背景
製造、金融、法律サービスなど、厳しい規制のある業界の専門職は、勤務時間の多くを長大な報告書、技術文書、契約書、社内ナレッジリポジトリの確認に費やしています。文書量が増え続ける中、重要な情報を手作業で抽出するにはますます時間がかかり、業務効率の向上を妨げています。
McKinseyは、業務活動の約 40%で中程度の自然言語理解能力が必要になると推定しており、知識集約型の業務は、AIによって最も大きな生産性向上を実現できる領域の一つとなっています。一方、日本では労働力の減少により自動化の優先度がますます高まっており、企業は生産性の向上とナレッジワーカーの支援を目的にAI技術への投資を進めています。
こうした背景から、印刷、コミュニケーション、セキュリティ、包装資材、装飾材、エレクトロニクスの分野で統合ソリューションを提供する日本のグローバル企業は、従業員による大量の業務文書の処理方法を改善したいと考えていました。 従業員は、重要な情報を特定し、調査結果を要約し、ビジネス上の意思決定を支援するために、しばしば数百ページにも及ぶ長大な報告書を確認する必要がありました。
クライアントは、専門分野ごとのコンテンツ全体で高い精度を維持しながら、有益なインサイトを自動的に抽出できる、AIを活用した日本語文書要約ソリューションを求めていました。
これらの目標を達成するため、クライアントはGEMと提携し、最新の自然言語処理(NLP)とTransformerベースの言語モデルを活用した、エンタープライズグレードの日本語文書要約エンジンを構築しました。
課題
導入前
- 従業員は長大な日本語文書、技術報告書、業務記録を手作業で確認しており、意思決定に先立って関連情報を探すために多くの時間を費やしていました。
- 既存の文書処理ワークフローは人の専門知識に大きく依存していたため、部門を横断してナレッジ管理を拡大することが困難でした。
- 汎用的なテキスト要約モデルでは、企業での利用に必要な業務固有の専門用語や分野知識を正確に捉えることが困難でした。
- クライアントは、業務領域ごとに個別のAIモデルを開発することなく、複数の文書タイプに対応できるソリューションを必要としていました。
導入過程
- 日本語処理には、漢字、ひらがな、カタカナを含む複数の文字体系に加え、複雑な文法構造や文脈に依存する表現に起因する、特有の技術的課題がありました。
- エンタープライズグレードの日本語文書要約エンジンの開発には、長文文書の要約精度と処理効率の両立が求められました。
- AIモデルは、さまざまな業界や文書形式に柔軟に対応しながら、分野固有の専門用語を理解する必要がありました。
- 要約の品質を向上させ、生成結果が実際の企業要件に合致するよう、業務ユーザーからの継続的なフィードバックを開発プロセスに取り入れました。
ソリューション
クライアントによる文書処理の多いワークフローの自動化を支援するため、GEMは最新の自然言語処理(NLP)とTransformerベースのAIモデルを活用した、エンタープライズグレードの日本語文書要約ソリューションを開発しました。このソリューションは、複数の業務領域に柔軟に対応しながら、長大な日本語文書を正確に処理できるよう設計されました。
転移学習フレームワーク
GEMは、業界ごとに個別のモデルを構築する代わりに、AIエンジンが領域を横断して知識を再利用できる転移学習アプローチを採用しました。これにより開発工数を削減するとともに、将来のユースケースに向けた日本語文書要約ソリューションの拡張性を高めました。
エンタープライズNLPパイプライン
GEMは、長文の日本語文書から重要な情報を抽出し、重要な文を特定して、簡潔な要約を生成する自動化されたNLPパイプラインを開発しました。このワークフローにより、ビジネスの文脈を保持しながら、文書確認に必要な手作業を大幅に削減しました。
高度な言語モデル
このソリューションは、CRF、LSTM、BERT、T5、GPT-2を組み合わせ、意味理解、キーワード抽出、テキスト生成の性能を向上させました。 これらのモデルを組み合わせることで、AIエンジンはさまざまな文書形式に対して、正確で文脈を踏まえた要約を生成できるようになりました。
