Search

倉庫での業務やピッキング業務の効率化、配送ルートの最適化など、”2024年問題”を抱える物流業界の課題について、AIを用いて解決します。 Logistics AI “2024年問題”など、物流業界の諸問題をAIのチカラで解決します ピッキング業務の効率化や配送ルートの最適化などの物流AIソリューションを用いて、物流業界の抱えるさまざまな課題を解決します。 2024年問題とは、働き方改革関連法によって、2024年4月1日以降に自動車運転業務の年間労働時間外労働時間（残業時間）の上限が960時間に制限されることによって発生する問題の総称。 お問い合わせはこちら 物流AI こんなお悩みありませんか？ 配送ルートを決定する作業が 属人化してしまっている 配送担当者の毎月のシフト管理に 多くの工数が割かれる 思うように従業員が雇えず、 常に人員不足が続いている 物流AIはそんなあなたの課題を解決します 物流AIの特長 最適な配送ルート計算・作成の 業務の属人化を解消 長年の経験や土地勘が必要だった、ルート作成をAIで。あらゆる制約条件を考慮した上で自動的に最適な配送ルートを提案します。 シフト・人員配置の最適化による 労力の削減 運搬の際の勤務シフト作成・人員配置など、管理者が膨大な時間と労力をかけて実施している作業を肩代わりします。 3Dカメラで特徴を抽出し ロボットでマスターレスピッキング AI画像認識と3D点群処理を用いてキャッチするポイントを正確かつ迅速に伝えることで、さまざまなサイズの商品をマスター登録せずにピッキングします。 ※画像はイメージです 配送ルートの最適化 過去の数値と照らし合わせ各種数値を総合的に解析し、さまざまなビックデータから最適なルートを導き出します。これまで属人化されていたルート作成から解放されます。 INPUT ルート情報 SNSなどの外部情報 AIシステム ビッグデータ解析 OUTPUT 最適配送ルート 最適配送スケジュール 商品自動ピッキングによる 業務効率化 宅配ニーズの高まりを受け、1つのロボットを用いて複数品種の商品の処理を行えるようにすることで、少人数、低コストで大量の注文に対応します。 INPUT 3Dカメラで商品を撮像 AIシステム AI画像認識 3D点群処理 OUTPUT 制御装置に出力 ※画像はイメージです 導入事例 ※画像はイメージです 豊田通商株式会社様 豊田通商株式会社様とArithmerが共同でAIを活用した船会社選定サポートシステムを特許出願 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

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

Arithmer（アリスマー）が提供するヒューマノイド、ドッグ、アーム＆ハンド、インスペクションの4種のフィジカルAIを紹介します。 Robot-as-a-Service (RaaS) From Hardware to Operations ハードの販売から稼働の販売へ 「言葉」を理解し、「身体」で応える。 ArithmerのフィジカルAIが、ビジネス現場に新たな労働力をもたらします。 人間の意図や状況を察知する高度な「認知能力」と、物理的に作用する「身体」の融合が、 深刻化する人手不足や業務効率化の課題を根本から解決します。 人と対話し、手を動かし、空間を見守る。それは単なる自動化ツールではなく、 人間に寄り添い、共に働く「自律型スタッフ」です。 オフィス、商業施設、工場、物流まで、リアルなビジネスの最前線で即戦力として活躍します。 テクノロジーをリアルの世界へ解放し、労働のあり方を次のステージへ。 貴社の現場に変革をもたらすソリューションの全貌を、ぜひスクロールしてご確認ください。 ARIQ Concierge（アリック・コンシェルジュ） 話すだけでなく、手で応える。現場で活躍するAIヒューマノイド。 受付や案内といった「対話」の領域にとどまらず、 五本指ハンドを駆使して物を受け渡すなどの物理的なサポートまでこなす新時代のスタッフです。 最先端のVLA（Vision-Language-Action）技術により、周囲の状況を自律的に理解し、安全に行動。 ショールームやオフィス、イベント会場など、上質なおもてなしと確かな実務力が求められる現場で、 人手不足を解消する即戦力として機能します。 HACHICLE（ハチクル） 話せる、運べる、見守れる。縦横無尽に駆け巡る犬型AIエージェント。 単なる巡回ロボットの枠を超え、人と高度なコミュニケーションが取れる画期的なパートナーです。 優れた走破性で階段や悪路をクリアし、昼は施設案内や物資の運搬、夜は警備巡回や設備点検、 メーター読み取りなど、1台で何役もの業務を自律的にこなします。 人が入りにくい環境の監視から、親しみやすい顧客対応まで、24時間体制で現場を支えます。 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

