2年前の秋、中国東部のあるサードパーティ倉庫を訪れた。現場の管理者が高層ラックを指さし、土台の支柱がわずかに曲がっていると教えてくれた。夜勤のフォークリフトが3か月前にぶつけたもので、誰も報告していなかった。AIによる倉庫カメラ検査の話はまさにここから始まる。ラックは一夜にして倒壊するのではない。倒れるまでの長い間、曲がり、傾き、緩んでいく。問題は、巡回が通りかからなかったか、気づかなかったか、気づいても報告するほどではないと判断したことだ。

公表されている業界の事故記録は、あるパターンを示している。ラック倒壊事例のかなりの割合で、事前に観察可能な警告サインがあった――曲がった支柱、外れた梁コネクタ、大きく傾いたパレット、床にたまった水だ。これらのサインには共通点が一つある。目に見えるということだ。そして、目に見えるものであれば、原則としてカメラが見守ることができる。本当の問題は、カメラが正確に見守るかどうか、警告のあと誰が責任を取るか、そして投資に見合うかどうかだ。

AI倉庫カメラ検査が実際に見守るもの

まず境界をはっきりさせておこう。AIによる倉庫カメラ検査が今日、確実にできることは、5種類の視覚信号に集約される。

1つ目はラックの変形だ。アルゴリズムが支柱と梁の輪郭を比較し、設定したしきい値を超えて曲がった支柱、落下した梁コネクタ、たわんだデッキを検出する。利点は、カメラが人よりよく見えることではなく、毎回必ず見ることだ。人間の巡回は週に1回かもしれないが、カメラは毎時間スキャンできる。変形の発生から発見までの間隔は、数日から数時間に縮まる。

2つ目はふさがれた通路だ。主通路、防火通路、非常口が、パレット、空の段ボール、処理待ちの商品で一時的にふさがれることは、倉庫で最も一般的で、最も簡単に正当化されがちな違反だ。カメラは床に表示されたゾーンに対する占有を判定し、占有が設定時間を超えるとアラートを上げる。早く見つけるほど対処は安く済む。消防検査まで放置して片づけるのでは、コストがまったく変わってくる。

3つ目は傾いたパレットと過積載のベイだ。ラックの端からはみ出したパレット、梁の高さを超えて積まれた商品、軽い箱の上に置かれた重い段ボール――これらは倒壊の前兆だ。この種の幾何学的な異常に対して、ビジョンモデルは比較的敏感で、意味判断の場合よりも誤報率は低い。

4つ目は床の水や液体だ。冷蔵倉庫、化学品倉庫、雨季の入荷ドックでは、たまった水は転倒リスクであると同時に商品損傷リスクでもある。カメラは床の反射の特徴からこれを検出する。感度は控えめだが、システムは常時稼働している。

5つ目は境界を越える人と設備だ――高層フォークリフトゾーンに入る作業員、車両レーンに歩いて入る歩行者。技術的には成熟しているが、従業員が監視されることについてどう感じるかに直接触れるため、実際には最も議論を呼ぶ。詳しくは後述する。

AI倉庫カメラ検査:誤報の問題を乗り越える

誤報を抜きにしたAI倉庫カメラ検査の議論は、核心問題を避けている。私の見解では、誤報は技術的な欠陥ではなく、この種のシステムが支払わなければならない授業料だ。問題は、誰が、どれだけの期間支払うかだ。

中国北部のあるEC倉庫を追ってきたが、ビジョン検査の稼働開始から最初の1か月、1日に40件以上のアラートを受け取り、そのうち本当に対応が必要だったのは5件未満だった。残りは光の変化、一時的に駐車したフォークリフト、パレットの影だった。現場管理者は率直にこう言った。このままでは、シフトリーダーはアラートをまったく見なくなるだろう。この一文が、誤報の本当のコストを言い表している。1件の確認にかかる数分ではなく、アラートそのものが信頼を失う瞬間だ。

業界では、いくつかの実用的な対応策に収束してきた。第一に、アラートを階層化すること。曲がったラックの支柱は当日中に対応しなければならない第1級のアラームであり、10分間の一時的な通路占有は第3級のメモで、記録はするがプッシュはしない。第二に、検証ステップを加えること。アラートはフロアの監督者に直接送るのではなく、管制室のオペレーターに送り、誰かを派遣するかどうかを決める前にスナップショットを一目確認する。第三に、調整に少なくとも1か月を確保すること。しきい値、感度、検出ゾーンは、現場独自の照明、交通量、商品構成に合わせて再調整しなければならない。ベンダーの工場出荷時のデフォルトは出発点にすぎない。

