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

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

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 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

現場の技術継承から、経営の意思決定、そして全社的なリアルタイム監視まで。 ArithmerのAI エージェントが、ビジネスに「思考」と「実行」の新たな次元をもたらします。 私たちは、単なるツールとしてのAIではなく、自律的に考え、人間に寄り添い、 共に課題を解決する「AIエージェント」を開発しました。 現場の些細な疑問に答える専門知識、複雑な要素を整理し最適解を導く論理的思考、 そして組織の好機と危機を逃さない統合的な監視能力。 より速く、より正確な判断を可能にし、貴社の業務効率を劇的に向上させます。 貴社の課題に最適なパートナーを、ぜひご確認ください。 統合監視AIプラットフォーム ALATIS 　アラティス 会社の「今」と「兆し」を毎朝お届け。AIキャスターが全社データを統合監視。 売上、生産、設備アラート……膨大なデータの中に潜む「重要な変化」を見逃していませんか？ ALATISは、社内のあらゆるデータを24時間モニタリング。 良い成果も危険な兆候も、AIニュースキャスターが毎朝分かりやすく配信します。 ニュースの疑問点はその場でAIに質問可能。全社の状況把握と、迅速な初動対応を実現します。 保守点検・作業支援AIエージェント WazaNoa ワザノア 現場の「わからない」をその場で解決。誰もがすぐに即戦力へ。 人手不足や技能の属人化にお悩みではありませんか？ WazaNoaは、音声とスマホ画面で現場作業をナビゲートするAIエージェントです。 ベテランの知見を学習したAIが、ハンズフリーの対話形式でトラブルの原因や対処法を的確に提示。 多言語にも対応し、経験の浅い若手や外国人スタッフの早期戦力化を強力に後押しします。 マルチエージェント意思決定システム Moirai　モイライ 7つの専門AIが自律的に議論。複雑な意思決定を、より速く、多角的に。 重要な経営判断やトラブル究明において、あらゆるリスクを網羅するのは至難の業です。 Moiraiは、財務や安全など異なる専門性を持つ7つのAIが会議、相互検証しながら最適解を導出します。 膨大なデータ収集や検証はAIに任せ、人間は最終的な「判断」に集中。 見落としのない、納得できる結論へと導きます。 目視検査から 「予測インフラ」 へ進化させるビジョンAI。 MIRAXIOM　ミラクシオム 目視検査の限界や、突発的な設備故障にお悩みではありませんか？ MIRAXIOMは、高度な数理モデルとディープラーニングにより、 画像や映像の微細な違いを識別・定量化するシステムです。 異常検知にとどまらず、蓄積データから未来の品質異常や故障の「兆し」を予測してアラート。 製造ラインの検品から鉄道・風力などのインフラ保守まで、 現場の安全と品質管理を劇的にスマート化します。 当社コンサルタントが、課題にあったソリューションを テーラーメイドで提案いたします。 下のボタンからお問い合わせください。 お問い合わせ

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。 ARI = Arithmer / Q = Question + Quest 問いから始め、探究し、現場の仕事へつなぐ名前です。 会話が行動に変わり、 知識が現場を歩き出す。 人の意図を受け取り、状況を確かめ、 承認された仕事を現場でつなぐフィジカルAI。 ● 会話を、安全な実行へ 人の確認・修正・停止権限を中心に ● 座標を、仕事の意味へ 空間と権限、現在の状態を重ねる ● 一台の知能を、チームへ 人の監督のもとで役割をつなぐ News PHPの脆弱性について当社のサービスに影響はありません ニュースリリース 6 分前 ARIQ（AIヒューマノイド）の阿波踊りがテレビで放送されました メディア掲載 7月30日 ARIQ（AIヒューマノイド）の阿波踊りについて新聞に掲載されました メディア掲載 7月30日 ARIQ（AIヒューマノイド）が神楽坂まつりで阿波踊りを披露しました 7月30日 当社代表が数学オリンピック財団の理事に就任いたしました ニュースリリース 7月27日 お知らせ ニュース一覧へ Arithmer News for magazine Arithmer News Lette r （ 8 月 号） 最新の動画ニュースレター プロダクト Products プロダクト いま、 AI は 画面の中で 答える 存在 から、 現実の世界 を見つめ、考え、語り、 自ら動く存在へと進 化しています。 