AI駆動型コールセンター品質保証・性能最適化システムの開発 本プロジェクトでは、AIとHuman QAを組み合わせ、コールセンターの全通話をモニタリング・評価するシステムを開発しました。音声解析、感情分析、可視化を通じて、通話品質の改善とエージェント育成を支援します。開発工数は100MM、開発期間は1年間です。 プロジェクト概要 開発対象 AI駆動型コールセンター品質保証・性能最適化システム 開発工数 100MM 開発期間 1年間 業務課題 01．一部通話のみを評価 QAリソースの制約により、すべての通話を確認できないことが課題となっていました。 02．失敗原因を把握できない 顧客不満の根本原因をリアルタイムに分析できませんでした。 03．性能改善が難しい 接続率やエージェントのパフォーマンスを効果的に改善することが困難でした。 04．発信業務の無駄 未検証の電話番号への発信により、工数が失われていました。 導入ソリューション 01．AI＋Human QAのハイブリッド評価基盤 AIによる自動分析とQA担当者による確認を組み合わせ、通話品質を継続的に評価する基盤を構築しました。 02．コールセンター業務の統合モニタリング 通話品質、顧客感情、エージェントのパフォーマンスを一元的に可視化しました。 03．データに基づく業務改善 分析結果をエージェントのコーチング、応対品質の改善、発信キャンペーンの最適化に活用しました。 主な実現内容 01．全通話の音声解析 すべての通話を対象に、音声解析と自然言語処理による文字起こし・評価を実施しました。 02．AI自動スコアリング 統一された基準で通話を自動評価し、人による評価バイアスを低減しました。 03．Human QAによる検証 AIの評価結果をQA担当者が確認し、品質保証プロセスを補完しました。 04．リアルタイムダッシュボード トレンド、失敗パターン、改善につながる情報へリアルタイムにアクセスできるダッシュボードを構築しました。 05．コーチング支援・感情分析 エージェントの研修ニーズと顧客感情を把握し、CSATの向上に活用しました。 06．CRM／ダイヤラー統合 通話結果を顧客プロファイルや発信キャンペーンの目標と関連付けました。 使用技術 01．バックエンド：ASP.NET API、C# 02．フロントエンド：ReactJS 03．データ・クラウド：Azure SQL Server、Cosmos DB、Airtable、Azure 04．AI技術：音声解析、自然言語処理（NLP）、感情分析 コールセンターAIについて相談する AIソリューション実績集をダウンロードする
ライブ配信向けBeauty Camera AI SDKの開発・統合 本プロジェクトでは、ライブ配信サービス向けに、顔ランドマーク検出と美容フィルターを備えたBeauty Camera AI SDKを開発しました。PC Web、スマートフォンWeb、Windowsアプリの3つのプラットフォームへの導入を支援しました。開発工数は12.31MMです。 プロジェクト概要 開発対象 Beauty Camera AI SDK 対象サービス ライブ配信サービス 開発工数 12.31MM 対応プラットフォーム PC Web、スマートフォンWeb、Windowsアプリ Beauty Camera SDKの処理フロー 720p・1080pのFull HDカメラ映像から顔の位置と特徴点を検出し、検出した顔領域へ美容フィルターを適用します。加工後の映像をバーチャルカメラとして出力し、ライブ配信ページへ連携します。 主な美容フィルター：スキンスムージング、小顔効果、目の拡大、チーク 開発・最適化のポイント 01．低スペック端末への最適化 優先度の低いAIフィルターを整理し、必要なフィルター機能へ処理を集中しました。ライブ配信の性能と映像品質を考慮しながら最適化しました。 02．プラットフォーム別の導入 PC Web：統合ドキュメントを作成し、Beauty Camera SDKの導入を支援しました。 スマートフォンWeb：AI SDKを開発し、Webサービスへの統合を支援しました。 Windows：AI SDKを開発し、Windowsアプリへ統合しました。 03．Windows向けSDK構成 C#、C++、.NET Frameworkを使用し、x86・x64向けのSDKパッケージを構成しました。 UAT支援とSDK統合資料を提供し、PC Web・スマートフォンWebへの統合支援、およびWindowsアプリへのSDK統合を完了しました。 使用技術 C#｜C++｜VueJS｜Windows .NET Framework｜GitLab｜Bitbucket AI・画像処理SDKについて相談する AIソリューション実績集をダウンロードする
