとして再編成する。
ユーザー側には, 品質担当者が自然文で問いかけると, 過去の類似トラブル事例や有効な対策パターンを提示するナレッジ検索インターフェースを提供する。RAG（Retrieval-Augmented Generation）を用いることで, AIが生成する回答に対し, 根拠となる実際の報告書を参照できるようにし, 現場で信頼して使える仕組みとする。
技術詳細
- データ収集・標準化
- 紙・PDF・Excel・Word形式の品質トラブル報告書の収集
- OCRによるスキャン文書のテキスト化
- レイアウト解析に基づく項目ごとのセグメンテーション（タイトル, 発生日時, 製品, 工程, 原因, 対策 等）
- 各拠点・各フォーマットの項目名ゆれの正規化
- 自然言語処理・情報抽出
- トラブル現象の抽出（例：割れ, 欠け, 汚れ, 寸法不良 等）
- 原因・要因の抽出と4M分類（Man, Machine, Material, Method）
- なぜなぜ分析からの根本原因候補の抽出
- 対策内容の分類（暫定対策 / 恒久対策 / 教育・標準化 等）
- 影響範囲（ロット, 顧客, 出荷済み有無）の抽出
- パターン分析・因果関係把握
- 類似トラブルのクラスタリング（製品, 工程, 設備, 現象, 原因の組み合わせ）
- トラブル発生パターンの頻度分析（どこで何が繰り返されているか）
- 対策と再発有無の関係分析による「効いた対策」「形骸化した対策」の可視化
- 季節要因, 設備更新, 材料変更などイベントとの関連性分析
- ナレッジ抽出・LLM活用
- クラスタ単位での「典型トラブルパターン」の自動サマリー生成
- 有効な再発防止策の要点整理（チェックリスト化, 注意ポイント化）
- LLMによる「学び・教訓」の文章化（教育資料・標準書への転用を想定）
- RAGに基づく, 過去事例に裏付けされた回答生成
- UI・活用イメージ
- キーワードや自然文での検索（例：「成形工程でのクラック事例」「材料変更後の寸法不良」など）
- 類似トラブル事例一覧と, 各事例の要点サマリー表示
- トラブルクラスタごとの頻度・再発状況を可視化するダッシュボード
- 報告書登録時に, AIが入力内容の抜け漏れ・曖昧表現を指摘する支援機能
HI3の提供価値
本プロジェクトにより, 品質トラブル報告書が「単なる帳票」から「組織の知的資産」へと変換される。過去の事例が体系化されることで, 新たなトラブル発生時にも, 類似事例と有効対策に即座にアクセスでき, 現場の判断スピードと対策の質が向上する。
また, 再発を繰り返しているパターンを俯瞰的に把握できるため, 個別対応に終始するのではなく, 標準化や設計見直し, 仕入れ先の見直しなど, 上位レベルの施策へとつなげやすくなる。これは, 長期的な不良削減と品質コスト削減に直結する。
さらに, 報告書の書き方・粒度もAIのフィードバックを通じて徐々に標準化され, 若手担当者でもベテランに近いレベルの分析視点を身につけることができる。結果として, 品質保証部門だけでなく, 設計・生産技術・製造部門を含めた全社的な「学習サイクル」を回す基盤として機能し, メーカーとしての品質競争力を継続的に高めることができる。
