NaNi EXECUTION LAB
🔒 機密保護: 全処理ブラウザ完結 — 社内Excel・仕様文・レビュー結果は外部送信されません

製造業 DX  ·  ブラウザ完結

仕様書デビクラ抽出

仕様書を読み込むだけで、コスト・納期・設計に関わる注意ポイントを自動で見つけます

✅ 使い方は3ステップだけです
1
業界を選ぶ
産業機械・プラント・特装車両
2
仕様書を読み込む
サンプル or Excel/PDF をアップロード
3
ボタンを押す
注意ポイントが一覧で表示されます！
📖 使い方ガイド ▼ — 個人運用・チーム運用・モデル共有まで

▸ STEP 0 — このツールの本質

ETO製造業の 仕様書Excel から、見積もり・設計・納期を狂わせる デビクラ（Deviation & Clarification = 顧客に提示する懸念事項） をブラウザ完結で抽出します。
AIではなく、業界別デビクラ辞書 + BM25 + 文章ベクトル類似度 + 過去レビュー学習のハイブリッドで動きます。 外部送信ゼロ・社内PCで全処理が閉じるのが最大の特徴です。

▸ STEP 1 — 個人運用フロー（最初の体験）

  1. 業界プリセットを選ぶ（産業機械 / プラント / 特装車両）
  2. 「📄 サンプル仕様書をロード」でデモを動かす（Excelなしで体験可能）
  3. 「デビクラ抽出 ▶」または Ctrl+Enter で実行
  4. 抽出された懸念候補を見て、各行の右端で 「✓ 採用 / 修正 / ✗ 不採用」 を選択
  5. 「⬇ Excel出力」で結果を別Excelに出力（4シート: デビクラ一覧 / 処理内容 / 列対応 / デビクラ辞書）

▸ STEP 2 — 自社Excelを取り込む

  1. 「📂 Excelをアップロード」 または「⬇ Excelテンプレート」でひな型をDL
  2. シート選択 → 列マッピングを確認（要求仕様文の列は必須・他は任意）
    対応列: 章番号 / カテゴリー / 仕様種別 / 所掌 / Project名 / 引合番号(RFQ) / ドキュメント番号 / E&C&LT デビクラ種類
  3. 抽出 → レビュー → Excel出力

▸ STEP 3 — 過去案件で学習させる（精度を一気に上げる）

  1. 過去のデビクラ判定済みExcel（対象/要確認/対象外を入れてあるもの）を用意
  2. 「📚 学習データ → 既存のデビクラ判定済みExcelを取り込む」でアップロード
  3. 列名は 要求仕様 / デビクラ が必須。対象→adopt/対象、要確認→修正、対象外→不採用 にマッピング
  4. 「🧠 学習実行」で新モデル候補を生成 → 「対象」候補一致率・Top10一致率で旧/新比較
  5. 納得すれば 「✓ 新モデルを採用」 / 不安なら「↺ ベースに戻す」で復元可能

▸ STEP 4 — チーム運用（モデル共有）

学習成果は 各PCのブラウザ内（IndexedDB） にしか保存されません。チームで共有するには：

  1. 学習済みPCで 「📥 モデル書き出し（JSON）」を実行 → 1つのJSONファイルがDLされる
    含まれるもの: 辞書バージョン全件 / レビュー履歴全件 / アクティブバージョン情報
  2. そのJSONをチームメンバーに渡す（社内ファイルサーバ or 暗号化メール推奨）
  3. 受け取った側は 「📤 モデル取り込み（JSON）」 でアップロード
    ・マージ（推奨）: 既存データと統合・同一candidateKeyは上書き
    ・置換: 既存を全削除して読み込み（取り消し不可）
  4. 取り込み後は受け取った側のPCでも同じ学習成果が使える

▸ STEP 5 — E&C&LT デビクラ種類の見方

抽出された各候補には、デビクラがどの種類に該当するかが小バッジで表示されます：

  • E 技術 Engineering = 技術的成立性・設計工数・公差・歩留まりへの影響
  • C コスト Cost = 部品コスト・特殊材料・認証費用・現地工事費等
  • LT リードタイム LeadTime = 認証取得期間・調達LT長・短納期要求等

バッジにマウスを合わせると種類別スコア（高=3 / 中=1.5 / 低=0.5 の重み付き総和）が表示されます。 複数の辞書語がヒットした場合はORで集約。Excel出力では「E&C&LT(推定)」「E影響/C影響/LT影響」の各列に出力。

