# 不良原因仮説生成 — 運用ガイド

## 基本情報

| 項目 | 内容 |
|------|------|
| 業種 | 製造業 |
| ユースケース | 不良原因仮説生成 |
| WFパターン | `start → llm(異常判定) → if-else(異常有無) → (true: llm(原因分析) → end) / (false: end)` |
| RAG | あり |
| 検証結果 | E2E pass |
| デモURL例 | http://localhost/workflow/MOH3EXMqvCh0hicg |

## 概要

設備センサーデータから異常値を検出し、原因分析とアラート文を自動生成する

## デモ手順

1. DDF Web UI (`/dashboard`) を開く
2. 「不良原因仮説生成」の「デモ生成」ボタンをクリック
3. 業種「製造業」、UC「不良原因仮説生成」が自動入力される
4. 「デモ生成開始」をクリック
5. 生成完了後、デモURLを顧客に共有

## ナレッジベース（RAG）

このワークフローにはナレッジベースが必要です。

### 同梱ドキュメント

バンドル内の `knowledge/` フォルダに以下のテキストファイルが保存されています:

- `自動仮説生成フローと必要データ一覧.txt`
- `優先度判定のアルゴリズム例とスコアリング基準.txt`
- `実例：ねじ緩みによる組立不良 — データからの仮説と対応案.txt`

### デプロイ手順

1. Dify管理画面 → ナレッジ → 新規作成
2. 上記テキストファイルをアップロード
3. インデキシング完了を待つ
4. WFのKRノードで作成したナレッジベースを選択

またはDDFパイプラインで自動セットアップ:
```
run_pipeline(knowledge_docs=[...])  # 自動でKB作成+ID注入
```

**顧客デモ時は、顧客の実ドキュメントに差し替えるとインパクトが大きくなります。**


## テスト入力例

### 入力例1
```
設備: プレス機A-3号 時刻: 14:32 温度: 98.5℃(上限85℃) 振動: 2.3mm/s(正常) 圧力: 12.1MPa(正常) 稼働時間: 4,520h
```

### 入力例2
```
設備: CNC旋盤B-1号 時刻: 09:15 温度: 42℃(正常) 振動: 8.7mm/s(上限5.0mm/s) 圧力: 正常 稼働時間: 12,800h 前回メンテ: 2026/01/15
```


## 顧客への説明ポイント

- 「これは自動生成されたプロトタイプです。本番利用には追加の設計・開発が必要です」
- 「御社の実データ/ドキュメントを使えば、さらに精度の高いデモをお見せできます」
- 「Self-hostedなので、御社のデータは外部に出ません」

## AI品質評価コメント

合格。出力は有意なテキストであり（条件1）、製造業の不良原因仮説生成というユースケースに即した内容（温度過昇、冷却系、センサー較正、稼働時間4520h 等）を含む（条件2・4）。顧客デモとして提示可能な具体性・品質（原因ごとの確度、優先対応案・担当・所要時間・期待効果、当日アクション）を備えており、単なるテンプレートではなく入力固有の要素に基づいた解析と手順を示している（条件3・5）。

## 次のステップ（受託提案）

1. 顧客の実データでカスタマイズデモ（POC: 5-10万円）
2. 本番環境設計・構築（受託開発）
3. 既存システム（kintone/Salesforce等）とのAPI連携
4. 運用保守サポート