Search

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

数学、科学をいかに応用して、社会課題を解決するのか、そしてHope（希望）へとつなげるのか、それを考えるのが私たちの仕事です。 Message 代表挨拶 現代数学を応用し まだない新しい技術を創造してゆきます 代表取締役社長 兼 CEO 大田佳宏 Arithmer株式会社 代表取締役社長兼CEO 第64回国際数学オリンピック 組織委員会 副委員長 総務省 AIネットワーク社会推進会議 構成員 東京大学大学院数理科学研究科 客員教授 東京大学アイソトープ総合センター 客員教授 一般社団法人日本応用数理学会 代表会員 博士（数理科学）（東京大学） Arithmetic × AI Arithmerは、数学で社会課題を解決する会社です。 算術、数学という意味の“Arithmetic”から名付けました。 数学は簡潔にして美しく、世界を変える力を持っています。 これまでの数学者、科学者、技術者達も、それを証明してきました。 そして現在、私達は現代数学を応用して、さまざまな社会課題を解決するため、新しい高度AIシステムを導入しています。 私達は業界を代表する多くの企業様にArithmerのAIソリューションをお使いいただいている事に感謝をするとともに、その大きな社会的責任もしっかり認識して、よりよい未来のための新しい技術を創造していきたいと思います。 代表取締役社長 兼 CEO 大田佳宏

AI Agent Column 9 2025.11.10 AI Agent導入step3 “設計” AI Agent導入の4ステップ「理解」「選定」「設計」「計画」。前回（第8回）はステップ2「選定」について、3つの評価軸に基づき、的確に適用業務を見極めることの重要性をお話ししました。 さて、今回はステップ3「（3）設計 (Design)」です。選定した業務に対し、AI Agentをどのように業務プロセスに組み込みむのかの to-be を描きます。 ―――― AI Agentの業務への組み込みにおける3つの課題 第6回のコラムでも触れましたが、AI Agentの実業務への組み込みには、特有の課題が伴います。それは、AI Agentが持つ本質的な特性に起因します。実業務にAI Agentを組み込む際には、特に以下の3つの課題に正面から向き合い、対処していく必要があります。 1. 不確実な挙動 AI Agentの中核となるLLMは、その仕組み上、確率的(stochastic)に動作します。これは多様な応答を生む源泉ですが、常に予測通りの結果が得られるとは限らない、ということを意味します。従来のAI活用では最終判断を人が担うことが多かったですが、AI Agentには自律的な「判断」まで期待される場面が増えます。そのため、どこまでAIの柔軟性（確率性）を活かし、どこで確実性（決定論）を担保し、どのタイミングで人間が介入するのか、そのバランスを慎重に設計する必要が出てきます。 2. 知識の不足 LLMは膨大な公開情報を学習しており、一見すると非常に博識に見えます。しかし、特定の業務を適切に遂行するために真に必要な、現場固有の専門知識や、経験に裏打ちされた「暗黙知」（例えば、顧客対応の細かなニュアンスや、特定の状況下での最適な判断など）は、学習データに含まれていないことがほとんどです。AI Agentが人間の「判断」や「調整」といった領域に踏み込む際、この知識不足がしばしばボトルネックとなります。これは単純なデータ追加で短期的に解決できるものではなく、運用を通じて知識を獲得し続ける「長期的な仕組み」の設計が求められます。 3. 要件・環境の変化 ビジネスを取り巻く環境や、業務の要件、利用するデータ、連携する外部システムの仕様などは、常に変化し続けます。導入時に完璧と思える設計をしたとしても、時間経過と共にそのパフォーマンスが劣化したり、現状の業務との間にズレが生じたりするのは避けられません。そのため、AI Agentを業務で継続的に利用するには、これらの変化を検知し、迅速に適応・改善していくための仕組み（例えば、継続的な評価プロセスやフィードバックループなど）を、あらかじめ設計に組み込んでおく必要があります。 課題に対処する設計アプローチ AI Agentの核心的課題（不確実性、知識不足、変化）に立ち向かう設計アプローチとして、「フィードバック」に着目することが鍵となると考えています。