2050年には、世界で約10億体のヒューマノイドが稼働すると言われています。それは、人類の知識と技能が身体を持ち、あらゆる現場で人とともに働き始める、大きな転換です。 MIRAXIOMの目が現場を捉え、ALATISの耳と鼻が変化を感じ、MoirAIの頭脳が専門知を対話させ、WazaNoaの口が知恵を伝える。そしてZa-ARIQの手とHACHICLEの足が、判断を確かな行動へ変えていきます。 これらの知能をARIQがひとつにつなぎ、人が創造、共感、責任ある決断に集中できる時間を生み出します。しかし、すべての仕事に、すべての機能や人の身体が必要とは限りません。貴社の業務や課題に合わせ、必要な知能だけを個別のプロダクトとして、無理なく柔軟に導入し、未来に向けて拡張できます。 私たちがつくるのは、人に代わる未来ではなく、人の力を広げ、技能を次代へつなぐ未来です。見る、感じる、考える、伝える、動く。その知能を、必要な場所から、ひとつずつ。 10億体の先にある新しい社会を、Arithmerは数学とAIの力で、いま現場から創り始めます。詳しくは、各プロダクトのロゴをクリックして、ぜひご覧ください。 プロダクトの資料をお求めの方は下記にメールアドレスをご記入ください。 送信ボタンを押すと、資料のダウンロードページに遷移します。 メールアドレス 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は数学でできている。 画像を理解し、言葉の意味を捉え、未来を予測し、ロボットを動かす。その知能の根幹には、確率、幾何、解析、最適化といった数学があります。Arithmerは、複雑な課題の本質を数学で捉え、現場で働くAIへと変える会社です。 2016年、東京大学大学院数理科学研究科から誕生。創業者の大田は2014年から同研究科で教授として研究と教育に携わり、現在も客員教授を務めています。社内には博士号エンジニアなどが20名以上在籍。最先端の数理研究と、独自のAIエンジンを構築する開発力を結集し、理論を事業の力へと磨き上げています。 企業ごとに、データの質も、設備の特性も、業務の手順も異なります。Arithmerは、お客様とともに課題と制約を整理し、何を認識し、予測し、最適化すべきかを明確にします。目指す成果から逆算し、AIの中核からシステム構成、業務への組み込み方まで設計する。現場の複雑さに向き合えることが、私たちの強みです。 独自性の中心にあるのは、世界の最先端AIを基盤に、その上へ特化型の独自数理AIを重ねる技術です。進化を続ける生成AIやVision AIなどを評価し、用途に適した技術を選択。その認識・理解能力に、企業固有の条件を捉える数理モデルや最適化技術を組み合わせ、知能をつくり込みます。 設計を支えるのが、複雑な現象から本質的な関係を見いだす数学です。課題に応じて重要な変数を絞り、少ない変数で現象を表す効率的な関数を設計することで、精度、計算負荷、運用コストの両立を追求します。先端AIの豊かな能力に、独自数理AIの精密さを重ねる。この融合が、費用対効果に優れ、現場で使い続けられるAIにつながります。 特定の業務・データ・評価条件では、99％以上の精度を確認した事例もあります。導入時にはお 客様と評価指標 を定め、 現場で性能と効果を検証 。 処理速 度、 安定 性、 安全 性、 説明可能 性、既存システムとの連携まで見据えて仕上げます。 画像による検査で、確認作業の負担と品質判断のばらつきを抑える。設備データの解析で、異常の兆候を捉え、早期の対応を支える。予測や最適化で、人員、設備、在庫を有効に生かす。AIの性能を、生産性向上、品質の安定、リスク低減、意思決定の高度化へとつなぎます。 この統合力は、現実世界で判断し、行動するPhysical AIにも広がっています。ヒューマノイドをはじめとする自律型AIロボットには、認識、理解、判断、制御、検証を一体化した知能が必要です。