Preferred Networks会社概要

Transcript

1. 2024年10月 Preferred Networks 会社概要
2. 2 Preferred Networks（PFN）会社概要 設立 本社 代表取締役 従業員数 事業内容 主要子会社 出資企業 2014年3月26日 東京都千代田区 西川徹（最高経営責任者）、岡野原大輔（最高研究責任者） 約350名（2024年9月） AIチップ、計算基盤、生成AI・基盤モデルなどのAI関連技術を 活用したソリューション・製品の開発・販売および研究開発 株式会社Preferred Computational Chemistry（2021年6月） 株式会社Preferred Robotics（2021年11月） 株式会社Preferred Elements（2023年11月） トヨタ自動車株式会社　ファナック株式会社 日本電信電話株式会社　ENEOS ホールディングス株式会社 中外製薬株式会社　株式会社博報堂DYホールディングス 株式会社日立製作所　三井物産株式会社　みずほ銀行株式会社 東京エレクトロン株式会社 ミッション： 現実世界を計算可能にする https://www.preferred.jp
3. 3 AI関連技術を活用した製 品等の開発・販売 および研究開発 2014年3月設立 主なグループ会社 子ども向けプログラミン グ教室の経営・展開 2020年12月設立 やる気スイッチグループとの合弁 マルチモーダル 基盤モデルの開発 2023年11月設立 PFNの100%子会社 自律移動ロボットの 開発・製造・販売 2021年11月設立 アマノ、三井住友銀行、 旭化成ホームズ等が出資 汎用原子レベルシミュ レータ Matlantisの販売 2021年6月設立 ENEOSとの合弁 三菱商事と業務資本提携
4. 4 PFNの事業: AI技術のバリューチェーンを垂直統合 ソリューション・製品 計算基盤 AIチップ PFNは、チップ、計算基盤、生成AI基盤モデル、ソリューション・製品まで、AI技術のバリュー チェーンを垂直統合し、ソフトウェアとハードウェアを高度に融合することで、競争力の高い技術の 開発および産業応用を進めています。 生成AI基盤モデル 様々な産業・消費者向けのソリューション・製品 MN-Core™ MN-Core™ 2 GPUクラスタ MN-3 (MN-Core™ クラスタ) PLaMo Prime（今秋提供予定のLLM） PLaMo Lite（エッジ向けSLM） MN-Core 第三世代 MN-Core™ 2を 計算資源とした クラウドサービス 物質のエネルギー計算モデル PFP LLM向け 推論チップ （2026年提供予定）
5. 5 PFNの事業: AI技術の水平展開 生成AI・基盤モデル 社会 消費者 人間の能力の拡張 新しい創作表現・娯楽体験 安心・安全な社会 高度な教育・医療 生産性向上・品質改善 属人化回避・人手不足解消 計算基盤 産業 AIチップ PFNは、AI技術のバリューチェーンを垂直統合し、産業、コンシューマー、社会に向けて様々な領域 でソリューション・製品を水平展開しています。 工場・製造 エンタメ ロボット 小売 ヘルスケア 創薬 素材・化学 教育
6. 6 PFNの共同創業者 岡野原 大輔 （おかのはら・だいすけ） 共同創業者 代表取締役 最高研究責任者 西川 徹 （にしかわ・とおる） 共同創業者 代表取締役 最高経営責任者 大学院在学中の2006年に、岡野原大輔等と自然言語処理などの ソフトウェア開発を行う株式会社Preferred Infrastructureを創 業。2014年3月に深層学習の実用化を加速するため株式会社 Preferred Networks（PFN）を創業し、現職。 1982年東京生まれ。2007年、東京大学大学院情報理工学系研究 科修士課程修了。2005年、IPA未踏ソフトウェア創造事業「抽象 度の高いハードウェア記述言語」採択。第30回ACM国際大学対 抗プログラミングコンテスト世界大会19位。2013年 Iソフト ウェアジャパンアワード受賞。 大学院在学中の2006年に、西川徹等とPreferred Networks （PFN）の前身となる株式会社Preferred Infrastructureを創 業。2014年3月にPFNを創業し、現職。Preferred Computational Chemistry、Preferred Elementsの代表取締役社 長を兼任。 1982年福島生まれ。 2010年、東京大学で博士（情報理工学）取 得。2005年、IPA未踏ソフトウェア創造事業でスーパークリエー タに認定。2022年「現代の名工」（データサイエンティスト）、 同年KDDI Foudnation Award 本章受賞。