つまり、AI Agentを運用する中で得られる様々な情報（フィードバック）を、いかに効果的に「取得」し、そして「活用」してシステムを進化させていくか、という観点です。 1. フィードバックの「取得」 まず重要なのは、どのようなフィードバックを、どうやって取得するかです。これには、タスクの「クリティカルさ」に応じた設計が有効です。 ● クリティカルなタスク (更新系の処理や外部とのインタラクションなど） 人間による確認・修正をプロセスに組み込みます。ここで人間が行った判断や修正そのものが、AIに不足している知識を示す質の高いフィードバック（Human Feedback: HF）となります。 ● ノンクリティカルなタスク（間違いの影響が小さい処理） AIに自律的な実行とエラー対処を試みさせます。この過程でシステムが検知・記録したエラー情報や、その対処結果が、改善のためのフィードバックとなります。 2. フィードバックの「活用」 次に、取得したフィードバック（人間の修正やエラー情報）を、AI Agentの改善にどう繋げるかです。一回のフィードバックから以下の二通りの活用するのが効果的です。 ● Deterministic 機構による同一事象への「確実な対応」 一度フィードバックが得られた事象（特定の指示や状況）に対しては、同じ失敗を繰り返さないことが重要です。得られた知見をシステムに登録・蓄積し、次回以降、同一事象が発生した際には、決定論的(Deterministic)機構がその知見に基づいて対応します。これにより、システムの信頼性・再現性が向上します 。 ● tochastic 機構による類似事象への「柔軟な対応力向上」 過去のフィードバックが得られた事象とは完全には一致しない場合でも、類似の事象から学ぶことが期待されます。フィードバックから得られた知見を登録・蓄積し、LLMなどの確率的(Stochastic)機構に学習させることで、より適切な判断や応答ができるように進化させることができます。これによりAIの汎化能力が高まり、対応範囲が広がります 。 このように運用の中で自然にHumanフィードバックや Systemフィードバックを取得し、 Deterministic機構とStochastic機構に知見を取り込めるようなサイクルを設計することで、AI Agentは運用を通じて知識を蓄積し、不確実性を低減させ、変化にも適応していくことができると考えています。 ―――― 今回は、AI Agent導入のステップ3「設計」について、その核心的課題（不確実性、知識不足、変化）に対処するための重要な考え方として、「フィードバック」の取得と活用を中心とした設計アプローチをご紹介しました。 さて、次回（第10回）は、いよいよ最終ステップ「計画」です。これまで設計してきたAI Agentのto-beを実現するために、具体的な導入計画をどのように立てていくべきか、そのポイントを解説します。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

AI Agent Column 8 2025.8.21 AI Agent導入step2 “選定” 前回（第7回）は、AI Agent導入の最初のステップとして「理解」についてご紹介しました。 今回は AI Agent の適用する業務の選び方についてお話します。 ―――― 業務選定の3つの軸 AI Agentは急速に進歩してはいますが、まだ万能なわけではありません。その得意不得意を理解し、得意な領域の範囲で適用することが極めて重要になります。 前回の「（1）理解」でお伝えした通り、「AI Agent」は「従来のAI」以上の難しさがあります。従来のAIなら、「十分なデータがあり、判断基準が明確な業務」であれば、比較的適用の見通しが立てやすい側面がありました。しかし、AI Agentは、LLMを中核とし、タスクの分解や自律的な実行、ツール連携といった複数の技術が組み合わさった複合的なシステムです。そのため、ある業務に適用した場合に期待通りの成果が得られるかどうかの見極めは、従来よりも格段に難しくなっていると言えるでしょう。 たとえ AI Agentの適用が技術的に可能であったとしても、その労力に見合う成果が得られなければ、意味がありません。AI Agentの適用の労力は比較的大きいため、メリットの明確化が今まで以上に重要になってきます。 