タイの日系工場でAI外観検査を導入する際の運用課題と対策

タイの日系工場でAI外観検査を導入する際の運用課題と対策

リード文

タイの工場でAI外観検査を導入すると、照明条件の変化や季節・ライン差による誤検知、現場スタッフの運用への抵抗感という課題が本番運用後に表面化します。検品自動化を検討する生産技術・品質管理責任者に向けて、PoC での対象工程の選び方から、撮像環境の固定、誤検知への対応フローの現場合意まで、具体的な事例を基に判断材料を整理しました。読み終えると、自社の検査工程がAI外観検査に適しているかを撮像条件・欠陥類型・サンプル数の観点で見極め、他工程へ展開する際に何を確認すべきかを検討できるようになります。

タイでは人手不足と現地人材の定着率の課題が重なり、目視検査の属人性を解消する手段として AI 外観検査への関心が高まっています。日系ベンダーの現地展開や現地パートナーとの連携も進み、導入のハードルは下がりつつあります。

人手不足と検品品質のばらつきという課題

熟練検査員の退職と後継者不足により、外観検査の技能を次の世代に引き継げないまま検査体制が縮小していく工場が目立ちます。微細なキズや色ムラの判定は経験に依存する部分が大きく、担当者が入れ替わると同じ製品でも合否基準が揺れます。タイの拠点では現地スタッフの定着率が課題になりやすく、検査担当者が数か月で交代するケースも珍しくなく、そのたびに教育をやり直す負担が生産技術部門にのしかかります。

判定基準のばらつきは、同じロットを別の検査員が見たときに合否が分かれる、あるいは同じ検査員でも時間帯や疲労度によって判定が変わるという形で現れます。この属人性は検査記録として数値化されにくく、不良の見逃しや過剰な廃棄の原因を後から特定することも難しくなります。目視検査のマニュアルを整備しても、判定の最終的な線引きは検査員の感覚に委ねられる部分が残り、文書化だけでは解消しきれません。

判定基準の揺れを放置すると、出荷先からのクレーム対応や社内の再検査コストがかさみ、品質管理部門が原因調査に時間を割かれる悪循環も起きます。新人検査員の育成には一定の期間が必要で、その間は合否判定の精度が安定しない過渡期が続きます。生産量が増える時期に検査員を増員すると、育成途中のスタッフが混じることで全体の判定精度がさらに下がるという事情も見逃せません。

こうした技能継承の難しさと判定のばらつきが、検査工程を自動化し基準を数値化したいという動機の中心になっています。AI外観検査への期待は、この属人性を仕組みとして置き換えられるかどうかにかかっています。

導入前に想定していた効果

検査時間の短縮と判定の均一化が、導入前に掲げられる効果の中心です。検査員ごとに揺れていた合否基準を数値化した閾値に置き換えることで、誰が担当しても同じ判定が出る状態を目指す発想が背景にあります。検査記録が自動で残ることで、新人教育にかかる期間の短縮も期待されます。これまでは先輩検査員の横に付いて判定の感覚を覚えるまでに時間がかかっていましたが、AI が判定した画像とその根拠を教材として使えば、何を見て不良と判断しているかを具体的に示せます。

熟練検査員への依存を減らせる点も、生産技術部門が導入を検討する理由の一つです。検査員の退職や異動があっても、判定基準そのものが仕組みの中に残るため、属人化した技能が引き継がれずに失われる事態を避けられると見込まれます。検査工程の記録がデータとして蓄積されることで、不良の発生傾向を後から分析し、製造工程側の改善につなげられるという期待も含まれます。

効果を見積もる際は、検査時間・見逃し率・教育期間のどれを優先して測るかを導入前に決めておくことが欠かせません。優先順位を決めずに導入すると、PoC の結果が良かったかどうかを後から判断しづらくなります。これらの効果はいずれも撮像環境や欠陥の定義が整った状態を前提にしており、期待値を現場と共有する際には、どの条件が揺れると効果が出にくくなるかも併せて説明しておく必要があります。PoC(概念実証) の段階で測定項目を固めておくと、本格展開後の効果検証がしやすくなります。

どのように導入を進めたのか?

どのように導入を進めたのか?

