アトラックラボ、AI点検ロボットを現場データで進化させる「AT-SYNAPSE 追加学習サービス」を開始。学習も推論もローカルで完結

アトラックラボ（埼玉県入間郡三芳町）は、AI点検ロボット向け制御プラットフォーム「AT-SYNAPSE」のオプションとして、現場で収集した点検画像を使ってAIモデルを最適化する「AT-SYNAPSE 追加学習サービス」の提供を開始した。

サビや腐食、機器特有の不具合を追加学習させ、画像の収集から異常検出、位置記録までをローカル環境で実行できる点が特徴だ。

汎用AIでは難しい現場固有の不具合。画像の外部送信も避けたい

プラントや工場、インフラ設備では、サビや腐食などの異常を人が目視で確認する点検作業が数多く残されている。

しかし、設備の材質や塗装、照明、汚れ、撮影角度などの条件は現場ごとに異なる。

同じ種類の設備であっても、構造や設置環境、使用状況によって発生する不具合が違うため、汎用的なAIモデルだけでは正確な検出が難しい場合があった。

加えて点検画像には設備の構造や配置など、外部へ送信しにくい情報が含まれる。

アトラックラボは、こうした現場固有の条件と情報管理上の課題に対応するため、ローカル環境で追加学習と推論を行い、ロボットによる画像収集から異常検出までを一体化するサービスを開発した。

現場画像でAIを最適化、DGX Sparkでローカル処理。運用しながら継続改善

本サービスでは、顧客の現場で撮影したサビや腐食、機器特有の不具合などの画像をもとに、追加学習用のデータセットを構築する。

対象や撮影条件に応じて数百枚から数千枚規模を目安に画像を収集・整理し、LoRA（Low-Rank Adaptation）などの手法でAIモデルを追加学習する。

その際、点検対象に応じて、画像と言語を扱うVLMや画像分類、物体検出などから適切な手法を選び、現場の使用環境や点検基準に適したモデルへ調整する。

処理基盤には、NVIDIA DGX Sparkの演算性能と大容量メモリを活用。これにより、大規模なVLMを含むAIモデルの追加学習と推論をローカル環境で実行でき、機密性の高い点検画像を外部クラウドへ送信せずに運用できる。

さらに、初期モデルの導入後も、実際の点検で蓄積された新たな画像と確認結果を追加学習に活用可能だ。

現場で発生した機器特有の不具合や新たな事例を継続的に学習させることで、設備や撮影環境に合わせて段階的にモデルを改善していく。

画像収集からロボット実装まで一貫対応。点検履歴や経年変化の管理にも

アトラックラボは、学習用画像の整理やアノテーション、データセットの構築、AIモデルの追加学習と評価、AT-SYNAPSEへの実装、現場環境での動作確認までを一貫して担う。

AT-SYNAPSEは、UGVやレールドローン、クローラーロボットなどと連携できる。

ロボットが設定されたルートを移動しながら画像を収集し、追加学習したモデルが異常箇所を検出する仕組みだ。

検出結果を画像や位置情報と関連付けて記録することで、点検履歴の管理や経年変化の確認にも活用できる。

対象は、製造業やプラント、インフラ、建設、設備保全事業者などを想定しており、提供価格は点検対象や画像数、学習内容、ロボット構成に応じた個別見積もりとなる。