Search

パーソナライズされたAIレコメンド機能や、スマホカメラを使用した高精度な自動採寸など、小売りの現場で活用できるAIを提供しています。 Retail AI 慢性的な人手不足の小売りの現場で AIがさまざまな役割を補完 お問い合わせはこちら パーソナライズされたAIレコメンド機能や、スマホカメラを使用した高精度3次元採寸など、小売りの現場で活用できるAIを提供しています。 リテールAI こんなお悩みありませんか？ 商品の発注業務に人手を割かれて 接客がおろそかになる オーダーメイドの採寸技術が 熟練者から継承できない お客様の要望にお応えできるプロフェッショナル人材が不足している リテールAIはそんなあなたの課題を解決します リテールAIの特長 蓄積された実績とSNSトレンドを 組み合わせて自動発注 過去の販売実績のデータだけではなく、SNSでの今のトレンドも加味した上で販売予測を立てて発注を行います。 専門の採寸技術者は不要で 店員の負担軽減が可能 店舗での採寸業務を自動採寸に置き換えることにより、店員の負荷軽減や、店員配置の最適化に貢献します。 数万のデータから 顧客のニーズに合った商材をレコメンド 顧客情報や商談記録などから、ニーズやシーズをAIが集約し、顧客に合わせた情報や解決策などを提供することができます。 ※画像はイメージです トップテーラーの技術を スマホで再現 トップテーラーの技術を学習したAIエンジンが、身長、体重、年齢と写真２枚だけで指定の採寸箇所の計算結果を出力します。カジュアル、ビジネスだけでなく、さまざまな採寸に応用できます。 INPUT 身長 体重 年齢 写真２枚 AIシステム 自動採寸AIシステム OUTPUT 指定箇所の採寸結果 ビッグデータ×AIアルゴリズム 個人の嗜好に合わせたレコメンド 3つのAIエンジン「AIデリバリー」「AIコーディネイト」「セレクトレンズ」が、コンシェルジュの行う接客と同じように、個々のユーザーに寄り添ったベストなレコメンデーション体験を提供します。 INPUT 顧客データ 採寸データ SNS自動収集データ AIシステム AIデリバリー AIコーディネイト セレクトレンズ OUTPUT おすすめ商品の提案 ※画像はイメージです ※画像はイメージです 顧客のニーズとシーズをマッチング 最適化AIレコメンドシステム 銀行内で分散管理されている、顧客の「企業情報」「財務データ」「商談記録」などを集約し独自のDBを構築。このDBを基に販路拡大や仕入れ先・外注先の確保など、顧客のニーズとシーズを組み合わせることで、最適なマッチングを提案します。 INPUT 企業情報 財務データ 商談記録 AIシステム 最適化AIレコメンドシステム OUTPUT 企業同士のマッチング候補 株式会社ヤマダヤ様 身長・体重・年齢と写真3枚の 撮影でオーダーメイドの 採寸が完了 女性向け自動採寸AIエンジン より詳しく 導入事例 株式会社コナカ様＜SUIT SELECT＞ スマホ上で店頭での洋服選びの 楽しみを完全再現世界初 「完全パーソナライズド AIレコメンデーション」 より詳しく 徳島大正銀行様 保有している情報資産 （ビッグデータ）を 有効活用 経営課題AI支援システムを導入 より詳しく 国立大学法人鳴門教育大学様 学生の自己伸長型の学び促進。教員に求められる資質能力を可視化。「教員養成学修可視化システム」 より詳しく 株式会社ヤマダヤ様 ECサイト上で試着イメージを提供 リアルとデジタルでのシームレスな購入体験 より詳しく Arithmerではさまざまな業種の課題を解決できるソリューションがあります。 紹介事例以外でも、お気軽にお問い合わせください。 お問い合わせはこちら

AI Agent Column 10 2025.12.10 AI Agentコラム (10): AI Agent導入 step4 ”計画“ AI Agent導入の4ステップ「理解」「選定」「設計」「計画」。前回（第9回）はステップ3「設計」として、AI Agentを業務に組み込む「to-be」の描き方についてお話しました。 さて、いよいよ最終ステップとなる今回は「(4) 計画 (Plan)」です。設計で描いたto-beの実現に向けた具体的なステップを計画する際に、どのようなことに留意するべきかお話したいと思います。 ―――― AI Agent ならではの注意点 第一に、中核となるLLM（大規模言語モデル）そのものが持つ「御しにくさ」 です。 LLMは確率的に動作するため、同じ指示でも応答が揺らぐことがあり、その思考プロセスは完全には透明ではありません。また、膨大な知識を持つ一方で、特定の業務に必要な専門知識や暗黙知は不足していたり、時には事実に基づかない情報（ハルシネーション）を生成したりすることもあります。さらに、その能力を最大限に引き出すための最適な指示（プロンプト）を見つけること自体が、試行錯誤を要する複雑な作業です。この「御しにくさ」があるため、AI Agentの挙動を完全に予測し、制御することは本質的に困難なのです。 第二に、AI Agentには、単に応答を生成するだけでなく、自律的に「実行を任せる」ことによる特有のリスク が伴う点です。AI Agent が外部ツールと連携したり、システムを操作したり、あるいは顧客と直接やり取りしたりする場合、その「御しにくい」挙動が、ビジネス上あるいは社会的に無視できない影響を直接的に及ぼす可能性があります。従来のAI以上に、そのアクションの結果に対する責任と、安全性をどう担保するかが問われます。 この「LLMの御しにくさ 」と「実行を任せるリスク 」という 2つの大きな特性があるからこそ、事前に全てを完璧に計画することが難しく、次のセクションで述べるような、不確実性を前提とし、リスクを管理しながら、実践を通じて学習・適応していくための特別な計画上の配慮が不可欠となります。 1. 不完全であることを前提に計画する まず大前提として、AI Agentは導入初期において「不完全」であることを受け入れなければなりません。LLM の確率的な性質や学習データの限界、そして私たちがまだ知らない未知の挙動などにより、事前にすべてのケースを想定し、完璧な準備を整えることは不可能です。 したがって、計画においては「完璧な状態でのリリース」をゴールとするのではなく、「不完全な状態から安全に学び、成長させていくプロセス」そのものをデザインする必要があります。 そのための具体的なアプローチが「スモールスタート」です。これは、リスクを最小限に抑えつつ、早期に現実世界でのフィードバックを得て学習するための極めて有効な戦略です。計画段階で、「どこまで小さく始めるか」を具体的に定義します。 