全ラインへの一斉展開ではなく、撮像条件が安定しやすい単一工程を対象にPoCを実施し、現場の合否基準を数値目標として合意した上で段階的に広げる進め方が一般的です。期待値のズレは、この最初の合意形成の精度に左右されます。

PoCでの検証対象の選定

撮像角度とワーク材質が固定しやすく、欠陥の種類が少数に絞れる工程を PoC の対象に選ぶと、照明条件のばらつきが検証結果に紛れ込みにくくなります。複数材質が混在するラインや、搬送中にワークの向きが変わる工程は、撮像条件そのものが安定しないため、AI の判定精度を評価する前段階でつまずきやすくなります。逆に、単一部品を同じ姿勢でカメラ前に止めて撮影できる工程であれば、欠陥とそれ以外の差分を学習しやすく、PoC の結果が本番導入後の精度と近づきます。

データ量の目安としては、良品画像を 500〜1000 枚、欠陥パターンごとに 50〜100 枚程度集められる工程を選ぶと、検証に必要なサンプル数を確保しやすくなります。欠陥の発生頻度が低い工程では、この枚数を集めるまでに時間がかかるため、PoC 期間の見積もりに影響します。検査対象を選ぶ際は、既存の不良記録からキズ・異物・色ムラなど欠陥の分類がどの程度明確にできているかも確認し、分類が曖昧な工程は後回しにする判断が必要です。

複数ラインを抱える工場では、最も撮像環境が整っている 1 ラインを最初の PoC 対象に絞り、そこで得た知見を他ラインへ展開する順序が、現場の混乱を避けるうえで有効です。対象工程を絞り込む段階で、タクトタイムに収まる撮像・判定の処理時間が確保できるかどうかも確認しておくと、PoC の結果をそのまま本番運用の速度要件と比較しやすくなります。選定を誤ると、照明や欠陥定義の問題なのか、工程選びの問題なのかが切り分けられず、原因の特定に時間がかかります。

現場スタッフへのヒアリングと期待値調整

何を以て不良と判定しているかを、検査員ごとの言葉でヒアリングし、文書に残す作業がPoCの前段で必要になります。「キズが目立つ」「色が薄い」といった感覚的な表現のまま進めると、AIの判定基準とすり合わせる対象が定まらず、PoC後に「思っていた判定と違う」という不満が出やすくなります。キズの長さや深さ、色ムラの範囲など、できるだけ測定可能な表現に落とし込み、境界線に近いサンプルを検査員と一緒に選び出す作業が有効です。ヒアリングはベテラン検査員だけでなく、判定基準が固まっていない新人検査員にも行い、両者の見方がどこで食い違うかを突き合わせておくと、AIの閾値設定に使える境界サンプルの幅が広がります。

このヒアリングと並行して、PoCで何を測るかの数値目標も現場と合意しておく必要があります。見逃し率をどこまで許容するか、過検知による二重作業がどの程度までなら現場が受け入れられるか、検証に使うサンプル数と期間をどう設定するかを、生産技術部門と検査員の双方で確認します。この合意が曖昧だと、PoCの結果が良くても現場が納得せず、本格展開の判断で意見が割れる原因になります。

期待値調整では、AIが完全に検査員を置き換えるのではなく、判定の一次フィルタとして機能し、境界線上の判定は人が確認する運用になる点も事前に伝えておくと、現場の過度な期待や不信感を避けやすくなります。合意した数値目標と判定基準は一枚の文書にまとめ、PoC期間中に関係者が立ち返って確認できる状態にしておくことも欠かせません。

現場で実際に何が起きたのか?

現場で実際に何が起きたのか?

PoCで合意した判定基準をそのまま本番環境に適用しても、タイの工場特有の撮像条件や現場運用との食い違いが次々と表面化しました。照明の変化、季節やラインごとの環境差、検査員の受け止め方という三つの側面で、想定外の事態が重なって現れています。

照明条件の変化による誤検知

照明の揺れによる誤検知は、PoC で合意した判定基準をそのまま本番ラインに移した際に表面化しやすい問題です。PoC では撮像条件を固定した環境で画像を収集することが多い一方、本番ラインでは天井照明と外光が混在し、時間帯や天候によって同じ良品でも写り方が変わることがあります。こうした環境差によってワーク表面の反射の出方が変わると、PoC で合意した閾値のままでは、反射が強く出た良品を不良として過検出する場合と、逆に欠陥部分が反射に隠れて見逃される場合の両方が生じ得ます。これは撮像環境が一定でない現場では一般に起こりうる現象です。

