JINGS、製造業向けAI導入支援を本格展開、品質保証・設計業務で導入実績

熟練者に依存しがちな品質判断をAIで補完。業務整理からPoC、本番導入、運用定着まで伴走株式会社JINGSは、製造業における品質のつくり込みをAIで支援するテクノロジー企業です。不具合発生後の是正対応に偏りがちな品質業務を、設計・製造段階でリスクを抑える未然防止や自工程完結へと移行しやすくする仕組みづくりに取り組んでいます。FMEA（故障モード影響解析）、DRBFM（変更点に着目した設計審査手法）、過去のトラブル事例（以下「過去トラ」）など、製造業固有の帳票や業務プロセスを踏まえ、各社の課題に応じたAIの設計・開発・導入を支援します。これまで、自動車・自動車部品を中心とする製造業の設計・開発、生産技術、品質保証の各部門とともに、FMEAの作成支援や、過去トラを横断検索する仕組みの構築などに取り組んできました。熟練者が培ってきた知見や判断基準を、組織で継続的に活用しやすい形へ整えることを目指しています。[画像1: https://prcdn.freetls.fastly.net/release_image/138636/16/138636-16-45e25f730c4ef6a26a40a4d890f5b8ec-2008x1012.png?width=536&amp;quality=85%2C75&amp;format=jpeg&amp;auto=webp&amp;fit=bounds&amp;bg-color=fff ]このような課題はありませんか- FMEAなどの未然防止業務がベテランの経験に依存し、担当者によって検討観点に抜け漏れやばらつきがある - 社内にデータや報告書は蓄積されているものの、設計やレビューの場で十分に参照されず、類似不具合が機種や拠点をまたいで再発している - 設計変更や工程変更、4Mなどの変化点に伴う影響範囲の分析が、熟練者の知識に依存している - 文書、図面、試験データ、Excelファイルなどの形式や保管場所が部門ごとに異なり、過去事例を探すだけでも時間がかかる - 熟練者の退職が迫るなか、知見や判断基準を次世代へ引き継ぐ方法が整っていない こうした課題の背景には、社内に蓄積された知見を、必要な場面で十分に引き出しにくい構造があります。背景：蓄積された品質知見を、判断の場面へ[画像2: https://prcdn.freetls.fastly.net/release_image/138636/16/138636-16-b8285b376ccf214a37dc21ef0a080011-1406x724.png?width=536&amp;quality=85%2C75&amp;format=jpeg&amp;auto=webp&amp;fit=bounds&amp;bg-color=fff ]品質保証の役割は、完成品を検査することにとどまりません。設計から製造、市場までを見渡し、品質上のリスクを事前に検討する役割を担います。品質問題は、設計、製造、市場へと工程が進むほど、手戻りの範囲や対応の負荷が大きくなります。そのため、失敗から得た知見を設計段階へ戻す「フロントローディング」や、各工程で品質をつくり込む「自工程完結」が重視されてきました。一方で、品質に関する知見の多くは、報告書や帳票、個人の経験に分散しています。社内固有の用語や表記揺れを含む大量の文書から、必要な情報を適切なタイミングで探し出すことは容易ではありません。その結果、過去の知見が設計レビューや変更判断に十分活用されない場面が生じます。生成AIをはじめとする技術の進展によって、こうした文章データを整理し、検索、比較、要約などに活用する選択肢が広がりました。ただし、汎用AIをそのまま導入するだけでは、品質業務に求められる精度や説明可能性を満たせるとは限りません。品質保証の現場では、過去の知見を探し出すだけでなく、新機種の量産立ち上げなどにおいて、これまで経験していない故障モードについても仮説を立て、検討する必要があります。また、AIの出力は必ずしも正しいとは限りません。品質の現場では、根拠を確認できない回答や、もっともらしい誤りが見逃しにつながるおそれがあります。そのため、製品の構造や故障のメカニズム、社内の判断基準を踏まえた設計に加え、回答の出典や根拠を確認できる仕組み、人が最終判断するための検証プロセスが欠かせません。JINGSは、品質保証・設計の実務知見とAI実装の知見を組み合わせ、現場で継続的に活用できる仕組みの実現を目指しています。[画像3: https://prcdn.freetls.fastly.net/release_image/138636/16/138636-16-377342a91cd1098dca125ee4dc9bbe94-1392x706.png?width=536&amp;quality=85%2C75&amp;format=jpeg&amp;auto=webp&amp;fit=bounds&amp;bg-color=fff ]サービス概要JINGSは、品質保証・設計に関わる判断業務をAIで支援する、オーダーメイドの開発・導入支援を提供しています。具体的には、設計・工程FMEAの作成支援、過去の不具合情報の横断検索、影響範囲分析、是正措置や横展開の支援、紙の帳票や検査記録の構造化などに取り組んでいます。AIが人の判断を代替するのではなく、検討すべき観点や想定されるリスクの候補、関連する過去事例や資料を提示し、担当者の判断を補助する設計を基本としています。活用するのは、お客様がすでに保有しているFMEA、DRBFM、過去トラ報告書、設計文書、検査記録などです。既存資料を活用するため、必ずしも新たなセンサーや大規模なシステムの導入を前提とはしません。形式が統一されていないExcelファイルや手書き帳票など、データの整備が十分に進んでいない場合も、データの状態や対象業務を確認し、活用可能性を検討するところから支援します。