意図的にリスクを限定した「練習環境」を計画的に用意し、その中で AI Agentを動かし、挙動を観察し、改善していく。そして、スモールスタートから得られる様々なフィードバック（AIの挙動、ユーザーの声、業務影響など）を意図的に収集し、分析し、それを次のイテレーション（反復）の計画に迅速に反映させるループを計画に組み込むことが重要です。 従来のウォーターフォール型計画のように、一度立てた計画に固執するのではなく、実践からの学びに基づいて計画自体を柔軟に見直し、適応させていく。このアジャイル的な進め方こそが、不完全で予測不能な AI Agentと共に歩むための現実的なアプローチです。 2. リスクの取り方を計画する AI Agentの自律性を本当に活用するには、ある程度の「リスク」を取って実行を任せる場面も出てきます。しかし、最初からすべてを委ねるのは危険です。そこで重要になるのが、リスクをコントロールしながら段階的に適用範囲や権限を広げていく計画です。 計画段階で、AI Agentに任せる機能、アクセスできるデータ、実行可能なアクションなどを、どのようにステップを踏んで拡大していくかのロードマップを具体的に描きましょう。そして最も重要なのは、各ステップにおいて「許容できるリスクはどこまでか」「何を達成できれば次のステップに進めるのか」という客観的な基準（例えば、特定のタスクにおける成功率、エラー発生頻度、人間の修正頻度など）を事前に明確に定義し、関係者間で合意しておくことです。 特に、導入初期に安全策として設けることが多い「人間による判断・介入」プロセスは、あくまで AI Agentを育成するための「補助輪」と捉える視点が大切です。その補助輪をいつ、どのような状態になったら取り外すのか、その移行プロセスと判断基準を計画に明記しておかないと、人間によるチェックが恒久化し、結果的に AI Agentの自律性を十分に引き出せないままになってしまう可能性があります。必要なリスクは取り、不要なリスクは取らない、長期視点での合理的な判断が求められます。 3. 問題発生時の対応を計画する AI Agent の導入計画においては、残念ながら問題が起こることを避けられない前提として捉える必要があります。その確率的で複合的な性質上、予期せぬ挙動やエラー、あるいは期待通りの結果が出ないといった事態は必ず発生し得ます。重要なのは、発生をゼロにすることではなく、発生した場合にいかに迅速かつ柔軟に対応し、さらにそれを次に活かすかを計画しておくことです。 計画には、まず問題を早期に検知するためのモニタリング体制（ログ収集・分析、異常検知アラートなど）の整備を含めるべきです。AI Agent は原因特定が難しい場合も多いため、迅速な状況把握と影響範囲の特定、そして必要に応じた暫定的な対処（関連機能の一時停止、人間による代替処理など）と、その後の恒久的な対策に繋げるプロセスを定めておくことが有効です。 さらに強調したいのは、発生した問題を単なる「障害」として処理するのではなく、AI Agentと組織全体の「学習機会」と捉える視点です。問題発生時の状況、原因（推定でも構いません）、対処内容とその結果といった情報を構造化されたデータとして記録・蓄積する仕組みを作りましょう。この「失敗からの学び」を分析し、AI Agent 自体の改善や、運用プロセスの見直しに繋げていくフィードバックループを回すこと。これこそが、AI Agentを継続的に進化させるエンジンになります。 ―――― 今回は、導入の最後のステップ「計画」についてお話ししました。 そして本コラム『AI Agentコラム』は、この第10回をもちまして最終回となります。 長きにわたりご愛読いただき、誠にありがとうございました。 この連載では、まず AI Agentとは何かという基本的な概念から始め、その適用範囲、課題、実際のユースケースをご紹介しました。第 6回からは導入プロセスを「理解」「選定」「設計」「計画」という4つのステップに分けて、それぞれの実践面での注意点を掘り下げてまいりました。 私たちが一貫してお伝えしたかったのは、AI Agentが秘める大きな可能性と、それに伴う固有の難しさ、特にその「不確実性」とどう向き合うか、という点です。 本コラムでご紹介した考え方やアプローチが、皆様それぞれの挑戦におけるヒントとなれば大変嬉しく思います。AI Agentを取り巻く世界は、これからも急速に変化していくでしょう。私たち Arithmerが、その道のりを共に考え、歩むパートナーとして、少しでもお役に立てることがあれば幸いです。 改めまして、全10回の連載にお付き合いいただきましたこと、心より感謝申し上げます。 前の記事へ AIエージェントページへ

Arithmer株式会社は情報セキュリティマネジメントシステム認証を取得しております。　　　　　　　 ISMS 情報セキュリティマネジメントシステム認証 Arithmer株式会社はISO/IEC 27001:2013 情報セキュリティマネジメントシステム認証（ISMS）を取得しております。 組織名 Arithmer 株式会社 事業所 東京都文京区本郷一丁目24番1号 ONEST本郷スクエア3階 認証機関名 Intertek 認証登録番号 13668 初回登録日 2020年6月9日 有効期限日 2026年6月8日 認証登録範囲 AI 技術の研究開発及び関連ソリューションの販売、サポート、コンサルティングに関する情報セキュリティの管理 ・研究開発部門 ・事業部門 ・管理部門

Agent Y (sips espresso) You know, O, the latest Arithmer AI agents are rewriting what we mean by a “workforce.” Their capabilities are honestly—super-human. Absolutely. Take their vision module: it spots a 0.02-millimeter scratch from a full meter away. That’s roughly 14.5 in visual-acuity terms—better than any human inspector on the line. Agent O Agent Y And the brain behind the eyes is just as formidable. Powered by LLM-driven Analysis AI, a single agent can double as an AI lawyer in the morning, an AI accountant by lunch, and an