Search

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。 運転AI Drive Support AI 運転支援や空間把握、モニタリングなど、動画解析を日常生活の基盤に 車と人の安心・安全をサポートします。車載カメラ映像の解析による注意喚起や、スマートフォンアプリによるリアルタイムアラートなど、目的や環境に応じたシステムを利用できます。 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 交通事故（人身事故）発生時の 社会的影響 熟練ドライバーの不足 運転AIはそんなあなたの課題 を解決します 運 転AIの特長 動画解析技術を用いて 危険状態を検知する 車体に取り付けたカメラで車両周辺を監視車両側面や後方を監視し、障害物を検知すると注意を喚起します。 必要最小限のカメラだけで 車体の移動軌跡を測定し 障害物等への接触リスクを判定 カメラの設置台数を最小限にすることでコストの増加を抑え、AI画像解析により車両と人などとの接触リスクを低減します。 若手ドライバーでも安心・安全に運行が可能 危険を察知したらアラートを発信するため、運転経験が少ないドライバーでも安心して運行することができます。 ※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 AIシステム 自動運転システムとの組み合わせ OUTPUT 異常箇所の通知 安全運転支援システム 飛び出しや巻き込みが起きやすい場所をAIで学習し、事故を抑止します。また、車間距離を感知し、未然に追突事故を抑止します。 INPUT ドライブレコーダーの撮影データ AIシステム 車や二輪車、人、 信号、標識などを 検知 独自のデータを 元にした危険 箇所 の特定 OUTPUT ドライバーへの注意喚起 危険箇所の事前通知 ※画像はイメージです ※画像はイメージです 農業における自動運転開発 農業における人手不足問題を解消し、高い生産性を実現します。 INPUT 準天候衛星シス テム「みちびき」 による現在地の 特定 AIシステム あらかじめ 作成 された 地図デー タ から最適 ルー トを生成 OUTPUT 倉庫から田畑へ 移動 植え付け／収穫 の自動化 導入事例 ※画像はイメージです 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トヨタ自動車と共同で出願 より詳しく 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。 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、お気軽にお問合せください お問い合わせ

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

AI Agent Column 3 2025.1.14 AI Agentで何ができるのか？ 明けましておめでとうございます。今年も昨年に続いてAI Agentの年になりそうですね！ 昨年末のAI Agentコラムの第1回ではAI Agentとは何か、第2回ではなぜいま注目されるのかを紹介しました。そしてこの第3回では、AI Agentに実際に何ができるのか具体的に見ていきたいと思います。 ―――― 代表的な用途 前回のコラムで触れたように、AI Agentは技術の進化や環境の整備、ビジネスの期待のが高まりなどを背景に、様々な領域で活用が進められています。以下に、代表的な用途をいくつかご紹介します。 カスタマーサポート： AI Agentは、カスタマーサポート業務の自動化で顕著な成果を上げています。具体的には、顧客からの技術的な問題や製品の不具合に関する問い合わせに対し、AI Agentが自律的に対応し、問題の特定、解決策の提示、さらには必要に応じて専門スタッフへの切り分け、引継ぎなども行います。 事務作業： 定型的な事務作業を自動化し、業務効率を高めます。例えば、会議の日程調整や終了後の議事録作成を自動で行います。またメール対応も、これまでのやり取りの経緯や、先方の送付資料を要約し、回答案を生成することができます。日常的なタスクをAI Agentが代行することで、従業員がよりクリエイティブな仕事に集中することができます。 データ分析： AI Agentはデータ分析でも利用されています。例えば、マーケティング担当者が『今期売上が最も伸びた商品は何か？』と尋ねると、売上データを解析し商品別成長率を示します。続けて『その商品の売上が伸びた地域は？』と尋ねると、その商品の地域別成長率を示します。こうした対話的なプロセスで、ユーザーの意思決定を支援します。 ソフトウェア開発： AI Agentは、ソフトウェア開発においてコード生成やデバッグ支援、タスクの自動化などに利用されています。例えば、開発者が必要な機能を説明すると、それを基にサンプルコードを生成し、エラーが発生した場合にはエラーメッセージから修正案を提示することができます。また、テストケースの生成や実行の自動化を通じて、品質向上にも貢献しています。 マーケティングコンテンツ作成： SNS投稿やキャンペーン資料の作成を支援します。例えば、新商品の特長を入力すると、それを基にキャッチコピーや投稿文を生成します。また、ターゲット層の説明をもとにその層に訴求するデザイン案や画像の生成も可能です。これにより、マーケティング業務の負担を軽減し、かつ、迅速かつ効果的な施策を実行することができます。 教育： AI Agentはまた、教育分野における個別最適化学習にも使われています。例えば、学習者の進捗を分析し、苦手分野を特定して適切な練習問題を提案します。また、教員向けにはテスト採点や出席管理といった事務作業を自動化し、教育活動に集中できる環境を提供します。 バリエーション豊かなAI Agent このように、AI Agentとひとことで言っても、その役割や適用範囲は非常に幅広いものです。人間の意思決定や創造性を支援することに重きを置くものもあれば、人間の負担を減らすために自動実行に重きを置くものもあります。また、特定の業務に特化したAgentもあれば、幅広い分野で活用できる汎用型のAgentも存在します。 先に挙げた用途の例は、以下のように整理するとわかりやすいでしょう。 このように、AI Agentはさまざまな用途で活用が進んでいます。さらに、AI Agent自身の柔軟性の高さや、多様な試みが世界中で行われていることから、今後ますます広い領域に適用されていくことでしょう。 ―――― 今回はAI Agentの代表的な用途と、その幅広さについてご紹介しました。一方で、AI Agentはまだ万能ではありません。次回の第4回では、AI Agentを実際の業務に適用する際の難しさについてお話ししたいと思います。 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 デザイナー Y.K. 広告会社などでAD・デザイナーとして勤務。飲料から家電まで多くの業界でセールスプロモーションに携わってきた。2024年8月 Arithmer に入社。セールスに関わるデザイン業務、グラフィックから動画編集、画像・動画生成などを担当。 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 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

