ニュースルーム一覧へ

寄稿

テキストだけを読むAIには限界、画像まで理解するVLMの時代が来た

韓国ディープラーニング公開

韓国ディープラーニングは2025年4月30日、ZDNet Koreaへの寄稿で、テキストだけを読む大規模言語モデル(LLM)の限界を指摘し、画像まで理解する視覚言語モデル(VLM)が産業現場の文書処理を変える「VLMの時代」が来たと述べました。寄稿は、LLMの登場から2年も経たないうちに、産業界の関心がVLMへと移りつつあると見ています。

LLMはスキャン文書を直接読めない

寄稿が指摘するLLMの限界は明確です。LLMは、ピクセルでできた視覚情報を直接解釈できません。スキャンした文書は、まず光学文字認識(OCR)でテキストに変換しなければ、LLMで扱えません。

VLMはこの隔たりを埋めます。寄稿はVLMを「写真の専門家」と「言語の専門家」にたとえて説明しています。画像を見る力と文章を解釈する力をあわせ持つため、文字がかすれた金額欄でも周りの文脈を見て「この欄は請求金額だろう」と推論できるというのです。

1日4万枚の送り状と保険審査で確かめた効果

寄稿は、2つの現場の事例で効果を説明しています。1日平均4万枚の送り状をスキャンする物流企業L社では、送り状の様式が600種類を超えたことで、OCRのエラー率が18%まで上がりました。VLMベースのOCRを導入した最初の月にエラー率は4%に下がり、確認作業の人員は15人から4人に減りました。

保険の損害査定のワークフローでは、VLMベースのOCRを導入してから3か月で1件あたりの平均審査時間が4.7分短くなり、不適切な請求の検出率は2.3倍に高まりました。

VLM導入の3つの課題と規制

寄稿は、VLMを実際の業務に取り入れるうえで解決すべき課題として、GPUのコスト、データセキュリティ、機械学習運用(MLOps)との統合を挙げています。規制環境も不確定要素です。欧州連合(EU)のAI法が、画像データの偏りとプライバシーについて規定し始めたことにも触れています。

韓国ディープラーニングはこの方向性を製品に移し、2025年3月にDEEP Agentを、2025年4月10日にVLMベースのOCRソリューションDEEP OCR+をリリースしました。

寄稿の全文はZDNet Koreaに掲載されています。

韓国ディープラーニングについて

韓国ディープラーニング(KDL)は、2019年に設立されたエンタープライズAIエージェント企業です。自社開発の文書特化型VLM「KDL Frontier」を基盤に、企業や公共機関の文書業務を担って処理するAIエージェントを開発しています。主な製品はDEEP OCR、DEEP Parser、DEEP Agent、DEEP Opsです。

出典