継続的なモデルの最適化
本番環境で一貫した性能を確保するため、GEMはお客様からの定期的なフィードバックを開発プロセスに取り入れました。継続的なモデルの改良により要約の品質を高め、変化するビジネス要件にソリューションを適合させました。
転移学習フレームワーク
GEMは業界や文書形式ごとに個別のAIモデルを開発する代わりに、ある領域で学習した知識を別の領域に効率よく適用できる転移学習のアプローチを採用しました。これにより、モデルの開発期間を大幅に短縮するとともに、将来の企業向けユースケースに対する拡張性を高めました。
また、このアプローチにより、追加の領域知識が得られるたびに、日本語文書要約エンジンを継続的に改善できるようになりました。
技術スタック
- 条件付き確率場(CRF)
- 長短期記憶(LSTM)
- BERT
- T5 (Text-to-Text Transfer Transformer)
- GPT-2
- 転移学習
- 二値分類
- キーフレーズ抽出
- 文分類
- 抽象型テキスト要約
成果物
本プロジェクトでは、長文のビジネス文書を高い精度で処理し、手作業による文書レビューを大幅に削減できる、AIを活用した日本語文書要約ソリューションを実現しました。
主な成果物は以下のとおりです:
- 長文の日本語ビジネス文書に特化した、企業での利用に対応する日本語文書要約エンジンを開発しました。
- キーフレーズの抽出、重要な内容の分類、簡潔な要約の生成を行う自動化されたNLPパイプラインを構築しました。
- 最小限の再学習でAIソリューションをさまざまな業務領域に適用できる転移学習フレームワークを実装しました。
- 高度なTransformerベースの言語モデルを活用し、意味理解と要約の品質を向上させました。
- 将来の文書処理や企業のナレッジマネジメント施策を支える、拡張性のあるAI基盤を確立しました。
導入効果
業務面での効果
- 簡潔で文脈を踏まえた要約を自動生成することで、長文の日本語文書のレビューに必要な時間を短縮しました。
- 反復的な手作業による文書分析を最小限に抑え、従業員の生産性を向上させました。
- 大量の企業文書に含まれる重要なビジネス情報に、より迅速にアクセスできるようになりました。
- 標準化されたAI生成要約を通じて、文書処理の一貫性を高めました。
ビジネス面での効果
- 関係者が行動につながる知見により迅速にアクセスできるようにし、ビジネス上の意思決定を加速しました。
- ビジネス情報を見つけやすく、理解しやすくすることで、部門間の知識共有を改善しました。
- 組織全体で文書処理の多い追加のワークフローを支援できる、拡張性のあるAI能力を確立しました。
- 文書要約以外の将来のAI施策にも対応できる、再利用可能な企業向けNLPプラットフォームを構築しました。
AIソリューションの性能
この日本語文書要約 ソリューションは、本番環境で優れた性能を実証しました。
- 企業での最初のユースケースとして、文書要約への導入に成功しました。
- 専門分野の日本語文書に対して、高い要約精度を実現しました。
- 大規模なモデルの再開発を必要とせず、複数の業界や文書形式に展開できるよう設計されています。
- 統計モデルとTransformerベースのAIを組み合わせた最新のNLPアーキテクチャを基盤とし、企業での長期的な活用を支援します。
おわりに
企業が管理するデータ量が増加し続ける中、AIを活用した文書処理は重要なビジネス能力となりつつあります。GEMは、高度な日本語文書要約を通じて、クライアントのナレッジ抽出の自動化、業務効率の向上、意思決定の迅速化を支援しました。また、このソリューションは、今後の全社的なインテリジェント文書処理(IDP)への取り組みに向けた拡張可能な基盤も提供します。
ほかの成功事例もご覧ください: モバイルバンキングアプリケーション開発:300万人のユーザーと月間1,030万件の取引を支える