原因を切り分ける際には、誤判定が出た時間帯と撮像画像を突き合わせ、照明条件の変化が判定に影響しているかどうかをまず確認する作業が必要になります。欠陥そのものの特徴が変わったわけではなく、撮像環境が変動したことで AI が学習した見え方との差分が生じているケースでは、追加学習の前に照明環境を見直す方が改善につながりやすくなります。この切り分けを怠ると、照明の問題を精度不足と誤認し、不要な追加学習を重ねてしまう原因になります。

また、日照条件や工場内照度の変化によって撮像条件が変わり、判定閾値のズレが生じる点は、照明環境が変動する現場では一般に起こりうる現象として認識しておく必要があります。誤判定ログを時間帯や天候別に集計し、過検出や見逃しの偏りが見える状態にしておくことで、外光を遮る措置の必要性を判断しやすくなります。

季節や生産ラインの違いによる判定基準のズレ

雨季と乾季で工場内の湿度と外光の強さが変わると、同じ照明設備でもワーク表面の写り方が月単位で変化し、照明条件の変化による誤検知で確認した時間帯ごとの偏りとは別に、季節単位での閾値のズレが生じる可能性があります。乾季の晴天が続く時期は外光が強く入りやすく、その時期の画像を基準に設定した閾値では過検出が増え、雨季に入ると逆に外光が弱まって欠陥部分のコントラストが下がり、見逃しの方向にズレが出ることが考えられます。PoC の検証期間が数週間程度にとどまる場合、乾季か雨季かどちらか一方の条件しか学習データに含まれず、もう一方の季節に入った段階で判定が崩れる事態が起こり得ます。

ラインごとの違いも同様の問題を生みます。搬送スピードや振動の大きさがライン間で異なると、同じカメラ・同じ照明設定でも撮像時のブレ具合が変わり、PoC を実施したラインでは安定していた判定が、別のラインに展開した途端に精度が落ちるケースが想定されます。治具の摩耗や設置位置のわずかなズレも、撮像距離や角度を変える要因になります。

季節とライン差という二つの変動要因を切り分けるには、誤判定ログを月別・ライン別に分けて集計し、過検出と見逃しのどちらに偏っているかを確認する手順が有効です。過検出が季節で偏っていれば外光の遮断、見逃しがライン固有であれば搬送・治具の点検という具合に、原因ごとに対策を分けて検討する必要があります。一つの閾値を全ライン・全季節で固定運用せず、条件ごとに調整できる仕組みを前提に設計しておくことが、本番運用後のズレを早期に発見する手がかりになります。

現場スタッフの運用への抵抗感

過検知によって不良と判定されたワークを検査員が目視で再確認する二重作業が発生すると、AI導入の意義そのものへの疑問が現場に生まれやすくなります。操作画面に表示される判定結果や統計値の見方が分かりにくく、画面を開いてから再確認を終えるまでの時間がかえって延びる場面もありました。照明条件の変化による誤検知で確認したように、同じ良品でも時間帯によって判定が割れる現象を検査員が目にすると、AIの判定そのものへの不信感が先に固まってしまい、以降の過検知を正常なチューニング過程として受け止めてもらえなくなる要因になります。

ベテラン検査員ほど、長年の感覚で合否を決めてきた判断がシステムの閾値に置き換わることへの抵抗が強く、自分の技能が否定されたと感じる反応が生じやすい点も抵抗感の主因です。この抵抗感は操作研修を一度行っただけでは解消せず、誤判定が出た画像をその場で検査員と一緒に確認し、なぜその判定になったかを都度説明する積み重ねが必要でした。判定根拠を共有せずに閾値だけを調整し続けると、現場は変更の理由を理解できないまま運用に従うだけの状態になり、抵抗感は表面上収まっても本質的には解消しません。

シフトごとに検査員が交代するラインでは、前のシフトで説明済みの判定理由が次のシフトに引き継がれず、同じ説明を繰り返すうちに現場側の対応が形式的になっていく問題も見られました。引き継ぎ内容を口頭ではなく記録として残し、誰が確認しても同じ説明にたどり着けるようにしておく運用が、交代制の現場では欠かせません。

導入前と導入後で何が変わったのか?

導入前と導入後で何が変わったのか?

