株式会社リベルクラフトが「複雑表構造化AIファインチューニング技術レポート」を無料公開

結合セルの再現精度を2.5倍、誤検出を約31分の1に改善。公開モデルへのLoRA追加学習と学習データの生成手法をまとめた無料ホワイトペーパー

株式会社リベルクラフト

2026年9月24日 08時30分

株式会社リベルクラフト（本社：東京都、代表取締役：三好大悟）は、AIモデルのファインチューニング実験の結果をまとめた技術レポート「複雑表構造化AI ファインチューニング技術レポート」をホワイトペーパーとして無料公開いたしましたことをお知らせいたします。結合セルや多段見出し、斜線見出しなど、崩れやすい複雑な表をAIがどこまで正確に読み取れるかを検証し、追加学習による改善効果を実測値で示しています。

▼ ホワイトペーパーのダウンロードはこちら

https://liber-craft.co.jp/document/complex-table-finetuning-report

公開の背景

生成AIの活用を提案する中で、「表がぐちゃぐちゃでAIだとうまく読み取れない」という声を伺うことが少なくありませんでした。結合セルや、見出しが何段にも分かれた表、1つのマスを斜線で区切り縦横の見出しを同居させた表は、人が見れば構造がすぐに分かりますが、AIは崩してしまいやすい対象です。

そこでリベルクラフトは、文書の読み取りに用途を絞った公開モデル「dots.ocr」を土台に、こうした崩れやすい表だけを狙った学習データ約2万6千枚を用意し、元のモデル本体には手を加えずに追加学習（LoRA）を行いました。学習データは実データを集めたものではなく、AIに崩れ方の条件を指定して生成させたものです。元のモデル本体を書き換えず、追加で学習した差分だけを小さなファイルとして脇に持たせる「LoRA」という方式を選んだのは、元のAIを壊すリスクがなく、用途ごとに差分だけを差し替えられるため、業務の数だけ専用のAIを育てても開発・運用のコストを抑えやすいためです。

本資料でわかること

・結合セル・多段ヘッダ・斜線ヘッダなど、崩れやすい複雑な表をAIでどう正しく構造化するか

・学習前後の精度比較（結合セルの正確さ2.5倍・斜線ヘッダ認識99.3%などの実測値）

・ありもしないセルの誤追加・読み落としをどこまで減らせたか（それぞれ約1/31・約1/6に改善）

・LoRAでの追加学習のやり方（学習箇所の選び方・出力が止まらなくなる暴走への対処）

・自社データでファインチューニングを検討する際に押さえておきたいポイント

得られた成果

学習に使用していない同一のテストデータ（表1,000枚。斜線ヘッダは専用テスト）で、追加学習前の汎用モデルと比較しました。

・複雑な表の再現精度（結合セルの正確さ）：37.6から94.3へ、約2.5倍に向上しました。結合セルの多い複雑な表を、崩さずに正しく再現できるようになっています。

・表の骨組み（構造一致）：70.1から95.4に改善しました。多段の見出しや入れ子構造も、階層を保ったまま再現します。

・文字の一致：36.9から94.8に改善しました。上付き・下付き文字や単位も、取り違えずに保持します。

・そのまま使える出力（正しいHTML形式）：93.6から96.1に改善しました。人手の再入力なしに、業務システムへ取り込める形式で出力します。

・ありもしないセルの誤追加：23.9%から0.8%へ、約31分の1に減少しました。実在しない情報を作り出す誤りを大幅に抑制しています。

・セルの読み落とし：29.3%から4.6%へ、約6分の1に減少しました。情報の抜け漏れを減らします。

・斜線ヘッダの認識：認識できない状態から99.3%まで向上しました。従来モデルが構造ごと崩していたデータシート特有の表を、列名・行名の向きまで正しく構造化します（実物のデータシート紙面でも確認済みです）。

表の読み取り以外にも広がる可能性

今回は表の読み取りに絞った実験ですが、同じやり方は、請求書・見積書・検査記録・図面の注記といった、自社に固有の書式やクセを持つ書類全般に応用できます。フォーマットが変わっても、想定される崩れ方をAIに条件指定して生成させ、それを学習データにするという手順そのものは変わらないためです。

視野をさらに広げると、表の読み取りに限らず、汎用的なAIモデル全般でも「弱点を狙って学習データをAIに作らせ、差分だけを追加学習する」という今回の手順が生きてきます。学習データを人手で集めずAIに作らせるやり方が広がるほど、これまでデータ量を理由に断念していた企業にも、ファインチューニングという選択肢が現実的になっていくはずです。

資料概要

資料名：複雑表構造化AI ファインチューニング技術レポート（ホワイトペーパー）

内容：ベースモデルの選定理由・学習データの作り方・精度の実測比較

公開日：2026年9月9日

入手方法：無料（フォーム送信後、メールにてPDFをお届け）

ダウンロードURL：https://liber-craft.co.jp/document/complex-table-finetuning-report

代表取締役三好大悟コメント

学習データを人手で集めずにAIに作らせたことで、データ不足を理由に諦めていた企業にも、ファインチューニングという選択肢が広がってきていると感じています。今回は複雑な表の読み取りに絞った検証ですが、同じ手順は請求書や検査記録など、自社に固有の書式を持つ書類全般に応用できます。汎用のAIではうまく読み取れない書類や表でお困りの方は、ぜひ本レポートをご覧ください。