今回は、設備点検に大規模言語モデルを活かす「記憶の選別」技術、ConMemについて解説します。

製造現場には、設備の状態、異常の兆候、補修内容などの点検記録が長年にわたって蓄積されています。ところがAIへすべての記録をそのまま渡せば、必ず精度が上がるわけではありません。大量の正常記録に重要な変化が埋もれ、入力コストと応答時間だけが増える場合もあります。

2026年7月30日にarXivへ投稿された研究プレプリント、ConMemは、この課題に対して、将来の診断へ貢献する記録を選んで残す仕組みを提案しています。なお、この研究は査読前であり、単一の製鉄所データを中心とした結果です。どの設備や業務でも同じ性能が得られることを示すものではありません。

ConMemは、長い点検ログを一つの文章として扱いません。まず記録を、設備状態、安全上の異常、保全作業など、役割ごとの証拠単位へ分けます。そのうえで、各記録が将来の診断にどれだけ寄与するかを評価します。高い価値を持つ記録は優先して保持し、繰り返し現れる正常記録などは相対的に優先度を下げます。

論文のデータセットには約3万80件の実点検記録が含まれています。参照期間は366日、人による再点検の評価期間は14日です。

実験では、ConMemが保持する記録を25パーセントに絞った条件で、精度76.0パーセントを記録しました。基準となる方法に比べ、入力トークンは88.2パーセント、応答時間は86.6パーセント削減されています。

ただし、少ないほど常に良いわけではありません。10パーセント保持では精度51.0パーセント、50パーセント保持では72.0パーセントでした。この実験では25パーセントが最良でしたが、適切な割合は対象業務と評価方法によって変わります。

研究チームは15日間、1125件の点検タスクで現場試験も行いました。確認された異常375件のうち295件を事前に警告し、再現率78.7パーセント、適合率68.4パーセント、正解率80.8パーセントと報告しています。確認済み異常に対する警告は平均12日前でした。

警告後に異常が確認されなかったケースは136件あります。ただし論文は、これらを未確認の警告として扱っています。後からすべて誤りと確定したとは限りません。一方で、80件の確認済み異常は事前に捕捉できておらず、人による点検を置き換えられる性能ではありません。

現場での役割分担は明確です。AIは過去記録から重要な変化を抽出し、見るべき設備と根拠を提示します。現場点検員は設備を実際に確認し、警告を検証し、最終判断と対処を決めます。AIは自律診断ではなく、意思決定支援として使われています。

自社業務へ応用する前に、四つの条件を確認してください。

一つ目。同じ対象を繰り返し観測し、時系列で比較できること。

二つ目。設備IDや顧客IDなど、記録を同じ対象へ結び付けられること。

三つ目。後から確認された異常や正解データがあり、警告を評価できること。

四つ目。AIの警告を確認し、最終判断する担当者と手順が決まっていることです。

記録の量よりも、データ構造、評価基準、人の確認フローが重要です。まずは一つの設備、一つの記録形式、一つの評価指標に絞り、何を覚えさせると将来の判断に効くかを確認するのが現実的です。

詳しい数値、14枚のスライド、出典リンクは、この記事のページで確認できます。最後までお聴きいただき、ありがとうございました。