▸ STEP 6 — 機密保護のチェック方法

  1. ブラウザの DevTools (F12) → Network タブを開く
  2. このページで Excel をアップロードして抽出を実行
  3. 新規ネットワーク通信が 発生しないことを確認（SheetJS CDN 初回ロード以降は通信ゼロ）

IndexedDB に学習データが残ります。共有PC・退職時には DevTools → Application → IndexedDB → spec-risk-db を削除してください。 または「レビュー履歴クリア」ボタンで reviews ストアのみクリア可能。

▸ FAQ・トラブルシューティング

Q. 大きなExcel（5000行以上）を読み込ませたい

5000行超は警告ダイアログが出ます。ESCキーで処理中断可能。重い場合は事前にシートを分割するのが推奨。

Q. 学習データをチームで共有するベストな方法は

(1) ベース担当が学習済みモデルを書き出し → (2) 社内ファイルサーバに置く → (3) 各メンバーが「マージ」モードで取り込み。
週次・月次で再書き出し→上書き共有のサイクルが現実的。

Q. 「対象候補の人手承認率」が下がってきた

辞書が業務に対して過剰に厳しい可能性。レビュー結果を再点検して、不採用が多い辞書語は「学習実行」で自動的に弱化（suppressed）されます。

Q. 取り込んだモデルを元に戻したい

「↺ ベースに戻す」ボタンで辞書はベース版に戻ります。レビュー履歴は残るので、必要に応じて「レビュー履歴クリア」を実行。

Q. オフライン環境でも使える？

ページの初回読込（HTML+CSS+JS+SheetJS CDN）後はオフラインで動作可能。ブラウザのキャッシュが残っていれば再起動後も動きます。

1
どの業界で使いますか？
業種に合ったキーワード辞書が自動でセットされます。
よくわからない場合は「産業機械」を選んでください。
ボタンを押すとサンプル仕様書も自動でセットされます
2
仕様書を読み込む
まずは「サンプルで試す」を押してみてください。Excelなしですぐ動きます。
実際の仕様書がある場合は「Excelをアップロード」または「PDFをアップロード」を使ってください。
入力したファイルは外部に送信されません。すべてあなたのPCの中で処理します。
3
分析方法を選んで実行する
分析エンジンを選んでから実行してください。BM25ルールは即座にオフラインで動きます。類似検索やLLM生成は初回のみダウンロードが発生します。
分析エンジン
📖 辞書/ルール追加
詳細な設定（理由・E/C/LT）は下の「辞書」タブで管理できます
Ctrl+Enter でも実行できます
⚙️ 上級者向け機能（学習・AI類似検索・辞書カスタマイズ）

基本的な使い方では不要です。使い込んでから活用してください。

📄 Excelテンプレート（自分でExcelを作る場合）
「要求仕様」列に仕様テキストを貼り付けて、下の「判定済みExcelを取り込む」から読み込んでください。
📚 学習データ取込（過去の判定済みExcelで精度を上げる）
過去に「対象 / 要確認 / 対象外」を判定したExcelがある場合に取り込めます。
必須列: 要求仕様 デビクラ（対象・要確認・対象外）
⚙ 精度向上・カスタマイズ レビューを積み重ねると次回以降の精度が上がります
蓄積レビュー
0
✓ 採用
0
✎ 修正採用
0
✗ 不採用
0
対象 承認率
0%
採用+修正÷対象判定

▸ モデル共有（チーム配布）

書き出し: 辞書バージョン + レビュー履歴 + アクティブバージョン情報を含む単一JSON。取り込み: マージはupsert / 置換は全削除（取り消し不可）。

BM25ベース辞書にない自社固有のデビクラ語を追加します。追加後は即座に抽出に反映されます。

SAMPLE FORMAT —
語: 特注フランジ  判断材料: 特注品のため設計工数・調達リードタイム増  判定: 対象  E&C&LT: E,LT
語（必須）
判断材料 why（推奨）
判定
E&C&LT 種類

仕様文とデビクラ文のペアを登録すると、AI類似検索の精度が上がります。

0件登録済み
① Excel一括取込（推奨）
列「要求仕様」×「devicra_text」を自動検出して一括登録。
「対象外」行は自動除外。past_devicra_learning.xlsxをそのまま投入可能。
② 過去仕様書PDFから抽出
PDFから仕様文を抽出し、デビクラ文を1件ずつ入力して登録します。
③ 手動登録（1件ずつ）
▸ 操作ログ（直近30件） 
 
  
 