ハラルSNS向け3段階AIコンテンツ審査システムの検証・設計 本プロジェクトでは、インドネシア市場向けのハラルSNSにおいて、テキスト・画像・動画を対象とした3段階のAIコンテンツ審査フローを検証・設計しました。開発工数は22MM、開発期間は5カ月です。 プロジェクト概要 開発対象 ハラルSNS向けAIコンテンツ審査 対象コンテンツ テキスト・画像・動画 作業範囲 3レイヤー構成の実装・検証・評価・ベンチマーク・最終提案 開発工数 22MM 開発期間 5カ月 AIコンテンツ審査フロー ユーザーが投稿したテキスト・画像・動画を、端末、AWS、外部AIの3つのレイヤーで審査します。端末側でNG候補を絞り込み、追加確認が必要な投稿だけを上位レイヤーへ送信する構成です。 01．レイヤー1｜端末 テキストはNGワード辞書、画像・動画はTensorFlow Liteを使用して端末上で審査します。 02．レイヤー2｜AWS テキストはOpenAI Moderation API、画像・動画はONNX Runtimeを使用して追加審査を行います。 03．レイヤー3｜外部AI 追加確認が必要な場合は、SightengineおよびGoogle・AWS・AzureのAIサービスを利用して審査し、投稿可否を確定します。 実装・検証のポイント 01．多言語テキスト処理 テキストを小文字化し、記号・絵文字を除去して表記を統一しました。また、「4→a」「@→a」などの類似文字を置換しました。 言語別にトークン化・ステミングを行い、ホワイトリストを除外したうえでNGワードと照合しました。 02．画像・動画処理の最適化 AIモデルの入力仕様に合わせて画像をリサイズし、動画から判定対象となるキーフレームを抽出しました。 重複フレームを除去して処理データ量を削減し、信頼度スコアに応じて上位レイヤーへ送信しました。 03．AIサービスの比較・評価 顧客提供のデータセットと評価基準を使用して検証し、サービス別に判定精度と処理時間を測定しました。 管理者の目視結果とAIの判定結果を比較し、評価レポートを作成したうえで採用構成を提案しました。 AIコンテンツ審査について相談する AIソリューション実績集をダウンロードする
基板の挿入方向・欠品を自動検出するEdge AI外観検査治具の開発 本プロジェクトでは、AGAC・AGPS製品の基板を対象に、QRコードの組み合わせ確認と、部品の挿入方向・欠品などの実装不良検査を自動化するEdge AI基板検査治具を開発しました。開発工数は22MM、開発期間は5カ月です。 プロジェクト概要 開発対象 Edge AI基板検査治具 検査対象 AGAC・AGPS製品の基板 作業範囲 AI開発、ソフトウェア開発、ハードウェア統合、導入展開 開発工数 22MM 開発期間 5カ月 基板検査フロー DIP、FCT、ファームウェア書き込みが完了した基板を検査対象とし、基板側とLoRa側のQRコードを照合します。照合後にPCBラベルを貼り付け、Edge AIが基板画像から部品の挿入方向と欠品を判定します。検査に合格した基板は組立工程へ送り、不合格の場合は不良位置と検査ログを確認して修理工程へ送ります。 コアテクノロジー 01．QRコード照合 FCT完了後の基板を照合対象として登録し、PCBラベルのASSY S/NとLoRa側のQRコードを読み取ります。読み取った情報を照合用データファイルの組み合わせと比較し、一致・不一致をPass／Failで即時表示します。 不一致となった基板は後続の組立工程へ流さず、修理工程へ送ります。 02．Edge AI外観検査 DIP後の基板画像から部品の実装状態を確認し、挿入方向の誤りと欠品を自動検出します。約1,000枚の画像を撮影・ラベリングし、モデルを最適化したうえで実機環境における精度を検証しました。 判定結果と不良箇所は画面上に可視化します。 03．治具・エッジ実装 Jetson SOM搭載端末で画像をエッジ処理し、焦点距離を調整したカメラで基板を撮影します。マウント、ケーブル、照明を治具へ統合し、ラベル貼付工程直後のコンベア上に設置しました。 撮影した画像、基板ID、判定結果はローカル環境へ保存します。 Edge AI・外観検査について相談する AIソリューション実績集をダウンロードする
