会社説明資料

Transcript

1. ファイマテクノロジー Recruit Deck
2. 目次 I N D E X 01 02 03 会社・事業概要 プロジェクト事例と技術テーマ 採用・募集について
3. 01 会社・事業概要
4. ファイマテクノロジー Mission テクノロジーで 働くヒトを助ける 「働くヒト」が楽しく、便利に働けること。
5. Mission 「テクノロジーで働くヒトを助ける」 をミッションに掲げ、
 研究と現場の垣根をなくし、 AIを社会に実装する企業です。 研究と現場の垣根をなくし、AIを社会に実装する企業です。
 「研究 × 実装 × 社会実装」を往復しながら、
 人の思考・創造・研究を助けるための技術を開発しています。
 名古屋大学や理化学研究所などのアカデミアと
 産業の双方で実践的なAI開発を進めています。
6. ファイマが解決している課題 01 情報 研究・専門領域 情報へのアクセスが 難しすぎる ナレッジ 02 企業DX ナレッジが散在し、 組織として “知識を使えない” 03 PoC サービス化の壁 PoCで終わり “使われるAI” に ならない
7. Core Value 技術の目的は「人を置き換えること」ではなく “人の思考を拡張すること”
8. 業務内容 生成AI × 大規模言語モデル（LLM）を活用したアプリケーション開発 クライアントのエージェントの開発 LangGraph等を用いワークフローを実装 MCPサーバー化し、自律型エージェントを構築 PDF構造解析エンジンの開発 論文翻訳1paperで使われるPDF構造解析と 抽出アルゴリズムの開発 生成AIと構造化データ分析の ハイブリッドエージェントの開発 税理士向け構造化データ分析と LLMを用いた業務支援エージェントの開発 ソフトウェア開発 自動化エージェントの開発 ソフトウェア設計、コーディング、 テストなどの自動化エージェントおよび、 アプリの開発 研究自動化エージェントの開発 自社製PDF構造解析エンジンとLLMを用いた 論文横断分析、 発明自動化エージェントの開発
9. ファイマのLLM開発プロセスで習得できるスキル End-to-EndのLLM開発プロセスで業務課題を解決します。 課題理解・要件定義 エージェント開発 UI /UX検討 システム開発 課題抽出 要件定義力 AI適用判断 課題抽出、要件定義力が身に付 き、生成AIを使って何をやるべき か”します。 リサーチ設計 論文・情報探索 PoCプロトタイピング リサーチ力が身に付き生成AI技術 を深く理解できるようになり、 PoCレベルのプロトタイプを開発 します。 対話UI設計 UX設計 AIプロダクト設計 対話UIのUX設計などを検討する ため、「使われるAI」を設計しま す。 LLMアプリ設計 エージェント組み込み 本番実装 本番環境で動作する、 エージェントを組み込んだLLMア プリケーションを設計・開発しま す。 運用・改善 出力評価・チューニング 思考過程の改善 ログ分析（LangSmith） LLMの出力やエージェントの思考 過程を評価・改善し、ユーザーの フィードバックやログ分析を通じ て、プロダクトを継続的に改善し ます。
10. 事業領域 研究現場と産業現場の双方でAI開発を行っています。
 実際に使われる形で技術を届けることを大切にしています。 研究DX 企業DX 自社プロダクト 名古屋大学・理研などの研究機関とともに、
 研究領域の高度な課題を解決するAIを開発 製造・医療・金融・商社など多様な企業に、
 LLM活用アプリケーションを提供 研究者や知識労働者の生産性を高めるための 生成AIサービス $ € ¥ 金融 “日本発”論文翻訳専門 のAI翻訳ツール PDFをドラッグ&ドロップす るだけで、1分で翻訳結果を Wordに出力します。 製造 医療 商社 宇宙物理 材料科学 生命科学 プロジェクト例 論文解析エージェント 実験ノート自動生成 研究ワークフローの自動化 プロジェクト例 LLMチャットアシスタント 契約書レビュー支援 社内ナレッジ検索システム など など
11. 社会実装フロー 研究者・専門家との共創から始まる 課題解決の実現プロセス あなたのコードが、新しい知を生み、 人が本当に向き合うべき仕事に集中できる世界をつくる。 研究 PoC 実装 運用 スケール 自社プロダクトは、数千人規模で利用され、大手企業 でも導入されています。 名古屋大学をはじめとする大学・研究機関と の共同研究や、自動車・製薬などの産業界の リーディング企業とのプロジェクトを通じ て、宇宙物理、生命科学、材料工学など多様 な知的領域の研究を、生成AIでどう支援でき るかを見極めていきます。 生成AIによる研究・設計開発支援の領域で、大学・研 究機関や自動車・大手IT企業と連携し、宇宙物理・生 命科学・材料工学など多様な知的領域の課題解決に取 り組んでいます。 自分の書いたコードが、新しい技術や新しい発見、発明の誕生を後押しする。自分の書いたコードが、誰か の「本当にやりたい仕事」に集中する時間をつくる。 AI導入支援 × 自社開発 AI導入支援と自社プロダクトの 両輪で事業を推進 AI導入支援 （研究DX／企業DX） 70% 自社プロダクト 開発 （1paper／1spire／ ツキラク） 30% クライアントワークで得た知見を自社プロダクトに還元し、自社 プロダクトで得た技術力をクライアントへ提供する。 この“相互循環”がファイマの技術力の源泉です。