Arithmerは、Vision AI、空間認識、生成AI、数値シミュレーション、最適化、ロボティクスを統合し、知能と身体をつなぎます。 工場の作業支援、物流の搬送、インフラの巡回・点検、医療やサービスの業務支援へ。用途に必要な機能と、人による監督や安全確保の仕組みを設計し、人がより価値の高い仕事に集中できる環境づくりを進めます。 AIの価値は、日々の業務に定着し、成果が積み重なることで確かになります。Arithmerは、課題整理から技術検証、開発、導入、運用改善までを支援。データや業務の変化に対応し、評価結果を次の改善へつなげます。実証で得た可能性を、継続的な事業成果へ育てる。それが、私たちの実装力です。 各業界の大手企業20社以上と資本提携・業務提携を結び、創業以来、100社を超える導入実績を積み重ねてきました。培った技術と経験を基盤に、現在はグローバル展開と上場準備を進めています。 数学からAIを設計し、現場を変え、企業の競争力を高める。未来を予測するだけでなく、未来を動 かす。それが、Arithmerです。 「観測が知性になる。知性が、現場を動かす。」 NOESYRAを、本質を捉える知性を表すNoesis、分散した情報を結ぶSynthesis、判断を成果へ移すRealization／Actionを重ねた名と解釈します。NOESYRA by Arithmerは、見る、読み解く、考える、伝える、動くを一つの循環へ統合し、企業の経験を次の成果を生む知的資産に変えるThe Embodied Enterprise Intelligence Suiteです。 可視化、課題発見、対策比較、実行、効果検証を一続きにし、設定した権限内で自律的に循環。人が介入する局面を明確にし、速さと説明可能性を両立します。 例えば、工場の設備に、微細な変化が現れたとします。MIRAXIOMの「目」は、高精度なビジョンAIで、人が見落としやすい外観の違いや作業の変化を捉え、品質管理と現場観測を支えます。画像と言葉を結ぶVLMなどのマルチモーダルAIを活用し、映像を意味のある記録へ変換。何が、いつ、どこで起きたのかを整理し、画像付きの作業日誌や点検記録、報告書を自動作成します。現場を知るための記録が、日々の仕事の中で自然に積み上がります。 ALATISは、その画像や文書に、IoT、機器、センサー、POS、業務システムから生まれる膨大な数値を重ねます。形式も時間軸も異なる情報を、設備や作業、商品などの意味でつながる統合データベースへ再構築。リアルタイム解析によって、故障や事故、品質低下、需要変動の予兆を探り、アラートと次に取るべき行動を届けます。例えば、外観の変化に温度上昇や振動の増加が重なれば、点検の優先度を引き上げる。複雑な分析結果はニュース動画にもなり、現場と経営が同じ事実を共有できます。 課題が浮かび上がると、MoirAIの「頭脳」が動き始めます。保全、生産、安全、経営などの専門AIが、マルチエージェント会議で原因の仮説と対策を多角的に検討。互いの見落としや矛盾を問い直し、追加の分析が必要ならデータを確かめ、根拠、不確実性、推奨する対応を人へ報告します。「点検を急ぐべきか」「生産計画をどう調整するか」まで判断材料を具体化。人は情報集めや会議準備の負担を減らし、責任ある意思決定に集中できます。 そこで得られた専門知と、熟練者が受け継いできた技能は、WazaNoaが企業固有の知識空間へ整理・蓄積します。作業手順だけでなく、なぜその判断をしたのか、どこに注意すべきかという背景まで残す。足りない知識は関連資料や専門家の確認によって補い、Noaの「口」が、その場の状況に合った知恵を対話で届けます。一度の解決が、次の担当者を支える組織の強みになります。 判断は、画面の中にとどまりません。Za-ARIQの「手」が作業を担い、HACHICLEの「足」が巡回・点検へ向かい、ヒューマノイドARIQが会話、移動、作業を全身でつなぎます。視覚と言語を動作へ結ぶVLA、そしてPhysical AIの技術を生かし、人の監督と安全制御のもと、承認された仕事を実行。人が入りにくい現場や負担の大きい環境でも、機体の適用条件に合わせて、人の判断を確かな行動へ近づけます。 実行後は、結果を再び観測し、効果を評価します。成功も失敗も記録し、検証した知識や改善策を次の判断へ反映。これが、高速な閉ループ型PDCAを支える、評価駆動のデータフライホイールです。回すほど、分析・報告・実行の量と質が向上します。必要な製品から導入し、製造、インフラ、物流、小売、医療・介護、研究へ。NOESYRAは、知性と行動をつなぎ、現場の経験を競争力へ変えます。 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。