直感に反する部分はここだ。誤報率が下がらないとき、問題はしばしばアルゴリズムではなく倉庫そのものにある。通路が毎日ふさがれ、パレットが常に傾いている現場では、正確なアラートでさえ誤報に見える。なぜなら、皆が慣れ親しんだ違反を報告しているからだ。その意味で、AI倉庫カメラ検査は鏡として機能する。倉庫が受け入れてきた不遵守を、一つひとつ数値化するのだ。

採算は合うのか

ROIを語る前に、一つの前提を述べておく必要がある。検査の利益の多くは、起きなかったことで測られる――倒れなかったラック、ふさがれなかった防火通路、滑らなかった作業員だ。これらの利益は報告書には決して現れないが、それこそが現場管理者が夜ぐっすり眠れる理由でもある。だからこの計算は、回避された損失という観点でしかできない。そして回避された損失は本質的に仮定の話だ。

以下の数値は仮定の試算例であり、方法を示すためだけのものだ――実際の倉庫のコスト水準を表すものではない。約20,000平方メートルの高層施設を想定する。検査カメラ60台とビジョン分析プラットフォームを想定し、ハードウェアと導入の一時費用を約400,000元、年間の保守とモデルの調整を約80,000元とする。従来、手動検査には専任の巡回スタッフが2名必要で、1人あたり年間120,000元だったとしよう。システム稼働後は、人員はパートタイムのレビュアー1名、年間約60,000元に減る。これらの仮定のもと、初年度の支出は約480,000元、その後は年間約140,000元。人件費の節約は年間約180,000元だ。人件費の節約だけでは、回収期間は2年を超える。わくわくする数字ではない。

しかし人件費がすべてではない。計算が成り立ち始めるのは、3種類の回避損失を含めたときだ。1つ目はラック倒壊事故だ。中規模の倒壊――商品の損傷、ラックの再建、ダウンタイム――は、この仮定の例では1,000,000元程度になる。5年に1回でも回避できれば、投資全体をまかなえる。2つ目は火災とコンプライアンスの罰金だ。ふさがれた非常口に対する罰金や操業停止命令は管轄区域によって異なるため、実際の金額は現地の規制を確認してほしい。3つ目は保険だ。一部の保険会社は、ビジョン検査を導入した倉庫に保険料の割引を提供し始めている――実際の見積もりは保険会社に確認してほしい。

したがって私の結論は多層的だ。人件費の節約だけで判断すれば、AI倉庫カメラ検査のROIは魅力的ではない。しかしリスクコストが計算に入ると、背の高いラック、混合SKU、フォークリフトの往来が多い倉庫では真剣な評価に値する。低層ラックで流れが単純な小規模倉庫では、過剰投資である可能性が最も高い。判断は3つの質問に集約できる。ラックはどれだけ高いか、通路はどれだけ簡単にふさがるか、そして過去3年間に倉庫で「あと少しで事故」という場面はあったか。このうち2つが「はい」なら、調達の話をしよう。そうでなければ、まず人間の巡回チェックリストをしっかりさせること――そちらの方が効果が高いかもしれない。

最後に、AIにできないこと。カメラはラック内部のひび割れた溶接部を見ることはできず、ボルトが半回転緩んでいるかどうかも分からず、梁コネクタの金属疲労も判断できない。パレットが賢く積まれたかどうかを判断することはできず、傾いているかどうかしか分からない。そして、現場にいる人が匂いを嗅ぎ、触り、尋ねなければならないチェックは処理できない。化学物質漏れのかすかな匂い、過熱したモーターの焦げた匂い、作業員が何気なく「この柱、今週2回音がした」と言うことだ。そのどれもビジョンモデルの範囲内にはない。

AI倉庫カメラ検査の賢明な位置づけは、人間の巡回に決して疲れない目を与えることであり、巡回を置き換えることではない。カメラは高頻度で繰り返しの目に見えるチェックを担い、人は低頻度で判断を要する、現場にいることが必要なチェックを担う。役割分担が明確になれば、システムはその分の働きをする。カメラにすべてを期待すれば、誰も読まないアラートの山が残るだけだ。

あなたの倉庫では、今日この仕事を誰が担っているのか――そして何が見逃されているのか?

Dr. Chen(サプライチェーン研究者)著 英語版からの翻訳。内容に相違がある場合は英語版を優先します。