アトラックラボ、現場画像で点検AIを鍛える「AT-SYNAPSE 追加学習サービス」を開始

編集: GA Robotics編集部

3行解説

AT-SYNAPSE 追加学習サービスは何をするのか

2026年8月18日、株式会社アトラックラボは、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、「AT-SYNAPSE 追加学習サービス」の提供を開始しました。現場で撮影した点検画像を使い、AIモデルをその設備向けに調整するサービスです。

対象は、サビや腐食、亀裂、塗装の剥離、漏れ、部品の脱落などです。設備の材質や塗装、照明、撮影角度が違うと、同じ異常でも見え方が変わります。そのため、汎用モデルだけでは見つけにくいケースがあります。アトラックラボは、画像の整理、学習用データセットの作成、AIモデルの学習と評価、AT-SYNAPSEへの実装、現場での動作確認までを一貫して行います。

学習にはLoRA（少ない追加データでモデルを調整しやすくする手法）などを使い、点検対象に応じてVLM（画像と言語を扱うAI）、画像分類、物体検出を使い分けます。NVIDIA DGX Sparkを活用し、追加学習から推論までをローカル環境で実行できる点も特徴です。外部クラウドに画像を送らずに済むため、設備情報の扱いに配慮した運用がしやすくなります。

現場データでAIを育てる意味

このサービスの価値は、AIを「最初から完成品として入れる」のではなく、現場で使いながら育てる点にあります。点検の現場では、同じ「サビ」でも、屋外の鉄骨と屋内の配管では見え方がまったく違います。AT-SYNAPSE 追加学習サービスは、その差を画像データで埋める考え方です。

特に、プラントや工場、橋梁、タンクのように、止めにくい設備や人が近づきにくい場所では、ロボットによる巡回と画像記録の価値が高まります。検出結果を画像や位置情報と結びつけて残せるので、単発の異常検知だけでなく、経年変化の確認にもつながります。点検の自動化は、ロボット本体だけでなく、現場データをどう集め、どう学習に戻すかで差が出る段階に入っています。

AT-SYNAPSE 追加学習サービスが変える点検の進め方

AT-SYNAPSE 追加学習サービスは、UGVやレールドローン、クローラーロボットと組み合わせることで、画像収集から異常検出までを一つの流れにまとめています。現場で撮った画像をその場で学習に使えるため、通信環境が弱い施設や、外部送信を避けたい設備でも導入しやすい構成です。

今後は、点検の精度だけでなく、どれだけ早く現場ごとの違いを学べるかが競争力になりそうです。だからこそ、広い範囲に一気に広げるより、まずは異常の種類がはっきりした設備から試し、データの集め方と運用の流れを固める進め方が現実的です。

合わせて読みたい: 人とロボットが同じ現場で働くための安全設計

現場ごとに見え方が違う異常を、画像データで学び直せる点は、点検の自動化を考えるうえで大きなヒントになります。こうした仕組みは、設備保全の現場全体で広がりつつあります。

出典: ロボスタ