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。 About Us Arithmerは、数学で社会課題を解決する会社です 会社概要 Arithmerの会社基本情報や沿革、役員体制などの情報をご紹介します。 ボタン 経営理念 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。 ボタン 代表挨拶 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Future（未来）へとつなげるのか、それを考えるのが私たちの仕事です。 ボタン アクセス Arithmerは本郷本社、名古屋、大阪、徳島に拠点があります。 ボタン 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。さまざまな専門分野をバックグラウンドに持つエンジニアが活躍しています。 ボタン 役員紹介 Arithmerの取締役の体制、監査役の体制、執行役員の体制をご紹介します。 ボタン

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

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。 ARI = Arithmer / Q = Question + Quest 問いから始め、探究し、現場の仕事へつなぐ名前です。 会話が行動に変わり、 知識が現場を歩き出す。 人の意図を受け取り、状況を確かめ、 承認された仕事を現場でつなぐフィジカルAI。 ● 会話を、安全な実行へ 人の確認・修正・停止権限を中心に ● 座標を、仕事の意味へ 空間と権限、現在の状態を重ねる ● 一台の知能を、チームへ 人の監督のもとで役割をつなぐ News PHPの脆弱性について当社のサービスに影響はありません ニュースリリース 6 分前 ARIQ（AIヒューマノイド）の阿波踊りがテレビで放送されました メディア掲載 7月30日 ARIQ（AIヒューマノイド）の阿波踊りについて新聞に掲載されました メディア掲載 7月30日 ARIQ（AIヒューマノイド）が神楽坂まつりで阿波踊りを披露しました 7月30日 当社代表が数学オリンピック財団の理事に就任いたしました ニュースリリース 7月27日 お知らせ ニュース一覧へ Arithmer News for magazine Arithmer News Lette r （ 8 月 号） 最新の動画ニュースレター プロダクト Products プロダクト いま、 AI は 画面の中で 答える 存在 から、 現実の世界 を見つめ、考え、語り、 自ら動く存在へと進 化しています。 2050年には、世界で約10億体のヒューマノイドが稼働すると言われています。それは、人類の知識と技能が身体を持ち、あらゆる現場で人とともに働き始める、大きな転換です。 MIRAXIOMの目が現場を捉え、ALATISの耳と鼻が変化を感じ、MoirAIの頭脳が専門知を対話させ、WazaNoaの口が知恵を伝える。そしてZa-ARIQの手とHACHICLEの足が、判断を確かな行動へ変えていきます。 これらの知能をARIQがひとつにつなぎ、人が創造、共感、責任ある決断に集中できる時間を生み出します。しかし、すべての仕事に、すべての機能や人の身体が必要とは限りません。貴社の業務や課題に合わせ、必要な知能だけを個別のプロダクトとして、無理なく柔軟に導入し、未来に向けて拡張できます。 私たちがつくるのは、人に代わる未来ではなく、人の力を広げ、技能を次代へつなぐ未来です。見る、感じる、考える、伝える、動く。その知能を、必要な場所から、ひとつずつ。 10億体の先にある新しい社会を、Arithmerは数学とAIの力で、いま現場から創り始めます。詳しくは、各プロダクトのロゴをクリックして、ぜひご覧ください。 プロダクトの資料をお求めの方は下記にメールアドレスをご記入ください。 送信ボタンを押すと、資料のダウンロードページに遷移します。 メールアドレス 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は数学でできている。 