▸ 他のETOツールも併せて使う
 
  
受注前 営業
 
🎯 ETO類似案件見積り
 
8特徴量から類似Top3抽出・工数/コスト/LT予測
   
受注後 PM
 
🎲 プロジェクト納期モンテカルロ
 
WBS+3点見積りからP50/P80/P95算出
   
受注後 生管
 
🛠 ETO Job Shopスケジューラ
 
EDD/SPT/CR比較で工程経路の最適投入順
  
  
📖 関連事例
 
一品一様製造（ETO）のAI活用 — 類似度見積り・モンテカルロ・Job Shop最適化の実務適用記録 →
  
  
 
このツールについて
 
 
 
🔍 BM25 検索
 
Okapi BM25 アルゴリズム。TF-IDFを発展させた検索エンジン式の関連度計算。日本語はbigram(隣接2文字)+ASCII単語のハイブリッドトークナイザで処理。
 
 
 
📚 デビクラ辞書
 
業界別の懸念語を対象／要確認／対象外の3段階で分類。「特殊」「初」「未経験」「短納期」など見積もり工数を狂わせる典型語を網羅。
 
 
 
🔒 ブラウザ完結
 
Excel・仕様文・レビュー結果は外部送信ゼロ。SheetJSのCDNライブラリ初回ロードのみ。それ以降は完全ローカル処理。
 
 
 
🧠 学習する
 
人レビュー（採用/修正/不採用）を IndexedDB に蓄積。新旧モデル比較で「対象」候補の承認率を評価し、人が採用判断する仕組み。使うほど自社判断ナレッジが育つ。
 
 
 
  
 
機能仕様
  
 
▸ WHAT — 何ができるか
 

ETO（受注設計生産）製造業の 仕様書Excel を読み込み、見積り工数・納期・品質を狂わせる
デビクラ（Deviation & Clarification）懸念候補 をブラウザ完結で抽出します。
          産業機械・プラント設備・特装車両の業界別デビクラ辞書を内蔵。
          人レビュー結果を蓄積するほど、抽出精度が自社業務に最適化されていきます。

 
 
 
入力
 
.xlsx / .xls 仕様書
または内蔵サンプル仕様書
 
 
 
処理
 
BM25 + デビクラ辞書 + 文章ベクトル類似度
過去レビューとの一致補正
 
 
 
出力
 
画面デビクラ一覧 + 別Excel（4シート）
人レビューで再学習可能
 
 
 
  
 
▸ HOW — 処理フロー（25ステップ）
 

①  Excel/サンプル読込                  ↓
②  シート選択・列マッピング自動推定      ↓
③  要求仕様文の正規化・分割            ↓
④  BM25検索で広く候補拾い (Top100)     ↓
⑤  文章ベクトル類似度 (bag-of-bigrams)  ↓
⑥  デビクラ辞書ヒット検出 (3段階)        ↓
⑦  過去レビューDB類似引き当て          ↓
⑧  候補統合 + 重複除去                ↓
⑨  リランキング（5指標重み付き総合）   ↓
⑩  懸念候補生成 + 判定（対象/要確認/対象外）↓
⑪ E&C< デビクラ種類推定（技術/コスト/LT・OR集約）↓
⑫  信頼度算出 (0〜100点)              ↓
⑬  推定根拠表示 (一致語+why)          ↓
⑭  人レビュー (採用/修正/不採用)       ↓
⑮  IndexedDB へ正解データ保存         ↓
⑯  学習対象データ抽出                 ↓
⑰  新辞書バージョン候補生成            ↓
⑱  旧モデル/新モデル評価実行           ↓
⑲ 「対象」候補の承認率・Top10一致率算出 ↓
⑳  画面に新旧差分表示                 ↓
㉑  人が採用可否判断                   ↓
㉒  採用時のみ新モデル切替              ↓
㉓  ベース辞書への復元可能              ↓
㉔  別Excel出力 (4シート: デビクラ一覧等) ↓
㉕  操作ログ記録 (200件保持)

 
  
 
▸ USE — 使い方（6ステップ）
 
     
  1.  1 
    業界プリセット選択
    産業機械 / プラント設備 / 特装車両 を選択。デビクラ辞書とサンプル仕様書がセットでロード
     
    2.  
  2.  2 
    仕様書読込
    「サンプル仕様書をロード」で即体験 / または「Excel をアップロード」で社内仕様書を投入（外部送信ゼロ）
     
    3.  
  3.  3 
    列マッピング確認
    要求仕様文の列・章番号・仕様種別・所掌の列を自動推定。必要なら手動修正
     
    4.  
  4.  4 
    デビクラ抽出 ▶
    「デビクラ抽出 ▶」または Ctrl+Enter で実行。対象/要確認/対象外 の3段階で表示。フィルタ・推定根拠展開可能
     
    5.  
  5.  5 
    人レビュー
    各候補に「採用 / 修正して採用 / 不採用」を選択。即座に IndexedDB に保存され、次回以降の抽出に反映
     
    6.  
  6.  6 
    学習・新旧比較・採用判断 / Excel出力
    「🧠 学習実行」で新モデル候補生成 → 「対象」候補の承認率・Top10一致率を比較 → 人が採用判断（または旧モデルへ復元）。結果は別Excelに4シート出力（デビクラ一覧/処理内容/列対応/デビクラ辞書）
     
    7.  
 