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

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、結果が出るまで数カ月を要します。シミュレーション✕AIで解析を高速化し、水災リスク低減の一助となります。 浸水AI Flood Risk Assessment AI 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 お問い合わせはこちら こんなお悩みありませんか？ シミュレーションを扱える人が 属人化している 専門知識やシミュレーションの取り扱い、結果の解釈など様々な知識が必要で、シミュレーションを実施できる人材が属人化していませんか？ シミュレーションの 計算コストが高い シミュレーションを実施する際には多くのパラメーターを入力することがあります。そのため、計算コストをかけておりませんか？ 大量のデータ シミュレーションが必要 シミュレーション結果を得るために大量のデータ、大量の試行回数が必要になっており、結果出力まで膨大な時間を要していませんか？ これらの課題は浸水AIで解決できます 浸水AIの特長 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。 AI×シミュレーションで 計算コストの大幅削減 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。 少ないデータ、 試行回数で解析を実現 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。 浸水被害予測・推定。その他、ガス拡散元同定 / 炭素排出量の見える化など数少ないデータでもさまざまなインフラのシミュレーションに活用できます。 少ないインプットデータ/ パラメータ で結果を得ることが可能 従来とは異なる高度数学を用いた手法を採用しているため、解析時間の高速化を実現 インプットデータがあれば、発生前に予測を行うことが可能 ※画像はイメージです 河川氾濫前の浸水高予測 河川氾濫の発生前に、気象データなどから〇時間後に河川氾濫が起こる可能性を予測し、防災・減災にお役立ていただいております。 INPUT ・気象データ ・観測データ ・地形データ 水害前 浸水高予測 AIシステム OUTPUT 指定された地域の ・浸水高情報 ・浸水エリア情報 河川氾濫後の浸水被害推定 河川氾濫発生後の水害状況を把握し、保険金支払いの迅速化などにお役立ていただけます。シミュレーションイメージはこちら （熊本県人吉市球磨川の氾濫活用事例） INPUT ・実測された浸水高情報地形データ 水害後 浸水高予測AIシステム OUTPUT 指定された地域の ・浸水高情報 ・浸水エリア情報 ※画像はイメージです ※画像はイメージです 炭素排出量の見える化 計算コストが高かったシミュレーション負荷を高度数学を用いて軽減し、炭素排出量を計測します。 INPUT ・地図情報 ・環境情報 ・気象情報 ・電力消費情報 AIシステム 高度数学を用いた炭素排出量算出アルゴリズム OUTPUT 指定された地域の炭素排出量の可視化 導入事例 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短縮可能に より詳しく ※画像はイメージです 株式会社エヌ・ティ・ティ・データ様 別府市とNTTデータのまちづくり推進のための連携協定締結においてAIシミュレーション技術を提供 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、お気軽にお問い合わせください。 お問い合わせはこちら

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 常勤監査役 星野　義雄 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 執行役員 森　　雅巳 フェロー 有田　親史 フェロー 平田　朋義

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 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

