【ITニュース解説】Bill No, Maal, Kitne: a weekly restock note for a shop that counts stock by hand, on two open models

手作業で在庫管理を行っている小さな店舗の課題解決を目指して、「tidy-predict」という人工知能（AI）を活用したツールが開発された。

多くの小売店、特に中小規模の店舗では、商品の在庫数、売れ行きの傾向、次に何を補充すべきかといった重要な情報を、店主や従業員が手作業で管理している。しかし、この手作業には多くの限界がある。たとえば、いつの間にか人気商品が品切れになったり、逆に誰も欲しがらない商品が棚に山積みになったりといったミスが頻繁に発生してしまう。これは、顧客が求める商品を必要な時に提供できない機会損失につながり、店舗の運営効率を大きく損なう原因となる。

「tidy-predict」は、このような手作業に頼る店舗の課題を解決するために開発された。このツールは、店舗が普段使っている注文データ（CSVファイルなど）を読み込み、そこに含まれる「ごちゃごちゃした」情報を自動で整理し、次の週にどの商品をどれだけ補充すべきか、具体的な予測を提供してくれる。具体的には、以下の三つの情報が出力される。まず、元の注文データをきれいに整理したファイル。次に、翌週に売れると予想される各商品の販売数と、その予測がどの程度の範囲に収まるかを示す「予測範囲」。そして、最後に、店主がすぐに確認できるような、平易な英語で書かれた「補充メモ」である。この予測範囲の上限は「繁忙期に必要となる在庫数」として、特に多めに在庫を確保したい場合の目安となる。

このツールが特に注目されるのは、その技術的な仕組みとプライバシーへの配慮である。通常、AIモデルを利用するには、インターネット経由で外部のAIサービスにデータを送信し、そこで処理を行うことが多い。しかし「tidy-predict」は、そうではない。このツールは、店舗の注文データを外部のAIサーバーに一切送信せず、店主自身のラップトップやパソコンのCPU（中央演算処理装置）上で、すべての処理を完結させる。これにより、店舗の重要な販売データが外部に流出するリスクがなく、高いプライバシーが保たれる。さらに、外部サービスを利用しないため、API利用料などのコストがかからず、非常に低コストで運用できるというメリットもある。

ツールの内部では、いくつかのAIモデルが連携して動作する。主要な予測を担うのは「TabPFN-2」というAIモデルだ。これは、表形式のデータ（エクセルのような行と列で構成されるデータ）の予測に特化したモデルで、過去の販売履歴から、翌週の各商品の販売数を高い精度で予測する。TabPFN-2は、単に一つの予測値を示すだけでなく、「P10からP90の範囲」（つまり、現実の販売数が10回中8回はその範囲に収まるだろうという予測幅）も提示してくれるため、店主は予測の不確実性を考慮して在庫計画を立てることが可能になる。

また、「Gemma 4 E2B」という別のAIモデルも活用されている。このGemmaは、主に二つの重要な役割を果たす。一つは、店舗の注文データに記載されている列の名前（ヘッダー）を正しく認識することだ。たとえば、同じ「数量」を表す列でも、店舗によっては「数量」「数」「個数」「Kitne」など様々な名前が使われていることがある。Gemmaは、このような不規則なヘッダー名を自動で解釈し、必要な情報を正確に抽出する。もう一つの役割は、店主向けの「補充メモ」を自然な文章で生成することである。Gemmaが書いたメモは、さらに別のコードによって、記載されている数値が予測結果と一致しているか厳しくチェックされ、もし不正確な点があれば、修正を試みるか、事前に用意されたテンプレートのメモに切り替えることで、信頼性の高い情報提供を保証している。

このツールは、公開されているイギリスのギフトショップの膨大な注文データ（約100万行）を使って検証された。デモでは、まるで今日が2011年11月27日の日曜日のように過去をシミュレーションし、翌週の販売数を予測する。そして、その予測が実際にどうだったかを、実際の販売データと比較して検証する。この検証の中では、予測が完璧に当たらなかったケースも正直に示されている。例えば、2011年11月28日の週は、12月商戦の始まりと重なり、例年とは異なる急激な需要の増加があったため、一部の人気商品でモデルの予測をはるかに上回る販売数を記録した。このような予測の「外れ」は、AIが常に完璧ではないことを示しつつも、予測範囲の重要性や、繁忙期には特に注意が必要であるという貴重な教訓を店主に与える。しかし、ほとんどの商品では、予測された範囲内に実際の販売数が収まっており、モデルの有効性が確認された。

このツールの開発過程も興味深い。開発者は、自身がコードを書くのではなく、「AIコーディングエージェント」と呼ばれる別のAIツールを使って、コードの大部分を生成させたという。開発者はAIに指示を与え、生成されたコードのロジックや数値が正しいかをレビューし、必要に応じて修正を加える役割を担った。これは、AIが人間の開発作業を支援する新しい開発スタイルの一例を示している。

なぜこのツールがオープンソースのAIモデルにこだわるのかという点も重要だ。TabPFN-2やGemma 4 E2Bは、どちらも「Apache 2.0」というライセンスの下で公開されている。このライセンスは、研究目的だけでなく、商用利用も可能であるため、開発者はこのツールを使って、週ごとの補充サービスをビジネスとして提供することができる。もし、商用利用に制限のある最新のAIモデルを使っていたら、このような低コストでのサービス提供は難しかっただろう。オープンソースの技術を活用することで、初期費用やランニングコストを抑え、個人でも新しいサービスを立ち上げられる可能性を示している。

もちろん、「tidy-predict」にはまだいくつかの限界がある。例えば、新商品や一時的にしか販売されない商品は予測の対象外となる。また、予測期間は1週間先までであり、長期的な在庫計画には対応していない。祝日や大規模なプロモーションといった特殊なイベントの影響も、「その年の週番号」や「前年の同じ週のデータ」といった限られた情報でしか考慮されないため、予期せぬ需要の変動には対応しきれない場合がある。さらに、このツールはまだどの店舗でも実際に利用されておらず、検証は限定的なデータに基づいているため、将来的に多様な店舗で利用される際には、さらなる調整やテストが必要となるだろう。

開発者は、このようなツールが手作業に頼る店舗の負担を軽減し、より効率的な運営を支援することで、店舗の成長に貢献することを期待している。現在のところ、ビジネスモデルとしては、週あたり約199ルピー（日本円で数百円程度）でサービスを提供し、最初の1ヶ月は無料とすることを想定している。店舗から送られてきた注文データをラップトップで処理し、結果を店舗に返すというシンプルな形態だ。このような取り組みは、最新のAI技術が、私たちにとって身近な小売業界の課題を解決し、ビジネスを支援する可能性を秘めていることを示している。