株式会社Laboro.AI 候補者向け会社紹介資料（TOPページ）

株式会社Laboro.AIの会社紹介資料です。

Transcript

1. 株式会社 Laboro.AI 会社紹介資料 2025年5月版
2. 関連会社 会社情報 1 ✔ 受託型によるオーダーメイド AI開発とそれに付随するコンサルティングを事業展開 ※1 従業員数は、執行役員・ SD・機械学習エンジニア・コーポレート部門・アルバイト /パートタイマーでカウント ※2 持分法適用による関連会社 主要株主（順不同） 従業員数 所在地 設　立 2016年4月1日 2023年7月31日 東証グロース市場上場 東京都中央区銀座 8-11-1 • (株)SCREENアドバンストシステム 　ソリューションズ • (株)博報堂 • THK (株) • (株) SCREENホールディングス • 日本ガイシ (株) 84名※1 （2025年3月31日時点） 事業内容 • 機械学習を活用したオーダーメイ ド型AI「カスタムAI」の開発 • カスタムAI導入のためのコンサル ティング 株式会社 CAGLA X-AI.Labo株式会社 ※2
3. 代表紹介 2 米国州立テキサス大学理学部卒業後、ボストンコンサル ティンググループに入社。消費財や流通など多数のプロ ジェクトに参画した後、社内のデジタル部門の立ち上げに 従事。 その後、東大発ベンチャーでの AI事業部の立ち上げや東 京大学 松尾豊研究室の産学連携業務などを経て Laboro.AIを創業。 代表取締役 CEO 椎橋 徹夫 TETSUO SHIIHASHI 京都大学大学院修了　博士（情報学）。産業技術総合研究 所にて機械学習・音声信号処理・自然言語処理の研究に 従事。その間、 Queen Mary University of London 客員 研究員も務める。 その後、ボストンコンサルティンググループ、 AI系スタート アップを経て Laboro.AIを創業。 代表取締役 COO兼CTO 藤原 弘将 HIROMASA FUJIHARA
4. Laboro.AI 創業の理由 ー AIの領域にはテクノロジーとビジネスをつなぐプレーヤーが必要だ。 創業者である椎橋と藤原が創業前に経験したのは、 技術開発までには至れないコンサルティングファーム、 そしてビジネス成果視点が失われがちな大学研究室、 それぞれの現実でした。 「AIができること」と「ビジネスで意味のある」ことの 重なりを発見する力、つまり、 テクノロジーとビジネスをつなぐ能力携えていなければ、 AIを最適なビジネスソリューションとして 開発・導入できることはできません。 アカデミア分野から日々生み出される AIの先端技術を産業に応用し、 世の中に変革をもたらすため、この２つをつなぐエキスパートになる、これ がLaboro.AI創業の理由であり、私たちの使命です。 テクノロジーとビジネスを つなぐプレーヤーに 3
5. Laboro.AIのミッション 4 すべての産業の 　　新たな姿をつくる。 テクノロジーと 　　ビジネスを、つなぐ。 私たちは、産業に革命を起こそうと奔走する各企業のイノベーター の方々に、オー ダーメイドという方法でビジネスにジャストフィッ トするAIソリューションをご提供いたします。 「すべての産業の新たな姿をつくる」。そのためにクライアントさまと 一緒に考え、苦労を共にし、力を合わせてイノベーションを実現する 共創パートナーとして存在し続けることが、私たちのミッションです。 AIがその真価を発揮するためには、ビジネス環境や課題に合わせて必 要なデータを集め、アルゴリズムを設計し、幾度の検証を行い、最適 な形になるまで調整を繰り返すことが不可欠です。 つまり、テクノロジーとビジネス双方の知見がなければ、実用に耐え るAIが実現することはありません。 双方の知識を持ち、確実にAIをビジネスに転用すること、「テクノ ロジーとビジネスを、つなぐ」ことが、 Laboro.AIが果たす役割です。 4
6. Laboro.AIのビジョン 5 テクノロジーとビジネスをつなぐ、 新たなプロフェッショナル人材を構築。 各産業の意志あるイノベーターと出会い、 共にビジョンを描き、実現を目指す。 ビジョンを次々とカタチにし、 産業に適用され、変革を起こす。 イノベーションの連続が、日本で先駆けて実現され、 グローバルに波及させる。
7. 6 Laboro.AIの３つの強み 　　　多彩なデータ・技術 　　　オーダーメイド開発　カスタム AI 1. SaaSやプラットフォームのような制約がない高いカスタマイズ力 2. 技術内容や取り組み過程をブラックボックス化しない伴走型 AI開発 3. お客様で継続検証・横展開を可能とする支援（隠さない・柔軟な権利） 　　　約70%の高いプロジェクト継続率 1. 現場に近いセンサデータや画像など非構造データに対応が可能 2. 深層学習や機械学習、最適化や強化学習など用途に応じて適切な技術を選択可能な広 い技術範囲をカバー 1. AI適用の可否や適用方法など企画段階〜 PoC〜運用まで一気通貫での検討 2. ソリューションデザイナによる PoC実施前の高い実現性や活用可否の目利き力 3. 豊富な実績をもとにした活用へのノウハウ
8. 取引先企業様 7 IHIインフラ建設　　 IJTT　　アスプコミュニケーションズ　　味の素　　 IDOM　　エーザイ　　NTTコミュニケーションズ　　エン・ジャパン オートネットワーク技術研究所　　大林組　　沖電気工業　　オムロン　　鹿島建設　　気象庁気象研究所　　産業技術総合研究所 ジオテクノロジーズ　　ジャパンマリンユナイテッド　　 SCREENアドバンストシステムソリューションズ　　住友重機械工業　　図研　　ゼンリン ソニーセミコンダクタソリューションズ　　大成建設　　竹中工務店　　大広　　 TOPPANデジタル　　日本線路技術　　日本総合研究所　　日本ガイシ　 　 博報堂　　パーソルキャリア　　パーソルクロステクノロジー　　パーソルビジネスプロセスデザイン　　東日本電信電話　　日立建機　　非破壊検査 ブロードマインド　　みちのりホールディングス　　三井化学　　三井不動産リアルティ　　三菱ロジスネクスト　　明治安田生命保険　　山口県 LINEヤフー　　Rapidus　　ローム　　他
9. クライアント様の声 8 ✔ 「PoC死」が絶えない中、 70％超のプロジェクト継続率 ✔ 技術力以上に「一緒に考えること」が当社への評価につながっている 実現できるか不明なこと をLaboro.AIだけが一緒 に考え付き合ってくれた 。 技術的な部分に加え、業 界がどうなって行くべきか を一緒に考え 、アイデア をくれそうな点に期待。 一緒にやろうと決めたの は、現場に伴走 して色々 と頑張ってくれそうだと感 じたから。 みんな無理と言って逃げ られた。進め方など 一緒 にどうするか考えてくれて いる。 自分達に知らない知見 や、新しい考え方を 積極 的に教えてくれそう な点 に魅力を感じた。 自分達でだけではできな い技術的な要件整理の 部分、アイデア出しに 熱 心に付き合ってくれた 。 他社はろくに話を聞いてく れない が、いろいろなこと を教えてくれてありがた い。 腹を割って一緒に考えて くれる 。また、依頼に対し て即拒否姿勢ではなく、 前向きに解決策を議論し てくれる。 建設 製造 製造 情報 サービス 保険 保険 人材派遣 交通