7. 7 PFN創業までの歩み 岡野原 大輔 共同創業者 代表取締役 最高研究責任者 西川 徹 共同創業者 代表取締役 最高経営責任者 西川と岡野原、東京大学でクラスメイトとして出会う IPA未踏ソフトウェア創造事業 （西川）「抽象度の高いハードウェア記述言語」採択 （岡野原）スーパークリエータ認定 （西川）第30回ACM国際大学対抗プログラミングコンテスト世界大会19位 2005年 2001年 3月 Preferred Infrastructure (PFI) 創業 （岡野原）NLP若手の会シンポジウム最優秀発表賞、東京大学総長賞、 言語処理学会優秀発表賞など、研究成果による受賞多数 （西川）情報処理学会ソフトウェアジャパンアワード受賞 2006年 2007年 （西川）東大大学院 情報理工学系研究科 修士課程 修了 2010年 （岡野原）東大大学院 情報理工学系研究科 博士課程 修了 2013年 2014年 3月 PFN創業
8. 8 PFNの行動規範 Motivation- Driven Learn or Die 熱意を元に Proud, But Humble Boldly do what no one has done before 死ぬ気で学べ 誇りを持って、 しかし謙虚に 誰もしたことがないこ とを大胆に為せ 詳細: https://www.preferred.jp/ja/company/values/ PFNメンバーの行動規範は「PFN Values」として4つの項目にまとめられています。この４項目は「PFNらしさ」を特徴づ けるもので、PFNメンバーが日頃大切にしている価値観を表しています。
9. 9 PFNの強み AI関連技術・人材 計算資源 ドメイン知識 • NeurIPS、AAAI、ICRAなど世界 トップのAI・機械学習関連学会 での論文採用実績 • Kaggle*称号保持者、ICPC*世界 大会出場経験者が多数在籍 • 深層学習フレームワークChainer™ を2015年に開発、現在はPyTorch の主要コントリビュータ • 大規模なスーパーコンピュータを 自社運用 • AI向けプロセッサーMN-Core™ シリーズを神戸大と共同開発 • 自社開発のスパコンMN-3が Green500*で電力効率世界1位を 3度獲得 • 産業ロボット、自動車、製薬、エ ネルギー等のリーディング企業と の共同研究実績 • PFN Values（行動規範）に掲げる 「死ぬ気で学べ」の精神で各業界 ドメイン知識を学ぶ姿勢 • 様々なドメインの専門家が在籍 *Kaggle: 世界中の機械学習・データサイエンスに関わる人々のコミュニティーで、企業・政府などが提示した課題に対して最も精度の高いモデルの開発を競う世界的なコンペティション *ICPC: 国際大学対抗プログラミングコンテスト *Green500: 世界のスーパーコンピュータの性能上位500(TOP500)のうち、電力効率を評価するランキング
10. 10 PFNのAI関連技術 コンペ・論文の実績 機械学習関連コンペの受賞実績 • 世界5位・9位（616チーム中）：AIモデルの実行速度を予測するKaggleコンペ 「Fast or Slow? Predict AI Model Runtime」-2023/11 • 世界4位・5位 (国内1&2位, 2,662チーム中):LLMが作成した科学分野クイズの 解答精度のKaggleコンペ「LLM Science Exam」-2023/10 • 世界3位（954チーム中）衛星画像内の飛行機雲を識別して気候変動への影響の 軽減を目指すKaggleコンペ「Google Research - Identify Contrails to Reduce Global Warming」- 2023/8 • 世界2位 (1,231チーム中):生成AIの画像からテキストの埋込み表現を予測する Kaggleコンペ「Stable Diffusion - Image to Prompts」-2023/5 • 世界2位 (936チーム中):連続重力波を検出するKaggleコンペ 「G2Net Detecting Continuous Gravitational Waves」-2023/1 • 世界1位 (1,220チーム中):骨髄内の造血幹細胞が血液細胞に成長する過程 におけるDNA・RNA・タンパク質組成変化の予測精度のKaggleコンペ 「Open Problems - Multimodal Single-Cell Integration」-2022/11 • 世界1位 (1,588チーム中): クジラとイルカの個体識別精度の Kaggleコンペ「Happywhale」-2022/4 • 世界3位 (1,547 チーム中): 胸部 X 線画像カテーテル挿入位置評価精度の Kaggleコンペ「Kaggle RANZCL CliP」- 2020/12 • 世界4位 (935 チーム中): 自動運転モーション予測のKaggleコンペ 「Lyft Motion