「AI 現場監督『安全ヨシ！』」― AI に見守られながら作業する、フィジカル AI 時代のエッジ × クラウド

新しく現場に入った人が、一人で作業を任されるようになるまでには、けっこうな時間がかかります。手順書を渡して終わり、にはできません。「その装置は電源を落としてから開ける」、「その工程では絶縁手袋をつける」。書いてあることは正しいのですが、書いてある通りにできているかを見てくれる人が、しばらくは横についている必要があります。新人でも、他業種からの中途採用の方でも、事情はあまり変わりません。

つまり、ベテランが一人、育成のために現場に張り付くことになります。これは安全のために必要なコストです。ただ、そのベテランは本来なら別の仕事ができた人でもあります。教育と業務の両方を回そうとすると、どうしてもここで人手が足りなくなります。しかも、付き添う人が変わればアドバイスの粒度も変わります。

だったら、その「横について見ていてくれる人」の役を、AI にやってもらえないだろうか。私たちが作ったのは、そのようなデモです。作業する人の手つきをじっと見て、危なければその場で声をかけ、正しくできたときだけ「安全ヨシ！」と認めます。ちょっと口うるさい、でも見ていてくれる現場監督、みたいな AI です。

AWS Professional Services の 4 人 で開発し、AWS Summit Japan 2026 の Builders' Fair (A082 ブース) に出展しました。名前は「AI 現場監督『安全ヨシ !』」です。保護具の着用有無を確認するだけであれば、AI にとっては簡単な作業です。私たちが目指したのは、その先にある体験でした。

本記事では、AWS Summit Japan 2026 Builders' Fair に出展した「AI 現場監督『安全ヨシ !』」のデモを通じて、そのアーキテクチャ・設計思想・体験設計を紹介します。エッジ上の視覚言語モデルが作業の前後文脈を読み取りリアルタイムに危険を警告する「親方」役と、Amazon Bedrock が記録全体を再監査し採点する「振り返り」役を二層で組み合わせることで、新人育成時のベテラン不足という現場課題に挑みました。

X ポスト » | Facebook シェア » | はてブ »

来場者には、未来の工場に入った新人作業員になってもらいました。作業台にはウェブカメラが設置されており、その正面のモニターに作業手順が表示されました。来場者は、その手順に沿って操作板を順番に操作していきました。

手順を正しくたどれたと AI が判断すると、緑のランプが灯り、スピーカーから「安全ヨシ !」という声が流れます。一方、手順を飛ばしたり、電源が入ったままの盤にうっかり手を伸ばしたり、手順とは異なるスイッチを ON にしたりすると、パトライトが赤く回転し、AI がすかさず声をかけます。「ちょっと待った、順番が違います」。会場では、この赤いパトライトに笑いながらも、緑の「安全ヨシ !」に小さくガッツポーズする人が、次々と現れました。

(写真 : 正しい手順で作業した結果、パトライトが緑に光った瞬間)

この仕組みにおいて、AI は 2 か所で動いています。手元で即座に判定する AI と、AWS 上であとから見直す AI です。判定結果と作業ログは、AWS 上で稼働しているランキングアプリに送られます。

ひと通り作業が終わると、AWS 側の生成 AI が画像とログをまとめて見直し、スコアを再算出します。確定したスコアは、大型モニターに「本日の優秀安全作業員ランキング」としてリアルタイムに表示されます。安全に作業するほど、ランキングの上位に近づく仕組みです。怒られるゲームではなく、勝ちにいくゲームです。

(写真 : 左にエッジとクラウドの構成図、右に安全スコアのランキング画面を表示した 2 つのブラウザ画面)

現場に AI の目を持ち込む試みは、今回が初めてではありません。10 年ほど前から、ディープラーニングによる画像認識をカメラのすぐ横に置いて、その場で判定させる方法が広く使われてきました。撮った映像をどこかに送って返事を待つのではなく、現場の機械の中で完結させます。いわゆるエッジでの推論です。軽くて速く、通信帯域が細くても止まりません。ヘルメットをかぶっているか、保護メガネをつけているか。こうした「写っているか、写っていないか」の判定は、この方式がとても得意な領域でした。

ところが、私たちが見たかったものは、この延長では捉えられませんでした。現場の安全ルールの多くは、「A の状態のときに B をしてはいけない」という形をしています。装置の電源が入っている状態でカバーを開けてはいけません。しかし、電源を落としてからカバーを開けるのは、まったく正しい手順です。つまり、カバーを開ける動作そのものは、どちらも同じです。安全か危険かを分けているのは、その直前に何が起きたか、いまどういう状態なのか、という前後の文脈でした。

写っているモノを一枚の絵として分類する方式は、この時間的なつながりを扱うのが苦手です。新人がやってしまう「うっかり」の多くは、まさにこの文脈の側に潜んでいます。

(図 : 従来の画像認識と視覚言語モデルを 4 つの観点で比べた表。従来手法は 1  枚の写真からラベルを返し前後の文脈が読めないが、VLM は時間差のある複数の写真を見て言葉で答え、電源を切らずに触っているかまで読める)

ブースでこの構成を説明していると、製造業の方から「それ、全部 AWS 上でやってもよくないですか」と何度も聞かれました。正直、私たちも最初はそう考えていましたが、それでも 2 つに分けました。理由はレイテンシーとオフライン耐性ですが、実際にその線引きをしてみたところ、それが現場の育成の役割分担と綺麗に重なっていました。現場で新人を育てるとき、実際には 2 種類の人が関わります。ひとつは、横についている親方です。危ないと思った瞬間に「待て」と言います。ここは即応が命なので、迷っている時間はありません。もうひとつは、あとから作業を振り返って評価する人です。どこがよかったのか、なぜダメだったのかを、落ち着いて全体を見て、丁寧に伝えます。このデモでも、同じように分けました。

親方の役は、エッジが担います。 電源が入った盤に手が伸びた瞬間に警告が間に合わなければ、意味がありません。そのため映像の解析も、音声の警告も、パトライトも、すべて手元の機械の中で完結させました。通信が切れても、警告は止まりません。

振り返って評価する役は、AWS 側が担います。 判定ログと画像は、作業を止めない形で AWS へ送られます。作業が終わると、Amazon Bedrock のマルチモーダル生成 AI が記録全体を見直し、「途中で一度手袋を外していないか」といった、その瞬間だけを見ていては気づけない矛盾まで洗い出して、確定スコアを出します。現場で怒られるだけでは、人は育ちません。なぜダメだったのか、どこはよかったのか。そこを丁寧に返すのが、本来メンターや指導係に求められる仕事です。今回はデモなのでスコアという形にしましたが、この「あとから丁寧に返す」役を機械が肩代わりできるなら、親方の負担はかなり軽くなります。

即応が要る判断は手元で行い、腰を据えた判断は AWS 上で行います。この線引きは、AI 特有の話ではなく、人の教え方をそのまま写しただけです。

(図 : 親方役のエッジとクラウドの役割を 4 つの観点で比べた表。エッジは危険な瞬間に声とパトライトで止め、通信が切れても止まらない。クラウドは作業後に記録を通して読み  、前後の矛盾まで見つけて採点する)

久米大雅, 澤田友哉, 牧梨乃, 髙木 ニコール美羽, 岩崎安里, 伊藤健史