滅菌バッグの処理状態を判定するAI画像解析システムの開発 本プロジェクトでは、スマートフォンで滅菌バッグを自動撮影し、AIがインジケーターテープの色変化を解析するシステムを開発しました。滅菌処理状態の判定から記録・管理までを一元化しています。開発工数は16MM、開発期間は4カ月です。 プロジェクト概要 開発対象 滅菌バッグのAI自動判定システム 作業範囲 設計、AI開発、ソフトウェア開発、インフラ、テスト 開発工数 16MM 開発期間 4カ月 システムの仕組み 現場スタッフが滅菌バッグを設置すると、iPhoneアプリがバッグを自動検出・撮影し、画像をAI画像解析APIへ送信します。AIがインジケーターテープを抽出して色を解析・分類し、判定結果をアプリへ返します。画像、撮影日時、判定結果はMicrosoft Azureへ保存され、管理者は管理用Webから確認・対応できます。信頼度の低い判定は管理者へ通知されます。 コアテクノロジー 01．AI画像解析 解析精度を高めるため、撮影した画像を前処理します。事前学習済みの分類モデルをファインチューニングし、インジケーターテープの領域を特定・抽出します。 抽出したテープの色変化を解析し、滅菌処理状態と判定結果の信頼度を出力します。 02．自動撮影モバイルアプリ 従業員・医療機関ごとのアカウントでログインし、滅菌バッグを自動検出して撮影・クロップします。判定結果を画面に表示し、処理状況を音で通知します。 オフライン時にはデータを一時保存し、通信の復旧後に自動で再送します。 03．クラウド・管理基盤 画像、撮影日時、判定結果をMicrosoft Azureへ保存し、ユーザーと医療機関の紐付けを管理します。 管理用Webでは、データの検索・編集、画像のダウンロード、CSV出力に対応しました。また、信頼度の低い判定は管理者へ確認通知を送ります。 AI画像解析について相談する AIソリューション実績集をダウンロードする
BPO向けスマートコールセンターAIナレッジ基盤「NxKMS」の開発 本プロジェクトでは、コールセンターの業務知識を統合し、RAGを活用したAIチャットアシスタント「NxKMS」を構築しました。通話中の回答支援とオペレーターのオンボーディングを効率化するBPO向けスマートコールセンター基盤です。開発工数は20MM、開発期間は3カ月です。 プロジェクト概要 構築対象 BPO向けスマートコールセンターAIナレッジ基盤「NxKMS」 開発工数 20MM 開発期間 3カ月 関連ソリューション NxUniverse、NxKMS 業務課題 01．教育・オンボーディング ベテランスタッフへの依存を減らし、オペレーターの習熟時間を短縮する必要がありました。 02．回答の正確性・スピード 顧客対応の品質と回答スピードを向上させる必要がありました。 03．通話中の即時支援 通話中に必要なガイダンスと顧客情報を即座に取得できる仕組みが求められていました。 04．知識の蓄積・再利用 コールセンターの業務知識を蓄積・再利用し、組織全体でスケーラブルに活用する必要がありました。 導入ソリューション「NxKMS」 01．NxKMS・RAG コールセンターの業務知識を統合し、関連情報に基づいた回答を提供するRAG基盤を構築しました。 02．コールセンター・CRM連携 オペレーターからの質問に対し、正確で文脈に沿った回答を提示できるよう、コールセンターとCRMを連携しました。 03．24時間AIアシスタント オペレーターのオンボーディング、複雑なシナリオへの対応、リアルタイムでの提案を支援するAIアシスタントを構築しました。 04．統合ナレッジベース マニュアル、FAQ、ワークフロー、スクリプトを統合し、コールセンターの業務知識を標準化しました。 AIによる回答生成の仕組み オペレーターがアプリケーションへプロンプトと質問を入力すると、システムがコールセンターの知識ベースから関連情報を検索します。取得した関連情報を拡張コンテキストとして質問に追加し、NTQの大規模言語モデルが回答テキストを生成します。生成された回答はアプリケーションを通じてオペレーターへ提示されます。 使用技術 01．RAG 情報検索とAIによる回答生成を組み合わせ、回答精度を向上しました。 02．自社開発LLM 日本語・英語・ベトナム語に最適化し、企業向けのセキュリティを実装しました。 03．AIアシスタント 文脈に応じた提案とリアルタイム支援を提供します。 04．ナレッジ連携 CRM、マニュアル、業務文書、製品・サービスデータベースの情報を一元的に取り込みました。 NxUniverseとNxKMS NxKMSは、NTQのAIソリューション群「NxUniverse」を構成するナレッジ管理製品です。 AI・ナレッジ活用について相談する AIソリューション実績集をダウンロードする
