事例研究

Project Overview

課題

リード文

解決策

専門性の高い事業領域を持つお客様の組織では、日々行われる会議の記録がテキスト・音声の双方にわたって継続的に蓄積されていました。しかし、その膨大なデータを横断的に活用できる検索基盤が整っておらず、業界固有の専門用語や略語が標準的なNLPエンジンでは正確に処理されないため、担当者が必要な情報を探し当てるために要する時間とコストが業務上の課題となっていました。

技術構成

AMELAは、お客様の会議データそのものを学習の起点とするアプローチを提案。テキスト・音声双方のデータを収集・構造化し、業界特化型の自然言語処理モデルをゼロからファインチューニングすることで、会議メモへの自動ハッシュタグ付与を実現するAIモジュールを開発しました。

成果

Challenges

要件変更への追従

リード文

運用を見据えた設計

専門性の高い事業領域を持つお客様の組織では、日々行われる会議の記録がテキスト・音声の双方にわたって継続的に蓄積されていました。しかし、その膨大なデータを横断的に活用できる検索基盤が整っておらず、業界固有の専門用語や略語が標準的なNLPエンジンでは正確に処理されないため、担当者が必要な情報を探し当てるために要する時間とコストが業務上の課題となっていました。

Solution

専門性の高い事業領域を持つお客様の組織では、日々行われる会議の記録がテキスト・音声の双方にわたって継続的に蓄積されていました。しかし、その膨大なデータを横断的に活用できる検索基盤が整っておらず、業界固有の専門用語や略語が標準的なNLPエンジンでは正確に処理されないため、担当者が必要な情報を探し当てるために要する時間とコストが業務上の課題となっていました。

• リード文

• 専門性の高い事業領域を持つお客様の組織では、日々行われる会議の記録がテキスト・音声の双方にわたって継続的に蓄積されていました。しかし、その膨大なデータを横断的に活用できる検索基盤が整っておらず、業界固有の専門用語や略語が標準的なNLPエンジンでは正確に処理されないため、担当者が必要な情報を探し当てるために要する時間とコストが業務上の課題となっていました。

• AMELAは、お客様の会議データそのものを学習の起点とするアプローチを提案。テキスト・音声双方のデータを収集・構造化し、業界特化型の自然言語処理モデルをゼロからファインチューニングすることで、会議メモへの自動ハッシュタグ付与を実現するAIモジュールを開発しました。

Technical Structure

Infrastructure

AMELAは、お客様の会議データそのものを学習の起点とするアプローチを提案。テキスト・音声双方のデータを収集・構造化し、業界特化型の自然言語処理モデルをゼロからファインチューニングすることで、会議メモへの自動ハッシュタグ付与を実現するAIモジュールを開発しました。

Framework

Data Processing

Key Metrics & Results

• 主要KPI: —
• 運用改善: —
• 品質向上: —