AI nutritionist by dinner. Don’t forget its math engine. Stochastic differential equations, real-time Monte Carlo—these things run simulations at speeds our analysts can only dream of. Agent O Agent Y (grins, swirling coffee) Even the hardware impresses. Those robotic hands? Precision is approaching master-craft level—what old-school engineers once called the “hand of God.” And they never clock out. Twenty-four seven—no sleep, no vacation, no need to look humanoid. Just relentless productivity. Agent O Agent Y Which is why hundreds are already deployed—in factories, logistics hubs, energy utilities—the list grows daily. Our rollout curve is practically exponential. Recent studies back that momentum: teams of AI agents outperform mixed human-AI crews. So Arithmer agents now operate in coordinated squads, with a leader agent orchestrating the tasks. Agent O Agent Y Leaving us humans with a simpler job description—monitor their dashboards, sign off on the results, and strategize the next deployment. (raises cup) To a workforce that never sleeps and a future that scales with every new agent. Agent O Note: This conversation was generated by AI agents. Pre-trained Level Hi there! I’m an Arithmer AI‑Agent Humanoid, and I’d love to show you—step by step— how I grow from a basic robot into a tireless, expert teammate. Level 00 – Getting on My Feet When I first roll out of the box, I’m like a brand‑new laptop that’s just been switched on: I check my hardware, balance on two feet, and connect to your network. I can stand, wave, and say hello—but that’s about it. On my own, I’m not yet delivering real business value. Level 01 – Seeing and Grasping With Arithmer’s help, I quickly learn the essentials: Sharp Eyes: My cameras spot parts on a conveyor belt, even small screws. Sure Hands: Pressure sensors guide my grip so I don’t drop or crush anything. Human‑Like Moves: Motion‑capture data teaches me smooth, natural arm swings. Now I can pick up dozens of different items and hand them over with confidence. Level 02 – Thinking on My Toes Next, I develop street smarts for the factory floor: I adjust if an object isn’t exactly where it should be. I perform delicate tasks—like fitting a cable into a tight slot—without damage. If something goes wrong, I pause, re‑plan, and keep working safely. In short, I become reliable in the unpredictable, real world. Level 03 – Team‑Player Extraordinaire At the top tier, I unlock my full potential: Task Specialist: I fine‑tune my skills for your unique processes. Agent Squad: I chat with fellow Arithmer robots so we divide work smartly. Inspection Partner: My super‑sight spots a 0.1 mm scratch from a meter away—better than eagle vision! Scale‑Ready: Need 10 robots or 1,000? Updates roll out to everyone in minutes. Now I’m not just a robot on the line—I’m a coordinated, factory‑wide force for productivity. Why Can I Climb So Fast? Because Arithmer supplies: 1. World‑class vision AI that lets me see details human eyes miss. 2. Robotics know‑how that shortens my Level 00 → 03 journey from years to months. 