また、技術的な実現可能性もあり、ビジネスインパクトも十分大きい場合でも、実現できないことがあります。特に AI Agentはタスクの実行をAI に委ねる部分があるため、それが許容されるか、注意が必要なのです。 従って、次の3つの軸で評価するのが有効です。 1. 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 2. 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 3. 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 1. ビジネスインパクト (Business Impact) AI Agentを導入することで、どれだけのビジネス価値が見込めるか、という観点です。 1-1 明確なニーズ (Clear Demand): 解決すべき具体的な業務課題が存在し、当事者がその解決を切実に求めているか？ 1-2 定量的な価値 (Quantifiable Value): 課題解決の効果を、売上増やコスト削減といった金額で示すことができるか？（※ AI Agentの効果には、創造性支援など定量化しにくい価値もありますが、敢えて定量的に示すことが重要です。価値を定量的に示せない取り組みは組織から長期間継続的にサポートを得るのが難しいからです。） 1-3 ビジネススケーラビリティ (Business Scalability): その取り組みが特定の部門だけでなく、広く応用可能で、投資に見合うだけの効果拡大が期待できるか？ 1-4 戦略との整合 (Strategic Alignment): 取り組みが、自社の中長期的なビジネス戦略やDX戦略と方向性が合っているか？ 2. 技術的な実現可能性 (Technical Feasibility) 次に、AI Agentを実際に構築・実装できるか、という技術的な観点から評価します。 2-1 適度な難易度 (Appropriate Difficulty): 難しすぎず、現実的な期間・コストで実現が見込めるか？（※AI Agentの適用について事前に期間・コストを見積もることは非常に難しいですが、技術動向や事例を基にあたりを付けることが重要です。） 2-2 ドメイン知識に非依存 (Domain Knowledge Independent): AI Agent技術者主体で検討を進められるか？（※ もちろんドメイン知識を扱うことは避けては通れませんが、下記の2点のようにドメイン知識をデータ化・形式知化によって、モジュラー化できることが重要です。それができない場合、AI Agent技術者自身がドメイン知識を習得するまで、プロジェクトが進まなくなってしまいます。） 2-3 入出力のデータ化 (Data Availability): 判断や評価に必要なインプット・アウトプットデータが、利用可能な形で記録されているか？ あるいはすぐ記録して蓄積できるか？ 2-4 手順の形式知化 (Documented Procedures): 従来の人の業務プロセスが文書化されていたり、ログに記録されていたり、または、ヒアリング等で明確化できるか？ 3. 業務適用の実現可能性 (Operational Feasibility) インパクトがあり技術的に作れても、実際の業務で利用され、定着しなければ意味がありません。最後に、現場での運用面から実現可能性を評価します。 3-1 コンプライアンス (Compliance): 法規制、社会倫理、業界ルール、自社のポリシー等に適合しているか？ 3-2 非クリティカル (Non-critical): AI Agentの誤動作リスクを考慮し、致命的な問題に繋がらない業務か？ あるいは、クリティカルな判断については人間が介入するような運用設計が可能か？ 3-3 関係者の受容 (Stakeholder Acceptance): 現場担当者をはじめ、関係者の協力が得られ、業務プロセスの変更も受け入れられるか？ 3-4 システム連携可 (System Integration Ready): 当該業務の前後の業務が既にシステム化済みで、かつ、API等で容易に連携できるか？ 選定を進める際の注意点 最後に、選定を進める上で特に心に留めておきたい点を3つ補足します。 