Enterprise KM Chatbot

Enterprise KM Chatbotは、多数の報告書、機械マニュアル、SOPから情報を探す保全チーム、エンジニア、ナレッジ管理チームに適しています。日常の言葉で質問すると、関連文書を検索し、出典を示して回答するため、ファイルを一つずつ開く手間を減らせます。

工場や発電所で使う知識は、多くの保全報告書、マニュアル、SOPに分散し、一部はベテラン技術者が持っています。一つの答えを探すために、チームがファイルを順に開くこともあります。Enterprise KM Chatbotは、これらの文書を質問で検索できるナレッジベースに整理します。

Enterprise KM Chatbotの利用者

• Tag No.（機器識別番号）で機器の履歴を検索したり、日常的にマニュアルを参照したりする保全チームやエンジニア
• 組織の標準文書を管理するナレッジマネジメントチーム
• 工場の所有者へ整理された報告書を提出する必要がある保全業務の請負業者
• 自組織のサーバーに文書を保管する方針の組織

Enterprise KM Chatbotは、文書の収集、構造化と索引作成、チャットでの質問、確認と改善という4段階で動作します。回答には使用した文書を示すため、利用者は回答を使う前に原文を確認できます。

1. 1

   文書を集める

   既存の保全報告書、マニュアル、組織内文書を取り込みます。従来のPDFファイルと、nimitFlowのデジタルフォームで新たに入力したデータの両方を利用できます。

2. 2

   文書を構造化し、索引を作成

   文書を処理して索引（Index）を作成し、検索できる状態にします。同じ様式の報告書であれば、機器のTag No.などの項目ごとにデータを整理します。

3. 3

   チャットで質問する

   ウェブ画面から日常の言葉で質問します。関連文書を検索した後、LLMが使用した文書を示しながら回答をまとめます。会話履歴は保存され、後から確認できます。

4. 4

   確認して改善する

   利用者は回答に示された文書を開き、利用前に内容を確認します。納入後は、見積書の条件に従い、利用者から報告された事項に基づいてシステムを改善します。

回答をどのように検証しますか？

• 回答には報告書のTag No.などの出典を示します。利用者は回答を判断に使う前に、その報告書を開いて確認します。
• 文書全体の件数などを集計する質問には、データベース内の構造化データから答える設計が必要です。そのため、初めに質問の種類をお客様と確認します。理由は「学んだこと」をご覧ください。
• 納入前に、チームが実際に尋ねる質問で回答をテストします。
• 回答品質は各組織の文書と質問に左右されるため、一律の精度の数値は示していません。

Enterprise KM Chatbotは、文書に基づく質問応答、デジタル報告フォーム、Excel出力、ダッシュボードをnimitFlow上の一つのシステムにまとめます。付帯機能は、各組織の文書に合わせて設計します。

• 自然な言葉で質問応答 — タイ語の文書と質問に対応
• 出典の表示 — 回答にTag No.などを示し、使用した報告書を明記
• ウェブブラウザーのチャット画面 — 検索欄と会話履歴を用意
• デジタル報告フォーム — 新しい報告の入力と画像添付ができ、入力した報告はナレッジベースに蓄積
• Excel出力 — 報告書をExcelファイルとして出力し、再利用や共有に活用
• ダッシュボード — 製造ユニット別に報告書を集約

文書や質問はどこに保存されますか？

Enterprise KM Chatbotは組織内のサーバー（On-Premise）に設置し、組織内で稼働するLLM（Local LLM）を利用できます。両方を組み合わせれば、文書や質問を組織のネットワーク外に送る必要はありません。外部LLMサービスを選ぶ場合は、どの文章が外部に送信されるかを、ご判断の前に説明します。

サーバー仕様は文書量、利用者数、選定するLLMに応じて決まり、見積もり前に評価します。AI処理をすべて組織内で行いたい場合は、AIサーバー一式の調達と設置にも対応できます。

Enterprise KM Chatbotは、同じ様式の点検・修理報告書など、形式のそろった文書から情報を探して要約する業務に適しています。LLMは誤答することがあるため、出典文書を確認せずに回答だけで判断する使い方には適しません。回答の品質は、取り込む文書の完全性と一貫性に左右されます。

エネルギー産業の製油所における制御弁（Control Valve）の保全業務向けに、nimitFlow上でAIナレッジマネジメントシステムを開発し、2026年に納入しました。点検・修理履歴は、各バルブの識別番号であるTag No.ごとに整理された約2,000件のPDF報告書に記録されていました。システムは、デジタル報告フォーム、Excelへの報告書出力、製造ユニット別の報告書を集約するダッシュボード、LLMとRAGを組み合わせたEnterprise KM Chatbotで構成されています。

プロジェクトはデモ用のプロトタイプ（POC）から始まり、その後、実用システムへと開発されました。発注者は業務完了証明書（Job Completion Certificate）に署名しています。AIアシスタントは「このバルブでは何が交換されたか」といった質問に答え、関連報告書のTag No.を示すことで、利用者が実際の報告書を開けるよう設計されています。

私たちが学んだこと

RAGは最も関連する文書の一部だけを取得するため、少数の文書に答えがある質問に向いています。「このブランドの報告書は何件あるか」など、文書全体を集計する質問には、データベース内の構造化データから答える設計が必要です。LLM自体に数えさせると、数値がずれる可能性があります。

様式、項目名、単位がそろった報告書は構造化しやすく、AIがより的確に回答する助けになります。専門用語やフォームの項目名は、チームが使っている報告書と一致するよう、現場の利用者による確認が必要です。

あなたにとって何を意味するのか？

そのため、お客様のプロジェクトは実際の文書サンプルと、チームがよく尋ねる質問から始めます。文書の内容を検索する質問と数値を扱う質問を最初に分け、納入前にその質問一覧で回答をテストします。少量の文書を使ったプロトタイプ（POC）から開始し、その後すべての文書へ拡張できます。