照明条件のズレや現場の抵抗感に対処した後、検査精度・作業時間・現場の受け止め方には導入前と明確な差が生まれました。変化は数値だけでなく、検査員の判定への向き合い方にも表れています。

検査の精度と作業時間の変化

検査時間の短縮と判定の均一化という、導入前に掲げた効果を確認するには、照明環境の調整と誤判定ログの運用が定着した段階で、何を基準に比較するかをあらかじめ決めておく必要があります。過検出・見逃し・二重確認の件数といった指標は、照明条件を固定し、季節・ライン別の閾値調整を済ませた状態でなければ比較の前提がそろわず、導入初期の数字だけでは効果を判断できません。誤判定ログを月単位・ライン単位で集計し、原因を切り分けて対策を重ねたうえで評価する姿勢が求められます。

作業時間については、検査そのものに要する時間が短縮されたとしても、過検知対応に要する時間が完全にゼロになるとは限りません。境界線上の判定を人が確認する運用を残す工程では、検査員の作業は「全数目視」から「AI が止めたものだけ確認する」形に変わり、時間の使い方そのものが変化します。判定の均一化という点では、検査員が交代しても同じ基準で合否が出る状態に近づけば、新人教育で基準をすり合わせる期間の短縮にもつながります。

効果を評価する際は、検査時間・見逃し率・教育期間のどれを基準に比較するかを PoC 段階で定量的に設定しておくことが、導入後の数字を読み解く土台になります。比較対象をそろえるには、導入前の記録として検査員ごとの処理件数や再検査率を数値として残しておく必要があり、記録が残っていない工程では導入後の変化を体感的にしか説明できません。また、効果が安定するまでの期間はライン条件によって異なるため、ある工程で見えた改善幅をそのまま別の工程の目標値として当てはめることは避け、工程ごとに測定期間を設けて確認する進め方が実務的です。

現場の受け止め方の変化

判定ログを教育材料として使う運用に切り替えたことで、新人検査員の研修資料として誤判定の画像と判定理由を一覧化し、ベテラン検査員の感覚に頼らずに判定基準を説明できる場面が増えました。誤判定が出た画像をその場で検査員と確認し、判定根拠を都度説明する積み重ねを続けることで、検査員が「なぜ止まったか分からない」という状態から、「この条件では過検出が出やすい」と条件を踏まえて予測しながら使う姿勢へ変わっていくことが期待されます。

抵抗感が強かったベテラン検査員も、自分が指摘してきた境界線上のサンプルが追加学習に反映され、判定精度が実際に改善する過程を目にすることで、閾値調整を自分の技能の否定ではなく、技能を仕組みに落とし込む作業として受け止めやすくなります。シフト交代時の引き継ぎ内容を記録として残す運用を定着させることで、交代後の検査員が同じ説明を繰り返し求める場面を減らすことにもつながります。

受け止め方の変化を確認する際は、検査員にアンケートを取るよりも、誤判定を報告してくる頻度と内容の変化を見る方が実態に近い判断材料になります。初期は「なぜ止まったか分からない」という報告が多く、運用が進むにつれて「この時間帯はまた過検出が出そうだ」という予測を含む報告に変わっていく工程では、現場がシステムの挙動を自分たちの言葉で説明できるようになったと判断できます。この変化が見られない工程では、判定ログの共有頻度や説明の粒度を見直す必要があります。

この事例から得られた教訓は何か?

この事例から得られた教訓は何か?

照明条件のズレと現場の抵抗感は、どちらも事後対応では解消しきれず、PoC 段階で前提を固めておくかどうかで本番運用後の負担が大きく変わりました。撮像環境の固定と、誤検知が出たときの対応手順の合意という二点が、他工程への展開可否を左右する分岐点になっています。

照明・環境条件を事前に固定する重要性

専用照明の採用と外光の遮断、カメラ位置を固定する治具の導入が、照明条件の変化による誤検知と季節・ラインごとの判定基準のズレの双方を未然に防ぐ土台になります。本番ラインで天井照明と外光が混ざる状態を放置したまま追加学習を重ねても、学習データ自体が撮像環境の変動を含んでしまい、閾値を調整するたびに別の時間帯や季節で新たなズレが出るという繰り返しに陥ります。撮像ブースを設け、外光が入らない構造にしてから固定照明を導入すると、良品・欠陥品の見え方が一日の中でも季節の中でも揺れにくくなります。

治具についても、搬送時の振動や設置位置のわずかなズレが撮像距離や角度を変える要因になるため、ワークを同じ姿勢・同じ位置で止めて撮影できる構造にしておく必要があります。これらの環境を固定する作業は、PoC の対象工程を選ぶ段階から本番ライン全体への展開を見据えて計画し、PoC で使った撮像ブースと本番ラインの照明条件をできる限り近づけておくことが望ましいです。