10. 当社プロジェクトの特徴 9 ✔ 戦略・ビジネス・技術を兼ね備えた「戦略系 AIベンダー」として、戦略策定から新規事業開発まで広範囲を支援 ✔ ビジネス差別化の核となる戦略的な最先端 R&Dプロジェクトも ビジネス 技術 戦略 最先端技術の 長期R&D 新規事業の開発 AI/データ戦略の 策定 ① AI/データ戦略の策定 ✔ 製薬会社様の AI/データ戦略策定を支援 ② 新規事業の開発 ✔ 食品メーカー様と消費者向けアプリを開発 ③ 最先端技術の長期R&D ✔ ゼネコン様と振動制御技術を開発（共同で論文発表） ✔ 半導体製造装置メーカー様と資本業務提携 1 3 2
11. 当社が狙う「バリューアップ型 AIテーマ」 10 ✔ 新規製品・サービス創出やビジネスモデル変革などの新しいビジネス施策展開によって企業成 長を図るAI開発テーマを「バリューアップ型 AIテーマ」と定義し注力 ※ ※ 出典：独立行政法人情報処理推進機構 (IPA)「DX白書2023」(2023年3月)による定義
12. バリューアップ型 AIテーマにおける注力産業分野 11 ✔ バリューアップ型 AIテーマ市場を開拓する切り口として、とくに注力する産業分野を２つ設定 研究開発型産業 製造業等における研究開発を通じて、 革新的な製品・サービスの創出を目指す分野 注力分野① 取組実績 社会基盤・生活者産業 消費者・生活者に直接製品・サービスを提供したり 社会インフラを担う分野 注力分野② 化学・素材メーカー ・新規材料の探索や新規製法の考案 ・研究論文情報の探索・要約 半導体装置メーカー ・ AIを組み込んだ装置・生産ラインの新規 　 開発 製造・建設企業 ・生産計画や施工計画などスケジューリン 　グの最適化・高度化 取組実績 食品メーカー ・パーソナル献立提案サービスの開発 広告企業 ・生成AIによるバーチャル生活者生成と市場 　調査の高度化 製薬メーカー ・PHR（パーソナル・ヘルス・レコード） 　データを活用した個別化医療支援プラット　 　フォームの開発 消費財メーカー ・対話AIを活用した1to1マーケティングサー 　ビスの開発
13. 幅広い顧客と多数のプロジェクト実績 12 ✔ 通算300を超えるカスタム AIプロジェクトをこれまでに推進 研究開発 型 社会基盤・ 生活者 建　設 強化学習 建設物の揺れ制御 （建設関連企業） 制振装置AMDの制御を 目的とした強化学習プロ グラムを開発 製　造 強化学習 工程スケジューリング （精密機器メーカー） 強化学習アプローチによ る生産計画の最適化問 題の解決 建　設 強化学習 施工計画の最適化 （建設関連企業） 人手や従来手法では見つ けられなかった最 適な施 工計画を立案 インフラ 画　像 線路設備の不良判定 （鉄道事業者） 線路設備の機能不全・異 常を自動判定する開発・ 実運用化 人　材 自然言語 人と職のマッチング （人材紹介企業） 採 用サイトでの人と食の マッチングを行う仕組みを 開発 小　売 画　像 店内在庫モニタリング （電機機器メーカー） 防犯カメラを用いたリアル タイムでの店内在庫モニ タリング 製　造 ﾚｺﾒﾝﾄﾞ 献立作成エンジン （食品メーカー） 栄養素の条件とユーザー ニーズを満たす献立を作 成するエンジン ﾏｰｹﾃｨﾝｸﾞ 生成AI 対話の自動生成 （広告企業） 企業・商品ブランド人格を 反 映した対 話テキストの 生成・顧客応対 ﾏｰｹﾃｨﾝｸﾞ 生成AI バーチャル生活者生成 （広告企業） 7,000人 分の調 査データ から生活者を再現し、市 場調査を高度化 製　造 時系列 排水処理での異常検知 （電機機器メーカー） 工場から排水される汚染 水データの分析から異常 検知を実施
14. カスタムAIとは 13 ✔ ビジネス成果につながる AIをオーダーメイドで開発 ✔ コア業務の変革＆イノベーションの創出を支援 ▪ オーダーメイドによる AI開発 ‣ アカデミア出自の先端の機械 学習技術をベースに、ビジネス にジャストフィットする形で AI を受託開発 ▪ 企業のコア業務を AIで変革 ‣ 画一的なパッケージAIでは対応 が難しい、ビジネス現場特有の 複雑な課題の解決に貢献
15. カスタムAIとは 14 ✔ ソリューションデザイン （AIソリューション設計と AI導入を通した事業変革のためのコンサルティング）と、 オー ダーメイドAI開発（顧客企業固有の成長戦略や事業課題に合わせた AI開発）を通じて、顧客企業のイノベーショ ンを共創
16. 15 カスタムAIを支える２種のスペシャリスト ソリューションデザイナ アカデミア （学術研究） 産業 AI ビジネス 機械学習エンジニア • クライアントのビジネス課題に対し て、実データを分析しながら、技術観 点で解決策を考案 • 速度・可用性も考慮したモデル開発 とシステムへの組み込み • クライアントと密に議論し、ビジネス 課題を深掘り • プロジェクト全体を俯瞰し、検討す べき論点を設定 • ビジネス観点で論点に対する答えを 検討 カスタムAI
17. 16 カスタムAI ４つのポイント 　あらゆる課題にAIを あらゆるAI領域でAIソリューションをオーダーメイ ド開発 　データに壁はない 画像、音声、自然言語など、様々なデータを活用し たAIソリューションの開発に対応 　業界にも壁はない 　ビジネスに効く、AIを ビジネス構想からはじめ、ビジネスに意味ある AIを 開発・提供 全ての産業の企業を対象に、 AI導入・開発を支 援 画像 音声 自然 言語 強化 学習 時系 列 機械学 習 金融・保険 土木・建設 ヘルスケア 情報通信 製造業 小売・流通 人材
18. 17 様々な業界でのプロジェクト実績 etc. 　 ▶ AIによる外観検査 　 ▶ 探索ニーズレコメンド 　 ▶ ニオイセンサーデータの分類 　 ▶ 動画解析からの感情推定 　 ▶ 土木工事での施工計画の最適化 　 ▶ 建設物の制振制御 　 ▶ ブランド人格を反映した 　　 対話テキスト自動生成 　 ▶ 未来購買パターン予測に基づく 　　 商品レコメンド 　 ▶ 画像アプローチからの 　　 手書き文字の読み取り 　 ▶ 線路設備の不良判定の自動化 　 ▶ インフラ設備の劣化箇所検出 　 ▶ 波形解析による 　　 管内外面の損傷検出 　 ▶ ユーザーニーズを満たす 　　 「献立作成エンジン」 　 ▶ キーポイント検出（姿勢推定） 　　 を用いた伝統芸能の普及 　 ▶ 航空写真からの 　　 停止線・横断歩道の検出 　 ▶ 文書分類による業務自動化 　 ▶ ESG企業調査での情報収集・評価 　 ▶ 人と職の最適なマッチング
19. カスタムAI 開発フロー 18 ✔ 課題やフェーズに合わせて、ワンストップで伴走支援
20. カスタムAI 提供の流れ 19 ✔ 事業変革の企画構想、AIソリューションの要件定義から開発・ PoC、導入、継続的な再学習・チューニング までを一気通貫で行い、 AIイノベーションを顧客と共創するプロジェクトを実施 ソリューション デザイン AI開発 企画構想・ 要件定義 開発・PoC 導入・実装 再学習・ チューニング •顧客の成長戦略、 事業課題の整理 •新規製品・ サービスや ビジネスモデルの 構想 •データ解析 •AIソリューション 設計 •ビジネス観点での 技術検証 •ビジネスプロセス 再設計 •ビジネス変革 の実行支援 •改善・進化余地の 特定 •ビジネス変革 の継続支援 •技術要件の定義 •採用する技術手法 の特定 •データ解析 •プロトタイプ システムの設計 開発 •精度検証 •実用システム の設計開発 •テスト・システム 稼働開始 •モデル再学習 •システムへの 追加実装
21. アドバイザリーメニュー 20 ✔ AI開発だけでなく各種アドバイザリーにも対応 ビジョン、戦略、 ロードマップの策定など、 AI導入前のご相談 AI活用アドバイザリー AI活用のための ビジョン策定を データ活用の方法を 相談したい 導入中のAIシステムに 対するアドバイスなど、 技術的なご相談 技術アドバイザリー 自社開発が うまくいかず アドバイスが欲しい 手法の調査やレポー トをして欲しい
