立ちはだかる「最後の壁」とは何か
株式会社久（Q Inc.）でデータサイエンティストを務めるRINです。
前回の第3回コラムでは、被写体のサイズをシステムが自動計測し、どんな大きさの商品画像が来ても常に適切な「動的なドロップシャドウ（影）」を付与する仕組みについて解説しました。これでプロのデザイナーが手作業で加工したような、シズル感のある立体的な商品画像が全自動で生成されるようになりました。
いよいよシステム完成かと思われましたが、さまざまな商材のテスト画像を流し込んだところ、実運用における「最後の壁」が発覚したのです。
結論から言うと、それはAI特有の「切り抜き残し」と「透明なゴミ（ノイズ）」でした。 高精度なAIモデルを使用しているがゆえに、商品が実際に置かれていた床の「リアルな影」や、背景との境界にある曖昧な色を、AIが「商品の一部」だと誤認識して残してしまっていたのです。
この見えないゴミが残っていると、システムが影を自動付与する際、そのゴミの部分にも不自然な影がついてしまい、画像全体が汚く見えてしまいます。
全4回でお届けしてきた本シリーズの最終回では、このAIのノイズを完全に排除するパラメータ調整と、現場の担当者が迷わず使えるようにするための「運用設計の極意」について解説します。
AIの許容値を操る：元の影とノイズを消し去る技術
テスト運用の中で特に顕著だったのが、チョコレートの詰め合わせ箱（3個入）の画像でした。箱の周りにはスタジオ撮影時の美しい影が落ちていましたが、AIによる背景透過処理（標準切抜）を行うと、この元の影が中途半端に残ってしまい、私たちがプログラムで後付けする均等な影とバッティングしてしまっていたのです。
この問題を解決するために導入したのが、「アルファ・マッティング（許容値）」と「境界線収縮」のパラメータ調整です。 これは簡単に言えば、「どこまでを背景として完全に透明（アルファ値0）にするか、どこからを被写体として残すか」という、AIの”厳しさの基準”をプログラム側でコントロールする技術です。
私たちは、数百枚のテスト画像を検証しながら、この閾値をEC商品画像に最も適したバランスに再設定しました。その結果、不要なリアルな床の影や、商品の周囲に残る透明なゴミが完全に消え去り、純粋なピンクのチョコレート箱だけがスパッと綺麗に切り抜かれる完璧な状態を実現できたのです。
現場の知見：画質を劣化させない「スマートズーム」という裏技
ノイズ問題が解決した直後、現場からもう一つ重要な要望が上がりました。 「ワインボトルのような縦長の商品を、切り抜きを行わずにキャンバスの100%いっぱいに拡大したい。でも、AIの切り抜きを使うと自然なガラスの質感や元の影が消えて合成っぽくなってしまう」というジレンマです。
標準の切り抜き処理を使うと、不要な余白を削って正確に拡大できる反面、背景が透過されることで元の写真が持つ「自然な接地面の影」や「スタジオ照明の繊細なグラデーション」がすべて消え去ってしまいます。かといって「切り抜きなし」のモードを選ぶと、広大な白い余白も含めてリサイズされてしまうため、ワインボトル自体は一向に大きくならないという問題がありました。
これを解決するために私たちが実装したのが、「背景残しズーム（スマートズーム）」という裏技的な処理です。
- 測定（センサー）: AIを切り抜きのためではなく、「被写体の正確な位置を測るためのセンサー」として裏側でこっそり走らせ、無駄な余白の座標（バウンディングボックス）だけを計算させます。
- 切り落とし: AIが生成したマスク画像は捨て、高画質な「元の画像」の余白部分だけを、先ほど計算した座標通りにカットします。
- 拡大: 余白がなくなった高画質な元画像を、指定されたサイズ（例：100%）でキャンバスいっぱいに拡大します。
この機能を現場が迷わず使えるよう、運用ルールもシンプルに設計しました。指示書（CSV）の「処理区分」の列に、新たに「3（背景残しズーム）」という専用の選択肢を追加し、司令塔であるAWS Lambda側で処理をクリーンに分岐させています。 これにより、現場の担当者は複雑なパラメータ設定に悩むことなく、数字を一つ変えるだけで画質劣化ゼロの画像を生成できるようになりました。
完全自動化の運用設計：ファイル名でサイズを自動判別
画像の品質をプロ仕様に引き上げた後、最後に徹底したのが「ヒューマンエラーを防ぎ、いかに現場の運用負荷を下げるか」というシステム設計です。
「担当者の作業は、ECコネクター上で画像をどのように加工したいか選択するだけです。選択が完了すると、自動的にlambdaで読み取り可能なcsvがs3に出力されます。さらに、システムが『ファイル名の末尾』を自動で読み取り、出力するキャンバスのサイズを強制的に決定するルールを実装し、運用負荷を最小限に抑えています。」
- 末尾が
_s（例: item_s.png） ➔ 200 × 200 px（サムネイル用） - 末尾が
_l（例: item_l.jpg） ➔ 400 × 400 px（一覧用） - 末尾が
_1など数字 ➔ 600 × 600 px（詳細用） - 末尾が
_ct➔ 40 × 40 px（カラーチップ用） - 上記以外 ➔ 2000 × 2000 px（メイン画像デフォルト）
「画像サイズという変動しやすい数値をコード側に組み込む」のは、一般的な汎用システムでは避けるべき設計ですが、今回はあえて現場の命名規則にシステム側を完全適応させています。
これにより、担当者は従来通りのルールで画像をリネームしてECコネクター上で選択するだけで、用途別の最適なサイズが自動で生成されます。 さらに、数十〜数百枚の処理が完了した後は、全件成功であれば _END という空ファイルを生成して完了を知らせ、1件でも失敗があればスキップして処理を継続した上で、最後に error_report.csv を自動生成して理由を報告する仕組みも整えました。人間がずっと画面に張り付いて監視する必要は一切ありません。
プロジェクトの総括と、次世代EC経営に向けたシステム連携
全4回にわたってお届けした自動画像処理システムの開発録、いかがでしたでしょうか。
AWS Lambdaの「10秒ルール」やコンテナ容量の壁、データ型の不一致による画質劣化問題、固定値が生む不自然な影、そしてAI特有のノイズ除去とスマートズーム。これらのリアルな壁と解決策を通じてお伝えしたかったのは、「AIやシステムは、導入すれば魔法のように動くわけではない」という事実です。
ECシステムもAIツールも、自社の学習ループを回すための重要なエンジンであり、時代に合わせて柔軟にアップデートしていくべき『手段』です。しかし、現場の業務フローを深く理解し、クラウドの制約を技術力で乗り越え、担当者が迷わず使える運用設計（自動リサイズやエラー報告など）を組み込むことで、初めてそれは『企業の価値向上と顧客との接点を増やすためのブランド資産』へと昇華します。
毎日の手作業による画像加工の時間は、劇的に短縮されました。浮いた膨大なリソースは、商品の魅力を伝える企画や、顧客とのコミュニケーションといった「売上をつくるコア業務」へ投資することができます。
■ECサイト運用の自動化・業務効率化のご相談はこちら
〈筆者プロフィール〉
データサイエンティスト RIN
前職では、出版業界にてECモールの運営や在庫管理などの実務を担当。現在は株式会社久にて、データサイエンティストとして購買データや会員データの加工、分析、モデル構築などに携わる。 本コラムでは、EC現場での実体験とデータサイエンスの知見を掛け合わせ、データ連携や前処理の時短テクニック、AIを活用した業務効率化のノウハウをわかりやすく解説します。