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

Arihtmer独自の技術の最適化レコメンドで顧客属性データ・購買データなど数万のデータから完全パーソナライズされたファッションを提案。バーチャルフィッティング機能でサイズ感や着用イメージをビジュアル化し顧客満足向上へ。 ファッションレコメンド / バーチャルフィッティング 最適化レコメンドとバーチャルフィッティングで、 最適化レコメンドで顧客属性データ・購買データなど数万のデータから完全パーソナライズされたファッションを提案。バーチャルフィッティング機能でサイズ感や着用イメージをビジュアル化し顧客満足向上、競合との差別化へ。 ユーザー1人ひとりに寄り添ったコンシェルジュ型ECサイトを お問い合わせはこちら こんなお悩みありませんか? 実店舗に来店した時のように、 ショッピングの楽しさや体験を ECサイトで提供することが難しい… ECサイトではユーザーの ニーズを組み取ったコーディネイトのアドバイス、接客がおこなえない… ECサイトの課題であるサイズ感や試着感、生地感を提供することは 困難で、返品が多い… ファッションレコメンド・バーチャルフィッティングで 課題を解決できます ユーザーに新しいショッピング体験・楽しさを提供可能 実店舗ではある「お買い物の楽しさ」をファッションレコメンドでECサイトで提供できます。新感覚のユーザー体験として他社とのECサイトとの差別化が可能です。 数万のデータからユーザーの ニーズ合った商品をレコメンド 購買／来店履歴などを元にユーザーの趣味趣向をAIが学習し、店頭の販売員しかできなかったコーディネイトを、アプリ上で実現。パーソナライズされたファッションを提供する事で購買点数、購買単価アップが可能です。 着せ替えでサイズ感や試着 イメージ、生地感を提供可能 バーチャルフィティングによりユーザー自身が着用しているイメージを提供。また、数多くの試着パターンを提示することが可能となり、サイズ不一致や着用時の違和感による返品の減少が期待できます。 Fashion recommend 4 Big data x 3 AI algorithmによって実現する、個人の嗜好に合わせたレコメンド ファッションレコメンドシステムの特長 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」 が店頭の気の利いた接客と 同じように、ユーザー1人ひとり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。 ・リアルタイムトレンドデータ ・顧客属性データ ・アプリ上のデモグラフィックデータ ・2.4億以上のコーディネイトデータ × ・AIエージェントエンジン ・AIプロファイリングエンジン ・AIレコメンドコアエンジン 1. 一人ひとりの個性に合わせた商品レコメンデ―ション「AIデリバリー」 2. 一人ひとりの個性に合わせた自分専用のコーディネイトレコメンデ―ション「AIコーディネイト」 3. AIがユーザーの探し物を一緒に見つけてくれる「セレクトレンズ」 Output Input 1:社内情報 顧客データ、 採寸データ 自動採寸 2:社外情報 AI Agent自動収集データ レコメンドエンジン 最適化エンジンコア部 カスタマイズ 時系列解析 グラフ理論 量子アルゴリズム変換 統合データベース パーソナルプロファイル 追加学習エンジン プロファイルをアップデート AIコーディネイト 購入点数アップ AIデリバリー 購入単価アップ 3:画像 気になる商品の画像 セレクトレンズ 類似画像検索エンジン 商品情報 画像 似ている商品の画像を提案 ファッションレコメンド機能紹介/導入事例 株式会社コナカ様　SUIT SELECT SUIT SELECTの完全パーソナライズドAIレコメンデーション「AI Coordinate レコメンドアプリ」を開発 Arithmerの開発した「AIエージェント」が24時間SNSをモニタリングし、個人を特定しない形で世代などの属性に応じたリアルタイムトレンドを把握します。「AIプロファイリングエンジン」が、SUIT SELECT保有の数百万人の顧客属性データ・購買データ、アプリユーザーのデモグラフィックデータとあわせて解析することで、顧客のパーソナルプロファイルをよりリッチなものにします。 AIデリバリー ユーザー1人ひとりに、最適なアイテムを最適なタイミングでお届け ４つのデータをミックス： 1.「アクティブユーザー数百万人の顧客属性データと購買データ」 2.最新の第一次情報として「SNSを24時間クロールして解析・構造化したデータ」 3.アプリユーザーの「デモグラフィックデータ」 4.スタッフが構築した「2億4,752万通りのコーディネイトパターンデータ」 このビッグデータを、複数の数理的手法を組み合わせて構築した、独自アルゴリズムを搭載した以下3つのエンジンが解析 AIコーディネイト ユーザー専属のAIパーソナルスタイリスト ユーザーが選ぶのは、お気に入りの1アイテムのみ。後はAIにお任せする事でアプリが、ユーザー専属のAIパーソナルスタイリストになります。 スーツセレクトの保持する購買情報・アプリユーザーのデモグラフィックデータ・SNSから取得したトレンド・人気の着こなし・人間が感じる気候などから、AIがコーディネイトの最適解を導きます。実に2億通り以上のパターンの中からおすすめしています。AIはこの匠の技を学習し、同じことをアプリで再現しています。 セレクトレンズ アイテム総在庫約10,000点の中から、ユーザーが探し求めていたアイテムをAIが自動で見つけだします。 ユーザー自身が気になるアイテムをスマホで写真に撮るだけ。お気に入りに登録すれば、AIコーディネイトが楽しめユーザーの探し求めていたものをレコメンドできます。セレクトレンズには、全国190店舗、約1,000人のスタッフによる学習データをインプット。 学習データのインプットは1度だけでなく、継続的に実施。今この瞬間もセレクトレンズの精度は向上し続けています。 More Virtual Fitting バーチャル試着で サイズ感や試着イメージで顧客満足度向上に バーチャルフィッティングの特長 バーチャルフィッティングでECサイトの課題である「サイズ不一致」「試着感」「生地感」など 「着用時の違和感による返品」の減少へ の貢献が期待できます 【バーシャルフィッティング機能】ユーザーが自分で選ぶファッション ＋ 自動採寸AIシステム 「自動採寸AIシステム」 を組み合わせる事によってより詳細な正確なサイズ感を スマホ1つで時間、場所によらず得ることができます。 自動採寸AIシステム詳細はこちら ＋ VSR（バーチャルショールーム) 店舗をデジタル空間として丸ごと動画で再現。自由に巡回できる360度視点移動が可能となった事で どんな場所も容易に入れ様々な動作を臨場感あふれるバーチャル空間で、場所や時間の制約されないDX化を迅速に導入をサポート 導入までの流れ お問合せ/ヒアリング 貴社の目的や課題感についてヒアリングします。（WEB会議 or ご訪問） ご提案 ヒアリングした内容を基にアプローチ方法をご提案致します。 ご契約 合意したご提案内容を基に、契約を行います 構築開始 構築を行う、要件定義から開始致します。 ファッションレコメンド・バーチャルフィッティングは様々な業界業種で応用できます パーソナルスタイリストとして ユニフォームなどの制作イメージに オーダースーツ業界に ファッションレコメンドでユーザーの「ファッションを楽しむ」新感覚のEC体験を。 バーチャルフィッティングで「着用時の違和感による返品」の減少へ 様々な業界、業種に応用できます。まずはお気軽にお問合せください お問合せはこちら

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 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 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 画像検知AIについて新聞に記事が掲載されました メディア掲載一覧へ