Search

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 画像検知AIについて新聞に記事が掲載されました 理系キャリア支援サイト「リケラボ」に掲載されました 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 メディア掲載一覧へ

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 6 2025.2.28 AI Agent導入の進め方 前回のコラムでは、AI Agent導入の一つの事例を紹介しました。では、これからAI Agentを導入しようと考えたとき、どこから始めるべきでしょうか？ 本稿では、AI Agent導入する際に必要となる４つのステップを紹介し、どのように進めるべきかを整理します。 ―――― AI Agent 導入前の4ステップ AI Agentは従来のAIに加えて新たな難しさがあります。そのため、まずはAI Agentを「理解」することから始めることが重要です。その上で、適用する業務を「選定」し、運用を含めた to-beを「設計」し、そのto-beに向けたステップを「計画」します。 (1) 理解 (Understand) : AI Agentの特性を知り、できること・できないことの感覚を養う (2) 選定 (Prioritize) : AI Agentの強みを活かせる業務を見極める (3) 設計 (Design) : AI Agentの業務への組み込み方のto-beを設計する (4) 計画 (Plan) : 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 (1) 理解 (Understand) これまですでに AIの導入を経験している方の中には、「AI AgentもAIの一種だ」と考える方もいらっしゃるかもしれません。しかし、AI Agentは従来のAIより格段に便利になった部分もあり、だからこそ新たな難しさも見えてきています。まずは十分な理解が必要です。 AI Agentは、技術そのものが複合的 で、従来のAIよりも構造がはるかに複雑です。 従来のAIは多くの場合、「教師あり学習」を用いた回帰や分類の問題として定式化し、データを集め、学習・評価し、適用する、という流れで進めることができました。しかし、AI Agentは 生成AI・タスク分解・自律実行・外部ツール連携 など、複数の技術が組み合わさるため、単体のモデルとして扱うことができません。 また、AI Agentのメリットの「自律性」を享受するために、多くの場合LLMの能力を活用することになります。LLMは自然言語を扱い、確率的に動作し、状況に応じて動的に判断するため、従来のシステムのように明確なルールを定めて設計することが難しくなります。事前にすべての挙動を想定できるわけではなく、「どう運用すれば意図通りに動かせるのか？」を深く理解しないまま導入を進めると、想定通りに進まず、行き詰ることになります。 このようにAI Agentを導入する際には、まず 「何ができるのか」「何ができないのか」「どう動くのか」 について感覚を養うことが重要です。 (2) 選定 (Prioritize) AI Agentは万能ではなく、得意不得意があります。適用する業務によって効果が大きく異なるため、業務との相性を見極めることが重要です。 従来のAIは、「十分なデータが揃っていて、明確な判断基準がある業務」なら適用しやすい傾向がありました。しかし、AI Agent は技術自体も複合的であり、タスク分解や実行まで担うため、ある業務に適用したときに、うまくいくかどうかを見極めるのがより難しいと言えます。 適用業務を選定する際には、次の3つの軸 で評価するのが有効です。 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 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 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 これらの視点を押さえ、実現可能性が高く、導入の効果が見込める業務から適用することが重要です。 (3) 設計 (Design) AI Agentは現時点ではまだ、箱から出してそのまま業務に適用できるようなパッケージ製品にはなっていません。実業務に組み込むには、次のような課題に対処する必要があります。 不確実な挙動 AIには確率的 (stochastic) な性質がつきものです。従来のAIでは、人が「判断」を担うのが定石でしたが、AI Agentの場合は「判断」も自律的に行うことが期待されています。確率的機構、決定論的 (deterministic) 機構、人の介入のバランスを設計する必要があります。 知識の不足 LLMは膨大な公開情報から学習することで、豊富な知識を獲得しました。しかし、多くの業務は現場の暗黙知に依存しており、LLMもそのままでは上手く対処することができません。これは短期的に解決できるものではなく、長期的な知識獲得の設計が不可欠です。 要件・環境の変化 業務要件やデータ、外部環境は常に変化し続けます。導入時に最適な設計をするだけでは、そのパフォーマンスを持続することはできません。業務で継続的に利用するには、変化に適応できる仕組みをあらかじめ組み込む必要があります。 これらの課題は、システム設計だけで解決できるものではありません。システムと運用の両面を統合的に設計するアプローチが求められます。 (4) 計画 (Plan) AI Agentの適用業務を決めto-beのシステム・運用の形が描けたら、そのto-beの実現に向けたステップを計画する必要があります。従来のITやAIの導入と共通の部分もありますが、AI Agentならではの注意点もあります。 不完全であることを前提に計画する AI Agentの動作には確率的な要素が含まれるため、導入前にすべてのケースを想定することは不可能です。最初から「完璧な状態」を目指すのではなく、スモールスタートし、フィードバックを活用しながら適応させていくことが重要です。 リスクの取り方を計画する 不完全なAI Agentにすべてを任せるのは難しいため、最初は範囲を限定し、段階的に広げるのが現実的です。 ただし、一度「人が判断」する仮運用を始めると、後から変えにくくなります。リスクとリターンを総合的に評価し、本運用への移行基準を事前に定めることが重要です。 問題発生時の対応を計画する AI Agentは確率的で複合的な技術のため、問題発生時の原因特定や対処が非常に困難です。未知の問題が起こる前提で、柔軟に対応できる環境を整える必要があります。また、問題発生はAI Agentにとって貴重な学習の機会でもあります。問題の解決だけでなく、継続的改善につなげられることが重要です。 ―――― まずは全体を4ステップに整理してみました。次回は、(1) の「理解」についてもう少し詳しく見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。 Document request 資料請求 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。 ダウンロードしたい資料を選んでください * 必須項目 00. Consulting 01.OCR×LLM 02.浸水AI 03.風力AI 04.Realtime VR 05.Recommend×LLM 06.AMR（⾃律⾛⾏） 07.Vision AI 08.O&M(⼈/設備保全) 09.Robotics 10.Safety AI 会社名 メールアドレス 名前 電話番号 ご質問・ご不明点 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