業務要件の整理とデータ診断から、AIの設計・開発・検証、日常業務で利用するためのUI実装、運用ルールの整備、社内への定着までを段階的に支援します。システムの納品だけをゴールとせず、実際の業務で継続的に活用される状態を、お客様とともに目指します。[画像4: https://prcdn.freetls.fastly.net/release_image/138636/16/138636-16-ba943d8db5192129ddbf94f40957c8c8-1394x724.png?width=536&amp;quality=85%2C75&amp;format=jpeg&amp;auto=webp&amp;fit=bounds&amp;bg-color=fff ]取り組み一例 設計部門：FMEA・DRBFMの作成・DR支援 新機種の開発や類似機種への展開時に、検討すべき観点や想定されるリスクを、AIが候補として提示します。熟練者に集中しがちな観点出しを支援することで、検討の抜け漏れや作成負担の軽減を目指します。 また、評価の根拠となる過去事例や関連資料をひも付けて確認できるようにすることで、顧客への説明や監査対応にも活用しやすい環境を整えます。 品質保証部門：過去トラブル情報の横断検索 部署や文書ごとに分散している過去トラ報告書、設計文書、不具合情報などを、横断的に検索できる環境を構築します。 必要な情報を出典や関連資料とあわせて確認しやすくすることで、調査にかかる時間の短縮を図るとともに、影響範囲の確認、サプライヤーとの原因・対策の検討、再発防止策の策定などを支援します。 生産技術部門：工程FMEA・変化点管理の支援 工程FMEAにおける故障モードの洗い出しや、対策候補の検討をAIで支援します。過去の不具合や工程変更に関する知見を、工程設計や変化点管理の判断材料として活用しやすくすることで、各工程で品質をつくり込む「自工程完結」の実践を支えます。 また、設備トラブル発生時の原因分析や、4M（人・設備・材料・方法）などの変化点に伴うリスクの洗い出しについて、FTA（故障の木解析）などを用いた検討も支援します。導入により期待される効果 判断に必要な情報へのLTを短縮 過去事例の調査や影響範囲の検討など、従来は時間を要していた業務をAIで支援することで、不具合対応の初動や設計レビューを進めやすくします。 検討の抜け漏れやばらつきを抑える 過去の知見をもとに、検討観点やリスク候補を提示します。熟練者の経験を活用しながら、担当者の経験年数だけに左右されにくい検討プロセスの構築を支援します。 是正で得た知見を未然防止へ戻す 品質保証部門が把握した不具合や対策の情報を、設計・製造部門へ戻す流れを業務に組み込みます。 不具合発生後の対応だけでなく、発生前のリスク検討にも活用できる状態を整えることで、機種や拠点をまたぐ類似不具合についても、個人の記憶や注意力だけに頼らない再発防止を目指します。導入までの流れStep 1 初回相談（無料）品質保証・設計業務における課題と、FMEA、過去トラ報告書、帳票など、現在保有しているデータの状況を伺います。課題やデータが十分に整理されていない段階でもご相談いただけます。初回のヒアリング・打ち合わせは無料です。Step 2 課題整理・データ診断特定工法の工程FMEAや、特定機種の設計FMEAなど、優先して取り組むテーマを整理します。そのうえで、現在保有しているデータから、どのような支援が可能かを確認します。期待される効果、実現可能性、必要となる投資などを整理し、各社の状況に応じた進め方を提案します。Step 3 PoC（概念実証）の設計・実施スコープを選定し、実際のデータを用いて、技術的な実現性や業務上の有効性を検証します。期間は対象範囲やデータの状態によって異なります。検証を始める前に評価指標や判断基準を設定し、その結果をもとに、本番実装へ進むかどうかを検討できるようにします。Step 4 本番実装・定着支援実証で確認した内容をもとに、AIを実際の業務フローへ組み込みます。設計者や品質保証担当者が日常業務で活用できるよう、UIの開発、運用ルールの整備、利用定着に向けた支援を行います。他の機種、工程、拠点への展開についても、業務やデータの状況を確認しながら段階的に検討します。お問い合わせ・無料相談品質保証業務へのAI活用に関心のある製造業の企業様は、まずは無料相談（jingssales@jings.jp）にお気軽にお問い合わせください。現状の課題整理から丁寧にご支援します。会社情報代表者: 代表取締役CEO 三上 春香 本社所在地:東京都文京区本郷6丁目25-14宗文館ビル3F設立: 2024年4月22日事業内容: ・製造業向けAIエージェント開発・提供・DXコンサルティング・AI開発・オーダーメイドAIシステム開発・生成AI/LLMを活用した業務効率化支援コーポレートサイト: https://jings.jp認定・パートナーシップ:東京大学松尾研発スタートアップ認定2025年3月21日に「松尾研発スタートアップ(R)」に認定されました。技術・事業力共に成長可能性が認められた、選抜されたスタートアップ企業群です。NTTPCパートナーInnovation LAB共創パートナープログラムに参画主要取引先実績:・Tier1/Tier2自動車部品メーカー・グローリー株式会社・シスメックス株式会社・Astemo株式会社・その他製造業・建設業など複数社※順不同、公開許可をいただいた企業のみ掲載企業プレスリリース詳細へ : https://prtimes.jp/main/html/rd/p/000000016.000138636.htmlPR TIMESトップへ : https://prtimes.jp

JINGS、製造業向けAI導入支援を本格展開、品質保証・設計業務で導入実績

トピックス

リリースニュースランキング

このカテゴリーについて