海運データ分析を支えるLakehouse＋AIエージェント基盤の構築 本プロジェクトでは、船舶・基幹システムのデータをLakehouseへ統合し、自然言語で分析・検索できるAIエージェント基盤を構築しました。全社5部門で220 MAUまで利用が広がり、月間6,800件の質問に活用されています。 プロジェクト概要 構築対象 海運データ分析を支えるLakehouse＋AIエージェント基盤 利用状況 220 MAU、全社5部門、月間6,800問 統合対象 68隻・14システム 文書検索対象 契約書・船級規則など2.4万件のPDF 回答正答率 91.5％（人手評価） 従来の課題 01．データ抽出・加工に時間がかかる 1つの問いに回答するまで15～21日を要し、4部門を経由してデータを手作業で抽出・加工していました。 02．月次報告書の作成負担 月次報告書の作成に6人日を要していました。 コアテクノロジー 01．Lakehouseによるデータ統合 Delta Lake上にBronze、Silver、Goldのメダリオン構成を構築しました。210件の生テーブルを、38件の認証済みGoldマートへ集約・精選しました。 指標ロジックは単一のSQL定義としてGitで管理しました。 02．Unity Catalogによるガバナンス RBAC、行フィルタ、列マスキングを適用しました。AIエージェントは認証済みのGoldマートのみを参照し、質問者本人の権限でSQLを実行します。 権限外または対象範囲外の質問には、理由を示して回答を保留する仕組みとしました。 03．AIエージェント・文書RAG 自然言語による質問からSQLを生成・検証・実行します。SQLの実行成功率は94.2％で、12カ月の監査における捏造数値は0件でした。 さらに、2.4万件のPDFをベクトル検索し、根拠となる条項番号とページを明示して回答します。 導入後の効果 01．自然言語質問への超高速応答 自然言語による質問への平均応答時間を6.2秒としました。 02．低コストでの運用 1回答あたり€0.031のコストで運用しています。 03．コスト削減機会の創出 燃料費・港費において、初年度€1.8Mのコスト削減機会を創出しました。 04．月次報告の自動化 自動化によって、月次報告の作業時間を40分に短縮しました。 AI・データ活用について相談する AIソリューション実績集をダウンロードする
温度測定・顔認識・アクセス制御に対応したスマートサーマルカメラ開発 本プロジェクトでは、複数のAI機能を搭載し、温度測定、顔認識、アクセス制御に対応したスマートサーマルカメラを開発しました。12名の開発体制で、約190人月、2年間にわたり対応しました。 プロジェクト概要 開発対象 スマートサーマルカメラ 目的 複数のAI機能を動作できるスマートサーマルカメラの開発 開発体制 12名 開発工数 約190人月 期間 2年 対応範囲 要件定義、アーキテクチャ設計、基本設計・詳細設計、実装、各種テスト、ハードウェア設計まで対応しました。 主な開発内容・実現内容 01．ハードウェア設計・OS最適化 デバイス要件に合わせてハードウェアとOSを設計しました。 02．温度測定アルゴリズム 0.3℃の測定精度の実現に向けて、高精度な温度測定アルゴリズムを調査・実装しました。 03．Black-bodyレス 現地で基準器を設置・デプロイする必要のないBlack-bodyレスを実現しました。 04．認識AI・顔認識 認識用のAIモデルと顔認識機能を実装しました。 05．アクセス制御・自動同期 入退室管理に対応し、ユーザー情報をリモートサーバーと自動同期する機能を実装しました。 06．タッチスクリーンUI 操作しやすいタッチスクリーンのユーザーインターフェースを実装しました。 07．エッジAI基盤 JetPack、DeepStream、Yocto Linuxを活用してエッジAI基盤を構築しました。 使用技術 C／C++｜JetPack SDK｜DeepStream SDK｜Yocto Linux｜GStreamer｜Visual Studio Code AI・エッジAI開発について相談する AIソリューション実績集をダウンロードする