Prediction for Autonomous Vehicles」- 2020/12 • 汎用原子レベルシミュレーターMatlantis™のコア技術「PFP」に 関するPFNとENEOSの共著論文が、英科学誌Nature Communicationsに掲 載、「AIと機械学習」および「材料科学・化学」の2部門でEditor’s Highlightsに選出（2022/5） • Human-computer interaction (CHI 2020) 最優秀論文賞(2019/10) • IEEE International Conference on Robotics and Automation (ICRA 2018) Human-Robot Interaction部門最優秀論文賞 (2018/5) この他にも、NeurIPS、AAAI、ICML、CVPR、ICLR、ICCVなどの世界のトッ プカンファレンスで採択論文多数 国際学会/学術誌での論文採択・受賞実績 • 世界3位 (193チーム中): 画像認識のKaggleコンペ 「Open Images 2019 Instance Segmentation 部門」- 2019/10 • 世界6位 (1,499チーム中): 胸部X線画像肺炎検出のKaggleコンペ 「RSNA Pneumonia Detection Challenge」- 2018/11 • 世界2位 (454 チーム中): 画像認識のKaggleコンペ 「Google AI Open Images - Object Detection Track」- 2018/9 詳細: https://www.preferred.jp/ja/company/awards/ 詳細: https://tech.preferred.jp/ja/publications/
11. 11 2023年 • MN-Core™シリーズ：CEATEC2023「アドバンストテクノロジー部門準グランプリ」 • PFN 3D Scan：日経優秀製品・サービス賞 「最優秀賞」 2022年 • 岡野原大輔が「卓越した技能者（現代の名工）」（データサイエンティスト）を受賞 • 新経済連盟　JX Awards 2022 「選考委員特別賞」 • Matlantis™の技術の論文がNature Communications Editor’s Highlightに選出 2021年 • Playgram™：第18回日本e-Learning大賞 • MN-3（MN-Core™搭載）：スパコン電力効率ランキング「Green500」世界1位（3度獲得） 2019年 • 第5回日本ベンチャー大賞「内閣総理大臣賞」 2018年 • Chainer™：日経優秀製品・サービス賞「日本経済新聞賞（最優秀賞）」 2017年 • 第3回日本ベンチャー大賞「経済産業大臣賞」 • Technology Award, FT ArcelorMittal Boldness in Business Awards 2016年 • Amazon Picking Challenge 2016 商品取り出しタスク 世界2位、商品格納タスク 世界4位 PFNの主な受賞歴 詳細: https://www.preferred.jp/ja/company/awards/
12. 12 PFN組織図 経営企画 ソリューション プロダクト＆ サービス インフラ コーポレート サービス 管理部門・情報セ キュリティ部門 計算基盤の設計 ・運用、半導体の 開発・製造 お客様向け製品の開 発・販売・保守、 サービスの運用 企業との共同研究開 発、技術支援、事業 シードの創出 Materials & Drugs 材料探索、創薬 等、ヘルスケア リテール 小売業向け製品の 開発・保守 株主総会 マルチモーダル基盤 モデルの研究開発 代表取締役 取締役会 経営会議 監査等委員会 内部監査室 (100%子会社)
13. Preferred Networks 事業概要
14. 14 MN-Core™シリーズ 省電力AIプロセッサー MN-Core TSMC 12nmプロセスで製造 2020年稼働開始 MN-Core 2 TSMC 7nmプロセスで製造 2023年稼働開始 AI/基盤モデルの開発に必要な高速かつ莫大な計算力を賄うため、AIの学習を高速化 する電力効率の高いAIプロセッサー「MN-Coreシリーズ」を神戸大学と共同開発して います。 第１世代 第2世代 AIチップ 詳細: https://projects.preferred.jp/mn-core/