12. 02 プロジェクト事例と技術テーマ
13. プロジェクト事例｜研究DX 研究DX 名古屋大学・理研などの研究機関とともに、
 研究領域の高度な課題を解決するAIを開発 宇宙物理 材料科学 生命科学 プロジェクト例 論文解析エージェン ト 実験ノート自動生成 研究ワークフローの自動化 など 論文解析エージェント RAG Agents 文書解析 研究ワークフロー自動化 01 横断サーベイの自動化― 国際学会論文を横断的に分析し、研究トレンドを速報化 CVPR・ICCV などの機械学習系国際学会に投稿された数千 本規模の論文を横断的に分析し、学会期間中に研究トレン ドと傾向を速報レポートとしてまとめる仕組みです。 02 最新論文をもとに、 新しい研究テーマ・アイデアを創発 最新の論文情報を参照しながら、複数のAIエージェントが議論を行い、研究テー マや新しいアイデアを創発する論文解析エージェントです。 4体のAIエージェントによるチーム設計 1体 2体 1体 Conversation Manager Speaker Conversation Summarizer 役割：会話の進行と制御 役割：研究者人格として議論 役割：洞察とレポーティング Sp eakerの会話終了後に起動 会話全体を俯瞰し、得られたインサイ トを整理 研究に活かせる示唆・結論としてレ ポート化 会 話開始時に目的を提示（司会） 会話履歴から次に発言すべきエージェ ントを決定 会話が発展しない場合は終了判断 ※将来的に、一定間隔で介入し議論を発展させる構想 特定 の人格・視点を持つエージェント それぞれ異なる論文群を知識源として 参照 目的達成のため互いに議論 ※今回は3つの人格を設定 処理フロー 依頼者の要望を起点に 議論を開始 各エージェントが異なる論文を 知識源として参照 会話を通じて仮説・着眼点・ 次の研究テーマを導出
14. プロジェクト事例｜企業DX 企業DX 製造・医療・金融・商社など多様な企業に、
 LLM活用アプリケーションを提供 $ € ¥ 金融 製造 医療 商社 プロジェクト例 LLMチャッ トアシスタント 契約書レビュー支援 社内ナレッジ検索システム など レガシー言語環境を生成AIを用いて業務変革 Python 要件定義 ウォーターフォール LLMに情報の少ないレガシー言語環境を生成AIエージェントを用いて課題解決 要件定義〜テストまで強固なウォーターフォールモデルで開発を行っていたレガシー言語およびメインフレームを、各フェーズごとに生成AIエージェントを用い、 業務効率を改善。 エージェント連携 メインフレーム 設計 設計書レビュー 各種仕様書生成 開発フロー 実装 コーディング支援 新規コード生成/ 　 改修案件のコード生成 テスト 要件定義 ドキュメント解析 要件抽出 テストケース生成 テストシナリオ生成 テスト実行 品質検証 各フェーズでのAIエージェント活用 要件定義担当者 設計・実装担当者 テスト担当者 既存ドキュメントをAIに読ませて要件を構造化 設計書のレビューとコード生成支援をAIで効率化 テストケースの網羅性チェックと自動生成 AI分析で要件漏れを検出 設計パターン提案とコードレビュー テストシナリオ自動生成 各フェーズで専門性の高いAIエージェントを活用し、レガシー言語特有の課題を解決
15. プロジェクト事例｜自社プロダクト｜1paper 自社プロダクト 研究者や知識労働者の生産性を高めるための 生成AIサービス “日本発”論文翻訳専門 のAI翻訳ツール PDFをドラッグ&ドロップす るだけで、1分で翻訳結果を Wordに出力します。 1paper PDF解析 文書構造化 テキスト抽出 図表抽出 PDFをドラッグ&ドロップするだけで、 1分で翻訳結果をWordに出力 Deep Lの翻訳 エンジ ンを ベースに 1paper 独自 の検出 技術で 読みやす い論文を出力 論文に 特化した翻訳 サービス 翻訳 エンジ ン 図 式、テー ブル、段組の 崩れなし 改ペー ジによる文 章の 崩れを 軽減 原文 注釈付きの Word出 力 Inre ce nt year s,se nt ime nta nal ysisha sbe co me a nincrea singl yimporta ntta skinnat ural la ngua ge pro ce ssing(N LP),wit ha ppl icat io nsin f ield ssucha smar ket ing,custo mer ser vice ,a nd pol it icala nal ysis.Ho we ver ,a ccuratel ydete ct ing t he se nt ime ntofa give ntext ca nbe challe nging d uetot he co mplexit ya nd nua nceofla ngua ge. In t hispa per ,we pro po sea no vela pproa chto se nt ime nta nal ysisusingf ine -t unedtra nsfor mer model s,spe cif icall yBERTa ndRoBERTa.We e val uate o ur a pproa ch 近年、 マーケ ティング、カ スタ マーサービ ス、政治 分析な どの 分野で、 感情 分析は 自然言語処理（N LP）において ますます重要なタ スクとなっています。