環境を固定した上で誤判定が出た場合に限り、欠陥の特徴量や閾値の問題として追加学習を検討する順序を守ると、原因の切り分けにかかる時間を抑えられます。固定済みの撮像環境であっても、照明器具の経年劣化や汚れによる光量低下は数か月単位で起こるため、定期的に照度を点検し、基準値からの変化を記録しておく運用も欠かせません。点検の記録を残しておけば、判定精度が落ちた際に照明設備の劣化と欠陥傾向の変化のどちらが原因かを早期に切り分けられます。

誤検知への対応フローを現場と合意しておくこと

誤判定が発生した際に誰が何を確認し、どの手順で対処するかをPoC段階で文書化し、現場と合意しておく必要があります。環境を固定した後でも誤判定はゼロにならないため、起きたときの対応フローが決まっていないと、「結局自分たちで見るしかない」という不満が再発します。

対応フローは、誤判定ログの蓄積、原因分類、追加学習またはルールベースフィルタの適用という順序で組み立てることが推奨されています。

  1. 過検出・見逃しが出た画像を記録する
  2. 照明・季節・治具のズレか、欠陥特徴量の学習不足かを分類する
  3. 環境起因であれば照明・治具の点検、学習不足であれば境界サンプルを追加して再学習する
  4. 対応結果を検査員にフィードバックし、同じ分類の誤判定が減ったかを週次で確認する

このフローを誰が担当するかも決めておきます。画像の一次分類は検査員、原因の切り分けは生産技術部門、追加学習の実施はベンダーまたは社内のシステム担当という役割分担を事前に合意しておくと、誤判定が出た際に対応が滞りません。合意内容は口頭で終わらせず、シフト交代時にも参照できる文書として残しておくことが、異常を未然に報告する運用への移行を後押しします。

他の工場や工程に応用するには何を確認すべきか?

他の工場や工程に応用するには何を確認すべきか?

撮像環境の固定と誤検知対応フローの合意は、照明条件や欠陥類型が異なる別工程にそのまま移せるわけではありません。工程ごとに撮像条件・欠陥の視認性・必要サンプル数を確認し、現場との合意を個別に積み直す作業が、展開の精度を左右します。

自社の検査工程がAI外観検査に適しているかの見極め方

撮像条件を固定できるかどうかが、最初に確認すべき条件になります。ワークの姿勢・角度・距離を治具で一定に保てる工程か、搬送中にワークの向きが変わってしまう工程かで、AI 外観検査に適しているかどうかが大きく分かれます。複数材質や複数形状が混在するラインは、撮像条件そのものが揺れやすく、PoC の対象として優先度を下げるべき工程です。

欠陥の類型が明確に分類できるかも確認が必要です。キズ・異物・色ムラのように、既存の不良記録で境界線を説明できる欠陥であれば AI に学習させやすく、検査員の感覚的な表現しか残っていない欠陥は、判定基準を数値に落とし込む作業から始める必要があります。

データ量の確保も見極めの対象です。良品画像を 500〜1000 枚、欠陥パターンごとに 50〜100 枚程度集められるかを事前に確認し、欠陥の発生頻度が低い工程では、この枚数を集めるまでの期間を PoC の計画に含めておく必要があります。

タクトタイムに撮像・判定の処理が収まるかどうかも欠かせない条件です。処理時間が検査工程全体の速度を下げる場合、ハードウェア構成の見直しか対象工程の再選定のどちらかが必要になります。これらの条件を一つずつ確認し、どれかが欠けている工程は後回しにする判断が、他工程への展開を安全に進める基準になります。

現場との合意形成を進める際の進め方

対象工程を選んだ後、PoC 開始前に数値目標・測定方法・合意期間の三点を文書化し、現場スタッフと生産技術部門の双方が確認する場を設ける進め方が実務的です。見逃し率と過検出率をどこまで許容するか、検証に使う良品・欠陥品の枚数と期間をどう設定するかを、PoC 対象工程の選定で確認した条件に合わせて具体的な数値に落とし込みます。数値目標が決まったら、週次で誤判定の傾向を現場と確認するサイクルを組み込みます。

週次レビューの確認項目確認する内容
誤判定の件数と種類過検出・見逃しのどちらが増えているか
発生時間帯・ライン照明条件や搬送条件との関連があるか
対応状況追加学習・ルールフィルタ適用のどちらを選んだか
現場の反応二重作業の負担感が増減しているか

