エンタープライズ協業で実現するAI Agent：実装ステップと社会実装への道

Transcript

1. エンタープライズ協業で実現する AI Agent ： 実装ステップと社会実装への道 小檜山結稀 @yuki_kobiyama
2. 自己紹介 　 略歴： ・横浜国立大学在学中。東京科学大学大学 院への進学を予定。 ・GCI を修了後、松尾研究所にてAgent に関 する研究開発に従事。 ・Almondo ではPM 、技術アドバイザー、提 案支援などを担当し、現在は製造業大手企 業様向け案件の統括PM として複数PJ を進行 管理中。 趣味：旅行・ゴルフ @yuki_kobiyama 2
3. 今日話すこと 1. AI Agent の全体像と社会的動向 2. エンタープライズ協業事例の背景と概要 3. 実装アプローチと技術的な取り組み 4. 今後の展望 @yuki_kobiyama 3
4. What is AI Agent ？ @yuki_kobiyama
5. LLM を使用して問題を推論し、問題を解決する ための計画を作成し、一連のツールの助けを借 りて計画を実行できるシステム(Nvidia) @yuki_kobiyama
6. Agent の立ち位置：AGI への途中段階として OpenAI によりAGI に向けたステップの一つとして位置付けられる Zenn より引用 @yuki_kobiyama 6
7. RAG からAgent へ Co-pilots としての動作からよりプロセス寄りに @yuki_kobiyama 7
8. エンタープライズ協業事例 @yuki_kobiyama
9. 製造業エンタープライズ企業様の事例 背景: 製造業の大手様との工場現場DX を支援する事例 現場について: 工場内ではIoT センサー、PLC ログ等の各種データが非常に多様であり、 これらをリアルタイムで統合・解析する仕組みが必要 →　現状では企業様独自の解析ツールを活用している 品質保証や工程改善等の工場現場DX の必要性: 製造工程における微細な変動や異常を早期に検知し、予知保全や工程の 最適化を実現することで、製品品質の向上と生産性の最大化を図る @yuki_kobiyama 9
10. ユースケース @yuki_kobiyama
11. 品質保証（異常検知） 製造工程内のデータのばらつきや異常をリアルタイムに捉える （既存手法：ARIMA/SARIMA 、LSTM 等） @yuki_kobiyama 11
12. 工程改善 製造工程における無駄を排除し効率的な生産を目指す 改善ステップ例： 1. IoT センサー、PLC ログ、作業時間、温度、振動など各種デ ータを収集 2. データ解析による傾向・転換点検出 3. リアルタイムモニタリングと可視化 4. 解析結果に基づいた工程のリバランス、設備調整、作業指示 を実施 @yuki_kobiyama 12
13. Agent による工場最適の自動化を目指す 取り組み @yuki_kobiyama
14. 実装アプローチ @yuki_kobiyama
15. 今回の協業事例における課題とSolution 課題 Solution 操作の属人性: 専門知識を持つ担当者に頼らざるを得ず、運用 が属人化している。 自律運用の実現: AI Agent が自律的に操作を行うことで、担当者 依存を解消し、運用の一貫性を確保する。 リアルタイム性の不足: 手動操作により処理速度が低下し、リアルタイ ムなデータ解析や迅速な意思決定が困難。 迅速な対応: リアルタイムデータ解析と自動操作により、即 時の対応が可能となり、タイムリーな意思決定 を支援。 緊急時のリスク: 緊急時に判断ミスや操作エラーが発生しやす く、システム全体の信頼性が低下するリスクが ある。 フィードバックループの構築: AI Agent と人間の連携によるフィードバックル ープを確立し、緊急時にも正確かつ迅速な対応 が可能な体制を整える。 @yuki_kobiyama 15
16. エンタープライズ企業固有の事情 区分 固有の事情 課題 データ 暗黙知化しており体系的に蓄積 されていない AI フレンドリーなデータ形式に なっていない システム 独自アプリケーションが多数存 在 モデルに知識が入っておらず再 学習が必要 業務プロセス 既に固定化されたプロセスが存 在 オペレーション側の変更が必要 となるケースが多い 組織構造 部門間の壁が高く、データ共有 が限定的 横断的なAI 導入のための調整コ ストが大きい 意思決定 コンセンサス型の稟議制度によ る承認プロセス 導入判断に時間がかかり、スピ ード感が失われる セキュリティ 厳格なセキュリティポリシー クラウドサービスやAPI 連携に 制約が多い @yuki_kobiyama 16