画像を理解し、言葉の意味を捉え、未来を予測し、ロボットを動かす。その知能の根幹には、確率、幾何、解析、最適化といった数学があります。Arithmerは、複雑な課題の本質を数学で捉え、現場で働くAIへと変える会社です。 2016年、東京大学大学院数理科学研究科から誕生。創業者の大田は2014年から同研究科で教授として研究と教育に携わり、現在も客員教授を務めています。社内には博士号エンジニアなどが20名以上在籍。最先端の数理研究と、独自のAIエンジンを構築する開発力を結集し、理論を事業の力へと磨き上げています。 企業ごとに、データの質も、設備の特性も、業務の手順も異なります。Arithmerは、お客様とともに課題と制約を整理し、何を認識し、予測し、最適化すべきかを明確にします。目指す成果から逆算し、AIの中核からシステム構成、業務への組み込み方まで設計する。現場の複雑さに向き合えることが、私たちの強みです。 独自性の中心にあるのは、世界の最先端AIを基盤に、その上へ特化型の独自数理AIを重ねる技術です。進化を続ける生成AIやVision AIなどを評価し、用途に適した技術を選択。その認識・理解能力に、企業固有の条件を捉える数理モデルや最適化技術を組み合わせ、知能をつくり込みます。 設計を支えるのが、複雑な現象から本質的な関係を見いだす数学です。課題に応じて重要な変数を絞り、少ない変数で現象を表す効率的な関数を設計することで、精度、計算負荷、運用コストの両立を追求します。先端AIの豊かな能力に、独自数理AIの精密さを重ねる。この融合が、費用対効果に優れ、現場で使い続けられるAIにつながります。 特定の業務・データ・評価条件では、99％以上の精度を確認した事例もあります。導入時にはお 客様と評価指標 を定め、 現場で性能と効果を検証 。 処理速 度、 安定 性、 安全 性、 説明可能 性、既存システムとの連携まで見据えて仕上げます。 画像による検査で、確認作業の負担と品質判断のばらつきを抑える。設備データの解析で、異常の兆候を捉え、早期の対応を支える。予測や最適化で、人員、設備、在庫を有効に生かす。AIの性能を、生産性向上、品質の安定、リスク低減、意思決定の高度化へとつなぎます。 この統合力は、現実世界で判断し、行動するPhysical AIにも広がっています。ヒューマノイドをはじめとする自律型AIロボットには、認識、理解、判断、制御、検証を一体化した知能が必要です。Arithmerは、Vision AI、空間認識、生成AI、数値シミュレーション、最適化、ロボティクスを統合し、知能と身体をつなぎます。 工場の作業支援、物流の搬送、インフラの巡回・点検、医療やサービスの業務支援へ。用途に必要な機能と、人による監督や安全確保の仕組みを設計し、人がより価値の高い仕事に集中できる環境づくりを進めます。 AIの価値は、日々の業務に定着し、成果が積み重なることで確かになります。Arithmerは、課題整理から技術検証、開発、導入、運用改善までを支援。データや業務の変化に対応し、評価結果を次の改善へつなげます。実証で得た可能性を、継続的な事業成果へ育てる。それが、私たちの実装力です。 各業界の大手企業20社以上と資本提携・業務提携を結び、創業以来、100社を超える導入実績を積み重ねてきました。培った技術と経験を基盤に、現在はグローバル展開と上場準備を進めています。 数学からAIを設計し、現場を変え、企業の競争力を高める。未来を予測するだけでなく、未来を動 かす。それが、Arithmerです。 「観測が知性になる。知性が、現場を動かす。」 NOESYRAを、本質を捉える知性を表すNoesis、分散した情報を結ぶSynthesis、判断を成果へ移すRealization／Actionを重ねた名と解釈します。NOESYRA by Arithmerは、見る、読み解く、考える、伝える、動くを一つの循環へ統合し、企業の経験を次の成果を生む知的資産に変えるThe Embodied Enterprise Intelligence Suiteです。 可視化、課題発見、対策比較、実行、効果検証を一続きにし、設定した権限内で自律的に循環。人が介入する局面を明確にし、速さと説明可能性を両立します。 例えば、工場の設備に、微細な変化が現れたとします。MIRAXIOMの「目」は、高精度なビジョンAIで、人が見落としやすい外観の違いや作業の変化を捉え、品質管理と現場観測を支えます。