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

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

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 送信完了しました お問い合わせいただきありがとうございます。 確認の上、担当者よりご連絡いたします。 トップへ

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。 Company 会社概要 Arithmetics focus on Social Challenges 数学で社会課題を解決する Arithmerは顧客やパートナーのデジタルトランスフォーメーション（DX）に寄り添うAI開発会社です。数学のコア要素技術をベースに、製造AI、風力AI、インフラAI、物流AI、リテールAI、バイオAIなど、さまざまな最先端のAIエンジンを駆使したソリューションのほかに、これらに生成AIを組み込んだソリューションなどを開発しています。これらの高度技術を自在に組み合わせることで、顧客の課題解決に貢献してまいります。 会社概要 会社名 Arithmer 株式会社 創業 2016年9月1日 資本金 1億円（2025年3月31日現在） 代表者 大田佳宏　　代表取締役社長 兼 CEO （博士（数理科学）（東京大学））　代表挨拶> 取締役 乾　隆一 取締役 常務執行役員 兼 CFO 経営管理本部長 中村壮秀 取締役（社外）アライドアーキテクツ㈱取締役ファウンダー 岩田彰一郎 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） 監査役 星野義雄 常勤監査役 高岡彰治 監査役（社外） 落合孝文 監査役 執行役員 乾　隆一 取締役 常務執行役員 兼 CFO 経営管理本部長 森　雅巳 執行役員 研究開発本部長 アクセス 本社 〒113-0033 東京都文京区本郷一丁目24番1号 ONEST本郷スクエア3階 TEL:03-5579-6683　アクセスマップ> 名古屋オフィス 〒451-0042 愛知県名古屋市西区那古野二丁目14番1号 なごのキャンパス 2-1号室 大阪オフィス 〒542-0081 大阪府大阪市中央区南船場3丁目9-10 徳島ビル11階 徳島オフィス 〒770-0831 徳島県徳島市寺島本町西1-61 徳島駅クレメントプラザ5階 Arithmer本社 〒113-0033 東京都文京区本郷一丁目24番1号 ONEST本郷スクエア3階 名古屋 オフィス 〒451-0042 愛知県名古屋市西区那古野二丁目14番1号 なごのキャンパス2-1号 徳島オフィス 〒770-0831 徳島県徳島市寺島本町西一丁目61 徳島駅クレメントプラザ5階 大阪オフィス 〒542-0081 大阪府大阪市中央区南船場 三丁目9番10号 徳島ビル11階

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 第64回国際数学オリンピック 組織委員会 副委員長 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

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