15. 15 MN-Core™シリーズの設計思想 MN-Coreシリーズでは、通常はハードウェアに搭載される制御などの機能をソフト ウェアが担うことで、ハードウェアの演算器面積を最大化しました。これにより、 高い演算性能と電力効率を実現しています。 AIチップ 最適化 コード生成 汎用プロセッサー MN-Coreシリーズ ソフトウェア レジスタ 演算器 命令 スケジューラ キャッシュ コントローラ ネットワーク 制御回路 ハードウェア DRAM I/F オンチップ・メモリ オンチップ・ネットワーク 最適化 コード生成 ソフトウェア 命令 スケジューラ キャッシュ コントローラ ネットワーク 制御 レジスタ 演算器 ハードウェア DRAM I/F オンチップ・メモリ オンチップ・ネットワーク 詳細: https://projects.preferred.jp/mn-core/
16. 16 MN-Core™シリーズの進化と今後の展開 AIチップ PFNは2016年に半導体開発を開始しました。 •MN-Core：　2020年にスーパーコンピュータMN-3に搭載。社内の研究・開発に利用。 　　　　　　 　2023年にはMN-Coreによる計算力を試験的に外部ユーザへ提供開始。 •MN-Core 2：2023年に試験運用開始。 　 2024年からMN-Core 2 の販売、クラウドでの提供を開始。 詳細: https://projects.preferred.jp/mn-core/ MN-Core (TSMC 12nm) MN-Core 2 (TSMC 7nm) 2020 2025 2030 2016～ 第4世代 MN-Core LLM向け 推論チップ （2026年製品化予定） 第3世代 MN-Core 社内利用 オンプレミス・クラウド提供など 幅広い分野での活用 開発
17. 17 自社運用のスーパーコンピュータ ハードウェアとソフトウェアを高度に融合させ、AI開発に必要な膨大な計算を効率 的に実行するための独自の計算機クラスター（スーパーコンピュータ）を複数運用 し、社内の研究開発やパートナー企業にその計算力を提供しています。 計算基盤 GPUクラスター MN-Core™クラスター （MN-3） MN-Core™ 2を搭載した MN-Server 2 詳細: https://projects.preferred.jp/supercomputers/ 2024年稼働開始予定
18. 18 計算基盤の電力効率 電力効率と面積当たりの演算性能が高い計算基盤を追及しています。独自のAIチップ MN-Core™（第1世代）を搭載したMN-3は、スーパーコンピュータの電力効率ラン キングGreen500で2020年6月、2021年6月、2021年11月に世界1位を3度獲得しま した。 計算基盤 Jun. 2021 No. 1 Jun. 2020 No. 1 Nov. 2021 No. 1 詳細: https://projects.preferred.jp/supercomputers/
19. 19 AI向けクラウドサービス Preferred Computing Platform™（PFCP™） AI開発で培われたPFN独自の計算基盤技術とインフラ環境をAI開発事業者向けに クラウドサービスとして2024年10月から提供を開始しました。 計算基盤 MN-Server 2 スペック： ・アクセラレータ： MN-Core 2 × 8基 （FP64 96TFlops, FP32 392TFlops, TF32 784TFlops, TF16 3.1PFlops） ・CPU： Intel® Xeon® Platinum 8480+(2.0GHz) プロセッサーx 2基，合計112コア ・倍精度理論演算性能： 8,960 GFlops ・メモリ： 1,024GiB ・ストレージ： システムSSD 960GB 作業用SSD 15.3TB SSD ・ノード間ネットワーク： 100Gbps Ethernet x4 OS・ソフトウェア： ・KubernetesのPod上で動作する、MN-Core 2がそのまま利用可能なコンテナイメージを提供 利用料金（税別）： ・月額基本料: 1万円 ・MN-Server 2 月額専有サービス: 170万円/台
20. 20 生成AI 基盤モデル PFNグループが目指すマルチモーダル基盤モデル マルチモーダル基盤モデル*にセンサー値や分子構造などの専門的データを扱う特化型基盤 モデルを組み合わせ、言語だけを扱うモデル（LLM）では対応しきれない複雑な問題を解決 する社会・産業の共通基盤として実用化することを目指しています。 マルチモーダル 　基盤モデル チャット テキスト 写真 + 特化型 基盤 モデル + 特化型 基盤 モデル + 特化型 基盤 モデル + 特化型 基盤 モデル 動画 3D ロボット センサー 分子 構造 ゲノム プラント センサー 学習データ サービス 専門的なアプリケーション *マルチモーダル基盤モデル: 大規模言語モデル（LLM）がテキストのみを扱うAIモデルなのに対し、テキスト、画像、音声など複数の種類（モダリ ティ）の大規模データで訓練され、コンピュータが現実世界を理解する「一般常識」となるAIモデル。
