Search

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。

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 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 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 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