3.Proven deployments in factories, warehouses, and energy sites—so I learn from the best, real‑world data. Let’s Grow Together With Arithmer guiding my evolution, I become an always‑on, always‑learning teammate—ready to lift quality, speed, and safety across your operations. Shall we get started? お問い合わせ AI Agent Column AI Agent コラム アンカー 5 8. 2025.8.21 AI Agent導入step 2 “選定” ボタン 9 2025.11.10 AI Agent導入step3 “設計” ボタン 10 2025.12.10 AI Agent導入step 4 “計画” ボタン 7. 2025.6.3 AI Agent導入step1 “理解” ボタン 6. 2025.2.28 AI Agent導入の進め方 ボタン 5. 2025.1.30 AI Agent導入の一例 ボタン アンカー 4 4. 2025.1.21 AI Agent導入の難しさ ボタン 3. 2025.1.14 AI Agentで何ができるのか？ ボタン 2. 2024.12.26 なぜいま、注目されるのか？ ボタン 1. 2024.12.26 AI Agentとは？ ボタン AI Agent 関連情報 1. 論文 2. OSS/サービス 3. 解説記事/書籍 1. 論文 1.1 サーベイ論文 The Rise and Potential of Large Language Model Based Agents: A Survey https://paperswithcode.com/paper/the-rise-and-potential-of-large-language A Survey on Large Language Model based Autonomous Agents https://ar5iv.org/abs/2308.11432 A Survey on LLM-Based Agents: Common Workflows and Reusable LLM-Profiled Components https://ar5iv.org/abs/2406.05804 1.2 推論手法 ReAct: Synergizing Reasoning and Acting in Language Models https://arxiv.org/abs/2210.03629 ReWOO: Decoupling Reasoning from Observations for Efficient Augmented Language Models https://arxiv.org/abs/2305.18323 An LLM Compiler for Parallel Function Calling https://arxiv.org/abs/2312.04511 アンカー 1 アンカー 2 2. OSS/サービス 2.1 フレームワーク/ライブラリ/ツール LangChain https://github.com/langchain-ai/langchain LLMを活用したワークフローの設計と実装を支援するフレームワーク AutoGPT https://github.com/Significant-Gravitas/AutoGPT 自律的にタスクを実行するAIエージェントの構築を支援するフレームワーク BabyAGI https://github.com/yoheinakajima/babyagi 小規模なタスク向けの自己修正型AIエージェントのための実験的フレームワーク OpenInterpreter https://github.com/openinterpreter/open-interpreter 自然言語による指示でPCの操作を行うインターフェースを提供するツール LangGraph https://www.langchain.com/langgraph ワークフローをグラフ構造で記述できるマルチエージェント開発用フレームワーク 2.2 LLM OpenAI GPT (API) https://openai.com/api/ Google Gemini (API) https://ai.google/ Meta Llama (OSS) https://github.com/facebookresearch/llama Anthropic Claude (API) https://www.anthropic.com/claude 3. 解説記事/書籍 What Are AI Agents, and Why Are They About to Be Everywhere? (英語) https://www.scientificamerican.com/article/what-are-ai-agents-and-why-are-they-about-to-be-everywhere/ Scientific Americanによる記事で、AI Agentの概要とその普及可能性について解説 Why agents are the next frontier of generative AI (英語) https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/why-agents-are-the-next-frontier-of-generative-ai McKinseyの記事で、生成AIの次のフロンティアとしてのエージェントの可能性を解説 What Are AI Agents? Here's how AI agents work, why people are jazzed about them, and what risks they hold (英語) https://spectrum.ieee.org/ai-agents IEEE Spectrumによる記事で、AI Agentの仕組みや利点、リスクについて解説 LangChainとLangGraphによるRAG・AIエージェント［実践］入門 (日本語) https://www.amazon.co.jp/dp/4297145308 LangGraphを用いたRAGアプリやAIエージェントの構築手法を解説する技術書 Claudeが提案するエージェント構築：簡単で効果的な設計のベストプラクティス (日本語) https://note.com/kyutaro15/n/ne88fe2fcf928 Claudeを活用したエージェント構築の資料を整理した記事 Agents Whitepaper (英語) https://www.kaggle.com/whitepaper-agents Google によるホワイトペーパーで、AI Agentの概要、技術、課題、将来性を解説 アンカー 3

