サマリー

・Two-Stage Recommender構成（Candidate Generation＋Reranking）を採用。帳票から複数候補を抽出し、過去の入力履歴を基に最適な値を順位付けして提示。
・モデル技術：BERT系（NLP）、YOLOX（CV）、LayoutLM（マルチモーダル）を比較検証。帳票レイアウト認識と自然言語理解を統合。
・Feedback Loopを適用：ユーザーの選択・修正履歴を学習に反映し、逐次精度を改善。
・toBレコメンドの特徴：ユーザー数・アイテム数が少なく、サンプル偏りが大きい。ABテストよりもオフライン検証＋継続学習で最適化。成果は「手入力削減時間」などの業務削減価値で評価。