第一に、これら3つの評価軸は、単に平均点が高ければ良いというものではなく、どれか一つでも致命的な問題があれば、その業務への適用は現実的ではありません。インパクト・技術・業務適用の全ての軸で、最低限の基準を満たしているか、という視点を持つことが重要です。いわば、掛け算のように、一つでもゼロに近い要素があれば、全体としての価値は生まれないのです。 第二に、「技術的な実現可能性」は時間と共に変化しうる、という点です。AI技術の進歩は非常に速いため、現時点では難しいと判断された課題が、近い将来には解決されている可能性も十分にあります。常に最新の技術動向にアンテナを張り、時間軸も考慮に入れて判断していく必要があります。 第三に、「業務適用の実現可能性」は見落とされがちだが、極めて重要である、という点です。特に、企画担当者とAI技術者だけで検討を進めていると、現場の運用実態、関係者の協力や受容度、コンプライアンス上の課題などを見過ごしてしまうことがあります。検討の初期段階から、現場や関連部署を巻き込み、多角的な視点を取り入れることが鍵となります。 これらの点を踏まえ、多角的かつ現実的な視点で業務を選定すること。それが、AI Agent導入プロジェクトを成功に導くための、最初の、そして極めて重要な関門と言えるでしょう。 ―――― さて、次回（第9回）は、ステップ3「設計」です。選定した業務に対して、AI Agentをどのように業務プロセスに組み込み、システムとして、また運用としてどのようにデザインしていくべきか、その具体的な考え方について解説します。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

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

Arithmerは東京大学数理初となる企業として設立されました。様々な専門分野をバックグラウンドに持つスタッフが活躍しています。 Our Team スタッフ紹介 Arithmerは東京大学数理科学研究科初となる企業として設立されました。 様々な専門分野をバックグラウンドに持つスタッフが活躍しています。 フェロー 兼 CTO C.A. 東京大学理学系研究科物理学専攻修了(理学博士)。フランス・サクレー研究所、ドイツ・ザールラント大学にて研究と教育に従事。日本物理学会若手奨励賞受賞。 ボタン エンジニア M.T. 東京工業大学 大学院情報理工学研究科 数理・計算科学専攻 博士後期課程修了（博士（理学））。同専攻助教としてトポロジーの研究と教育に従事。 ボタン エンジニア Y.N. 2010年 東京大学大学院数理科学研究科数理科学専攻博士課程修了（博士/数理科学）。流体予測AIなど、数理モデルを取り込んだAIソリューションの開発に従事。 ボタン エンジニア R.B. Johns Hopkins大学環境工学修士課程修了。2018年来日。金融予測やモデリングに幅広く携わる。企業が直面する業務上の課題解決のため、機械学習と深層学習を学ぶ。 ボタン エンジニア K.T. 東京大学大学院修了後、外資系証券会社や日系証券会社にてデリバティブ評価のアルゴリズム開発に従事。現在は研究開発本部に所属し、数理的なプログラムの開発に従事。 ボタン エンジニア M.H. 九州大学大学院 数理学研究科にて修士号を取得。24年間ソフトウェア開発会社にてプログラマーやプロジェクトリーダーとして開発に携わる。 ボタン エンジニア H.K. 早稲田大学大学院基幹理工学研究科数学応用数理専攻修士課程修 了。在学中よりArithmerにて勤務、2024年4月に入社。物流ロボットAIプロジェクトに従事。 ボタン ボタン 通信機器・システム販売会社で提案営業や新規顧客開拓を担当し、売上・利益を拡大。事業副本部長として、大手企業の工場や施設、物流システムへのAI導入を推進し、事業拡大に貢献。 営業 Y.I. 営業 S.H. 大学卒業後、金融機関・Sler企業等に営業として勤務。名古屋にて画像・動画AIシステムやビッグデータ解析案件を中心に、商社・製造業等のプロジェクトを推進。 ボタン 営業 K.S. 大学卒業後、ソーシャルエンターテイメントサービス企業で事業戦略の立案、実行を担当。2024年6月Arithmerに入社。企業厚生施設や製造設備向け画像・動画AIプロジェクトに従事。 ボタン コーポレート N.M. 前職でユーザーサポート・ヘルプデスクを経験したのち、2020年9月Arithmerに入社。情報システム分野はもとより、システム関連コストの削減検討などでも活躍中。 ボタン ENTRY Mathematics is the key and door to the sciences. Why don't you challenge social issues with mathematics and AI/IT 数学をベースにした高い技術力で 人間の直感を超えたソリューションをともに創造し 今までにないアプローチで社会課題に挑戦しませんか。 エントリー