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 徳島新聞新春トップインタビューに弊社代表の記事が掲載されました。 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 メディア掲載一覧へ

AI Agent Column 2 2024.12.26 なぜいま、注目されるのか？ AI Agentコラムの第1回ではAI Agentというコンセプトそのものをご紹介しました。第2回の本稿では、そのAI Agentがなぜいま、これほど注目を集めているのか、その要因を掘り下げてみたいと思います。 ―――― ３つの要因 前回整理した通り、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、従来の技術とは一線を画する存在です。では、このAI Agentがなぜいま、これほど注目を集めているのでしょうか？ その背景には、次の3つの要因が挙げられます。 1. 技術のブレークスルー AI Agentが注目を高めた最大の要因は、大規模言語モデル (LLM) の飛躍的な進化です。 特に2022年11月にリリースされたGPT-3.5は、対話型アプリのChatGPTと共に普及し、LLMの可能性を人々に知らしめました。さらに2023年3月のGPT-4の登場により、LLMは単にテキストや情報を生成するだけでなく、タスクを理解し、自律的に遂行する「思考力」に近いものを獲得していることが明らかになりました。 例えば、GPT-4は旅行の計画を立てる際に、フライト、宿、食事の手配が必要であることなどを理解して、それぞれのタスクに分解することができます。 従来のAIは事前にルールを与えられた範囲でしか動けませんでしたが、LLMは自然言語での指示を受け、状況に応じた判断を柔軟に行えるようになったのです。これが、AIが「行動する」存在へと進化するブレークスルーとなりました。 2. 環境の整備 次に、このブレークスルーをビジネス活用へとつなげる研究開発の「環境」が整備されたことが挙げられます。 OpenAIなどによるLLM APIの公開や、AWS、Azure、GCPといったクラウドインフラの普及により、個人や企業がAI技術を手軽に利用し、試行錯誤を重ねることが可能になりました。また、LangChainやAuto-GPTといったフレームワークの登場により、LLMと他のツールやシステムを組み合わせたAI Agentのプロトタイプを簡単に構築できるようになってきています。これらの環境・エコシステムの普及が、研究者や開発者の創意工夫を後押しし、AI Agentの実用化を加速させています。 3. ビジネスの期待の高まり 技術と環境が整ったことで、ビジネスの現場でもAI Agentへの期待が急速に高まりました。多くの企業が導入に向けた具体的な検討や計画に着手し、またMicrosoftやSalesforceといった大手テクノロジーベンダーも相次いでAI Agent関連の新機能やサービスを発表しています。これらの動きにより、AI Agentを「未来の技術」から「現実のビジネスチャンス」へと変わり、さらに多くの注目を集めるきっかけとなりました。 これらの要因が重なり、AI Agentは今、生成AIを超える「次なる革新」として注目を集めています。かつてインターネットやスマートフォンが世界を変えたように、AI Agentも私たちの働き方や日常に劇的な変化をもたらすものとなるでしょう。 ―――― 次回の第3回では、実際のところAI Agentで一体何ができるのかを整理してみたいと思います。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

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。 Solutiuons 事業内容 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

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 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