もう勘に頼らない！国産キノコ工場が劇的に変わるCO₂センサー×LLMの衝撃

はじめに

「CO₂ 濃度が安定しない──原因が分からない」
そんな悩みを抱えるキノコ工場は少なくありません。CO₂ 濃度は菌糸の伸長・傘の開き・歩留まりに直結します。近年は CO₂ センサーによるリアルタイム計測に加え、LLM（大規模言語モデル）で変動要因を自動解析する手法が登場しました。本稿では、まず CO₂ 管理の要点を整理し、次に LLM を組み合わせた実装手順をステップごとに解説します。

はじめに

CO₂ 管理がキノコ品質を左右する理由
1. 1-1. 生育段階ごとの最適レンジ
2. 1-2. 過剰 CO₂ がもたらすリスク
“センサーだけ” では解けない 3 つの課題
ここで LLM が効く──“要因分析” の新境地
CO₂ センサー × LLM 導入ロードマップ
データ駆動で得られる 3 つのメリット
まとめ

CO₂ 管理がキノコ品質を左右する理由

1-1. 生育段階ごとの最適レンジ

ステージ	推奨 CO₂ 濃度
スポーンラン	10,000–20,000 ppm
原基形成〜発生期	500–800 ppm

CO₂ が 1,000 ppm を超えると形状異常や歩留まり低下が起こりやすいことが、複数の試験で確認されています。

1-2. 過剰 CO₂ がもたらすリスク

傘の開き遅延・柄の徒長
規格外品の増加
商品価値の低下

さらに、Comparative-proteomic 解析では、高 CO₂ 下で細胞分裂関連タンパク質が抑制されることも示されています。

“センサーだけ” では解けない 3 つの課題

課題	よくある状況	痛みポイント
データ量が膨大	1 室あたり 1 分間隔で 1 日 1,440 行	手計算では傾向が読み切れない
要因が多変量	温・湿度、換気、培地発熱 etc.	相互作用を人力で追えない
勘に依存	ベテランの経験がブラックボックス	再現・伝承が困難

ここで LLM が効く──“要因分析” の新境地

まず、LLM は 構造化データ（センサー値）と非構造化データ（栽培日誌・異常メモ） を一度に読み込み、自然言語で「なぜ CO₂ が跳ねたのか」を説明できます。

例えば「外温 28 ℃・南風のときに換気扇 B が 30 分停止 → 室内 CO₂ 1,800 ppm ピーク」
というパターンを自動抽出し、最適な換気スケジュール案を提案。

さらに、機械学習で Pleurotus 属の発生ステージを 90 ％超の精度で予測した研究もあり、環境×生育データ解析は実用段階に達しています。

CO₂ センサー × LLM 導入ロードマップ

フェーズ	期間	主なタスク	成功ポイント
① データ基盤整備	0-1 か月	– CO₂／温湿度センサーをクラウド接続 – 栽培日誌をタブレット入力化	タイムスタンプを統一し1 行＝1 分＝1 室の整形データに
② データ統合 & LLM 学習	1-3 か月	– データレイク（例：BigQuery）に集約 – GPT 系モデルを選定しファインチューニング	異常期間の前後 24 h を重点的に学習させ精度検証
③ PoC 運用	3-6 か月	– ダッシュボードで CO₂ と要因分析を可視化 – アラート＆対応策を自動通知	改善チケット→実行→効果測定の PDCA を週次で回す
④ 横展開・自動制御	6 か月〜	– 換気扇・加湿器を API で自動制御 – 品質・歩留まり KPI を工場全体に共有	モデル再学習を月1 回自動実行し精度を持続

データ駆動で得られる 3 つのメリット

データソース	LLM が出す示唆	ビジネス効果
質問ログ	「換気不足」系キーワード急増 → FAQ & SOP 更新	作業標準化／教育コスト▼
購買履歴	生産量予測と出荷計画をマッチング	余剰在庫▼・出荷ロス▼
時間帯別 CO₂	シフトと重ね仮シフト表を自動生成	人件費▼・夜間対応▼