Search

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

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

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 理系キャリア支援サイト「リケラボ」に掲載されました 8 分前 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 NCホールディングスとの業務提携について、日本経済新聞に記事が掲載されました メディア掲載 3月30日 お知らせ ニュース一覧へ 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。

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

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

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 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 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

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

パーソナライズされたAIレコメンド機能や、スマホカメラを使用した高精度な自動採寸など、小売りの現場で活用できるAIを提供しています。 Retail AI 慢性的な人手不足の小売りの現場で AIがさまざまな役割を補完 お問い合わせはこちら パーソナライズされたAIレコメンド機能や、スマホカメラを使用した高精度3次元採寸など、小売りの現場で活用できるAIを提供しています。 リテールAI こんなお悩みありませんか？ 商品の発注業務に人手を割かれて 接客がおろそかになる オーダーメイドの採寸技術が 熟練者から継承できない お客様の要望にお応えできるプロフェッショナル人材が不足している リテールAIはそんなあなたの課題を解決します リテールAIの特長 蓄積された実績とSNSトレンドを 組み合わせて自動発注 過去の販売実績のデータだけではなく、SNSでの今のトレンドも加味した上で販売予測を立てて発注を行います。 専門の採寸技術者は不要で 店員の負担軽減が可能 店舗での採寸業務を自動採寸に置き換えることにより、店員の負荷軽減や、店員配置の最適化に貢献します。 数万のデータから 顧客のニーズに合った商材をレコメンド 顧客情報や商談記録などから、ニーズやシーズをAIが集約し、顧客に合わせた情報や解決策などを提供することができます。 ※画像はイメージです トップテーラーの技術を スマホで再現 トップテーラーの技術を学習したAIエンジンが、身長、体重、年齢と写真２枚だけで指定の採寸箇所の計算結果を出力します。カジュアル、ビジネスだけでなく、さまざまな採寸に応用できます。 INPUT 身長 体重 年齢 写真２枚 AIシステム 自動採寸AIシステム OUTPUT 指定箇所の採寸結果 ビッグデータ×AIアルゴリズム 個人の嗜好に合わせたレコメンド 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、コンシェルジュの行う接客と同じように、個々のユーザー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。 INPUT 顧客データ 採寸データ SNS自動収集データ AIシステム AIデリバリー AIコーディネイト セレクトレンズ OUTPUT おすすめ商品の提案 ※画像はイメージです ※画像はイメージです 顧客のニーズとシーズをマッチング 最適化AIレコメンドシステム 銀行内で分散管理されている、顧客の「企業情報」「財務データ」「商談記録」などを集約し独自のDBを構築。このDBを基に販路拡大や仕入れ先・外注先の確保など、顧客のニーズとシーズを組み合わせることで、最適なマッチングを提案します。 INPUT 企業情報 財務データ 商談記録 AIシステム 最適化AIレコメンドシステム OUTPUT 企業同士のマッチング候補 株式会社ヤマダヤ様 身長・体重・年齢と写真3枚の 撮影でオーダーメイドの 採寸が完了 女性向け自動採寸AIエンジン より詳しく 導入事例 株式会社コナカ様＜SUIT SELECT＞ スマホ上で店頭での洋服選びの 楽しみを完全再現世界初 「完全パーソナライズド AIレコメンデーション」 より詳しく 徳島大正銀行様 保有している情報資産 （ビッグデータ）を 有効活用 経営課題AI支援システムを導入 より詳しく 国立大学法人鳴門教育大学様 学生の自己伸長型の学び促進。教員に求められる資質能力を可視化。「教員養成学修可視化システム」 より詳しく 株式会社ヤマダヤ様 ECサイト上で試着イメージを提供 リアルとデジタルでのシームレスな購入体験 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