21. 21 生成AI・ 基盤モデル PLaMo™ PFNグループの生成AI基盤モデル *PLaMo-100Bは、子会社のPreferred ElementsがNEDO（国立研究開発法人新エネルギー・産業技術総合開発機構）の助成事業「ポスト５Ｇ情報通信 システム基盤強化研究開発事業」（JPNP20017）に採択され、日本の基盤モデル開発力向上を目指すGENIACプロジェクトで開発しています。 PLaMoは、PFNのグループ会社Preferred Elements (PFE)がフルスクラッチで開発する純国産 の生成AI基盤モデルです。高品質な学習データを用い、既存の大規模言語モデルをベースに用 いずに全く新規に開発。主要な日本語ベンチマークで世界最高レベルの精度を示しています。 詳細: https://www.pelements.jp/#product • 商用版PLaMo Primeを2024年中にリリース予定 • エッジ向け小規模言語モデル PLaMo Lite を提供中 • 金融・医療などの特定タスクに強いモデルも順次リリース予定 世界最高クラスの日本語性能 純国産フルスクラッチモデル APIで簡単に導入可能 • 主要な日本語ベンチマーク*で GPT-４を超える精度を記録 • 現在も精度向上中 • 日英の翻訳性能にも優れる *日本語LLMの性能を測るため標準的に 使われるベンチマーク「Jaster」を使用 • 独自のアーキテクチャと学習 データでゼロから事前学習･指示 学習を実施 • 他社モデルベースではないため 社外ライセンスの縛りや開発上 で不明瞭な点がない • API経由でクラウドを介して提 供、簡単なコードの書き換えで 実装可能 • モデル自体をお客様のクローズ ドなオンプレミス環境に実装す ることも可能
22. 22 生成AI・ 基盤モデル PLaMo™ β版 日本語性能世界トップレベルの大規模言語モデル 詳細: https://www.pelements.jp/#product ※Jaster：日本語LLMの性能を測る標準ベンチマーク ※これらの数値はGENIAC内での評価値
23. 23 生成AI・ 基盤モデル PLaMo™ Lite エッジデバイス向けの小規模言語モデル 詳細: https://www.pelements.jp/#product • エッジデバイスで動かせる10億パラメータの小規模言語モデルの提供開始 • PLaMo-100Bの開発で培った技術を応用 • 同程度のサイズのモデルと比べて世界最高レベルの日本語性能を達成
24. 24 ソリューション ・製品 PFNのソリューション・製品 PFNはAI技術のバリューチェーンを垂直統合して専門分野別のドメイン知識と組み 合わせることで、複数産業向けのソリューションや製品を開発・提供しています。 工場・プラント 自動化 エンター テインメント ロボット 小売 ソリューション ヘルスケア 創薬 材料探索 教育
25. Preferred Networks 主なソリューション・製品の紹介
26. 26 PreferredAI™ 生成AIを活用したプロダクト・サービス群 生成AIを活用し、想定ユースケースごとにパッケージ化したプロダクト・サービス群をPreferredAI （プリファードAI）として提供しています。また、生成AIに関するあらゆる技術要素を利用し、お客様の 課題・ニーズに合わせた独自ソリューションも提供します。 ソリューション ・製品 スライドを自動レビュー し問題点をハイライト。 サマリーも出力します。 AIアバターで対話実務を 再現。接客練習や評価を 支援します。 蓄積された自社のドキュ メントや検索データを元 に数秒でノートを生成。 あらゆる定型業務をLLM でミニアプリ化して再利 用・効率化。 口コミやアンケート、 日報など、大量の文章を 賢く分類してサマライズ します。 PreferredAI Slide Review PreferredAI Talent Scouter PreferredAI Notes PreferredAI Automation PreferredAI Insight Scan
27. 27 プラント自動運転AIシステム ブタジエン抽出装置 常圧蒸留装置 ソリューション・製品 ENEOS川崎製油所のブタジエン抽出装置および原油処理を行う常圧蒸留装置の自動運転AIシステムをENEOSとPFNが共同開 発。手動操作を超える経済的で安定的かつ高効率な運転を達成し、常時自動運転中。人の技量に左右されない大規模かつ複雑 なプラントの安定運転を可能にする自動運転システムとして、ENEOSの他製油所への展開および外部への一般販売を計画し ています。 AIシステムは、外気温変化、天候（降雨）、冷却水温変化、原料 性状変化などの各種外乱存在下でも安定的に制御することができ ている。運転重要因子を目標値に近い値で制御できることによ り、より制約値に近い運転が可能となる。 