土木現場におけるリスクやコスト負荷などをAIを用いて解決します。生産性の向上を図り、魅力ある建設現場を目指す「i-Construction」推進に寄与します Infrastructure AI 現場におけるリスクやコストの 負荷をAIで解決 土木の現場におけるリスクやコストなどの負荷を、AIを用いて解決します。生産性の向上を図り、魅力ある建設現場を目指す「i-Construction」の推進に寄与します。 お問い合わせはこちら インフラAI こんなお悩みありませんか？ 作業現場での作業事故を 無くしたい シミュレーションを扱える人が 属人化している 大量のデータ シミュレーションが必要 インフラAIはそんなあなたの課題を解決します インフラAIの特長 過去の作業事故報告から 今回の作業危険箇所を提示する さまざまな現場で発生する事故報告を集計・分析することで、現在の作業工程からAIが危険度を判定。注意点などの提示も行い作業事故0を目指します。 パラメーター推定にAIを 活用することで属人化の排除 計測された実測値を元にパラメーター推定をAIで実施するため、属人化を解消することが可能です。 少ないデータ、試行回数で 解析を実現 類似ケースをあらかじめ学習することで、指定されたエリアではデータの計測がわずかでも解析が可能となり、データ準備の省力化に寄与できます。 ※画像はイメージです 大雨による影響を事前に把握、 工期遅れを最小限に 天候に左右される建築の現場において大雨は大敵。立地条件などから降雨量に応じたシミュレーションをあらかじめ行うことで治水対策を効率化し、工期管理にお役立ていただけます。 INPUT 気象データ 観測データ 地形データ AIシステム 浸水高予測AIシステム OUTPUT 工事現場での 水たまりシミュレーション 貯水槽などの配置シュミレーション ドローンカメラで画像を収集し、点検や異常検知を効率化 ドローンカメラで撮影した画像を、AI画像解析技術を用いて異常検知を行います。高所や閉所など、人の目の行き届かない場所も平易に確認できるので、効率化が図れます。 INPUT 正常状態の画像 ドローンカメラで撮影した画像 AIシステム AI画像解析 OUTPUT 異常検知アラート ※画像はイメージです 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 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

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

数学、科学をいかに応用して、社会課題を解決するのか、そしてHope（希望）へとつなげるのか、それを考えるのが私たちの仕事です。 Message 代表挨拶 現代数学を応用し まだない新しい技術を創造してゆきます 代表取締役社長 兼 CEO 大田佳宏 Arithmer株式会社 代表取締役社長兼CEO 総務省 AIネットワーク社会推進会議 構成員 東京大学大学院数理科学研究科 客員教授 東京大学アイソトープ総合センター 客員教授 一般社団法人日本応用数理学会 代表会員 博士（数理科学）（東京大学） Arithmetic × AI Arithmerは、数学で社会課題を解決する会社です。 算術、数学という意味の“Arithmetic”から名付けました。 数学は簡潔にして美しく、世界を変える力を持っています。 これまでの数学者、科学者、技術者達も、それを証明してきました。 そして現在、私達は現代数学を応用して、さまざまな社会課題を解決するため、新しい高度AIシステムを導入しています。 私達は業界を代表する多くの企業様にArithmerのAIソリューションをお使いいただいている事に感謝をするとともに、その大きな社会的責任もしっかり認識して、よりよい未来のための新しい技術を創造していきたいと思います。 代表取締役社長 兼 CEO 大田佳宏 メディア掲載 熊本日日新聞に当社の浸水AIの記事が掲載されました 金沢シーサイドFMのラジオ番組に当社代表が出演、YouTubeでアーカイブを公開 モノ・マガジン9.16号に当社の浸水AIが紹介されました メディア掲載一覧へ

