【要約】異常検知で終わらせない。現場保全の判断と行動を支援するAIエージェントをAzureで作った [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
設備保全の現場において、技術者は異常検知後の判断プロセスに深刻な課題を抱えている。異常を検知しても、その後の原因推定や初動対応がベテランの経験に依存しているためである。
- ・判断材料がセンサー値、マニュアル、過去履歴など多岐にわたり、分散している。
- ・「次に何をすべきか」という判断が属人化し、若手への技術継承が進まない。
- ・異常検知AIを導入しても、具体的なアクションへ繋がらない。
// Approach
開発者は、判断の属人化を解消するために、8つの専門エージェントによるマルチエージェント構成を採用した。Semantic Kernelを用いて各エージェントを制御し、一気通貫の業務フローを構築している。
- ・IntakeからGovernanceまで、単一責任を持つ8つのAgentが分業して処理を行う。
- ・リスク判定はLLMではなく、監査可能なルールベースのエンジンで実施する。
- ・経済効果の算出は、LLMに頼らず実績データを用いた決定論的モジュールで行う。
- ・すべての提案に人間による承認ゲートを設け、監査ログを保存する。
// Result
本システムの構築により、異常検知から具体的な作業指示、報告書作成までの自動化を実現した。検証の結果、設計通りの挙動と高い信頼性が確認されている。
- ・5設備×4強度の20プリセットにおいて、全ポリシーチェックに合格した。
- ・早期介入により、約210万円の回避コストを算出できることを示した。
- ・「分からない」場合に不確実性を明示する挙動により、現場の信頼性を確保した。
- ・今後は、過去事例のRAG活用や、Power Automateによるフル自動化を目指す。
Senior Engineer Insight
> 非常に実戦的な設計だ。特に「LLMに計算させない」「リスク判定をルールベースに切り出す」「不確実性を明示する」という設計思想は、ミッションクリティカルな現場でのAI導入における急所を突いている。単なる生成AIの活用に留まらず、監査ログや承認フローといった「ガバナンス」をシステム構成の核に据えている点が、エンタープライズ用途としての完成度を高めている。スケーラビリティも考慮されており、実務への投入を強く意識した構成と言える。