2021年12月にブタジエン抽出 装置のAIシステムによる自動 運転に成功。2023年1月より 常時自動運転を開始。 • 入力センサー数: 363 • 制御対象要素数: 13 • 同時操作バルブ数: 9 詳細: https://www.preferred.jp/ja/news /pr20230731/ 2024年5月に世界初となる常圧 蒸留装置のAIシステムによる自 動運転を開始。原油種の切り替 え時の変動調整作業にも対応。 • 入力センサー数: 930 • 制御対象要素数: 24 • 同時操作バルブ数: 13 詳細: https://www.preferred.jp/ja/news/ pr20240524/ 課題 • プラント運転制御・操作には 熟練の技術や知識が必要 • 24時間体制、人手不足 工場・製造
28. 28 Preferred Networks Visual Inspection 外観検査ソフトウェア 詳細: https://pvi.preferred-networks.jp/ Preferred Networks Visual Inspection はPFN独自の深層学習モデルにより、高い精度と柔軟性を低コスト で実現する外観検査ソフトウェアです。わずか100枚程度のデータ画像に良品／不良品の分類を行うだけで 学習でき、詳細なアノテーションも不要なので、短期間・低コストでの検査システム構築が可能です。 種別
 データ数
 良品判定
 不良品
 判定
 良品
 850
 850
 0
 不良品
 128
 0
 128
 DAGM2007 Class 1 学習:評価=2:8で学習10分 コンペデータセットで過検知・検知漏れゼロ 検知漏れ 極小 疑わしい物は人が検査 しきい値の調整も可能 1. PFN独自の深層学習モデル 2. わずか100画像から学習可能 3. アノテーションを簡易化 4. 不良箇所を可視化 5. GUIによる直感的な操作 6. 柔軟・迅速なシステム立ち上げ 課題 • 不良品の学習データが希少 • 従来は学習データの詳細な アノテーションが必要 ソリューション・製品 工場・製造
29. 29 PFNは、2015年からファナックと共同研究開発を行い、物体認識、制御、異常検知、最適化などの技術を 産業用ロボット・工作機械に適用しています。機械学習・深層学習を活用した新機能は2017年から ファナック商品に実装され、製造現場への導入が進んでいます。 工場自動化 ソリューション・製品 工場・製造 AI熱変位補正 射出成型機の バックフローモニタ AIサーボチューニング AIサーボモニタ AIバラ積み取り出し AI良否判定機能
30. 30 Matlantis™ 材料探索用の汎用原子レベルシミュレーター PFNは、持続可能な未来を実現する新しい電池材料、半導体、合成燃料向け触媒、潤滑剤などの新素材の探索を従来 の1万倍以上高速化する汎用原子レベルシミュレーターMatlantis™をENEOSと共同で開発。共同出資会社Preferred Computational Chemistry（PFCC）がクラウドサービスとして国内外90以上の企業・団体に提供しています。 課題 • 従来材料の持続可能性の限界 • 新素材の探索にかかる莫大な時間 とコスト 触媒 電池 半導体 合金 潤滑剤 セラミック 吸着剤 分離膜 96元素のあらゆる組み合わせで分子、 結晶など幅広い材料の種類に対応 未知の材料の物性等も従来の1万倍以上 （最大2,000万倍）の速度でブラウザ上 でシミュレーション サステナビリティに貢献する多様な材料 の探索を高速化 詳細: https://matlantis.com/ 5,900万以上の構造からなるMatlantisの訓練データ の生成には、1台のGPUで処理すると2,264年かかる 計算量が費やされています。 Matlantisのニューラルネットワークポテンシャル「PFP」は、PFNのスーパーコンピュータおよび 国立研究開発法人産業技術総合研究所のAI橋渡しクラウド（ABCI） を用いて開発されました。 ソリューション・製品 素材・化学
31. 31 AI創薬 自社のAI技術と計算基盤を用い、従来の技術では莫大なコストと時間のかかる医薬品のリード化合物の探索 を高速化するAI創薬技術を開発・提供しています。 コンピューター上で100万 以上の化合物の分子構造 を生成 Optuna™の最適化等を 経て候補を絞り、13の 化合物を実際に合成 そのうち7化合物でウイル スの増殖に要する酵素を阻 害する活性を確認 詳細: https://projects.preferred.jp/drug-discovery/ 課題 • 医薬品の基礎研究から製造・販売ま で一般に10年以上・数百億円以上 • 成功率は2万分の1以下 京都薬科大学との共同研究 創薬 ソリューション・製品 2021年の京都薬科大学との共同研究ではPFNの技術を用い、新型コロナウイルス の働きを阻害する構造を持つ化合物を発見しました。 （図はイメージ） P-FEP: 創薬研究受託計算サービス 新薬のリード化合物として可能性のある低分子化合物の 結合活性値を、実際に合成する前にコンピュータ上で高 精度に予測する「RBFEP計算」をPFN所有のスーパーコ ンピュータで受託するサービス。 詳細: https://tech.preferred.jp/ja/blog/pfep-launch/ 既知FEP用ベンチマークセットを使用したP-FEPの計算予測精度 J.Am. Chem. Soc. 2015, 137, 2695 J.Chem. Inf. Model. 2020, 60, 5457
32. 32 皮脂RNA解析 あぶらとり紙で採取できる皮脂のRNA発現データを測定する花王の技術とPFNの機械学習技術を組み合わ せ、肌状態を予測するモデルを構築。現在、花王の肌解析サービスに利用されています。また、皮脂RNA情 報を用いた機械学習がパーキンソン病の早期診断に役立つ可能性を示す研究も実施しました。 順天堂大学・花王・PFNの共同研究（2021年9月） 皮脂RNA情報によるパーキンソン病患者と健常者の判別結果をROC曲線で 示したグラフ。グラフ上の線が左上に近づくほど判別性能が高く、点線で 示す対角線に近づくほど判別性能が低くなります。判別性能を表す曲線下 面積は皮脂RNA、年齢、性別情報を用いた場合に0.793となり、これらに 重症度予測結果を加えることで0.806とさらに高い性能が得られました。 詳細: https://www.preferred.jp/ja/news/pr20210921/ 課題 • 肌状態の検査には高価な機器が必要 • パーキンソン病の診断には専門的か つ複雑な検査が必要 ヘルスケア ソリューション・製品
33. 33 仮想人体生成モデル PFNは花王と、健康診断項目、ライフスタイル（食事・運動・睡眠など）、ストレス状態、皮膚状態、 毛髪状態など2,110以上の項目を網羅的に推定できる統計モデル「仮想人体生成モデル」を共同開発。 花王のVITA NAVI®として、MILIZEのAI健康可視化ツール「健康資産」 (https://milize.jp/kenko-shisan/)、ミルボンの「Beauty Chart」などに提供されています。 課題 • 健康・生活の質に関する情報を網羅 的にかつ精緻に把握することが困難 詳細: https://www.preferred.jp/ja/news/pr20220228/ ヘルスケア ソリューション・製品
34. 34 Playgram™ 小学生向けプログラミング教材 https://playgram.jp/ PFNは多くの人々がコンピュータで自由に発想を形にできる世界を目指して2020年7月にコンピュータ サイエンス教育事業を開始、小学生向けプログラミング教材Playgram™を開発しました。やる気スイッチグ ループとの合弁会社YPスイッチが運営する「プログラミング教育HALLO」を通じ、全国800教室以上に フランチャイズ展開しています。Playgramは第18回（2021年度）日本e-Learning大賞を受賞しました。 無料のタイピング学習アプリ Playgram Typingも提供中 https://typing.playgram.jp ソリューション・製品 エンタメ 教育
35. 35 ジクタス™ 社会人向けプログラミング教材 詳細: https://ziktas.jp/ 2023年5月にオンライン型プログラミング教材ジクタス™を法人向けに提供開始しました。社会人のため の学び直し「リスキリング」教材として、未経験者でも4か月で実践的なPythonスキルを独学で習得でき るカリキュラムと学習管理が可能です。 プログラミングの概念を視覚的に学習 Pythonのコードを書きながら効率 化やデータ分析を学習 学習進捗や苦手分野を可視化 学習管理システム 実践Notebook Playgram™ for Professionals ソリューション・製品 教育
36. 36 PFN 3D Scan 3Dスキャンサービス 複数の画角で撮影した2D写真から3Dの自由視点画像を生成する深層学習技術を用い、実物の見た目に忠実 な3Dモデルを出力するPFN 3D Scanを2022年6月にリリース。従来は3Dモデル化が難しかった透明・金属・ 黒色の物品などにも対応し、VRやECなどの用途で3万点近い物品のスキャンを実施しています。 課題 • 3Dモデルの制作にかかる手間 • 従来技術では透明・金属・黒色の物 品の3Dスキャンが困難 https://youtu.be/RX4j6wxWev8 詳細: https://pfn3d.com/ 実際に3Dスキャンした物品の例 ソリューション・製品 エンタメ
