Search

数学で社会課題を解決し、世界に希望を　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 Philosophy 経営理念 Mission 数学で社会課題を解決する Arithmetics focus on Social Challenges Vision 最先端数学とAIで、お客様と社会の持続的成長を加速するグローバルイノベーターへ To become a global innovator that accelerates the sustainable growth of our customers and society through cutting-edge mathematics and AI Value Customer Growth First 顧客価値を最大化する Always Frontier 世界最先端の数学・AI 技術を最速で実装し続ける Math for Better Society 公益性と長期視点で意思決定する

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 画像検知AIについて新聞に記事が掲載されました 理系キャリア支援サイト「リケラボ」に掲載されました 日本経済新聞「科学の扉」に当社代表大田のコメントが掲載されました メディア掲載一覧へ

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

本人確認書類OCRシステムは様々なプラットフォーム対応はもちろん、高速かつ確実な「本人確認」の実現をサポートします。Arithmer OCR手書き読み取り技術により、免許証裏面や在留許可証の住所変更にも対応しています。 日本電気株式会社様 × Arithmer NECとArithmerの協業で マイナンバー認証サービスの推進とeKYC課題の解決へ × マイナンバー認証の重要性がますます高まる中、NECとArithmerは協力して、マイナンバー認証サービスの推進とeKYCにおける課題解決に向けて取り組んでいます。 従来の課題 従来の本人確認書類OCRは、撮影条件による制約や文字認識精度の低さから、導入後、期待していたほど人による確認作業の手間が減らないという不満がありました。 また、最近では個人情報の流出を防止する仕組みも求められています。 NECの顔照合技術とArithmerのOCR技術により、 窓口の煩雑な業務を大幅に軽減 利便性の向上が期待されるマイナンバーカードの使用に対し、行政機関におけるマイナンバーの制度活用と企業の制度対応に高い専門性を発揮するNECと協業し、AI・ICTなどの技術応用に力を注ぐ取り組みを進めました。 【ArithmerOCRの特長】 DeepLearningを活用した画像認識技術 ArithmerOCRは、DeepLearningを活用した高精度な画像認識技術を用いて照合番号B（14桁：券面に記載された生年月日6桁＋有効期限西暦部分4桁＋セキュリティコード4桁）を読み取り、入力ミスによるICカードロックを防止、窓口混雑の軽減に貢献します。 安全性の向上 一般的なOCRは、外部サーバーへ券面画像を送信して処理を行います。 ArithmerOCRでは、スマートフォン内で処理を完結するため、券面画像を外部へ送信することなく（※）個人情報を保護します。 【顔照合技術とDigital KYCの連携】 NECの顔照合技術とDigital KYCとの連携により、スマートフォン内で顔写真の対比を行い、前述同様に本人確認書類画像の外部送信を不要（※）とすることでセキュリティリスクを低減します。 ※認証後は確証としてサーバーに送る必要があります。 ArithmerOCR 技術紹介 【さまざまなプラットフォームに対応】 ArithmerOCRは、さまざまなプラットフォームで利用可能であり、高速かつ確実な「本人確認」をサポートします。 スマホライブラリーの例 撮影 Input 本人確認書類 運転免許証/マイナンバーカード 在留カード/パスポート 独自のモデル量子化技術により スマホ内で処理を完結 Output テキストデータ 名前：XXX 住所：YYY 番号：ZZZ データ 本人情報データ ベースクラウドor オンプレサーバ WebAPIの例 Input 画像入力 画像アップロード Output 結果表示 名前：XXX 住所：YYY 番号：ZZZ 結果出力 サービス提供会社 前処理 ArithmerOCR リクエスト 後処理 画像のOCR リクエスト OCR結果返却 大規模ネットワークによる推論 API ArithmerのAI OCRは特許を取得しています 特許6590355 手書きOCRの学習モデル生成装置 特許6804074 顧客先内部学習プログラム 特許6820578 活字文字列認識装置 特許6896260 レイアウト解析装置 特許7086361 帳票情報生成装置 以下は特許出願中です 特願2020-551133 帳票レイアウト解析装置 特願2021-575740 活字文字認識装置 特願2020-119790 文字列認識装置 特願2020-146682 全般技術 特願2020-181945 初期データ登録 プロジェクト一覧へ ソリューションのお問合せはこちら

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 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 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。 お問い合わせは下記にご記入ください。 オプションを選択 * サービス詳細のお問い合わせ 採用について その他（詳細は下記にお願いします） 採用ページはこちら 会社名 メールアドレス 氏名 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

