PlusInsight- 電話／Webフォーム経由の問い合わせが増加し、一次対応の待ち時間と属人化が深刻化。
- 問い合わせ記録は散在し、VOC（お客様の声）の定量分析に時間がかかる。
- 個人情報（PII）を含むログの利活用が難しく、監査対応や内製化のボトルネックになっていた。
LLMで実現する効率的で高品質な応対
問い合わせ対応をLLM＋音声認識で自動化。PIIマスキング込みの安全なデータ基盤をGCP上に構築し、95%超のASR精度と90%超の分類精度を実現。 運用を定常化し、応対品質と業務効率を同時に向上。
製造業（家具・家電）
期間: 2024年6月〜現在
2025/9/11
課題
解決策
- GCP上でエンドツーエンドのML/LLMパイプラインを設計（ETL→ASR→PIIマスキング→要約/タグ付け→ルーティング→BI）。
- 音声認識AIで通話を自動文字起こし、直後に個人情報をマスキング。
- GPT系モデルで要約・意図抽出・タグ付けを実装し、問い合わせ分類を自動化。
- 業務KPIとモデル指標を可視化する監視/ダッシュボードを整備し、運用を標準化。
成果
- 文字起こし精度：95%以上、分類（タグ付け）精度：90%以上を達成。
- 一次対応～分析までの非効率工程を自動化し、オペレーション負荷を大幅に削減。
- VOCの集計レイテンシが短縮され、製品/FAQ改善の意思決定が高速化。
概要
課題: 電話／Webフォーム経由の問い合わせが増加し、一次対応の待ち時間と属人化が深刻化。問い合わせ記録は散在し、VOC（お客様の声）の定量分析に時間がかかる。個人情報（PII）を含むログの利活用が難しく、監査対応や内製化のボトルネックになっていた…
解決策: GCP上でエンドツーエンドのML/LLMパイプラインを設計（ETL→ASR→PIIマスキング→要約/タグ付け→ルーティング→BI）。音声認識AIで通話を自動文字起こし、直後に個人情報をマスキング。GPT系モデルで要約・意図抽出・タグ付けを実…
成果: 文字起こし精度：95%以上、分類（タグ付け）精度：90%以上を達成。一次対応～分析までの非効率工程を自動化し、オペレーション負荷を大幅に削減。VOCの集計レイテンシが短縮され、製品/FAQ改善の意思決定が高速化。
お問い合わせはこちら
まずは課題整理から。短期間のスモールスタートで検証まで伴走します。