Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
なぜ今最適化か?Agentic AI 時代に最適化が必要な理由
Search
MIKIO KUBO
September 01, 2025
Research
1
50
なぜ今最適化か?Agentic AI 時代に最適化 が必要な理由
なぜ今最適化か?Agentic AI 時代に最適化が必要な理由
Mikio Kubo
MOAI Lab. CTO
東京海洋大学
ビデオ
https://youtu.be/e2eV3PtyWxQ
MIKIO KUBO
September 01, 2025
Tweet
Share
More Decks by MIKIO KUBO
See All by MIKIO KUBO
最適化ソリューション開発を加速する 数理最適化モデリングツール AMPL 活用セミナー
mickey_kubo
1
8
AMPLとその他のPythonモデラーの違いと優越性
mickey_kubo
3
65
AIエージェントのためのツール設計論 --Anthropic式・評価駆動開発手法の徹底解説
mickey_kubo
1
27
機械学習と数理最適化の融合 (MOAI) による革新
mickey_kubo
1
350
Agentic AI Era におけるサプライチェーン最適化
mickey_kubo
0
56
最適化向けLLMベンチマークの潮流
mickey_kubo
2
390
Agentic AI による新時代の IBP (Intelligent Business Planning) (配布用)
mickey_kubo
0
110
Agentic AI による新時代の IBP (Intelligent Business Planning) 改訂版
mickey_kubo
2
39
Agentic AI による新時代の IBP (Intelligent Business Planning)
mickey_kubo
1
150
Other Decks in Research
See All in Research
とあるSREの博士「過程」 / A Certain SRE’s Ph.D. Journey
yuukit
10
4.3k
SSII2025 [SS1] レンズレスカメラ
ssii
PRO
2
1.1k
Unsupervised Domain Adaptation Architecture Search with Self-Training for Land Cover Mapping
satai
2
120
Time to Cash: The Full Stack Breakdown of Modern ATM Attacks
ratatata
0
150
cvpaper.challenge 10年の軌跡 / cvpaper.challenge a decade-long journey
gatheluck
3
310
20250725-bet-ai-day
cipepser
2
450
心理言語学の視点から再考する言語モデルの学習過程
chemical_tree
2
600
Towards a More Efficient Reasoning LLM: AIMO2 Solution Summary and Introduction to Fast-Math Models
analokmaus
2
830
Adaptive Experimental Design for Efficient Average Treatment Effect Estimation and Treatment Choice
masakat0
0
110
不確実性下における目的と手段の統合的探索に向けた連続腕バンディットの応用 / iot70_gp_rff_mab
monochromegane
2
170
Combinatorial Search with Generators
kei18
0
820
なめらかなシステムと運用維持の終わらぬ未来 / dicomo2025_coherently_fittable_system
monochromegane
0
3.1k
Featured
See All Featured
Large-scale JavaScript Application Architecture
addyosmani
513
110k
Building a Modern Day E-commerce SEO Strategy
aleyda
43
7.6k
CoffeeScript is Beautiful & I Never Want to Write Plain JavaScript Again
sstephenson
162
15k
What’s in a name? Adding method to the madness
productmarketing
PRO
23
3.7k
Music & Morning Musume
bryan
46
6.8k
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
45
2.5k
Put a Button on it: Removing Barriers to Going Fast.
kastner
60
4k
10 Git Anti Patterns You Should be Aware of
lemiorhan
PRO
657
61k
GraphQLとの向き合い方2022年版
quramy
49
14k
Done Done
chrislema
185
16k
Evolution of real-time – Irina Nazarova, EuRuKo, 2024
irinanazarova
8
940
How to Ace a Technical Interview
jacobian
280
23k
Transcript
なぜいま最適化か? Agentic AI 時代に最適化 が必要な理由 Mikio Kubo MOAI Lab. CTO
東京海洋大学
Agentic AI 時代に最適化が必要な理由 • LLM => 生成AI => Agentic AI
を使えば、ダッシュボード、機械学 習、予測などは簡単にできる • 最適化プロジェクトのライオンの分け前と言われていたデータ収集 +前処理もできる • (最適化という名前の)自動化で人員削減されるのに反対する勢力 が,Agentic AIで淘汰される • 本当の最適化は簡単ではない => 計算量の壁、動的モデルの壁、不確実性の壁
計算量の壁 • 30点の巡回セールスマン問題を解くのに10万年? => ◯✗ を使えば数秒(というのは素人) • 全列挙だと組合せ爆発。30点なら厳密解を数秒で • 全列挙ではなくSOTA解法を使えば1万点のTSPの誤
差0.3%未満の解が数秒 • 本当に解きたい問題 => 100万作業のスケジューリング最適化 1万点の配送最適化
数理最適化ソルバーの性能 • CPLEX 1.2 (1991) -> CPLEX 11 (2007) :
29000倍 • Gurobi 1.0 (2009) -> Gurobi 9.0 (2019) : 59倍 • 合わせると... 170万倍 • 計算機の速度向上 59.7 Gflops/s (1993) -> 93.0 Pflops/s (2016)-> 442.01PFLOPS(2021) • 合わせると... 2.2兆倍 (というのはMIPの宣伝) - 何でもMIPソルバーで解けるというわけではない - 問題別のSOTA解法を準備しておけば静的・確定的な問 題なら何とかなる
動的モデルの壁 Period Instance 𝑡 − 1 𝑡 𝑡 + 1
𝑡 + 2 ⋯ 𝑇 𝑇 + 1 ⋯ 時間 有限期間の静的な問題への帰着? Horizon Effect
不確実性の壁 即時決定変数 シナリオ1(円高) シナリオ1-1 シナリオ1-2 シナリオ2(関税) シナリオ2-1 シナリオ2-2 シナリオ3 (南海トラフ地震)
リコース変数 調整可能変数 確率的最適化 ロバスト最適化 シナリオ木 時間 有限期間(2段階)でもNP-困難、無限期間はPSPACE困難か決定不能
大規模+動的+不確実な実際問題 簡単ではなく、問題依存だが何とかなる(何とかする)
最適化の効果 • 人間(ベテラン)の作った解の10%程度の削減 • 物流費用はGDPの8%程度(途上国ではその倍以上) • 例えば日本だとGDPは560兆円程度 最適化を使えば,物流費だけで年間4兆円削減可能! サプライ・チェインの費用はさらに大きい! •
エネルギーの最適化(起動停止問題: ちゃんと定式化すればMIPソ ルバーで解ける)の利用で米国では 10-50%削減実績