SpectA RFQ Guide View^TM熟練者に依存した要求文書読解をAIがサポート
【EPCコントラクター】【プラント機器ベンダー】【機械商社】【自動車部品メーカー】【交通システム、造船】

SpectA RFQ Guide View　導入効果（一例）

活用シーン/取り組み事例

荏原環境プラント株式会社

EPC業務 要求水準書類 付加価値提案

荏原環境プラント株式会社は、ごみ処理施設の建設・運営を軸に地域社会へのさらなる貢献のために、幅広い分野でソリューションを提供する「廃棄物資源循環ソリューションプロバイダ」を目指しています。
「競争力の源泉である人や組織の暗黙知」と「自然言語処理AI技術」を掛け合わせた変革活動に着手しました。
要求水準書類の読み込みをAIで高度化し、人や組織に蓄積された暗黙知をダイナミックに活用することで、入札時における「お客さまのニーズの抜け漏れのない把握」と「付加価値提案力」の両立を支援し、有効性を実証しています。

詳細はこちら

東洋エンジニアリング株式会社

プロポーザル業務 ITB文書読解 EPC強靭化

東洋エンジニアリング株式会社は、「新技術・事業開拓」と「EPC強靭化」の二重螺旋での進化を目指しています。
「EPC強靭化（≒劇的な事業生産性の向上）」を目的とした打ち手の1つとして「品質関連損失コスト50％削減」を目標に掲げ、EPCの源流であり特にクリティカルで難易度が高い、プロポーザル業務の変革を開始しました。
プロポーザル業務のITB文書読解における人為的な見落としや解釈の違いに起因する仕様齟齬を減少させることで要件定義の品質を向上し、「顧客満足度の向上」や「品質関連損失コスト50％削減」に資する成果へ段階的に寄与し始めています。

詳細はこちら

自動車メガサプライヤー A社

提案の機会損失 属人化 熟練者の暗黙知可視化 組織知最大活用

A社様では、欧米OEMに向けてグローバルにシェアを拡大していこうとしているのですが、熟練エンジニアにRFQ業務が頼りきりになっており、工数不足から提案機会を逸していました。そこで、熟練エンジニアの持つ暗黙的なノウハウを可視化し、アスペクトAIを掛け合わせることで、熟練エンジニアの知見を再現しようとしています。
アスペクトAIで提示される熟練エンジニアの知見を活用し、若手エンジニアにおいてもRFQ業務をおこなえるようになり、RFQ提案の機会を拡大できています。

よくあるご質問

SpectAを活用するにはどのくらいの費用がかかりますか。

ユーザー数単位でのライセンス費用がかかります。また、導入をよりスムーズにしたり、運用定着を早めたりするために「導入・活用支援サービス」をご用意していますので、適宜ご利用ください。詳細はお問い合わせください。

トライアルは可能ですか。

トライアル可能です。費用等の詳細はお問い合わせください。

SpectAはクラウドサービスとのことですが、オンプレミスでの利用は可能ですか。

Aオンプレミスではご利用いただけません。
クラウドサービスとすることで導入にかかる負担を軽減し、サービス品質向上のためのリリースアップを容易としています。

SpectAを使用するブラウザに制限はありますか。

推奨ブラウザは以下となります。Internet Explorerでは、少なくともレイアウト崩れの発生が確認できています。
・Google Chrome
・Microsoft Edge（Chromium Ver.）

インプットデータはどの言語に対応していますか。また、アウトプットの対応言語は何ですか。

インプットデータは日本語、英語のみ対応しています。
アウトプットデータの入力欄は自由入力であるため、どの言語にも対応しています。

手書き資料をスキャンしたものや画像は取り込めますか。

SpectAに搭載されているのは自然言語処理を行うAIとなりますので、文字認識できるデータのみが取り込めます。

SpectAで読み込めるデータ形式は何ですか。（.pdf、.docx、.pptなど）

SpectAで読み込めるファイル形式は.pdfです。.docxや.pptなどはPDF化することで読み込めるようになります。今後の機能改善により、取り込めるファイル形式を増やしていく予定です。（2022年4月時点）

AIに学習させるためのデータは、どのように作成しますか。

学習データとして必要になるのは、デビエーション対象となった「文章抜粋」です。データの作成方法は以下の2点です。
　1．過去実績データを整理し、SpectA RFQ Guide Viewに登録
　2．実業務として、SpectA RFQ Guide View上で文章を抜粋
1.を先に実施することを推奨していますが、「実績データ中に文章の抜粋がない」「実績データが紙で存在する」などの場合は、
2.を先に実施してもかまいません。

導入にあたり、初期学習の手間はどのくらいかかりますか。

学習データは1案件分あればルールを構築することが可能です。
ただし、学習データが少ないと検出時に抜け漏れが発生する可能性が高いため、5案件から10案件程度を推奨しています。
データの蓄積状況に応じて初期構築にかかる労力が変動するので、詳細はお問い合わせください。

学習なしで使用することもできますか。

学習データがない状態でも、本システムをPDFビューワーとして使用し、業務で使用しながら学習データを蓄積していくことができます。

AIが検出できなかった箇所の確認はどのように行いますか。また、見落とし確認はどのように行いますか。

AIが検出できなかった箇所（≒過去に学習していない箇所）は、人が文章を選択・検討メモを付与し、蓄積していきます。
また、AI検出箇所の一覧を表示し、仕様一覧などと見比べることで、抜け漏れの有無を確認することが可能です。

AIの分析処理にかかる時間はどのくらいですか。

実際にユーザーが用いた以下の条件にて、およそ30分程度となります。
RFQのページ数：約170ページ
検出ルール：1,500件

業種、発注会社ごとに検出ルールを構築・検出することは可能ですか。
また、それらは共通のデータベースとして、一部情報を共有し合うことができますか。

業種、発注会社ごとに目的に合った検出ルールを構築でき、それぞれで検出させることが可能です。
例：欧州と北米のサプライヤーで別々のルールを構築する
また、これらは共通データベースとして活用していくことが可能です。