22. ソリューションデザイナの紹介 21
23. ソリューションデザインとは 22 ✔ 「AIで解くべき課題は何か」「ビジネス成果のために最適な AI技術は何か」をチームで徹底的に 考え抜く、当社独自のサービスプロセス ビジネスサイド AI／機械学習サイド そもそもクライアントビジネス上、 どの課題を解決すべきなのか？ その課題はどういった AI技術で 解決できるのか？ • 解くべき課題をクライアントと一緒になっ て、明確化する • AIで “現実的に” 実現できることを念頭 に置きながらアイデアを出す • ビジネス上、意味のある KPIに沿って、 画期的なアイデアを考える • その「課題」を解くために一番最適と思 われる手法（問題設定）は何か？ • どのアルゴリズムを使うか？ 必要なデータは揃っているか？ • 実装時のアーキテクチャはどの様に構 成するか？処理はどこで行うか？必要と されるSLAは何か？ ソリューション デザイナ 機械学習 エンジニア
24. オリジナル人材「ソリューションデザイナ」 23 ✔ AI & ビジネスコンサルティングに長けた当社独自の専門人材「ソリューションデザイナ」が、顧 客企業のための AIソリューション設計とビジネスデザインを実施 コンサル ファームや 事業会社での 豊富なビジネス経験 多数の AIプロジェクト 経験に基づく、 機械学習に対する知識 提案営業 コンサルティング プロジェクト マネジメント ソリューションデザイナの特徴・役割 ソリューションデザイナ マーケティング部門などと連携して、顧客への提案や案件獲得の段 階から主体的にご担当。ビジネスとテクノロジーの知見が重要となり ます。基本的には顧客からの依頼にあわせた pull型の営業です。 企業の経営レイヤーや現場責任者レベルの方に対し、 AIへの知見 を生かしたコンサルティングを行います。クライアントへの入り込み、 あるいは提携などの交渉にも従事いただきます。 AIプロジェクトのマネージャーとして、社内のエンジニアと連携し、ク ライアントが期待する成果を生み出すことを目指します。
25. 24 ソリューションデザイナと類似職種 業務 戦略設計 営　業 ビジネス コンサル AI コンサル AI設計 開　発 保守 ・運用 経営企画・事業企画 ソリューション営業 コンサルタント データ サイエンティスト 機械学習 エンジニア ソリューション デザイナ 特徴①　ソリューションデザイナ１名のカバー領域の広さ　▶　情報・ノウハウの一元化 特徴②　営業＋コンサルティング＋ AI設計に軸　　　　　　▶　導入先に最適な企画・提案・設計 特徴③　機械学習エンジニアとのタッグにより１社完結　　▶　企画〜開発・運用までワンストップ
26. 25 ソリューションデザイナの役割 開発前の役割 １ お客様への 課題ヒアリング • 業務プロセスや課題ヒア リングを通して、 AIによっ て効率化・高度化できそ うなビジネス領域を特定 • AIで実現可能かつビジ ネスインパクトが大きい テーマを設定 ２ 開発する ソリューションの設計 • 明確になったテーマを解 決するためのプロジェク トプランを検討 • お客様と一緒に最終的 な実装イメージを固める ところからスタートし、用 いるアルゴリズムや成果 指標を決定 ３ AI技術＆手法の 調査・検討 • 機械学習関連の最新論 文やアルゴリズムを調査 し、使えそうな手法を検 討 • 課題解決の可能性がよ り高いと思われる手法や 問題設計を考え抜き、ご 提案 ４ プロジェクト計画の 立案・管理 • 早期の現場導入に向け て、最終的なビジョン & ゴールから逆算した検証 ・開発計画を策定 • PoCからスタートし、プロ ジェクト開始後も当初の 計画から脱線しないよう マネジメント 開発中の役割 ５ 必要なデータの 整理 • 使用するデータの選定 や、機械学習に用いる教 師データのラベルの定 義、使用する特徴量の 選定などを実施 ６ モデル開発の 推進 • データの内容やパラメー タの設定などを随時検証 • 開発進行中も定のミー ティングを実施し、進捗 や課題点を都度お客様 と共有 ７ 精度改善や PoC結果 からのリプランニング • PoCの結果から改善の 方向性を発見し、場合に よっては問題設定自体を 見直すほか、実用化に 向けたプランニングを再 度実施 ８ 実装までの 伴走 • システム実装の支援や 稼働後の再学習など、継 続的なサポート • 開発の知見がお客様側 にも残るよう、モデルの 中身や仕様についてご 説明 開発後の役割
27. 26 ソリューションデザイン ４つのポイント 　AIを成果のために ビジネス成果につながる最適な AIの開発に向け、 目的、戦略、計画、設計、ワンストップで支援 　意味あるチャンスの発見 「AIで技術的にできること」と「ビジネスで意味のあ ること」の接点を発見 　「どう使うか」を徹底的に考える 　一緒に考え、作り上げる お客様が保有するドメイン知識と当社にある AIノウ ハウとが、強力につながることを目指す 開発前の段階から活用シーンをイメージし、目 指すゴールに最適なビジネスソリューションとし て設計
28. 27 募集対象のロールと役割 プリンシパル ソリューション デザイナ （PSD） ✔ 構想策定・新製品 /事業開発・実現難度が高い業務のデジタル化などのクライアントが注力す る中長期的なプロジェクトを複数リード ✔ SSDと協力して新規案件受注、標準化等の組織課題のリード シニア ソリューション デザイナ （SSD） ✔ SD/ASDをサポートしながら AI開発のコンサルティング・ PoC・導入を一気通貫でリード ✔ AI開発のみならず構想策定・事業戦略などに関連する難易度が高いプロジェクトを実行 ✔ 経営層を含めた議論やビジネスマッチングなどの具体的な課題が明確ではないアイディエー ションを伴うリードへの対応 ソリューション デザイナ（SD） アソシエイト ソリューション デザイナ（ASD） ✔ SSDによるサポートのもと、 SD1名、エンジニア 1名の体制で AI開発のコンサルティング・ PoC・ 導入を一気通貫で実行 ✔ 複数のプロジェクトを並行して実行 ✔ クライアント接点を全て担いクライアントとの議論をリード（ PMや管理にとどまらない）
29. 28 ソリューションデザイナの参画動機 ソリューションデ ザイナ への動機 Laboro.AIへの 参画動機 ▪ 面白いプロジェクトへの参画 ✔ 手触り感のないコンサルティングから脱却（構想だけで終了してしまったり、実現性に疑問がある プロジェクトからの脱却） ✔ 業種や領域を絞らない挑戦範囲（コンサル・大手は分業、事業会社は機会の絶対数が限定的） ✔ 「AI」を武器に事業の”コア”に関与。クライアントは企業の肝いり DXや開発部署・役員レベルまで との接点 ▪ 成長機会 ✔ AIに根差したビジネス変革という将来ニーズが高い強い専門性を獲得 ✔ ビジネスと技術の両立という一般的には実現の難しいロールを遂行 ✔ 優秀な人材達と小チームで働くことによる刺激 ✔ 約80名という規模で第二創業期。仕組みを整えつつ拡大する中で会社の中核として活躍が可能。プリン シパル・シニア層であれば自身の事業 /チーム組成も ✔ 大手コンサルと比べても遜色のない年収