  
 
▸ PRIVACY — データはどこへ流れるか
 

🌐 個人HPサーバー (静的配信のみ)
        │
        │  HTML/CSS/JS/初期辞書のダウンロード (1回のみ)
        ▼
🖥  社内PC ブラウザ (ここで全処理が閉じる)
        │
        ├─ Excel読込 ────────► メモリ上 (ローカル)
        ├─ 仕様文解析 ──────► メモリ上 (ローカル)
        ├─ BM25 / ベクトル ──► メモリ上 (ローカル)
        ├─ レビュー結果 ────► IndexedDB (社内PCのみ)
        ├─ 学習データ ──────► IndexedDB (社内PCのみ)
        ├─ モデル版履歴 ────► IndexedDB (社内PCのみ)
        └─ Excel出力 ───────► ローカルファイル (社内PCのみ)

❌ 外部AI API ──────── 接続なし
❌ 外部CDN (会社データ) ─ 送信なし
❌ アクセス解析 ─────── 設置なし
❌ サーバーログ ──────── 静的配信のみ・会社データ通過なし

 

検証方法: ブラウザの DevTools (F12) → Network タブを開いて操作。
          初期 SheetJS CDN 読込以降、追加通信が発生しないことを目視確認できます。

 
  
 
▸ METRICS — 評価指標の見方
 
 
 
信頼度 (0〜100)
 
一致デビクラ語の判定別重み（対象35×要確認18×対象外8）+ 一致語数ボーナス + 過去レビュー結果による補正（採用なら+12、不採用なら-15）
 
 
 
「対象」候補の承認率（最重要）
 
「対象」判定された候補のうち、レビューで「採用 or 修正採用」された割合。辞書精度の見方。下がっている場合は辞書を緩める／レビュー結果を再点検。※統計的Recall（正解集合に対する再現率）ではなく承認率
 
 
 
Top10一致率（新旧比較）
 
学習前後で同じ仕様書を再走査した時、上位10件のうち何件が両者で重複しているか。変動が大きすぎる場合は学習が不安定のサインなので採用を保留
 
 
 
辞書語 強化／弱化候補数
 
学習でレビュー反映により強化された語（採用率80%以上&3件以上）・弱化された語（採用率20%以下）の件数。新モデル採用時の判断材料
 
 
 
  
 
▸ TECH — 採用技術スタック
 
 
画面Astro v6 (静的SSG) + Vanilla JavaScript（DOM操作はDocumentFragment最適化）
 
Excel処理SheetJS xlsx@0.18.5（.xlsx/.xls/複数シート対応・原本上書き禁止）
 
ローカル保存IndexedDB（reviews / dictVersions / modelMeta / learningQ の4 ObjectStore）
 
検索アルゴリズムOkapi BM25 (k1=1.5, b=0.75) + 日本語bigram + ASCII単語の純粋JS実装
 
類似度計算Bag-of-bigrams + L2正規化 + コサイン類似度（Transformers.js非使用で軽量化）
 
デビクラ辞書産業機械40語 / プラント30語 / 特装車両30語、対象/要確認/対象外の3段階・各語に判断材料(why)添付
 
学習方式レビュー結果からの辞書語重み更新・新バージョンとして保存・人による採用判断・旧復元可能
 
外部依存SheetJS CDN（jsdelivr）の 初回ロードのみ。AI API・解析・追跡なし
 
 
  
 
▸ LIMIT — 既知の限界と対応方針
 
     
  • 大容量Excel (5000行超) は警告ダイアログ表示。ESCで中断・処理再開対応
    •  
  • 辞書語の業界カバレッジ はサンプル含み3業界×30〜40語。自社の固有語はレビュー学習で追加される設計
    •  
  • Transformers.js による真の文章ベクトル検索 は本MVP不採用（CDN依存・モデルダウンロード10MB+）。代替で bag-of-bigrams コサイン類似度を採用
    •  
  • ブラウザDB なので レビュー履歴は端末ごと。チーム共有はExcel経由で運用
    •  
  • 本ツールは判断補助。最終的な採用可否は必ず人レビューで決定する設計（自動採用は実装しない）
    •