【ウリドキ】AIによる異常査定価格検知システムをアップグレード

― 複数アルゴリズムと多層判定で精度・信頼性を1ヶ月で約73%以上改善 ―

ウリドキ株式会社

2025年11月25日 15時38分

C2B買取プラットフォーム「ウリドキ」（https://uridoki.net/）を運営するウリドキ株式会社（本社：東京都新宿区、代表取締役：木暮康雄）は、2025年5月に導入したAIを活用した異常査定価格検知システム「Uridoki AI Bidding Search」をアップグレードし、1か月で異常査定の発生リスクを約73%削減することに成功しました。

導入当初の本システムは、当社が保有する膨大な査定データをもとにAIが機械学習を行い、提示された査定価格の“異常値”を自動で検出・通知する仕組みでした。異常と判断された査定価格情報はリアルタイムで開発・サービス運用チームに通知され、迅速に精査されます。また、検出結果はAIモデルにフィードバックされ、継続的な再学習を通じて精度の向上とモデルの最適化が図られていました。

極端に高すぎたり低すぎたりする査定価格を AI が自動で判定し、運用担当者に通知することで、取引の透明性を高めるとともに、ユーザーに安心してサービスをご利用いただける環境を提供することができます。

「Uridoki AI Bidding Search」導入時のプレスリリースはこちらをご確認ください。

【ウリドキ】AIで異常査定価格を自動検出する新システムを導入

https://prtimes.jp/main/html/rd/p/000000090.000015081.html

今回のアップグレードでは、以下の4つの主要な改善を行いました。

データの整理と準備

過去の査定データを体系化し、商品名、カテゴリー、状態、価格、査定日時などを整理。平均価格や中央値など統計情報も算出し、予測モデルを作りやすい環境を整備しました。
データ分類・分析の要素の精緻化

商品カテゴリー別の統計情報やテキスト情報など、AIが判断に活用するデータの分類・分析要素を整理・活用することで、判定精度を大幅に向上させました。
2つのAIモデルによる同時学習

2つの異なるアルゴリズムを利用して学習モデルと予測モデルを構築しました。その上で、モデルごとに異なる視点でデータを解析し、片方のみ異常の場合は「要注意」、両方が異常の場合は「高確度で異常」といった精密な判定が可能となりました。
最適な判定基準の設定

異常度スコアに基づき、閾値を自動で調整。正常な査定を誤って異常と判定するリスクや、異常を見逃すリスクを最小化します。

これらの改善により、従来より大幅に高い精度で異常査定価格の検知を行うことが可能になりました。

■アップグレードの背景

ウリドキでは、金・ブランドバッグ・時計など高額商品の査定依頼が多く、商品価値は市場価格や希少性、状態によって大きく変動します。リリース当初の異常査定検知モデルでも一定の成果は上がっていましたが、検知精度の向上が課題になっていました。

今回のアップグレードにより、教師データのデータ分類・分析の要素を精緻化し、複数AIモデルによる網羅性の高い異常査定検知が可能になりました。その結果、大量の査定データの中から異常価格を効率的に検出できるようになり、査定業務の品質向上とリスク軽減が期待できます。

また、異常査定検知を受けた運用担当者が、当該査定を行なった買取店様に対して個別に案内や助言を行う取り組みを継続したことで、「Uridoki AI Bidding Search」の初期リリース後の異常査定率は約0.45%（2025年8月時点）と順調に改善されておりましたが、今回のシステムアップグレードにより、わずか1か月で異常査定の発生リスクをさらに約73%改善しました。AIモデルは継続的に学習を重ねることで、今後も異常査定の検出精度が一層向上することが期待できます。

これにより、「人 × AI」の協働による査定精度向上と業務効率化という大きな成果が得られています。

■判定システムのフローと強み

【判定システムフロー】

査定データの事前処理

新しい査定情報をAIが整理し、データを効率的に分類・分析するための要素を作成します。この際に学習時に計算したカテゴリー別の統計情報を使用。
2つのモデルによる予測

2つの異なるアルゴリズムが、それぞれ独立して異常度スコアを計算。スコアが閾値を超えた場合、そのモデルは「異常」と判定します。
総合判定と異常度レベルの決定

2つのモデルの判定結果を統合します。

- 両方のモデルが異常と判定：高確度で異常

- 片方のみ異常：要注意

- 両方とも正常：適正な査定価格

さらに、異常度の大きさに応じて「正常」「要注意」「異常の可能性」「異常」の4段階で表示されます。
結果の出力

最終的に、以下の情報が出力されます。

- 各モデルの異常判定（異常/正常）

- 異常度の確率値（0〜1）

- 異常度レベル（4段階）

- 2つのモデルの合意状況

- どちらのモデルが異常を検出したか