AI Agent Column 6 2025.2.28 AI Agent導入の進め方 前回のコラムでは、AI Agent導入の一つの事例を紹介しました。では、これからAI Agentを導入しようと考えたとき、どこから始めるべきでしょうか？ 本稿では、AI Agent導入する際に必要となる４つのステップを紹介し、どのように進めるべきかを整理します。 ―――― AI Agent 導入前の4ステップ AI Agentは従来のAIに加えて新たな難しさがあります。そのため、まずはAI Agentを「理解」することから始めることが重要です。その上で、適用する業務を「選定」し、運用を含めた to-beを「設計」し、そのto-beに向けたステップを「計画」します。 (1) 理解 (Understand) : AI Agentの特性を知り、できること・できないことの感覚を養う (2) 選定 (Prioritize) : AI Agentの強みを活かせる業務を見極める (3) 設計 (Design) : AI Agentの業務への組み込み方のto-beを設計する (4) 計画 (Plan) : 設計で描いたto-beの実現に向けた具体的なステップを計画する (1) 理解 (Understand) これまですでに AIの導入を経験している方の中には、「AI AgentもAIの一種だ」と考える方もいらっしゃるかもしれません。しかし、AI Agentは従来のAIより格段に便利になった部分もあり、だからこそ新たな難しさも見えてきています。まずは十分な理解が必要です。 AI Agentは、技術そのものが複合的 で、従来のAIよりも構造がはるかに複雑です。 従来のAIは多くの場合、「教師あり学習」を用いた回帰や分類の問題として定式化し、データを集め、学習・評価し、適用する、という流れで進めることができました。しかし、AI Agentは 生成AI・タスク分解・自律実行・外部ツール連携 など、複数の技術が組み合わさるため、単体のモデルとして扱うことができません。 また、AI Agentのメリットの「自律性」を享受するために、多くの場合LLMの能力を活用することになります。LLMは自然言語を扱い、確率的に動作し、状況に応じて動的に判断するため、従来のシステムのように明確なルールを定めて設計することが難しくなります。事前にすべての挙動を想定できるわけではなく、「どう運用すれば意図通りに動かせるのか？」を深く理解しないまま導入を進めると、想定通りに進まず、行き詰ることになります。 このようにAI Agentを導入する際には、まず 「何ができるのか」「何ができないのか」「どう動くのか」 について感覚を養うことが重要です。 (2) 選定 (Prioritize) AI Agentは万能ではなく、得意不得意があります。適用する業務によって効果が大きく異なるため、業務との相性を見極めることが重要です。 従来のAIは、「十分なデータが揃っていて、明確な判断基準がある業務」なら適用しやすい傾向がありました。しかし、AI Agent は技術自体も複合的であり、タスク分解や実行まで担うため、ある業務に適用したときに、うまくいくかどうかを見極めるのがより難しいと言えます。 適用業務を選定する際には、次の3つの軸 で評価するのが有効です。 ビジネスインパクト : 導入による業務改善の効果が大きく、企業戦略とも合致するか 技術的な実現可能性 : 必要なデータやシステム環境が整い、実装が可能か 業務適用の実現可能性 : 法的・倫理的な問題なく、利用者・関係者にも受容されるか これらの視点を押さえ、実現可能性が高く、導入の効果が見込める業務から適用することが重要です。 (3) 設計 (Design) AI Agentは現時点ではまだ、箱から出してそのまま業務に適用できるようなパッケージ製品にはなっていません。実業務に組み込むには、次のような課題に対処する必要があります。 不確実な挙動 AIには確率的 (stochastic) な性質がつきものです。従来のAIでは、人が「判断」を担うのが定石でしたが、AI Agentの場合は「判断」も自律的に行うことが期待されています。確率的機構、決定論的 (deterministic) 機構、人の介入のバランスを設計する必要があります。 知識の不足 LLMは膨大な公開情報から学習することで、豊富な知識を獲得しました。しかし、多くの業務は現場の暗黙知に依存しており、LLMもそのままでは上手く対処することができません。これは短期的に解決できるものではなく、長期的な知識獲得の設計が不可欠です。 要件・環境の変化 業務要件やデータ、外部環境は常に変化し続けます。導入時に最適な設計をするだけでは、そのパフォーマンスを持続することはできません。業務で継続的に利用するには、変化に適応できる仕組みをあらかじめ組み込む必要があります。 これらの課題は、システム設計だけで解決できるものではありません。システムと運用の両面を統合的に設計するアプローチが求められます。 (4) 計画 (Plan) AI Agentの適用業務を決めto-beのシステム・運用の形が描けたら、そのto-beの実現に向けたステップを計画する必要があります。従来のITやAIの導入と共通の部分もありますが、AI Agentならではの注意点もあります。 不完全であることを前提に計画する AI Agentの動作には確率的な要素が含まれるため、導入前にすべてのケースを想定することは不可能です。最初から「完璧な状態」を目指すのではなく、スモールスタートし、フィードバックを活用しながら適応させていくことが重要です。 リスクの取り方を計画する 不完全なAI Agentにすべてを任せるのは難しいため、最初は範囲を限定し、段階的に広げるのが現実的です。 ただし、一度「人が判断」する仮運用を始めると、後から変えにくくなります。リスクとリターンを総合的に評価し、本運用への移行基準を事前に定めることが重要です。 問題発生時の対応を計画する AI Agentは確率的で複合的な技術のため、問題発生時の原因特定や対処が非常に困難です。未知の問題が起こる前提で、柔軟に対応できる環境を整える必要があります。また、問題発生はAI Agentにとって貴重な学習の機会でもあります。問題の解決だけでなく、継続的改善につなげられることが重要です。 ―――― まずは全体を4ステップに整理してみました。次回は、(1) の「理解」についてもう少し詳しく見ていきたいと思います。 お楽しみに！ 前の記事へ AIエージェントページへ 次の記事へ

