在庫の数え間違いを減らしたいなら、カメラやAIを入れる前に「何を1個と数えるか」「どこに置くか」「いつ帳簿と突き合わせるか」の3点を先に決めてください。ここが曖昧なままだと、AIが出した数字が正しいのか間違っているのかを誰も判定できず、結局は人が数え直すことになります。逆に、この3点が決まっていれば、写真で数える仕組みは比較的小さく始められます。本記事では、受注開発の現場で実際に詰まりやすい箇所を中心に、導入前の整理の仕方を説明します。
写真で数えるAIとは、何をしている仕組み？
「写真で数える」と呼ばれる仕組みは、大きく次の処理に分かれます。
- 物体検出：画像の中から「箱」「袋」「部品」といった対象を見つけ、それぞれを四角い枠で囲む処理。枠の数が個数になります。
- 画像分類：写っているものが品番Aなのか品番Bなのかを判別する処理。
- 文字認識（OCR）：ラベルの品番やロット番号を文字として読み取る処理。OCRはOptical Character Recognitionの略で、画像の中の文字をテキストに変換する技術です。
現場で「AIで在庫を数える」と言うとき、実際にはこの3つの組み合わせであることがほとんどです。パレット上の段ボールを数えるなら物体検出が主役、棚のラベルから在庫を照合するならOCRが主役になります。どちらを主役にするかで、必要な学習データも撮影方法もまったく変わります。画像検品AIは既製か学習か — 件数と不良率で決まるでも触れたとおり、既製のサービスで足りるのか自社データで学習させる必要があるのかは、対象物の種類数と求める精度で決まります。
なぜ数え間違いは起きる？ — 原因はカメラより手前にある
棚卸の差異を追いかけると、カウント作業そのものより前の工程に原因があるケースが目立ちます。典型的なのは次のような場面です（以下は説明のための仮の例です）。
- 入荷時に「ケース」で受け、出荷時は「バラ」で出している。帳簿上の単位がケースのままなので、バラ出荷のたびに端数が合わなくなる。
- 同じ品番で旧梱包と新梱包が混在し、見た目が違うものを同じ品番として扱っている。
- 仮置き場に積まれた在庫が、システム上はまだ「入荷待ち」のまま。物はあるのに帳簿にない。
- 返品・不良品が通常在庫と同じ棚に戻されている。
これらはAIを入れても解決しません。むしろ、AIは「写っているものを正直に数える」ので、帳簿との差が今までより明確に出ます。差が出ること自体は良いことですが、差の原因を切り分ける段取りがないと「AIの精度が悪い」という結論になって終わります。
導入前に整える3点は、具体的に何を決める？
受注開発の要件定義で最初に確認するのは、次の3点です。
| 整えること | 決める内容 | 決まっていないと起きること |
|---|---|---|
| 数える単位 | 1個とは何か（バラ／ケース／パレット）。品番ごとに入数を定義する | AIの出力が「箱12個」、帳簿が「480本」で、照合できない |
| 置き方と撮り方 | 撮影位置、積み方の上限段数、ラベルの向き、照明 | 奥の列が写らず常に少なく数える。影で検出が落ちる |
| 突合のタイミング | 日次か、入出荷の都度か、月次棚卸のときか | いつの在庫と比べた差なのか分からず、原因追跡ができない |
特に2番目の「置き方」は軽く見られがちですが、精度への影響がいちばん大きい箇所です。物体検出は写っていないものを数えられません。3列×4段に積まれた段ボールを正面から1枚撮っても、見えるのは前面の12箱だけです。「積み方を2段までにする」「撮影は決まった2方向から」といった運用ルールを先に決めるほうが、モデルを作り込むより確実に効きます。
精度はどこまで求める？ — 許容誤差と人に戻す条件
「何パーセントの精度が出ますか」という質問には、対象物と撮影条件を固定しないと答えられません。発注側で先に決めておくと話が早いのは、精度の目標値ではなく許容誤差と、人に戻す条件です。
- 単価の低い消耗品は、±数個のずれを許容して自動確定してよいのか
- 高額品やロット管理品は、AIの結果にかかわらず必ず人が目視するのか
- AIが「自信がない」と判定したときに、誰の端末に通知が飛ぶのか
多くの検出モデルは、検出結果ごとに確信度（どのくらい確からしいかを示す0〜1の値）を返します。これを使って「確信度が低いものだけ人が確認する」という分岐を作るのが現実的な設計です。考え方は問い合わせAIの振り分けは「人に戻す条件」から決めると同じで、全自動を目指さず、戻す条件を先に言語化します。
なお、棚卸や在庫評価の取り扱いについては「棚卸資産の評価に関する会計基準」などのルールがあり、帳簿と実地の差異をどう処理するかは会計・税務の判断が伴います。AIの数値をそのまま帳簿の確定値にしてよいかは、顧問の税理士・会計士に確認してから設計を固めるのが安全です。
実装で詰まりやすいのはどこ？
開発に入ってから手戻りが出やすいのは、次の箇所です。
- 撮影端末の確保：固定カメラか、現場のスマートフォンか。固定にするなら電源とネットワークの配線工事が必要になり、見積もりが変わります。
- 通信環境：倉庫の奥で電波が届かないケース。撮影時にオフラインで溜め、戻ってから送信する設計にするかどうかで作りが変わります。
- 既存システムとの連携：在庫マスタの品番体系、入数、ロケーション情報をどう受け渡すか。ここは工期が延びやすい箇所で、基幹システムにAIを足すと工期が延びるで挙げた連携の論点がそのまま当てはまります。
- 学習データの収集：自社品で学習させる場合、季節品や新商品が増えるたびに追加撮影が要ります。「誰が、いつ、どれだけ撮るか」を運用設計に含めておきます。
- 評価のやり方：精度が上がったかどうかを感覚で判断しないよう、正解付きの画像セットを手元に持っておきます。
5番目については、少数でも構わないので「正しい個数が分かっている写真」を数十枚そろえ、仕組みを変えるたびに同じセットで比べるのが基本です。
まとめ
写真で在庫を数えるAIは、技術としては成熟してきており、条件を固定できる現場であれば十分に実用になります。ただし効果を出すかどうかを決めるのは、モデルの性能より前の段階です。
- 1個の定義（単位と入数）を品番ごとに確定する
- 積み方・撮影位置・ラベルの向きを運用ルールにする
- いつ帳簿と突き合わせるかを決め、差異の追跡手順を用意する
- 全自動にせず、人に戻す条件を先に言語化する
- 正解付きの画像セットを用意し、改善を数字で比べられるようにする
この5点が整っていれば、小さな範囲から試して広げていけます。整っていないままカメラだけ先に入れると、差異の原因がAIにあるのか運用にあるのか分からないまま、使われなくなる仕組みができあがります。まずは倉庫を1区画選び、単位の定義と置き方のルールを紙1枚にまとめるところから始めてみてください。