30. ソリューションデザイナのバックグランド ※2025年4月時点 29 ✔ コンサルティングファームや AI企業、アカデミア、事業会社でのデータサイエンティストなどが活 躍中 社　名 学　歴 コンサルティン グファ｜ム 　　 ＡＩ企業・ アカデミア 業　界 A.T.カーニー　→　ソフトバンクロボティクス 野村総合研究所　 →　リクルート ブレインパッド　 →　ローランド・ベルガー 大阪ガス　→　アビームコンサルティング 野村総合研究所 アビームコンサルティング ベイン・アンド・カンパニー 東京大学大学院情報学環　 →　アスタミューゼ 東京大学 未来ビジョン研究センター　 →　Recursve Idein ギリア SENSY 京都大学 理学部物理学科 東京大学 工学部社会基盤学科 早稲田大学 先進理工学電気・情報生命工学 修士 東京大学 工学部 修士 慶応義塾大学 商学部 東京大学 理学部生物学科 東京大学 広域科学専攻相関基礎科学 修士 東京大学 新領域創成科学研究科 博士 青山学院大学 国際政治経済学部 神戸大学 法学部法律学科 シアトルセントラル大学 千葉大学 理学部地球科学学科
31. エンジニアの紹介 　〜機械学習エンジニア〜 30
32. ビジネス実装を前提とした AI開発 • 機械学習手法を組み合わせて、課題解決手法の検討・モデリ ング・評価までを一気通貫で担当 • 実運用で効率的に動作することを前提とした AI開発 問題解決スキル 実運用を考慮したAI開発スキル 31 業務内容と身につくスキル 提案前プロジェクトの技術調査・手法検討 機械学習スキル向上のための知識共有と組織運営 業務内容 身につくスキル • スキル平準化の活動や、組織への知識共有活動 • エンジニアリング部全体の組織運営活動 （開発ツール標準化活動、オンボーディング対応　等） • 提案時に必要となる技術の調査 • 様々なクライアントのビジネス課題を元に、多角的な視点から 機械学習での解決手法を検討 ロジカルシンキング 幅広い機械学習知識 組織運営スキル 課題発見スキル
33. 32 機械学習エンジニアの魅力 様々な分野の技術をキャッチアップできる • 業界業種を問わず、様々なクライアントとの取り組みを実施 • 様々なデータ形式、タスク、機械学習手法に触れられる機会 があります • 3ヶ月〜半年の短いスパンのプロジェクトサイクル 裁量が広く、エンジニアリングに集中できる環境 ビジネスの最前線で活躍する AIコンサルタントと近い距離で働ける • AI開発の企画〜 PoC〜運用まで一気通貫で対応 • 顧客折衝やリソースの管理はソリューションデザイナが担当 するため、エンジニアは技術に 集中しやすい環境があります • 日々の業務は、ソリューションデザイナと二人三脚で取り組みます • エンジニアにも顧客課題の理解やビジネス理解が求められるため、 論理的思考力やビジネ ス理解力を伸ばしやすい環境 です
34. 33 機械学習エンジニア　利用技術 ✔ 技術ニーズやトレンドに応じた技術選定を行っています ✔ Pythonがメインの言語ですが、技術ニーズに合わせて RustやC++等の言語も使用します データ分析全般 機械学習 Deep Learning 実験管理 基本的な Deep Learningライ ブラリはもちろんのこと、最近 ではLLM系のライブラリを活 用しています。 案件に合わせて分析モデ ルを選定します。 ハイパラチューニングやモ デルの説明性も重視してい ます。 可視化ライブラリを活用し、 ビジネス視点で理解しやす いデータ分析を行なってい ます。 プロジェクトにもよります が、実験管理ツールを導入 し再現性を担保した実験を 行っています。
35. 　　　　　　　　　　　　リード機械学習エンジニア 34 機械学習エンジニアのキャリアパス 先輩エンジニアのサポート下で、 　・探索的データ解析 　・機械学習モデルの実装 機械学習エンジニアの業務内容を 単独でこなせる上で、 　・後輩エンジニアの指導、育成 機械学習エンジニア業務に加え、 ・組織全体の課題発見、改善 与えられた業務の遂行に加えて、 自身の考えをしっかりと表現し、組 織に「示唆」を与える 担当プロジェクトのメンバーを束ね る存在として、個のパフォーマンス のみならず、チーム全体のパ フォーマンスの向上 に取り組む 広く深い専門性を活かして、組織 全体のパフォーマンス向上に取り 組む 　機械学習エンジニア 担当業務 組織内のロ｜ル
36. エンジニアの紹介 　〜システム開発エンジニア〜
37. 36 業務内容と身につくスキル 開発スキル向上のための知識共有とルールづくり 業務内容 身につくスキル • 機械学習エンジニアを含むエンジニアのソフトウェアエンジニア リングスキル向上の仕組み検討 • 開発標準の策定や開発プロセスのテーラリングについて検討 機械学習モデルを組み込んだシステム開発の遂行 • 要件定義から運用まで幅広い工程を担当 • 開発チームマネジメント、プロセス管理、外部ベンダー管理 • ソリューションデザイナと協力しながらのプロジェクト進行 機械学習システムの知見 プロジェクトマネジメントスキル 提案前プロジェクトへのシステム開発目線のアドバイス • システム開発面の工数見積もり • AIを実運用に乗せるための「保守性」「可用性」「拡張性」「セ キュリティ」を意識したシステムアーキテクチャの検討 AIシステムの運用を意識した システムアーキテクチャの 設計スキル 組織運営スキル システム開発全般スキル
38. 37 システム開発エンジニアの魅力 「AIを実運用するためのシステム開発」を経験できる 技術に集中できる環境 裁量がある働き方 組織運営に関わることができる • 社会的にも確立されていない領域である「 AIを実運用するためのシステム開発」の先頭に立てます。 • 機械学習エンジニアと協力しながらプロジェクトを進めるため、機械学習の基本的スキルを身につけるこ とができます。 • 顧客折衝やリソースの管理はソリューションデザイナが担当するため、エンジニアは技術に集中で きる環境があります。 • また、技術に関する共有・議論が活発な風土であるため、多様な技術をインプットできます。 • 使用技術、設計技法、プロセスのテーラリングなどの全方向で大きな決定の裁量があります。 • 決められた作業内容をこなすだけではなく、プロジェクトへの主体性が評価されやすい環境です。 • 開発チームが発足されたばかりのため、立ち上げ期から参画することができます。 • 組織運営にも関わることができ、仕組みづくりに自分の意見を大きく反映することが可能です。
39. システム開発エンジニア　利用技術 38 その他ツール 開発ツール Slack Backlog Cacoo Google Meet Visual Studio GitHub 言　語 インフラ Python Rust Javasctipt etc. AWS Azure Google Cloud 社内サーバ オブジェクト指向 ドメイン駆動設計 クリーンアーキテクチャ マイクロサービス 開発全般
40. エンジニアの紹介 　〜エンジニアリング部の特徴〜
41. メンター制度 メンター・スーパーバイズ制度 40 ✔ 様々な場面において、シニアメンバーがエンジニアをサポートします ✔ エンジニアの継続的な成長をサポートする環境が整っています メンバー1人1人には、シニアメンバーがメン ターとして割り当てられます。 ・キャリア相談 ・技術相談 ・雑談 等に随時対応し、継続的な成長をポートしま す。 ジュニアメンバーがプロジェクトアサインされる 際は、メンターとは別に、シニアメンバーが スーパーバイザーとしてアサインされます。 ・プロジェクトに関連する技術の相談 ・プロジェクト推進、他部署との調整 ・プロジェクト成果物のレビュー・ FB 等を実施し、エンジニアが初めての技術分野 にも積極的に参加できるような仕組みがありま す。 スーパーバイズ制度 エンジニアの継続的な成長をサポート 未経験分野にも挑戦しやすい環境