しかし、与 えら れ た テキストの 感情を正確に検出することは、言語の複 雑さやニ ュアン スのた めに 課題となる 場合があります。 本論文では、BERT やRoBERTaなどの ファイン チューニ ング されたト ラン スフォー マーモデルを使用した 感情 分 析の 新しい アプロー チを 提案します。 我々は複 数の ベ ン チマークデータセ ットで 我々の 手法を 評価し、 既存の 最先端の 方法より も優れた 精度を 達成し、 最大で 5％ の 精度向上を 示しました。 さらに、トレーニングデータ のサ イズ や前処理 技術などの異なる要 因が、 我々のモ デルの 性能に与 える 影響を 詳細に 分析します。 Word 3.1BERTの事前トレーニング ピーターズらとは異なり。 （2018a）およびRadford etal。 （2018）、 BERTの事前トレーニングに従来の左から右または右から左の言語モデ ルを使用していません。代わりに、このセクションで説明する2つの教 師なしタ スクを使用してBERTを事前トレーニングします。この ステッ プは、 図1の左 側に 示されています。 タ スク ＃1 ：マスク された LM直感的に、 深い 双方向モデルは、左から右 のモデル、または左から右と右から左のモデルの 浅い 連結より も厳密に 強力で あると 考えるの が妥当です。 残念な がら、 標準の 条件付き言語モ デルは、左から右または右から左にしかトレーニングで きません。こ れは、 双方向の 条件付けにより、 各単語 が間接的に 「自分自身を 見る 」こと が で き、モデル が多層でター ゲット 単語を 簡単に 予測で きるた めです。 環境。 の みの バー ジョンは テキスト 生成に使用で きるた め「トランスフォーマーデコーダー」と 呼ばれます 。 1 pa per al. (2018 ), we do not use trad it io nal left -to -r ight or r ight -to -left la ngua ge model s to pre -tra in BERT. Instead , we pre -tra in BERT using t wo unsuper vised ta sks, de scr ibed in t his se ct io n. T his ste p is pre se nted in t he left part of Figure 1. 1 pa per rea so na ble to bel ie ve t hat a dee p bid ire ct io nal model is str ictl y more po werf ul t ha n e it her a left -to -r ight model or t he shallo w co ncate nat io n of a left -tor ight a nd a r ight -to -left model. Unfort unatel y, sta ndard co nd it io nal la ngua ge model s ca n o nl y be tra ined left -to -r ight or r ight -to -left , since bid ire ct io nal co nd it io ning wo uld allo w ea ch word to ind ire ctl y “see it self ”, and the 1 pa per “Tra nsfor mer e ncoder” while t he left -co ntext -o nl y ver sio n is referred to a s a “Tra nsfor mer de coder” since it ca n be used 【p. 4】 Unl ike Peter s et al. (2018a ) a nd Radford et 【p. 4】 Ta sk #1 : Ma sked LM Int uit ivel y, it is 前 者は「トランスフォーマーエンコーダー」と呼ばれることが多く、左側のコンテキスト 【p. 4】 for mer is ofte n referred to a s a 導入企業様
16. 技術的テーマ 研究者や顧客と直接対話し、「実験のように開発する」「開発のように研究する」 文化の中でプロダクトを育てていきます。 LLM ChatGPT / Claude / Gemini / Bedrock Prompt Engineering Function Calling 対話制御 高度なLLM API連携やツール実行を 含む“実働エージェント”の基盤を 設計。研究・産業問わず、多様な モデルを比較しながら最適構成を 選定します。 RAG LangChain / LlamaIndex Embedding Search / Re-ranking メタデータ検索 Structured Retrieval クラウド・オンプレ・PDF・研究 デ ー タ な ど ソ ース を 問 わ ず