Smart Glasses向けAIアシスタント統合PoC 本PoCでは、Smart Glasses向けに音声・画像・翻訳・対話機能を統合し、ハンズフリーAIの実現可能性を検証しました。Smart Glassesで取得した音声・画像データをAndroidアプリと連携し、複数のAI機能を組み合わせました。 PoCの課題 01．日本語音声認識 自然な言い回しや文脈を理解し、日本語コマンドの認識精度を高める必要がありました。 02．デバイス間連携 Smart Glassesで取得した音声・画像データを、Androidアプリへ安定的に連携する必要がありました。 03．ハンズフリーAI体験 音声・画像・翻訳・対話を組み合わせ、操作負担の少ないAI体験を検証する必要がありました。 PoCで検証したポイント 01．日本語Intentの最適化 LLMによる文脈理解を活用し、自然な問いかけや音声コマンドに対する認識精度の向上を検証しました。 02．安定したデバイス接続 Bluetooth通信を最適化し、Smart GlassesとAndroidアプリ間の安定したデータ連携を確認しました。 03．4つのAI機能の統合 音声コマンド処理、画像認識、リアルタイム翻訳、LLMベースのAIチャットボットを統合し、AndroidアプリのPoC構築とUATを完了しました。 想定ユースケース 01．リアルタイム翻訳アシスタント 海外旅行中にカメラで捉えた看板や標識を読み取り、日本語で翻訳・解説します。 02．会話からのToDo自動化 会話から重要事項とタスクを抽出し、期限・優先度を推測してスマートフォンのToDoへ登録します。 Agentic AIへの発展構想 質問に応答するReactive AIから、状況に応じて提案するProactive AI、さらにタスクを実行するAgentic AIへ発展させ、単なる応答AIから実行可能なAIエージェントへの展開を想定しています。 01．位置・文脈に基づく提案：位置情報や文脈に基づき、自動でリマインドを提案します。 02．On-device AIとクラウドAI：低遅延と端末制約を考慮し、On-device AIとクラウドAIを組み合わせます。 使用技術 LLM｜STT／TTS｜画像認識AI｜Bluetooth通信最適化｜Androidネイティブ AIソリューションについて相談する AIソリューション実績集をダウンロードする
マルチAIエージェントによるPowerPoint自動生成システム 本プロジェクトでは、Word、PDF、PPTXなどのファイルから、複数の専門AIエージェントの連携によってPowerPointを自動生成するシステムを開発しました。プロジェクト規模は15MM、開発期間は4カ月です。 プロジェクト概要 対象システム マルチエージェントPowerPoint自動生成システム 入力形式 Word、PDF、PPTX プロジェクト規模 15MM 開発期間 4カ月 従来の課題 01．スライド作成における手作業の負荷 スライド作成に時間がかかり、常に人手による確認が必要でした。 02．品質・運用要件への対応 スライド品質のばらつきを抑え、ブランドの一貫性と内容の正確性を確認しながら、AWS上で安全に稼働させる必要がありました。 ソリューション 01．PowerPoint自動生成 Word、PDF、PPTXなどのファイルをもとに、プレゼンテーションを自動生成する仕組みを構築しました。 02．専門エージェントの連携 コンテンツ、デザイン、検証、画像生成を担当する複数の専門AIエージェントを連携させました。 03．Human-in-the-loop 各エージェント間のコンテキスト共有と自己修正に加え、人間によるレビューを組み込んだ仕組みを実現しました。 PowerPoint生成の仕組み 入力データからテキスト、テーマ、スタイルなどの生成メタデータを作成し、コンテンツ管理エージェントとスライドデザインエージェントが連携してスライドを生成します。生成されたスライドは人間がレビューし、そのフィードバックをもとに修正します。また、MCP Tools Serverを通じて画像生成、スライド生成、実行・テストを行います。 各AIエージェントの役割 01．Content Agent 入力テキストを抽出し、スライド作成に使用できる形式へ構造化します。 02．Design Agent 企業のテンプレートとビジュアルルールをスライドへ適用します。 03．Verification Agent 事実の正確性とスタイルの一貫性を検証します。 04．Image Agent スライドに使用する補助的なビジュアルを生成します。 05．Orchestrator Agent 各エージェントを統括し、人間によるレビューを支援します。 使用技術 Python｜python-pptx｜MCPサーバー｜A2A｜AWS Lambda／S3／ECS｜AWS Bedrock 生成AI・AIエージェントについて相談する AIソリューション実績集をダウンロードする