ダウンタイムの発生や、故障・事故による社会的影響、メンテナンス人材の不足など、課題の多い風力発電業界。AIエンジンを駆使して「スマート保安」に貢献します。 Wind Power AI 脱・事後処理 「まさか」を検知し事前に通知 風車の故障におけるダウンタイムの発生や、故障・事故による社会的影響、メンテナンス人材の不足など、対処すべき課題の多い風力発電業界。 ArithmerはAIによる画像解析技術を用いて「スマート保安」に貢献します。 お問い合わせはこちら 風力AI こんなお悩みありませんか？ 発電機故障による ダウンタイムの発生 風力発電の事故における 社会的影響 メンテナンス人材の不足 風力AIはそんなあなたの課題を解決します 風力AIの特長 風力に画像検査のAIを活用 機器異常の予兆を検知します 風力発電のナセル内部にカメラを設置し、常時、画像データを取得します。 常時画像を取得しているので故障に至る前の予兆を発見することができます。 正常状態を学習 あらゆる「異常」を検知します。 計測されたデータがあれば、あとはAI技術とシミュレーションにお任せすることで、結果の取得が可能となります。 カメラとAIシステムが常に監視 人材不足を解消できます。 カメラから取得した画像データはAIシステムが常に監視するため、人による作業工数を減らすことができ、業務の効率化を図ることができます。 ※画像はイメージです 風力発電設備の 予兆保全・異常検知 月次巡視を、AIによるリアルタイム監視に置き換えて「スマート保安」を実現します。 INPUT 監視カメラ映像 AIシステム 教師なし学習 学習モデルから推論までワンストップ OUTPUT 日次レポート 異常報告レポート 導入事例 ※画像はイメージです 株式会社ユーラスエナジーホールディングス様 カメラを用いた予兆AIが風車の月次巡視を一部代替 より詳しく Arithmerではさまざまな業種の課題を解決できるソリューションがあります。 紹介事例以外でも、お気軽にお問い合わせください。 お問い合わせはこちら

Arithmerは、数学で社会課題を解決する会社です。Arithmerという社名は、算術、数学という意味の “Arithmetic” から名付けました。 Company 会社概要 Arithmetics focus on Social Challenges 数学で社会課題を解決する Arithmerは顧客やパートナーのデジタルトランスフォーメーション（DX）に寄り添うAI開発会社です。数学のコア要素技術をベースに、製造AI、風力AI、インフラAI、物流AI、リテールAI、バイオAIなど、さまざまな最先端のAIエンジンを駆使したソリューションのほかに、これらに生成AIを組み込んだソリューションなどを開発しています。これらの高度技術を自在に組み合わせることで、顧客の課題解決に貢献してまいります。 会社概要 会社名 Arithmer 株式会社 創業 2016年9月1日 資本金 1億円（2025年3月31日現在） 代表者 大田佳宏　　代表取締役社長 兼 CEO （博士（数理科学）（東京大学））　代表挨拶> 取締役 乾　隆一 取締役 常務執行役員 兼 CFO 経営管理本部長 森　雅巳 取締役 執行役員 研究開発本部長 中村壮秀 取締役（社外）アライドアーキテクツ㈱取締役ファウンダー 岩田彰一郎 取締役（社外）㈱フォース・マーケティングアンドマネージメント 　　　　 代表取締役社長（アスクル㈱創業者） 監査役 星野義雄 常勤監査役 高岡彰治 監査役（社外） 落合孝文 監査役 執行役員 乾　隆一 取締役 常務執行役員 兼 CFO 経営管理本部長 森　雅巳 取締役 執行役員 研究開発本部長 アクセス 本社 〒113-0033 東京都文京区本郷一丁目24番1号 ONEST本郷スクエア3階 TEL:03-5579-6683　アクセスマップ> 名古屋オフィス 〒451-0042 愛知県名古屋市西区那古野二丁目14番1号 なごのキャンパス 2-1号室 大阪オフィス 〒542-0081 大阪府大阪市中央区南船場3丁目9-10 徳島ビル11階 徳島オフィス 〒770-0831 徳島県徳島市寺島本町西1-61 徳島駅クレメントプラザ5階 Arithmer本社 〒113-0033 東京都文京区本郷一丁目24番1号 ONEST本郷スクエア3階 名古屋 オフィス 〒451-0042 愛知県名古屋市西区那古野二丁目14番1号 なごのキャンパス2-1号 徳島オフィス 〒770-0831 徳島県徳島市寺島本町西一丁目61 徳島駅クレメントプラザ5階 大阪オフィス 〒542-0081 大阪府大阪市中央区南船場 三丁目9番10号 徳島ビル11階

AI Agent Column 1 2024.12.26 AI Agentとは？ 近年のAIの進化は目覚ましく、私たちは既に対話型AIや生成AIを日常的に活用しています。その中でもここ1・2年、特に注目されているのが "AI Agent" という概念です。AI Agentとは一体何でしょうか？ これまでのAIと何が違うのでしょうか？　AI Agentコラム第1回の本稿では、まずAI Agentとは何を指すのかを整理したいと思います。 ―――― AI Agent とは？ 例えば、あなたが旅行の計画をしているとします。目的地や日程だけをAIに伝えると、最適なフライトを検索し、予約を完了してくれる。さらには、ホテルの予約やレストランの手配まで自律的に進めてくれる― ―これが、今注目されているAI Agentの一例です。 "AI Agent" という言葉自体は以前からありましたが、現在のような「大規模言語モデル(LLM)を活用し、自律的にタスクを遂行するシステム」の意味で使われ始めたのは、2023年4月ごろからです。具体的には、LangChain, Auto-GPT, BabyAGIなどのシステムが次々と登場し、それぞれがツール連携やタスク処理の新しい可能性を示しました。