42. プロジェクトのアサイン 41 ✔ プロジェクトアサインは工数の 50%で、最大2つのプロジェクトを担当します ✔ エンジニアはプロジェクトの提案段階から参画することができます １プロジェクトの工数は５０％ （最大2つ） ５０％ プロジェクトアサインの特徴について • 業種/業界、使用技術など多種多様な案件に参画いただくことが可能です。 • プロジェクトアサインされる場合、工数は「 50％」として計算されます。※ SV等 のサブ担当者として参画する場合は除く。 • プロジェクトの提案段階に主体的にエンジニアが参加するケースが増加して おり、自身が提案に関わったプロジェクトにアサインされることもあります。 • プロジェクトアサインがない場合は、各自の専門性強化へ向けた自主学習や R&Dに充当できます。 ５０％ ソリューションデザイナ（ SD）との連携 • 弊社はエンジニアとソリューションデザイナとの連携が強い上、エンジニアがプ ロジェクトの提案段階から主体的に関わることが多いです。 • 例えば、ソリューションデザイナがプロジェクト提案に際し技術的に困った時 は、Slack経由でエンジニアに相談し、逐次対応する文化が存在します。
43. 評価制度 42 ✔ メンバー間での 360°評価を実施 ✔ 勤続年数や年齢にとらわれない、成果を元にした評価制度 プロジェクト評価 定期考課 評価内 容 評価時 期 評価内 容 評価時 期 プロジェクト終了時に実施 一般的なプロジェクト期間は 3ヶ月〜半年程度 プロジェクトで関わった全てのメンバー同士で 評価を実施 半期に1回のタイミングで実施 年間に2回の評価（2月, 8月） 期の最初に、次のランクに向けた「達成目 標」「昇進時期」を上司と合意 定期考課のタイミングで、目標に対する達成 度やプロジェクト遂行における全般的な能力 を評価 高いパフォーマンスを発揮した場合は、昇進時期より早い時期に昇進可能です
44. リモートワーク主体の働きやすい環境 43 ✔ フルリモート・フルフレックスの働き方を採用しています ✔ 子育てやプライベートと仕事を両立させた働き方が可能です 全国各地から勤務できます 2割の社員が関東県外から勤務し ています。 日本国内であれば居住 地の制限が無い ため、自由な働き 方が可能です。 出社率は1〜2割 多くの社員がリモートワークを選択 し ています。また、リモートワーク主体 で週に2〜3回出社されメンバーもお ります。 月に一度の対面 　コミュニケーション機会 月に一度全社会議が開かれ、近隣 ・遠方のメンバーが多く出社し、対 面コミュニケーションをとっていま す。遠方のメンバーには交通費や 宿泊費が支給されます。 ライフスタイルに 　　　　　合わせた働き方 コアタイムが無いフルフレックスの働 き方を採用しているため、プライベー トと仕事を両立させることが出来ま す。子育てと仕事を両立させながら 仕事をしている方が多くいます。
45. 44 エンジニアリング部　メンバー紹介（一部） 1/2 Y.Tさん S.Yさん 役職 リード機械学習エンジニア 入社 動機 大企業では得られなかった、広い 裁量を持って働きたいと思い入社 を決めました。 ﾒｯｾｰｼ 意欲を持って業務に取り組むことで 若手でもしっかりと評価してもらえる 文化の会社だと思います！ 専門分野 データ分析・可視化、 画像認識、自然言語処理 リード機械学習エンジニア 魅力的なチームと一緒に、様々なこ とにチャレンジできる環境が入社の 決め手でした。 様々な規模感のプロジェクトに様々 なロールで参画できる、 成長機会に富んだ会社です！ エッジコンピューティング、 画像認識、データ分析・可視化 K.Kさん ※2024年7月1日現在 エンジニアリング部　部長 リード機械学習エンジニア 機械学習を通して様々な業界を知るこ とができると思い入社しました。 技術はもちろん、それ以外の面でも高 い能力を持つメンバーが多く、成長で きる環境だと思います。 確率モデリング、強化学習 H.Kさん リード機械学習エンジニア 機械学習という技術を軸に、エンジニ アでもクライアントに近い距離で働ける 会社だと思い、入社を決めました。 積極的に手を挙げれば、若手でもチャ ンスを多く得られる会社だと思いま す！ 強化学習、連続最適化、時系列解析 役職 入社 動機 ﾒｯｾｰｼ 専門分野 役職 入社 動機 ﾒｯｾｰｼ 専門分野 役職 入社 動機 ﾒｯｾｰｼ 専門分野
46. 45 役職 入社 動機 ﾒｯｾｰｼ 専門分野 役職 入社 動機 ﾒｯｾｰｼ 専門分野 役職 入社 動機 ﾒｯｾｰｼ 専門分野 役職 入社 動機 ﾒｯｾｰｼ 専門分野 エンジニアリング部　メンバー紹介（一部） 2/2 機械学習エンジニア 顧客のニーズに合わせて最適なソ リューションを提供することに感銘 を受け、現実世界の課題を解決し たいと思い入社を決めました。 幅広い分野のプロジェクトを経験で きます。幅広いドメインにチャレンジ する機会があります！ 異常検知、画像解析、 時系列解析 D.Xさん ※2024年7月1日現在 Z.Xさん MLリサーチャー 様々な分野に携わることで、スキ ルを磨き、成長するチャンスがた くさんあります！ 自然言語処理、音声処理 機械学習の最新技術に関わる R&Dプ ロジェクトを自ら提案し、最後まで責任 を持ってやり遂げられる環境があると 思い、入社を決めました。 A.Oさん システム開発エンジニア チームメンバーや職務内容から、 自分が最も成長できそうな環境で あると思い入社を決めました。 やる気次第で何にでも挑戦できるフラッ トな会社です。自己成長したいならピッ タリだと思います！ システム開発、 IoT開発、回路設計 S.Mさん リードシステム開発エンジニア AIを社会実装するためのシステム開 発の最先端に立ちたかったため。 まだ正解のない AIを組み込んだシステ ム開発のあり方について、答えを探究 できる事は大変面白いです！ システムアーキテクチャ
47. 「私の1日」：T.Iさん（リード機械学習エンジニア） 46 ✔ 参画プロジェクト：ベイズ最適化、データ分析 等 5:00 9:00 12:00 13:00 18:30 21:00 起床、犬の散歩、読書など 始業 休憩 午後の業務 業務終了 就寝 →社内ミーティングはなるべく午前中に集中させています →午後は集中してコーディングできるようにスケジュールブ ロックをするときもあります。 リモートワークを活用 し、妻と協力しながら 子育てと仕事を両立し ています。 時には、早朝に作業 をして、夜に子供と過 ごす時間たくさん作っ たりもしています！ 7:00 朝の支度、保育園の送り →早めに業務終了して保育園の迎えに行く場合もあります →8時間寝ます →6時まで家事等をして、 6時から7時は読書 →リモートワークで太ったのでジョギング 20分
48. 「私の1日」：K.Hさん（機械学習エンジニア） 47 ✔ 参画プロジェクト：制振制御、画像異常検知、レコメンドシステム開発　等 9:00 9:45 13:00 14:00 16:30 18:30 19:30 朝活で近所をジョギング 始業 休憩 午後の業務開始 業務終了 野球観戦 →メールチェック、シミュレーションチェック、 　SDとの内部ミーティング、アルゴリズム検討等 →クライアントミーティング、コード実装、勉強会準備　等 定期的な社内勉 強会など、成長す る場を多く頂いて います！ →時間のある日は、スポーツ観戦に出かけてます！ 社内勉強会 →多い日には 2つほど勉強会に参加してます！ →リモート勤務なので、帰宅時間なしです！
49. 社内活動の様子 48 ✔ 様々なテーマで定期的に勉強会を開催しています ✔ 任意参加で社内部活動などの社内イベントもあります 業務終了後に社内でボードゲーム 数理最適化勉強会の様 子 強化学習勉強会の様 子 創業記念パーティーの様子