17. workflow or agent ？ エンタープライズ開発では初手でAgent 実装は困難なケースが多い 特性 Workflow Agent 定義 事前定義されたコードパスで LLM とツールを調整するシステ ム LLM が動的に自身のプロセスと ツール使用を制御するシステム 制御と柔軟性 開発者が定義したフローで予測 可能 LLM 主導で動的かつ適応的 適したタスク 明確に定義された固定的なタス ク 開放的な問題、事前にパスを予 測できないタスク 実装例 プロンプトチェーン、ルーティン グ、並列化 自律Agent （コーディング、コン ピュータ操作） トレードオフ 予測可能性と一貫性が高いが柔 軟性は低い 柔軟性が高いが、コスト増加と エラー累積リスクあり @yuki_kobiyama 17
18. 今回のAgent 実装のためのステップ Workflow からAgent へと進んでいくアプローチを採用 @yuki_kobiyama 18
19. エンタープライズ開発における注意点 エンタープライズ開発においては検証と導入の間に大きなハードルが 存在 → ミニマムに検証を行い、その結果をもとに適切なステークホルダー を巻き込み、オペレーション側と連携することが重要 @yuki_kobiyama 19
20. 技術展望 @yuki_kobiyama
21. LLM models 自体の進化 1 年で同程度の性能のモデルの価格は1/10 になるという経験則 モデル性能の指数関数的な成長 「私たちは 2027 年までに AGI に向けて進んでいます。 これらの AI システムは、基本的にすべての認知ジョブ ( リモートで実行できるすべてのジョブ) を自動化できる ようになります。 」 （元OpenAI 研究者） @yuki_kobiyama 21
22. @yuki_kobiyama 22
23. Ambient Agent @yuki_kobiyama
24. Ambient Agents とは？ 自動監視と行動 人間の指示なしにイベントを監視し、自動で行動 必要な時に注意喚起 ユーザーに通知、質問、レビューを実施 同時並行処理 複数のタスクを同時に実行可能 @yuki_kobiyama 24
25. 活用パターンの比較 活用パターン 説明 例 通知 (Notify) ユーザーに重要な情報を お知らせ 設備異常の早期発見 質問 (Question) 必要な情報をユーザーに 確認 異常発生時の対応方 法の確認 レビュー (Review) 重要な行動前に承認や 修正依頼 設備停止・再稼働判 断の承認 @yuki_kobiyama 25
26. 従来システムとの違い 項目 従来のシステム Ambient Agents アクション提案 通知のみ 通知＋質問・レビューで支援 人間の介入 多く必要 必要最小限 同時並行処理 限定的 複数イベントを同時処理 迅速な対応 反応が遅い 即時対応が可能 @yuki_kobiyama 26
27. ユースケース：工場の異常検知 常時監視 センサー情報をリアルタイムで監視する 自動検知と通知 異常を即座に検知し、ユーザーに通知する 迅速な対応 対応の迅速化とダウンタイムの最小化を実現可能 @yuki_kobiyama 27
28. 強化学習 @yuki_kobiyama
29. 強化学習の展望とAgent 強化 Deepseek R1 やDeep Research など強化学習によるパラダイムが生ま れつつある フィードバックループ: リアルタイムの環境データを活用した継 続的なプロセス改善による学習 自己最適化: Agent が試行錯誤から学び、最適な行動戦略を自律 的に習得（Reflextion ） @yuki_kobiyama 29
30. 最後に Agent 開発に興味あるエンジニアの方は ぜひお話ししましょう！ @yuki_kobiyama
31. X のフォローもお願いします！ @yuki_kobiyama @yuki_kobiyama
32. ご清聴ありがとうございました！ @yuki_kobiyama