このレビューは PoC 期間中から本番運用の初期まで継続し、記録を蓄積しておくと、別工程への展開時に同じ合意プロセスを再現しやすくなります。合意内容は口頭で終わらせず、シフト交代時にも参照できる文書として残す運用を最初から前提にしておきます。生産技術部門だけで数値目標を決めて現場に通知する進め方では、境界線上の判定に対する納得感が薄れやすく、週次レビューの場そのものを現場が形式的に受け止める結果につながりかねません。確認の場には、ベテラン検査員と新人検査員の双方を同席させ、判定の見方の違いをその都度突き合わせておく進め方が、合意の精度を保つうえで役立ちます。

よくある質問

よくある質問

導入期間の目安と、誤検知が発生した際の改善の進め方について確認します。

Q1: AI外観検査の導入にはどれくらいの期間がかかるか?

PoCに2〜3か月、パイロット運用に3〜6か月を要し、本番構築まで含めると合計で数か月から半年程度を見込む必要があります。期間は撮像条件の固定状況と欠陥発生頻度に左右され、良品・欠陥品のデータ収集に時間がかかる工程ではPoC期間が延びます。また、季節単位の判定基準のズレを確認するには、乾季・雨季の両方をまたぐ検証期間を確保した方が、本番移行後のやり直しを避けられます。他ラインへ展開する場合は、最初のラインで固めた合意プロセスを再利用できるため、2本目以降は期間を短縮できる可能性がありますが、照明条件やライン構成が異なる場合は同程度の検証期間が必要になる点に留意してください。

Q2: 誤検知が多い場合はどう改善すればよいか?

過検出か見逃しかを分類し、原因を環境要因か学習不足かで切り分けます。照明・治具のズレが原因なら撮像環境の点検から、欠陥特徴の学習不足ならサンプル追加とルールベースフィルタの併用から着手すると改善につながります。

まとめ

まとめ

撮像環境の固定と誤検知対応フローの合意が、タイの工場でAI外観検査を安定運用できるかどうかを分けます。PoCでは撮像条件が固定しやすく欠陥類型が明確な工程を選び、現場スタッフとの間で判定基準と数値目標を具体的な言葉に落とし込んでおく作業が出発点になります。本番展開後は、照明の揺れや乾季・雨季の環境差、ライン間の搬送条件の違いによって判定基準がズレる事態を避けられないため、専用照明と固定治具で撮像環境をあらかじめ整えておくことが欠かせません。誤判定が出た際は、ログの蓄積、原因の分類、環境点検または追加学習という順序で対応し、担当範囲を検査員・生産技術部門・システム担当で分けておくと、現場の「結局自分たちで見るしかない」という不満を防ぎやすくなります。他工程へ展開する場合も、撮像条件・欠陥の視認性・必要サンプル数を個別に確認し、週次レビューで現場との合意を積み直す進め方が有効です。自社の検査工程がこれらの条件を満たすかどうかを、まずは対象工程を一つ選んで棚卸しすることから始めてみてください。

参考文献

  1. www.meti.go.jp/policy/it_policy/jinzai/AIguidebook_gaikan_ryohin_FIX.pdf閲覧日 2026年11月20日
  2. www.meti.go.jp/policy/it_policy/jinzai/AIguidebook_gaikan_furyo_FIX.pdf閲覧日 2026年11月20日
  3. www.meti.go.jp/policy/tech_evaluation/c00/C0000000R03/211208_regulation_1st/reg…閲覧日 2026年11月20日
  4. www.dcce.go.th/wp-content/uploads/2025/05/NAP-THAILAND-2024-English-Edition.pdf閲覧日 2026年11月20日
  5. www.thailand.go.th/public/issue-focus-detail/labour-minister-outlines-three-key…閲覧日 2026年11月20日

著者・監修者

Yusuke Ishihara

Yusuke Ishihara

13歳でMSXに触れプログラミングを開始。武蔵大学卒業後、航空会社の基幹システム開発や日本初のWindowsサーバホスティング・VPS基盤構築など、大規模システム開発に従事。 2008年にサイトエンジン株式会社を共同創業。2010年にユニモン株式会社、2025年にエニソン株式会社を設立し、業務システム・自然言語処理・プラットフォーム開発をリード。 現在は生成AI・大規模言語モデル(LLM)を活用したプロダクト開発およびAI・DX推進を手がける。