50. 社内制度
51. 50 スキルアップサポート制度 　　　　　　メンター　 　　　　スーパーバイズ制度 社内研修 社内勉強会制度 資格取得 奨励金制度 補助制度 • 各メンバーに対して 1名のスーパー バイザーが付き、成長をサポート • エンジニアはプロジェクト毎にシニ アメンバーが技術アドバイス • エンジニア向けの独自研修プログ ラム。基礎的な機械学習技術のお さらいと社内インフラの理解をサ ポート • 強化学習勉強会 • 輪読会 • パワーポイント講習 • その他社内有志による勉強会 • G検定、統計検定、 AWS認定資格 など部署毎に推奨資格への奨励 金 • 書籍購入費補助 • セミナー参加費補助 • 研修参加費補助
52. 制度・福利厚生 • 土日、祝日 • 年末年始休暇 • 慶弔休暇 • 有給休暇 休日休暇 • 関東ITソフトウェア 　　　　　　健康保険組合加入 • 社会保険完備 • 健康診断補助 　健康保険・社会保険 • フルフレックス制度（コアタイムな し） • リモートワーク主体 • カジュアルな服装 勤務体制 • 在宅勤務手当 • リモート環境構築補助 • オフィスフリードリンク • 親睦ランチ補助 • 社内部活動制度 • 全社イベント（総会、創立記念パーティ、忘年会など） • 社員持株会 福利厚生
53. よくある質問 52 Q A Q A Q A 正式な選考の前にカジュアル面 談は可能ですか？ 選考の中でテストはありますか？ 選考はどのようなプロセスになっ ていますか？ 書類審査後、数回の面談 /面接を 実施します。 可能です。 お気軽にリクエストください。 エンジニアの候補者にはコーディ ングテストをお願いする場合もあ ります。 Q A Q A 副業はできますか？ どのくらいの方がオフィスに出社 していますか？ 常時オフィスに出社しているのは 全体の10％ほどです。月次の全 社ミーティングは出社を推奨して います。 申請し、承認されれば副業は可 能です。
54. プロジェクト事例 53
55. 54 Laboro.AI プロジェクト事例 製 造 ・ 建 設 画　像 製　造 設備の外観検査 成　　　果 開 発 内 容 インフラ設 備の画 像 内 にある劣化箇所の検出 と劣化内容の識別 ▶補修有無の判断補助 ▶目視確認作業の減少 ー 情報通信企業様 ー 時系列データ 製　造 検査データ異常検知 ー 非破壊検査様 ー 成　　　果 開 発 内 容 ボイラー管など管 内 外 の非破壊検査データ上 にある損傷箇所を検知 ▶解析数が 60%向上 ▶業務効率化に貢献 画　像 製　造 完成車の外観検査 ー 自動車メーカー様 ー 成　　 　果 開 発 内 容 検査対象エリアの動画 から、対 象 部 品のみを 抽出し、異常を判定 ▶専門性が不要に ▶ライン全体への貢献 強化学習 建　設 施工計画の最適化 ー 建設関連企業様 ー 成　　 　果 開 発 内 容 最適な計画を自動的に 立案する強化学習 ベースのAIを開発 ▶業務効率化 ▶工事コストの削減 時系列データ 製　造 排水処理での異常検知 ー 電機メーカー様 ー 成　　 　果 開 発 内 容 工場から排出される 汚染水データの分析、 異常検知を実施 ▶工数削減 &効率化 強化学習 製　造 工程スケジューリング ー 精密機器メーカー様 ー 成　　 　果 開 発 内 容 強化学習を用い、生産 計画のスケジュール 最適化問題を解決 ▶人手の策定業務減 ▶より最適な計画策定 画　像 建　設 作業現場の安全管理 ー 建設企業様 ー 成　　 　果 開 発 内 容 危険が伴う作業現場で 起こる特定事象（発火 や侵入etc.）を検出 ▶安全な作業現場 ▶危機管理技能の継承 強化学習 建　設 建設物の揺れ制御 ー 大林組様 ー 成　　 　果 開 発 内 容 制 振 装 置 AMDの制 御 を目的とした強化学習 プログラムを開発 ▶従来以上の制御効果 ▶揺れの少ない環境に
56. 55 Laboro.AI プロジェクト事例 コンシューマ レコメンド E　C 未来予測レコメンド ー 大手ECサイト様 ー 成　　 　果 開 発 内 容 長期の過去情報を加味 するアルゴリズムを 用いたレコメンド開発 ▶ECサイト内に実装 ▶想定を上回る反響 自然言語処理 人　材 人と職のマッチング ー 大手人材企業様 ー 成　　　果 開 発 内 容 採 用 サイトでの 人 と職 のマッチングを行う 仕組みを開発 ▶より適したﾏｯﾁﾝｸﾞ ▶担当者の負荷軽減 画　像 小　売 店内在庫モニタリング 成　　　果 開 発 内 容 防犯カメラを用いた リアルタイムでの 店頭在庫モニタリング ▶需要予測 AIへの展開 ▶仕入れ判断に活用 ー ソニーセミコン様 ー 画　像 小　売 店内の不審者検知 ー 電機メーカー様 ー 成　　 　果 開 発 内 容 防犯カメラを用いて 不審者と思われる 特定の動きを検知 ▶一定精度での検知 ▶人とAIとの協働 レコメンド 人　材 応募予測＆検索最適化 ー 大手人材企業様 ー 成　　 　果 開 発 内 容 ユーザの属性・検索傾 向から応募確率を予測 し、案件をレコメンド ▶レコメンド精度向上 ▶応募数の増加 生　成 ﾏｰｹﾃｨﾝｸﾞ ブランド人格 対話生成 ー 大広様 ー 成　　 　果 開 発 内 容 ブランドにふさわしい 対 話を自動生成する テキスト生成 AI ▶One to Oneの向上 ▶各ブランドへの展開 時系列データ 小　売 需要予測 ー 飲食チェーン様 ー 成　　 　果 開 発 内 容 飲食チェーンにおいて、 店 舗ごとに異なる購 買 需要予測 ▶一定精度での予測 ▶発注適正化への目処 レコメンド 食　品 献立作成エンジン ー 味の素様 ー 成　　　果 開 発 内 容 レシピデータ、栄養素条 件からニーズを満たす 献立を提案 ▶ノウハウの一般提供 ▶外部サービス化も
57. 課　題 成　果 開発・導入 線路設備の検査の多くは目視による確認が必要であ り、膨大な人手と労力を要する一方、業界は社員減少 に直面していた 物体検出と異常検知を組合わせ不良判定を行う「線 路設備不良判定AI」を開発。十数種類の部材の複数 の不良パターンを判定することが可能に 一部の部材においては８割以上のスクリニーング効果 を達成。全画像を目視判定していた従来と比べ、 1ヶ 月あたり100時間※の工数削減が見込まれている。　 　　　　　　 ※JR東日本が開発した AIの効果を含む。 56 線路設備の不良判定の自動化 日本線路技術 様 ✔ 線路設備の異常を自動判定する「線路設備不良判定 AI」を開発 ✔ 物体検出と異常検知を組合わせ不良判定を実現 画像・映像 ×AI
58. 課　題 成　果 開発・導入 電子基板へのチップ配置で使用する吸着ノズルの異 常検査について、ノズル先端部分の撮影画像を人の 目視確認することで行われていた。 検査精度の向上と作業時間の短縮を目的に、画像分 類のアプローチによるAI検査システムを開発。計26回 の開発を重ね、最高精度のモデルを採用。 現場からも「ほとんど見逃しがなく、 AI判定を信頼でき る」とのコメントもあり、検査自動化に向けた第一歩に なっている。 57 防衛装備品の製造における外観検査 　沖電気工業 様 ✔ 製造装置の検査作業に画像分類 AIによる外観検査を適用 ✔ 人による目視確認を補助し、精度向上と効率化を実現 画像・映像 ×AI