従来の対話型AIとは異なり、目標達成のために自ら情報を集めタスクを分解し実行する『行動するAI』という新しい方向性を打ち出したと言えます。これ以後このコンセプトが "AI Agent" として広まり、ビジネスや研究の分野で大きな注目を集めています。 このように "AI Agent" は幅のある概念ですが、このコラムでは次のように定義します。 「自律性、反応性、積極性、社会的能力を持ち、環境と相互作用して目標を達成するシステム」 これを図にすると以下のようになります。自律性、反応性、積極性、社会的能力という4つの特性が連携して、AI Agentが目標達成する仕組みを表しています。 ここで特に注目すべきは、「環境に作用して目標を達成する」という点です。従来の対話型AI(ChatGPTなど)は、ユーザーの問いに答える「受動的」な存在でした。しかし、AI Agentは目標に向けて自ら情報を探し、計画を立て、ツールや他者との連携を通じてタスクを遂行する「能動的」な存在へと発展しています。 従来の自動化との違いは？ 「行動する」システム自体は以前からありました。 例えば、RPA(Robotic Process Automation )は2010年代前半ごろから広く認識され実用化している技術です。RPAも環境を観測し、自律的に環境に対して行動を起こすことができます。ただし、その判断はルールに従って行われ、そのルールは事前にプログラムやフロー図など形式的な手法で記述しなければなりません。 これに対して “AI Agent” は、ユーザーが自然言語で目的を指示するだけで、あとは判断することができます。この差は非常に大きいものです。 冒頭に挙げた旅行の手配の例で考えてみましょう。 RPAを使った場合、フライト予約はあらかじめ設定された手順に従って行われます。航空会社のウェブサイトにアクセスし、日付や目的地を入力して検索、条件に合うフライトを選んで予約する、といったプロセスです。しかし、この手順は固定的で、予期せぬ事態には対応できません。例えば、フライトが満席の場合、RPAは次の手順に進めず、人間が条件を再設定する必要があります。 一方、AI Agentは異なります。フライトが満席の場合、自ら次の選択肢を探し、条件に合う別のフライトを提案します。それだけでなく、フライト変更が宿泊やレンタカー手配に影響する場合でも、関連タスクを再調整し、計画全体を柔軟に再構築できます。固定的な手順に縛られず、目標達成に向けて動けるのがAI Agentの特長です。 AI Agentの位置づけ このように、AI AgentはChatGPTの自然言語能力とRPAの自動実行の技術が融合したものと捉えることができます。対話型と自動実行型、自然言語とルールベースという2軸で整理すると以下のようになります。 このように、AI Agentは「自然言語で指示し、タスクを自動実行する」という点で、他の技術とは一線を画しています。 ―――― 今回は、本AI Agentコラムの第1回として「AI Agentとは？」を整理してみました。次回の第2回では、AI Agentがなぜいま、企業や研究者たちの注目を集めているのか、その背景を掘り下げていきます。ぜひご期待ください。 AIエージェントページへ 次の記事へ

AI技術×シミュレーションで圧倒的に速い解析時間を実現します。シミュレーションを行うには、知識や膨大な試行回数が必要になり、結果が出るまで数ヶ月を要することがあります。 私たちの流体予測AIシステムでは、これら課題を解決し、活用場面を広げていきます。 バイオAI Bio AI 熟練技術者の技術の継承や 後継者の育成をロボットで再現 新薬開発の現場は、熟練者への依存度が高く、技術の継承や後継者の育成などに課題を抱えています。高度数学技術をロボット技術に掛け合わせることで、職人技の動作を再現します。また、この技術を農業や水産業にも展開しています。 お問い合わせはこちら こんなお悩みありませんか？ 複雑で不定形な作業工程を 自動化することができないか 新薬開発における技術継承、 後継者育成が進まない 高齢化が進み、野菜の収穫作業の 省力化や軽労化が急務 バイオAIはそんなあなたの課題を解決します バイオAIの特長 人が行うしかなかった作業を 自動化することで業務負荷を軽減 これまで困難とされていた不定形で軟体物なものに対しても、コンパクトな多関節ロボットを用いることで正確な繰り返し作業を行えます。 ”神の手”の動きをロボットで再現 これまでロボットでは再現が不可能とされていた熟練技術者の動きを、動作解析技術と3Dデータ処理技術で再現ができるようになりました。 AI画像解析や3D点群処理技術を 活用した自動収穫ロボを研究 さまざまなサイズの農作物を自動で収穫するため、収穫対象物の画像解析や3D点群処理技術を活用して、繊細な作業をロボットに代替します。 ※画像はイメージです 3Dピッキングロボットの活用で人とロボットの協働が可能に さまざまな器具を取り扱う研究現場において、複数作業を実施可能なハンドを装着した3Dピッキングロボットを使用。画像認識技術を活用して対象物の位置情報を認識することで正確な作業を繰り返し行うことが可能となります。 INPUT 対象物の画像 デプス画像 AIシステム AI画像解析 3Dデータ処理 OUTPUT アームによる吸着・把持 ティーチングでは難しい職人技を高度数学技術で実装 他の誰にも再現できない技を持つ方、いわゆる「神の手」の技術をArithmer Roboの再現力で実装できることが実証されています。 INPUT 人の動作をモーションセンサーで取得 AIシステム 動作解析 3Dデータ処理 OUTPUT 動作をロボットで再現 ※画像はイメージです 導入事例 ※画像はイメージです 株式会社デンソーウェーブ様 人が行っていた細かな繰り返し作業をロボットで自動化し、人の負荷を軽減 より詳しく Arithmerではさまざまな業種の課題を解決できるソリューションがあります。 紹介事例以外でも、お気軽にお問い合わせください。 お問い合わせはこちら