AI Agent Column 4 2025.1.21 AI Agent 導入の難しさ 前回までのコラムでは、AI Agentの可能性と活用事例について紹介してきました。確かにAI Agentはさまざまな分野で期待されていますが、実際に業務に適用するとなると、いくつか課題があります。今回は、AI Agentを導入する際に直面する代表的な難しさについてお話しします。 ―――― AI Agentは非常に可能性に満ちたツールですが、活用するには越えなければならないいくつかのハードルがあります。具体的には、以下の5つの点で注意が必要です。 1. 不確実性への対処 前回のコラムでも触れたように、AI Agentはしばしば、業務の一部を自動化し、直接「実行」する役割を期待されます。例えば請求書の処理や顧客対応などのタスクです。しかし、AIの中核を成すLLM（大規模言語モデル）やDL（ディープラーニング）は、その性質上「確率的（stochastic）」、つまり出力が不確実で予測しにくいという特徴を持っているため、実行の場面では課題となります。 精度の問題： AIが100回中99回正しく動作しても、1回のミスが重大な結果を招く場面では使用が難しい場合があります。たとえば、請求書で一度でも誤った金額を計算すると、顧客の信頼を損なう可能性があります。 ハルシネーション： AIが存在しない情報を生成してしまうことがあります。たとえば、製品のマニュアルに載っていない解決方法をでっち上げる可能性もあります。 再現性の欠如： 同じ質問をしても、異なる回答が返ってくる場合があります。業務では、結果が一定であることが求められるため、この特性が問題となります。 このような不確実性は、AI Agentに「実行」を任せる上で大きな障壁となります。 2. ドメイン知識とのインテグレーション AI Agentは LLMの持つ汎用的な知識に基づいてタスクを処理することができます。たとえば、旅行の計画を立てたり、メールの文案を作成したりと、さまざまな用途に対応できます。これは、インターネット上の膨大なデータから学んでいるからです。しかし、ドメイン知識が必要な業務を AI Agentに行わせるのは、簡単ではありません。 ドメイン知識の必要な業務： 例えば医療記録を扱う業務では、LLMは一般的な医学知識は持っていますが、病院ごとに異なる記録形式や略語には対応できない場合があります。 また、自社サービスのサポートデスクでは、LLMは一般的なPC・OS・ネットワークなどに関する知識は持っていますが、自社サービス固有の技術情報が必要な問題には対応できない場合があります。 業務特有の知識を与える方法の一つとして、 RA G （ Retrieval-Augmented Generation ） という仕組みがあります。この仕組みでは、関連する情報を事前に収集しておくことで、それを利用してLLMの知識を補完することができます。しかし、このRAGも導入するだけで自動的に効果を発揮するものではありません。場合によっては、ドメイン知識に過剰に適合することで、もともと持っていた汎用知識・能力が損なわれてしまうこともあります。RAGを高精度で機能させるには、データの整理や適切な運用設計など、多くの手間と工夫が必要です。 AIの汎用性を保ちながらドメイン知識を補うのは非常に難しい課題です。 3. 適用業務の選定 AI Agentをうまく活用するには、効果のある業務を選定する必要があります。ここで重要なのは、AI Agentに「何を任せるか」だけでなく、「どのように業務を再設計するか」も合わせて考える必要があるということです。 前後の処理を統合した最適化： 例えば、書類審査の業務において、すでにOCR（光学文字認識）は導入済みで、新たにAI Agentに読み取った情報を基に審査を行わせたいとします。もちろん、既存のOCRの処理は残したまま、判定だけをAI Agentにやらせることは可能です。しかし、読み取りと判断を統合して AI Agentに実行させる方が全体の精度が向上することがあります。