59. 58 小売店での店内在庫モニタリング　 ソニーセミコンダクタソリューションズ様 ✔ エッジAIを用いた小売向けソリューションの開発 ✔ 店内の在庫状況をリアルタイムでモニタリング 画像・映像 ×AI 課　題 成　果 開発・導入 同社ではAI機能を搭載した画像センサ「 IMX500」を軸と したエッジAIプラットフォーム「AITRIOS」 を展開し、小売向けソリューションの開発を検討。 店内に設置された防犯カメラシステムに IMX500を搭 載し、在庫状況をリアルタイムでモニタリングするカス タムAIを開発。 モニタリング結果をもとに、今後リアルタイムでの売れ 行き状況の把握や需要予測、仕入れ判断などに活か していくことが検討されている。 AITRIOS、およびそのロゴは、ソニーグループ株式会社またはその関連会社の登録商標または商標です。
60. 59 姿勢推定による伝統芸能の普及 　山口県 様 ✔ 「鷺流狂言」の伝承・普及に課題を持つ、山口県に対する AI開発 ✔ キーポイント検出を用い、狂言の動きを可視化 課　題 成　果 開発・導入 山口県に古くから伝わる「鷺流狂言」は、継承のため 様々な活動が取組まれてきたが、伝承者も少なくな り、今後10年以内の伝統消失が危惧されていた。 キーポイント検出（姿勢推定）技術を用いて演者の動 きを検出。検出された特徴点を結んだベクトルの向き を比較し、類似度をスコア化する AIを開発。 普及・教育用アプリの企画も行い、今後、小中学生に 向けた体験型アプリコンテンツなどに活用することが 検討されている。 画像・映像 ×AI
61. 課　題 成　果 開発・導入 同社では、組立てが終わった自動車の検査を専門検 査員が目視で実施していたが、判定品質のブレや異 常の見逃しが課題になっていた。 検査対象エリアを撮影した動画から、対象の部品のみ を抽出し、異常の有無を判定する仕組みを開発。 検査員に従来ほどの専門性が不要になるとともに、検 査結果と検査対象の双方がデータとして蓄積され、製 造ライン全体へのフィードバックに貢献。 60 完成車の外観検査の自動化 　大手自動車メーカー 様 ✔ 動画から検査対象部品を抽出、異常がないか判定 ✔ 人手による目視確認作業をデジタル化する取り組み 画像・映像 ×AI
62. 61 航空写真からの停止線・横断歩道の検出 　ジオテクノロジーズ 様 ✔ 人手で行われていた地図データ開発業務を効率化 ✔ 地図データに必要な停止線・横断歩道を航空写真から検出 課　題 成　果 開発・導入 デジタル地図データ開発の業務プロセス上で、いかに 人手による作業を削減し、効率化につなげられるかが 課題になっていた。 航空写真をデータとしてインプットし、画像認識アルゴ リズム（Mask R-CNN）を用いて画像内に映った停止 線と横断歩道を検出するAIを開発。 担当者の目視確認で行われていた作業がサポートさ れ、工数削減と業務効率化、また見落としや確認漏れ といった人為的ミスの低減につながっている。 画像・映像 ×AI
63. 62 インフラ設備の劣化箇所検出 　大手インフラ企業 様 ✔ ディープラーニングの画像認識アルゴリズムを活用 ✔ 人手による作業を削減し、業務効率を改善 課　題 成　果 開発・導入 同社では、管理する多数の設備の画像から劣化箇所 を特定し補修有無を判断するという作業を人手でこな しており、多くの工数を割いていた。 ディープラーニングによる画像認識アルゴリズムを用 いて、画像内の劣化箇所の検出と劣化内容の識別を 行うカスタムAIを開発。 一定の精度で劣化箇所の位置を矩形で検出すること が可能になり、人が確認する内容が減ったことで作業 の効率化を実現。 画像・映像 ×AI
64. 63 画像アプローチからの手書き文字読み取り 　大手生命保険企業 様 ✔ 手書きOCRでは実現不可だった課題を画像系 AIで解決 ✔ 従来業務の大幅な効率化を実現 課　題 成　果 開発・導入 生命保険の保険金請求では、自動文字読み取り （OCR）機が普及してきたものの、業界専門用語や表 現に揺らぎが多い言葉を解読するには限界があった。 文字を読み取った後に病名コードに変換する必要が あることを踏まえ、OCRのように文章解読を目指すこ とから、画像として識別するアプローチに発想を転換。 申請書に記載されている手書き文字の読み取りを行 なった結果、約80％の精度で正しいコードへの置き換 えを実現。 画像・映像 ×AI
65. 64 ブランド人格を反映した対話テキスト自動生成 　大広 様 ✔ ブランドにふさわしい対話を自動生成するエンジンの開発を支援 ✔ ブランドの思想に沿った One to Oneでの対話が可能に 課　題 成　果 開発・導入 企業ブランドや商品ブランドに立脚したオリジナルなブ ランド思想を維持しながら、顧客ごとに最適化された One to Oneコミュニケーションを展開する必要性が あった。 OpenAI社のChatGPTにブランド人格を反映してオリ ジナル生成AIとして構築。ユーザーおよび対話内容に 応じて瞬時にプロンプトを入れ替える「ダイナミックプロ ンプト」も活用。 パーソナルデータや商品データ、コンテンツデータを 対話に反映。アパレル系企業様との実証実験も進む など、新しい顧客体験の実現が目指されている。 自然言語 ×AI
66. 65 ESG企業調査での情報収集・評価 　日本総合研究所 様 ✔ 調査対象企業の HPからの情報収集と評価を自動化 ✔ 業務の８割を占めていたプロセスの作業負荷を５割削減 課　題 成　果 開発・導入 同社が発表するESG企業調査レポートの作成業務で は100を超える評価項目について、対象企業 HPの目 視確認などの情報収集・評価が人手で行われてい た。 インターネット上の情報収集と、 ESG評価項目に該当 する文章抽出を効率的に実施することを目指したカス タムAIを開発。 担当者が評価項目と関連性の高い文章の一覧表に 早期にアクセスできるようになり、作業量全体の８割を 占めていた工程の５割相当が削減される見込み。 自然言語 ×AI
67. 66 人と職の最適なマッチング 　パーソルクロステクノロジー 様 ✔ 候補者と求人内容の類似度をスコアリング ✔ 自然言語処理とカテゴリデータを活用 課　題 成　果 開発・導入 マッチング業務を担うキャリアコーディネーターが照合 する項目は1,000以上にも及び、求人を探し出すため に非常に多くの工数がかかっていた。 大量のマッチング結果を抽出することを目指してカス タムAIを開発。過去10年分の求人情報、志向性成約 事例など、60万件以上のデータを用いて学習。 今後のマッチング情報などもリアルタイムで学習を継 続することで、業務負荷の低減に加え、キャリア提案 数が平均1.2倍向上することが見込まれている。 自然言語 ×AI
68. 67 建設物の制振制御 　大林組 様 ✔ 産業実装例が珍しい強化学習を用いた取り組み ✔ 従来手法を超える制御効果を発揮 課　題 成　果 開発・導入 高層ビルをはじめとする建設物の揺れ・振動を抑える 技術「アクティブ制振（ AMD)」にAIを適用し、より効果 的な制振の実現が目指されていた。 同社研究所内に造られた橋を実験の場として利用。シ ミュレーター上で高効果な制御則を獲得した強化学習 によるAIモデルを実際の制御システムに転用。 従来のAMDによる振動の1/2を下回る制振効果を発 揮し、これまで以上に揺れが感じられにくい環境を作 り出すことに成功。 強化学習 ×AI
69. 68 土木工事での施工計画の最適化 　建設関連企業 様 ✔ 膨大な条件の組み合わせの中からマニュアル作業や数理最適化では見つけられなかった最適 な施工計画を立案 課　題 成　果 開発・導入 コスト最適な施工計画を立てるためには、どの位置の 土を、どの建機で、どの順番で工事するかなど、膨大 な組合わせを考慮する必要があり、マニュアル作業や 数理最適化手法では困難。 工期や地形(工事前と工事後)、建機種類/台数などの 諸条件をインプットに、各種制約の中で最適な計画を 自動的に立案する強化学習ベースのカスタム AIを開 発。 自動化による業務効率化に加え、それまでのマニュア ル作業や数理最適化手法では見つけられなかった施 工計画の立案により工事コストを削減。 強化学習 ×AI