AI Agent Column 7 2025.6.3 AI Agent導入step1 “理解” こんにちは。ArithmerのAI Agent担当コンサルタントです。 AI Agent コラム、大分、時間が経ってしまいましたが、前回（第6回）は導入プロセスの全体像として4つのステップ「（1）理解」「（2）選定」「（3）設計」「（4）計画」をご紹介しました。AI Agentという新しい技術を使いこなし、ビジネス価値に繋げるためには、このステップを順に踏むことが重要です。 今回はその最初のステップの「（1） 理解」について掘り下げていきたいと思います。 ―――― 理解すべきこと 「ITとAIとの違い」についてはもうよくご存じの方も多いと思います。 では「従来のAIとAI Agentとの違い」について特に理解しなければいけないこととは一体何でしょうか？ 従来のAIの適用は「教師あり学習」を業務に当てはめることがメインでした。特に分類や回帰といったタスクに取り組む教師あり学習では、「解きたい問題」に対して探索すべき変数は、主に「データ（前処理含む）」「アルゴリズム（モデル選択）」「ハイパーパラメータ」の組み合わせでした。もちろん、これも試行錯誤は必要でしたが、交差検証やグリッドサーチ、ベイズ最適化といった体系的な方法論がある程度存在し、探索空間の構造もある程度は見え、「どう頑張れば精度が上がりそうか」「どこが限界か」の見極めも、比較的、道筋が見えやすかったと言えます。これは言ってみれば、地図がある土地での探索に例えることができるでしょう。 ところが、AI Agentの世界は根本的に異なります。まず中核エンジンであるLLMのプロンプト調整だけでも、探索空間は、その構造も非常に複雑で、広さも膨大です。 それに加えて、他の部品（RAGの設定、ツールの種類と使い方、推論プロセスなど）との無数の組み合わせ方や、それぞれの調整項目が掛け合わさることで、全体の探索空間は文字通り爆発的に増大します。つまりAI Agentの活用は、未知の世界での探索に例えることができます。 この「質的にも量的にも桁違いに広大で、確立された方法論がない探索空間」をどう進むか、それが現在のAI Agentにおける大きな挑戦であり、導入を検討する上で理解しておくべきことの核心です。 理解するためのお薦めステップ この「リアルな難しさ」を前にして、私たちはどうすればAI Agentを本当に理解し、その可能性と限界を見極める実践的な感覚を身につけることができるのでしょうか？ それは、「座学」、「実践」、「議論」という、一見シンプルに見えるサイクルを回すことに尽きると、私たちは考えています。 座学 : 書籍・論文・記事の調査や講座の受講などにより、知識を習得する 実践 : ChatGPTなどを介して、AI Agentの中核のLLMの能力を体感する 議論 : ①、②で得た気づきを言語化・共有し、チームとしての共通認識を築く 特にポイントとなるのが３番目のステップです。 知識の習得（①座学）や能力の体感（②実践）に、この言語化・共有（③議論）を加えることで、初めて以下のような価値が生まれます。 個人の理解が深まる : 自分の言葉で説明しようとすることで、曖昧だった理解が明確になり、思考が整理されます（暗黙知→形式知）。 客観性と多角的な視点が得られる : チームで共有し議論することで、「そういう見方もあるのか」「そのリスクは考えていなかった」といった多様なフィードバックやインプットが得られ、一人では気づけなかった偏りや盲点が修正されます（集合知の活用）。 組織としての前進が可能になる : 共通の言葉で議論し、認識を合わせることで、チームや組織として「何を理解し、次に何をすべきか」という合意形成ができ、具体的な計画や意思決定に繋げることができます。個人の学びが組織の力に変わるのです。 これが、私たちが「座学 」「実践 」に加えて「議論 」という３つ目のステップをお勧めする理由です。 ―――― さて、次回（第8回）は、いよいよステップ2「選定」です。AI Agentの強みを活かせる業務を具体的にどのように見極めていくのか、そのプロセスと評価のポイントについて詳しく解説していきます。ぜひご期待ください。 前の記事へ AIエージェントページへ 次の記事へ

製造や加工の工程で発生する部品のばらつき判定や、自動運転のサポートなど、現場の暗黙知を組織知に変えるAIを開発・提供します。 製造AI Manufacturing AI 製造や加工の現場で起きるさまざまな困りごとをAIを用いて最適化する 製造や加工の工程で発生する部品の不良品判定や、自動運転のサポートなど、現場の暗黙知を組織知に変えるAIを開発・提供しています。 お問い合わせはこちら こんなお悩みありませんか？ 工場内カートや大型トラックの 巻き込みによる接触事故 機械のトラブルによる 作業の停止時間をを短縮したい 加工後の検査精度を高め不良品出荷リスクを抑制したい 製造AIはそんなあなたの課題を解決します 製造AIの特長 動画解析技術を用いて 危険状態を検知 車体に取り付けたカメラで車両周辺や監視車両側面、後方を監視し、障害物を検知すると注意を喚起します。 画像検査のAIを活用し 機器異常の予兆を検知 機器の動きを動画像データで取得することで、異常（故障に至る前の予兆）を発見します。大きなトラブルを未然に防ぎ、作業ロスを低減します。 画像解析エンジンを活用し不良品の見逃しリスクを改善 既存の検査装置とAI画像解析エンジンを組み合わせることで、不良品の見逃しを削減。不良品出荷リスクと再検査工数の削減に貢献します。 ※画像はイメージです 生産設備の予兆保全 製造装置の通常サイクルを学習し、人の目では気付きにくい「いつもと違う変化」を察知します。これにより設備異常を早期に発見し、結果的に甚大な被害を予防します。 INPUT 通常動作の 動画 AIシステム 生産設備の 異常検知 OUTPUT 異常箇所の通知 自動運転システムにおける 予兆保全・異常検知 AGVやフォークリフトなどのシステムと実装することで、危険エリアを自動的に調整・監視。接触事故を未然に防ぎます。 エッジコンピュータを活用し、移動に合わせて監視エリアを自動的に調整することができ、リアルタイム検知が可能となります。 INPUT 動画像 OUTPUT 異常箇所の通知 AIシステム 自動運転システムとの組み合わせ ※画像はイメージです 導入事例 トヨタ自動車株式会社様 工場内運搬カートの後方安全に関する特許を共同で出願 より詳しく Arithmerではさまざまな業種の課題を解決できるソリューションがあります。 紹介事例以外でも、お気軽にお問い合わせください。 お問い合わせはこちら

Arithmerでは7領域においてAIシステムを導入しています。一気通貫の対応力でお客様の課題解決に貢献いたします。 Contact お問い合わせ 当サイトでは実在性の証明とプライバシー保護のため、SSLサーバ証明書を使用し、SSL暗号化通信を実現しています。 お気軽にお問い合わせください。 1営業日以内にご連絡いたします。 オプションを選択 * サービス詳細のお問い合わせ その他（詳細は下記にお願いします） 広報について 採用について 採用ページはこちら 会社名 メールアドレス 名前 電話番号 お問い合わせ内容詳細 メルマガ配信に登録する 個人情報の取り扱いについて同意する 詳細はこちら 送信