37. 37 PFN 4D Scan ボリュメトリック・スキャンシステム PFN 3D Scanと同様の技術を応用し、スポーツや演技など動きのある対象を現実の三次元空間でスキャンし （専用スタジオ不要）、同じ時間軸で動く 3Dアニメーション映像として仮想空間に復元するボリュメトリック・スキャン システム PFN 4D Scanを開発。今後、映像制作などに応用することを目指しています。 課題 • 3D映像の撮影にはグリーンバック のある専用スタジオが必要 • 人手による細かい作業が必要 詳細: https://pfn3d.com/4d/ https://youtu.be/6lnbwFLIEjU https://youtu.be/xbngQWtmtQ8 実際にスキャンしたシーンを用いた動画の例 水の反射や動きも忠実に再現されており、一時停止した状 態でも自由視点での閲覧が可能。 遠くの背景も三次元的に再現されており、布の動きも実物 に忠実に再現。 水族館 ダンス ソリューション・製品 エンタメ
38. 38 エンターテインメント PFNはエンターテインメントの分野でも個人やクリエイティブ産業に向け、AI技術を活用した新しい表現・ 体験や制作手法を提案・提供しています。 課題 • 絵を描くにはかなりのスキルと時間 が必要 • 従来技術によるエンタメ体験の限界 2022年4月よりキャラクター生成プラットフォーム Crypkoをウェブサービスとして提供。男女キャラクター イラストを自動生成。生成したキャラクターの融合、属性 変更、共有等により、人々の創作活動を支援。 2023年6月 ChatGPTを使ったチャット機能 2024年3月 旅行写真合成機能Crypkoトラベル 詳細: https://crypko.ai/ Crypko™ Crypkoをプラットフォームとして利 用したスマートフォン向けの新しい エンターテインメントアプリとして 2022年10月に『進化する少女型情報 体MEMES/ミームズ』提供開始。 詳細: https://memes.crypko.ai/ 進化する少女型情報体 MEMES/ミームズ Scenify™ 2021年3月にPFNの背景美術制作支援ツー ルScenify™を東映アニメーションが映像 制作に活用。現実の風景写真を変換するこ とにより、美術クリエイターが画像の前処 理工程に要する時間を従来の約1/6に大幅 短縮。 ソリューション・製品 エンタメ
39. 39 Omega Crafter™ 自動化が楽しいオープンワールドサバイバルクラフトゲーム ブロックを組み合わせる簡単なプログラミングで相棒のキャラクター「グラミー」たちを動かし、ゲーム の攻略に必要なタスクを自動化・効率化できるクラフトゲームです。Playgram™のノウハウが活用されて おり、未経験者でも効率化・自動化の楽しさや利点を感じられるよう設計されています。 詳細: https://store.steampowered.com/app/2262080/Omega_Crafter/ https://youtu.be/UIYHiVes8cw • 2023年6月αテストに15,000人以上が参加 • 2023年12月βテストに37,000人以上が参加 • 2024年３月29日早期アクセス版をSteamで PC向けにリリース（税込2,800円） ソリューション・製品 エンタメ
40. 40 MiseMise™ DX・AI・ロボット技術を組み合わせたチェーンストア向け業務改善ソリューション MiseMise™（ミセミ セ）は、人手不足や欠品・品揃え不足による販売機会損失などのチェーンストアの課題に対して、品出し ・AI値引き (β版)・棚割 (β版)・ロボット (β版)・分析 (β版)の５つのソリューションを提供しています。 https://youtu.be/MP_XrsyOZcY 詳細: https://misemise.ai ソリューション・製品 小売 課題 • 小売業界の人手不足 • 欠品・品揃え不足 • フードロス・廃棄ロス
41. 41 MiseMise™ 詳細: https://misemise.ai ソリューション・製品 小売 欠品商品の値札をスキャンするだけで在庫の場 所をリアルタイムで業務端末に表示。誰にでも 簡単で効率的な品出しを可能に。 AIが天気等の外部情報や、商品残数、他商品と の需要の食い合いなどを予測し、担当者の経験 に依存しない値引き判断を支援。 バイヤー方針を加味した棚割提案、店舗への配 信、販売実績と棚割を組み合わせた分析まで、 売上の向上につながる棚割を支援。 自律移動ロボットが店内の欠品や品薄を検知し ながら棚割実施状況を確認。値札間違いチェッ クやお客様への売場案内、万引き抑止や商品プ ロモーションなどにも利用可能。 MiseMiseのデータを一元管理。各店舗の滞留在 庫量・品切頻度・品出し必要頻度や、店舗間の 作業効率等を分析するAIダッシュボード機能を 備えています。