70. 69 生産工程の最適スケジューリング 　精密機器メーカー 様 ✔ 産業実装例が珍しい強化学習を用いた取り組み ✔ 従来手法では対応困難な条件で、良い計画が得られることを確認 課　題 成　果 開発・導入 同社では、多数の装置リソースに対し大量のワークを 適切に割り当てて生産計画を立案。人手でルールを 作り込んでいたが、さらなる品質改善を狙っていた。 自律的に最適解発見の法則を学ぶ「強化学習」モデ ルを開発。ルールベースや数理最適化などの従来技 術と比べ制約条件変更の際の作り込みの負担が小さ い点が特徴。 ルールベースでは対応困難だった条件でも最適解を 出すなど、強化学習とルールの棲み分けにより、スケ ジュール品質の向上ができつつある。 強化学習 ×AI
71. 70 潜在ニーズ探索による AIレコメンド 　大手自動車メーカー 様 ✔ ユーザーによる検索が不要な探索型 AIレコメンド ✔ ユーザーの潜在情報を抽出、確率分布から好みに近い候補を提案 課　題 成　果 開発・導入 WEB検索に頼ったドライブの目的地探しには、ユー ザーが掲載された様々なサイトを閲覧して情報収集し なければならず、手間がかかる上、ユーザーの潜在 的な嗜好を捉えることが難しい。 端末のブラウザ上でのユーザーとの対話的アクション を通して、AIが好みを探索し、能動的に目的地候補を 提案していくという新たなレコメンドの仕組みを開発。 目的地のニーズが不明瞭なユーザーでもレコメンドの 新たな可能性を示すことにつながっている。 強化学習 ×AI
72. 71 ユーザーのニーズを満たす「献立作成エンジン」 味の素 様 ✔ 栄養素の条件とユーザーのニーズを満たす献立を作成する AIエンジン ✔ ビジネス構想検討から開発、サービス提供に至るプロセスに長期伴走 課　題 成　果 開発・導入 同社では、製品開発や研究開発で培った健康や栄養 に関する知見やノウハウ、データ、数々のレシピデー タを保有しており、これらのデータの活用方法を模索し ていた。 料理をする人が抱える悩み「献立づくり」に着目し、同 社が保有するレシピデータを組み合せ、栄養素の条 件とユーザーのニーズを満たす献立を作成する AIエ ンジン「献立作成エンジン」を開発。 管理栄養士などに限られていた、おいしさと栄養条件 を兼ね備えた献立作成のノウハウを一般家庭にも提 供することに貢献。APIで提供することで、今後様々な 外部サービスでの利用も見込まれる。 レコメンド ×AI
73. 課　題 成　果 開発・導入 同社の求人サイトは掲載求人 100万件、利用者は1日 数万人に及んでいたが、検索結果の最適化が行えて おらず、レコメンドも一般的な協調フィルタリングに留 まっていた。 ユーザの属性・検索傾向と、求人情報から応募確率を 予測するモデルを開発。また、高速な検索・レコメンド レスポンスを実現するためのバックエンドスコアリング システムを構築。 このスコアリング機能を求人サイトに搭載したところ、 大幅な応募数増による売上増を実現。 72 応募確率予測からの検索最適化 　大手人材企業 様 ✔ ユーザの属性・検索傾向と求人情報から応募確率を予測 ✔ 大量データを持つ求人サイトで運用 レコメンド ×AI
74. 73 未来購買パターン予測にもとづくレコメンド 大手ECサイト 様 ✔ 自然言語処理で用いられるアルゴリズム、 LSTMを活用 ✔ より精緻なユーザー行動の予測を目指したもの 課　題 成　果 開発・導入 同社には数十万ユーザーのサイト閲覧履歴などの データが蓄積されていたが、データ活用の知見がなく 実施する施策も標準的なものに留まっていた。 時間軸の情報を取り入れ、より精緻な購買予測の実 現を目指して、長期の過去情報を加味する LSTMを用 いた独自のレコメンドエンジンを提案。 このレコメンドエンジンに基づくレコメンド枠を ECサイト 内に設置したところ、当初想定していた以上の反響が 得られた。 レコメンド ×AI
75. 74 波形解析による管内外面の損傷検出 　非破壊検査 様 ✔ 波形データの特徴から管内外の損傷箇所を検出 ✔ 2020年5月より実運用、データ解析処理数量 60%増加見込み 課　題 成　果 開発・導入 同社が特許を保有するボイラーなど熱交換器等の管 内外面を検査する技術について、取得される検査 データの解析に省力化・効率化が求められていた。 検査データである波形データを入力として、その中に 含まれる異常箇所を特定するためのニューラルネット ワークをベースとしたカスタム AIを開発。 現場業務での試験運用が開始され、最終的な不良判 断は人が行う形で運用することで、解析処理数量が従 来の約60％増加する見込み。 時系列データ ×AI
76. 75 匂いセンサーデータの分類 　大手自動車メーカー 様 ✔ 「五感センサー最後の砦」、ニオイセンサーデータの分類を実現 ✔ 同一商品群で類似したニオイについても分類性能を確認 課　題 成　果 開発・導入 複数の匂いセンサーから取得されるデータから、どの ように特徴量を抽出するか、またそれらをどのように 特定の匂いに分類するかが課題になっていた。 取得したデータの探索的データ分析に着手し、複数の 匂いを分類するカスタムAIを開発。 マルチアレイの時系列センサーデータについて 20を超 える匂い分類に成功。また一部のデータのみの学習 から未学習の匂い分類も可能であることを確認。 時系列データ ×AI
77. 76 製造・建設・インフラ領域での実績 プロジェクト実績 異常検知・故障予知 ・非破壊検査｜渦電流探傷試験 ・電気機器メーカー｜排水処理異常検知 ・　　　〃　　　　｜モーター故障予知 画像・センサーデータからの 異常・チョコ停検知 & 故障の発生予測 外観検査・官能検査 目視検査の自動化 & 画像・測定データによる検 査の規格化 ・ソニーセミコンダクタソリューションズ 　　　　　　　｜画質規格の最適化 ・インフラ企業｜目視点検の負荷削減 ・自動車メーカー｜完成車の官能検査 安全管理・作業分析 ・鹿島建設｜建設現場の安全管理 ・鉄鋼メーカー｜作業現場の危険検知 映像からの現場監視業務 の半自動化 ＆ 現場の危険検知 生産スケジューラー 経験則で決定した ルールから、 強化学習を用いた 最適化へ ・精密機器メーカー 　　　　｜製造装置内の処理工程の最適化 プロジェクト実績 プロジェクト実績 プロジェクト実績
78. 77 コンシューマ領域での実績 プロジェクト実績 レコメンド ・大手 ECアパレル｜購買順を考慮した商品推薦 ・味の素｜パーソナル献立推薦エンジン開発 ・自動車メーカー 　　　　｜非検索型探索アプローチの推薦エンジン開発 ・電気機器メーカー｜店舗行動に基づくレコメンド ・人材企業｜採用サイトにおける求人レコメンド ・損害保険企業｜保険特約のレコメンド 購買データ・顧客行動データ・ センサーデータ・クチコミ等を活用した、サービ ス改善を目的とする レコメンドエンジン開発 カメラによる行動認識 ・小売企業｜店舗での不審者検知 ・OKI｜動画からの困り感情推定 カメラの撮影データから 顧客行動の認識や 感情予測 需要予測 構造化データや 動画データからの 需要予測 ＆発注業務効率化 ・レンタルショップチェーン 　　　　　　　｜新タイトルの需要予測 ・弁当チェーン｜店舗別の需要予測 ・家電メーカー｜店内動画からの需要予測 プロジェクト実績 プロジェクト実績