これは、AI Agentが「判断」に必要な情報を理解して、その情報の抽出にフォーカスして「読み取り」を行うことができるためです。 逆に、部分的な最適化にとどまると、せっかくのAI Agentのポテンシャルを十分に引き出せないことになります。 4. 継続的改善のための運用設計 AI Agentを導入して終わり、というわけにはいきません。最初から高い精度が出せることはそもそも稀ですし、たとえ導入当初はうまく機能したとしても、業務のデータや前提条件は時間とともに変化するため、次第に精度が低下することは避けられません。 継続的に精度を維持・向上させるためには以下のことを考える必要があります： 「正しい」データをどのように入手するか どのようにAI Agentに教えるか いつどのようにアップデートするか さらに、これらを無理なく実施できる運用が求められます。AI Agentの導入で得られるメリットより、運用の手間・コストがかかるようでは意味がありません。したがって上記のステップは低コストで、つまり自動もしくは半自動で実行できるような仕組みを含めて運用を設計する必要があります。 5. 導入是非の判断 ここまで述べた課題があるため、AI Agentの導入が本当にROI（投資対効果）を生むのかを事前に見極めるのは簡単ではありません。 業務ごとの特性の違い： ここまで述べた問題を解決する万能なソリューションは存在しません。解決にどれほどの労力が必要かは、業務の内容や状況に依存します。そのため業務内容の詳細を検討し、実際のデータを分析して初めて判断できる部分があります。 課題の相互依存： 例えば、2で挙げたドメイン知識のインテグレーションの解決方法によっては、1の不確実性も解消する場合もあれば、そうでない場合もあります。また、3で挙げた適用業務の再設計は、4の継続的改善のための運用設計にも直接影響を及ぼします。 これらの理由から、「AI Agentを導入したらどの程度の成果が得られるのか」を事前に正確に見積もることは非常に難しく現実的ではありません。 5つの「難しさ」に対するArithmerアプローチ このようにいざ実業務にAI Agentを適用しようとすると、現時点ではまだまだ難しい課題があるということをご理解いただけたかと思います。ただこれらの課題に対する有効なアプローチも存在します。難しさを理解した上で、適切なアプローチを採って、ステップを踏んでいくことで、十分克服することが可能です。 ここでは簡単にArithmerがお客様と共にとってきたアプローチの一例をご紹介します。 不確実性への対処： 確率的（Stochastic）なモデルと決定論的（Deterministic）なモデルを組み合わせることで、一貫性と説明可能性を確保 ドメイン知識とのインテグレーション： RAGを機能させるため、過去データを数理的に分析して暗黙知を明らかにし、業務に必要なデータを整理・最適化する仕組みを構築 適用業務の選定： 業務を分解し重要性や適合性をスコアリングして、適用範囲を明確化することで最適な業務フローを構築 継続的改善のための運用設計： モデルのパラメータ調整や柔軟なカスタマイズにより、業務の変化に対応可能な仕組みを整備 導入是非の判断： 小規模かつ段階的導入により初期投資のリスクを軽減し、モデルの透明性と説明可能性を重視することで、顧客が効果判断できる環境を提供 ―――― このようにAI Agentの導入には解決すべき課題が多くありますが、それぞれ有効なアプローチもあることを簡単にご紹介しました。 次回のコラムでは、これらのアプローチを実際にどのように適用し、業務改善につなげたのか、具体的な事例を交えてご紹介します。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