画像と言葉を結ぶVLMなどのマルチモーダルAIを活用し、映像を意味のある記録へ変換。何が、いつ、どこで起きたのかを整理し、画像付きの作業日誌や点検記録、報告書を自動作成します。現場を知るための記録が、日々の仕事の中で自然に積み上がります。 ALATISは、その画像や文書に、IoT、機器、センサー、POS、業務システムから生まれる膨大な数値を重ねます。形式も時間軸も異なる情報を、設備や作業、商品などの意味でつながる統合データベースへ再構築。リアルタイム解析によって、故障や事故、品質低下、需要変動の予兆を探り、アラートと次に取るべき行動を届けます。例えば、外観の変化に温度上昇や振動の増加が重なれば、点検の優先度を引き上げる。複雑な分析結果はニュース動画にもなり、現場と経営が同じ事実を共有できます。 課題が浮かび上がると、MoirAIの「頭脳」が動き始めます。保全、生産、安全、経営などの専門AIが、マルチエージェント会議で原因の仮説と対策を多角的に検討。互いの見落としや矛盾を問い直し、追加の分析が必要ならデータを確かめ、根拠、不確実性、推奨する対応を人へ報告します。「点検を急ぐべきか」「生産計画をどう調整するか」まで判断材料を具体化。人は情報集めや会議準備の負担を減らし、責任ある意思決定に集中できます。 そこで得られた専門知と、熟練者が受け継いできた技能は、WazaNoaが企業固有の知識空間へ整理・蓄積します。作業手順だけでなく、なぜその判断をしたのか、どこに注意すべきかという背景まで残す。足りない知識は関連資料や専門家の確認によって補い、Noaの「口」が、その場の状況に合った知恵を対話で届けます。一度の解決が、次の担当者を支える組織の強みになります。 判断は、画面の中にとどまりません。Za-ARIQの「手」が作業を担い、HACHICLEの「足」が巡回・点検へ向かい、ヒューマノイドARIQが会話、移動、作業を全身でつなぎます。視覚と言語を動作へ結ぶVLA、そしてPhysical AIの技術を生かし、人の監督と安全制御のもと、承認された仕事を実行。人が入りにくい現場や負担の大きい環境でも、機体の適用条件に合わせて、人の判断を確かな行動へ近づけます。 実行後は、結果を再び観測し、効果を評価します。成功も失敗も記録し、検証した知識や改善策を次の判断へ反映。これが、高速な閉ループ型PDCAを支える、評価駆動のデータフライホイールです。回すほど、分析・報告・実行の量と質が向上します。必要な製品から導入し、製造、インフラ、物流、小売、医療・介護、研究へ。NOESYRAは、知性と行動をつなぎ、現場の経験を競争力へ変えます。 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。

Arithmer株式会社の役員のご紹介　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 Leadership 役員紹介 数学で社会課題を解決する 代表取締役社長 兼 CEO 大田　佳 宏 ≫代表挨拶はこ ちら 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） 取締役 常務執行役員 兼 CFO 経営管理本部長 乾 隆一 Arithmer株式会社 取締役 常務執行役員 兼 CFO 経営管理本部長 社外取締役 取締役（社外） アライドアーキテクツ㈱取締役ファウンダー 中村 壮秀 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） 岩田 彰一郎 監査役 社外監査役 高岡　彰治 監査役 落合　孝文 アドバイザー 坪井　俊 東京大学大学院 数理科学研究科 名誉教授 武蔵野大学 工学部数理工学科 特任教授 元・社団法人日本数学会 理事長 米村　敏朗 第87代警視総監 第17・18代内閣危機管理監 東京オリンピック・パラリンピック競技大会組織委員会CSO 丸尾　浩一 株式会社Major7th 代表取締役社長 元・大和証券株式会社 専務取締役 下別府　俊也 三井住友信託銀行株式会社　元専務執行役員 執行役員・フェロー 常務執行役員 乾　　隆一 フェロー 有田　親史 フェロー 平田　朋義

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

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