AI Agent Column 5 2025.1.30 AI Agent導入の一例 これまでAI Agentの特徴やできることについて解説してきましたが、実際にそれを活用できるようになるまでのイメージがまだ付いていないという方もいらっしゃるかもしれません。そこで今回は、ある会社様に物品輸送を最適化するシステムを導入した時の経験談を書きたいと思います。 その会社様は当時、ある部門が抱える大きな業務において属人的な作業が多く、効率化が求められていました。 その効率化が求められていた業務を簡単に説明すると以下のような流れです： ①集められた情報の精査（不備の確認など） ②条件に基づく交渉 ③複数の選択肢から 「最適な」サービスを選定 最初にこの課題について相談を受けた時点では、その会社様もArithmerも具体的にどのようなデータを入力し、どのような結果を出力するシステムが必要なのか、あるべき姿をまだ掴めていない状況でした。 そこで、まずはコンサルティング的なアプローチで、データの活用方法について先方と議論することからプロジェクトをスタートしました。過去のデータをお借りし、数理的な分析を行うことで、業務の中で暗黙知となっていた重要なポイントを明確化しました。このプロセスは、AIエージェントの文脈で言うと、RAGに必要なデータを選別し、効果的に活用するための基盤を整備する作業です。 次にシステム開発を進めるにあたり、対象とする機能の範囲を絞ることが重要となります。今回のケースでは、上記①〜③に対応する機能のスコープを次のように設定しました。 ①初期段階のデータ精査をシステムで自動化 ②交渉については自動化はせず、交渉のための材料を提供する機能を設ける ③最終的な意思決定は人が行うが、その支援のためにシステムが「レコメンド」をする ここで「レコメンド」とは、入力されたデータを総合的に分析し、その結果をもとに選択肢を比較することを指します。条件が理想的に揃っている場合（例えば、コストが低く、スピードが早く、安全性が高いなど）を最適な選択肢とし、それとは対極の条件を低評価とします。各選択肢には多くの数値データやテキストデータが含まれています。このため、複数の選択肢を分析・比較する際の情報量は非常に膨大になります。従ってこのプロジェクトの中核は、この膨大な情報をいかに効率的に処理し、適切な評価を行う仕組みを実現するかという点でした。 案件ごとにモデルを柔軟に構築・調整できることは、Arithmerの大きな強みです。今回のケースでは、出力されるレコメンドに説明可能性が求められたため、確率論的（Stochastic）なアプローチではなく、決定論的（Deterministic）なモデルを採用しました。これにより、各条件がバランスよく反映されるパラメータ設定を行い、実用性の高いシステムを提供することができました（もちろん、他の案件では確率論的手法や両者を組み合わせたハイブリッドアルゴリズムが有効となる場合もあります）。 現在、このシステムは会社様に継続的にご利用いただいており、大変嬉しい限りです。また、近年のAI技術の進歩により、当初は人が担っていた交渉業務の自動化も実現可能な段階に近づいています。私たちとしても、このシステムのさらなる発展が非常に楽しみであり、引き続き改良を重ねていきたいと考えています。 ―――― 次回は、これから AI Agent の導入を検討しようという方々に向けて、検討すべきことやそのステップについて整理し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

高度数学のビジネス活用を目指し、様々な分野でイノベーションの実現を推進しています。 形式科学である数学、自然科学である物理学など、様々な分野の研究者がシナジーを生み出し、 それらを活用したプロジェクトが同時進行しており、その適応領域は拡大しています。 Projects ArithmerではAI・IT技術でさまざまな社会課題を解決しています 高度数学のビジネス活用を目指し、さまざまな分野でイノベーションの実現を推進しています。 形式科学である数学、自然科学である物理学など、さまざまな分野の研究者がシナジーを生み出し、 それらを活用したプロジェクトが同時進行しており、その適応領域は拡大しています。 株式会社コナカ様 店頭と同様に洋服選びの楽しみを 世界初、「完全パーソナライズド AIレコメンデーション」 三井住友海上火災保険株式会社様 浸水シミュレーションにより保険金支払いのリードタイムを最大1/5に短縮可能 株式会社デンソーウェーブ様 デンソー様の人協働ロボットCOBOTTA®とコラボレーションし、塗抹法細菌培養を自動化 徳島大正銀行様 地方銀行様が保有しているビックデータを有効活用した、経営課題AI支援システムを導入 株式会社コナカ様 スマホを使用した高精度3次元採寸アプリにより、オーダースーツの売上が7倍に 日本電気株式会社様 NECとArithmerの協業でマイナンバー認証サービスの推進に貢献。「なりすまし」を防止 三井住友海上火災保険株式会社様 画像解析により損傷箇所を算出し30日かかっていた保険金支払額の確定の日数を約3日間に短縮 大手製薬会社様 神の手と呼ばれる製薬会社の技術者の熟練した動作をロボットにて再現。職人の技を実装 日本気象協会様 AI技術を活用し道路の管理業務を効率・高度化へ貢献。台風や低気圧による越波の自動巡回・監視 お問い合わせはこちら

Arithmer（アリスマー）株式会社は、数学で社会課題を解決することをミッションとし、顧客とパートナーのDX化に寄り添うAI開発会社です。AIエージェント、浸水AI、予兆AIなどさまざまなソリューションを提供します。 News 画像検知AIについて新聞に記事が掲載されました メディア掲載 6月4日 理系キャリア支援サイト「リケラボ」に掲載されました メディア掲載 5月22日 アットホーム株式会社と「不適切画像検出・加工AI(洗濯物)」を共同開発しました ニュースリリース 4月14日 日本経済新聞「科学の扉」に当社代表大田のコメントが掲載されました メディア掲載 4月7日 東京大学とネーミングプランについての協定を締結しました ニュースリリース 4月1日 お知らせ ニュース一覧へ Arithmer News for magazine Arithmer News Letter (6月号) 最新の動画ニュースレター 事業内容 Solutions フィジカルAI ボタン AIエージェント ボタン 製造AI ボタン インフラAI ボタン リテールAI ボタン 風力AI ボタン 物流AI ボタン ボタン バイオAI ボタン 浸水AI ボタン 主な取引先 ※正式にロゴ掲載許可をいただいたお取引先様のみアルファベット順に掲載しております。