Arithmerが提供する予兆保全は画期的なシステムです。正常データのみでモデル生成が可能であり、静止画だけでなく動画にも対応。また、360度カメラなどの物体検知モデルが動作しにくい状況においても高精度に機能します。このシステムを導入する事により、本当の働き方改革がはじまります 予兆AI Prediction AI 「守り」から「攻め」のDXへ 脱・事後処理「まさか」を検知し事前に通知 予兆AIはトラブル発生前の微妙な違和感を検知し、結果的に大規模災害等を未然に防ぐ事が可能となります。正常データのみでモデルを生成するため、面倒なデータ収集やアノテーションが不要です。 お問い合わせはこちら こんなお悩みありませんか? 定期的に遠方への現地訪問を行っており、メンテナンス効率が悪く、コストがかかっている 監視カメラ画像を24時間目視チェックしているがどのような異常が発生するかわからず、自動化したくてもできない カメラ仕様や設置条件が異なる為、なかなか安定した異常検知モデルを実装できない 予兆AIはそんなあなたの 課題を解決します 予兆AIの特長 僻地でもカメラ1台を設置するだけであなたの代わりに常時監視します。 定期的な現地訪問が不要になります。現地に訪れることが難しい僻地や危険地帯などにも有効です。もちろん複数台の設置にも対応しております。 正常状態を学習するので、ありとあらゆる「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。 現在の取り付け状態をベースにお客様の撮影条件に最適なモデルを提供できます。 指定されたエリアのいくつかの計測されて少ないデータを入力とすることが可能となり、データの準備の省力化に寄与できます。 【簡単モデル生成】【早期立上】【高精度検知】DX化の一歩として予兆AIを導入してみませんか？ お問合せはこちら 予兆AIの活用事例 DX化への第一歩　脱：監視業務・定期巡回　事後保全から予兆保全へ ・正常データだけでモデル生成が可能な為、早期に立ち上げが可能 ・静止画だけでなく、動画にも対応。 普段と違う動きなども検知可能 ・カメラの設置条件やスペックにかかわらず実装可能。 　360度カメラなどへも対応可能 ※画像はイメージです 僻地のインフラ設備の 予兆保全・異常検知 発電所などの僻地にあるインフラ設備の定期メンテナンス業務において点検コストを削減します。 INPUT ・監視カメラ画像 予兆AI ・学習モデルの作成から推論までワンストップで実行します。 ・教師なし学習 OUTPUT ・日次レポート ・異常報告レポート 生産設備の予兆保全 製造装置の通常サイクルを学習することにより、「いつもと違う」動きを察知します。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 ・通常動作を録画した監視カメラ動画 予兆AI ・生産設備の異常検知 OUTPUT ・異常個所の通知 ※画像はイメージです ※画像はイメージです 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合わせて実装することにより、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。移動に合わせて監視エリアを自動的に調整します。 INPUT ・自動運転システム の動画像 予兆AI ・自動運転システムとの組み合わせ OUTPUT ・異常個所の通知 取組事例 トヨタ自動車株式会社 工場内運搬カートの後方安全に関する特許をトヨタ自動車と共同で出願。周辺監視システムが、接触リスクを検知した時、事前にアラートを発します。 工場内の牽引運搬車両や台車（運搬カート）に搭載された周辺監視システムが、接触リスクを検知した時、事前にアラートを発します。今回開発した技術は、定点カメラを設け、複数のカメラを用いる必要がないため、コストの増大を抑え、牽引される台車と作業者との接触リスクを低減することが可能となる牽引運搬車両の周辺監視システムです More 【簡単モデル生成】【早期立上】【高精度検知】DX化の一歩として予兆AIを導入してみませんか？ お問合わせはこちら 予兆AIはさまざまな業界・業種に応用可能！ スマートファクトリー・スマートメンテナンスなど、ＤＸ化のスモールスタートに最適なシステムです インフラ設備の定期メンテナンスに 生産設備の異常検知に 「移動」が多い環境に 【簡単モデル生成】【早期立上】【高精度検知】DX化の一歩として予兆AIを導入してみませんか？ お問合せはこちら 導入までの流れ ヒアリング 現状についてヒアリングを行い、弊社のソリューションで課題解決できるか確認致します。 要件定義/本契約 カメラの仕様、1日あたりの撮影回数・カメラ台数など運用に必要な条件を確認。その後、見積提出・本契約になります。 システム構築 要件定義に基づきシステム構築を行います。 運用開始 構築したシステムを提供し、お客様にて運用を開始いただきます。安定稼働を目指し、弊社にてアフターサポートを行います。