 「使える知識」に変換する仕組み を構築します。 Agents タスク分解 状態管理 エージェントオーケストレーション 業務ワークフロー連携（API連携） 問い合わせ応答・研究支援・業務 自動化など、 「実際に動くAIアシスタント」を 設計・開発します。 Fine-tuning PyTorch / Transformers LoRA/QLoRA SageMaker AWS MLOps 評価(Eval)・データセット構築 業務データ・研究データを用いた ファインチューニングや、 継続運用に必要なモデル管理・評 価基盤を構築します。 App Dev FastAPI / Python AWS Next.js / Typescript 認証・権限管理 / API統合 ユーザーが実際に使う“アプリケー ションとしてのAI”をフロント～ バック～インフラまで一気通貫で 開発します。
17. 03 採用・募集について
18. チーム文化 生成AI・Web・クラウドなど多様な専門性を持つ少数精鋭チームです。 技術選定・設計に 主導的に 関われる クライアントや研究者と 直接議論しながら 開発できる 社内外の研究知見 自由に探究し、 発信できる 技術の目的は、人を置き換えることではなく、思考を拡張すること。
 この思想を共有できる仲間を求めています。
19. チームメンバー 代表取締役 土屋 太助 2005年情報工学科卒業。大手メーカーのシステム開 発やデジタルマーケティング、事業企画に従事。 2017年より創業初期のAIスタートアップでAIエンジ ニア兼コンサルタント兼知財責任者として多数のプ ロジェクトに従事。 2020年ファイマテクノロジーを設立。 取締役 近藤 裕介 税理士。事業会社勤務を経て、2006年より税理士事 務所にて税務会計業務に従事。 2019 年 税理士試験合格、税理士登録。同年、近藤裕 介税理士事務所開業、Kondo Accounting 合同会社設立 代表就任。 2020年 株式会社FeynmaTechnology 取締役就任『税理 士のミカタ』プロジェクト発足。 営業担当 柴田 彰洋 2008年電気電子工学専攻修了(修士)。大手SIer会社 にて主に自動車関連企業のITシステムを担当、その 後2012年より外資系製薬会社のMRとして営業経験を 積む。 2020年よりAIスタートアップでAIコンサルタント兼 事業責任者として従事。 2023年ファイマテクノロジーに参画。 技術顧問 森 貴章 2008年計算理工学専攻修了(修士)。情報系メーカー にてソフトウェア開発、CVC、IoTシステムのグロー バル開発マネジメントを経て買収したソフトウェア 会社へ出向。技術系PMIを実施。その後デロイト トーマツファイナンシャルアドバイザリーでマネー ジャーとしてAI開発、クライシス案件等に従事。現 在はリーガルテック企業の米国法人にて開発責任者 を務める傍ら、顧問として参画。
20. 本ポジションで得られる機会 研究と産業の最前線で、 生成AIの全領域を横断的に 経験できる。 このポジションでは、生成AI・LLMを核に 研究DX × 企業DX × 自社プロダクト開発の すべてに関わることができます。 技術だけでなく、研究的思考やプロダクト視点まで含めて “AI時代のフルスタックエンジニア”として成長できる環境です。
21. 本ポジションで得られる機会 本ポジションで得られる3つの経験・成長機会 01 03 研究者・専門家との共創 技術と研究の往復による成長 宇宙物理・材料科学・生命科学など多様な研究 領域で、研究者や専門家と協働しながらAI活用 の方法を共に探ります。 “実験 → 実装 → フィードバック → 改良”のサイ クルを研究的アプローチで回し続けることで、AI エンジニアとしての基礎体力が鍛えられます。 02 生成AIを活用したプロダクト開発 1paper / 1extract など自社プロダクトや、
 クライアント向け業務アプリの開発に主体的に 関わります。 名古屋大学・理化学研究所との共同プロジェクト 実験ノート自動生成、論文解析、研究ワークフ ロー自動化 研究手法やデータ特性を理解しながら開発できる 環境 RAG基盤構築 / エージェント設計 / API連携 業務データや研究データを用いた実践的なFine- tuning 新規プロダクトの仕様策定・プロトタイピング 論文調査から評価設計、PoC実装まで一貫して担 当 現場ユーザーの声を聞きながらプロダクトを成長 させる 最前線のモデル（Llama 3 / Claude / Gemini 等） を実業務で試せる 技術者としてだけでなく、 “研究の進め方”そのものを学べる貴重な機会。 研究技術をプロダクトに落とし込む 経験を獲得できる環境。 “実験のように開発し、開発のように 研究する” 成長環境。
22. 応募資格・待遇 ファイマテクノロジー 500万円 〜 950万円 年収 夏賞与　平均 93万円 冬賞与　平均 105万円 賞与 ※月平均稼働時間130~140hの時短勤務正社員含めた実績ベース。 ※賞与は2025年度実績 ※経験・能力、希望を考慮の上、当社規定により決定