Slide 1

Slide 1 text

株式会社 Laboro.AI 会社紹介資料 2025年10⽉版

Slide 2

Slide 2 text

会社情報 1 ü 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 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) 86名※1 (2025年6⽉30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

Slide 3

Slide 3 text

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

Slide 4

Slide 4 text

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

Slide 5

Slide 5 text

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

Slide 6

Slide 6 text

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。

Slide 7

Slide 7 text

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

Slide 8

Slide 8 text

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

Slide 9

Slide 9 text

クライアント様の声 8 ü 「PoC死」が絶えない中、70%超のプロジェクト継続率 ü 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

Slide 10

Slide 10 text

当社プロジェクトの特徴 9 ü 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 ü 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 ⻑期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 ü 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 ü ⾷品メーカー様と消費者向けアプリを開発 ③ 最先端技術の⻑期R&D ü ゼネコン様と振動制御技術を開発(共同で論⽂発表) ü 半導体製造装置メーカー様と資本業務提携 1 3 2

Slide 11

Slide 11 text

当社が狙う「バリューアップ型AIテーマ」 10 ü 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 企業成⻑を図る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

Slide 12

Slide 12 text

バリューアップ型AIテーマにおける注⼒産業分野 11 ü 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

Slide 13

Slide 13 text

幅広い顧客と多数のプロジェクト実績 12 ü 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 レコメンド 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 マーケティング 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 マーケティング 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

Slide 14

Slide 14 text

カスタムAIとは 13 ü ビジネス成果につながるAIをオーダーメイドで開発 ü コア業務の変⾰&イノベーションの創出を⽀援 n 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 n 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

Slide 15

Slide 15 text

カスタムAIとは 14 ü 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(顧客企業固有の成⻑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

Slide 16

Slide 16 text

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

Slide 17

Slide 17 text

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

Slide 18

Slide 18 text

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

Slide 19

Slide 19 text

カスタムAI 開発フロー 18 ü 課題やフェーズに合わせて、ワンストップで伴⾛⽀援

Slide 20

Slide 20 text

カスタムAI 提供の流れ 19 ü 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 • 顧客の成⻑戦略、 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

Slide 21

Slide 21 text

アドバイザリーメニュー 20 ü 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

Slide 22

Slide 22 text

ソリューションデザイナの紹介 21

Slide 23

Slide 23 text

ソリューションデザインとは 22 ü 「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

Slide 24

Slide 24 text

オリジナル⼈材「ソリューションデザイナ」 23 ü AI & ビジネスコンサルティングに⻑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。

Slide 25

Slide 25 text

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

Slide 26

Slide 26 text

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

Slide 27

Slide 27 text

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

Slide 28

Slide 28 text

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) ü 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 する中⻑期的なプロジェクトを複数リード ü 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) ü 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 ü 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 ü 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) ü 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 ü 複数のプロジェクトを並⾏して実⾏ ü 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)

Slide 29

Slide 29 text

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 n ⾯⽩いプロジェクトへの参画 ü 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) ü 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) ü 「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 n 成⻑機会 ü 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 ü 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 ü 優秀な⼈材達と⼩チームで働くことによる刺激 ü 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 ü ⼤⼿コンサルと⽐べても遜⾊のない年収

Slide 30

Slide 30 text

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 ü 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 & ン グ フ ) | ム A I 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 ⻘⼭学院⼤学 国際政治経済学部 神⼾⼤学 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

Slide 31

Slide 31 text

エンジニアの紹介 〜機械学習エンジニア〜 30

Slide 32

Slide 32 text

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

Slide 33

Slide 33 text

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

Slide 34

Slide 34 text

33 機械学習エンジニア 利⽤技術 ü 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 ü 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。

Slide 35

Slide 35 text

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

Slide 36

Slide 36 text

エンジニアの紹介 〜システム開発エンジニア〜

Slide 37

Slide 37 text

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

Slide 38

Slide 38 text

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。

Slide 39

Slide 39 text

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

Slide 40

Slide 40 text

エンジニアの紹介 〜エンジニアリング部の特徴〜

Slide 41

Slide 41 text

メンター制度 メンター・スーパーバイズ制度 40 ü 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 ü エンジニアの継続的な成⻑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、継続的な成⻑をポートしま 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⻑をサポート 未経験分野にも挑戦しやすい環境

Slide 42

Slide 42 text

プロジェクトのアサイン 41 ü 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 ü 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。

Slide 43

Slide 43 text

評価制度 42 ü メンバー間での360°評価を実施 ü 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

Slide 44

Slide 44 text

リモートワーク主体の働きやすい環境 43 ü 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 ü 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。

Slide 45

Slide 45 text

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、 成⻑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 部⻑ 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 ⻑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

Slide 46

Slide 46 text

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、成⻑するチャンス 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、 ⾃分が最も成⻑できそうな環境で 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。⾃⼰成⻑したい 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

Slide 47

Slide 47 text

「私の1⽇」:T.Iさん(リード機械学習エンジニア) 46 ü 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

Slide 48

Slide 48 text

「私の1⽇」:K.Hさん(機械学習エンジニア) 47 ü 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、成⻑ 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!

Slide 49

Slide 49 text

社内活動の様⼦ 48 ü 様々なテーマで定期的に勉強会を開催しています ü 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

Slide 50

Slide 50 text

社内制度

Slide 51

Slide 51 text

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、成⻑をサ 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

Slide 52

Slide 52 text

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

Slide 53

Slide 53 text

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。

Slide 54

Slide 54 text

プロジェクト事例 53

Slide 55

Slide 55 text

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

Slide 56

Slide 56 text

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 ⻑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グ ▶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 マーケティング 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

Slide 57

Slide 57 text

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 ü 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 ü 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

Slide 58

Slide 58 text

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 ü 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 ü 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

Slide 59

Slide 59 text

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 ü エッジAIを⽤いた⼩売向けソリューションの開発 ü 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。

Slide 60

Slide 60 text

59 姿勢推定による伝統芸能の普及 ⼭⼝県 様 ü 「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 ü 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

Slide 61

Slide 61 text

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 ü 動画から検査対象部品を抽出、異常がないか判定 ü 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

Slide 62

Slide 62 text

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 ü ⼈⼿で⾏われていた地図データ開発業務を効率化 ü 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

Slide 63

Slide 63 text

62 インフラ設備の劣化箇所検出 ⼤⼿インフラ企業 様 ü ディープラーニングの画像認識アルゴリズムを活⽤ ü 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

Slide 64

Slide 64 text

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 ü ⼿書きOCRでは実現不可だった課題を画像系AIで解決 ü 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

Slide 65

Slide 65 text

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 ü 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 ü 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

Slide 66

Slide 66 text

65 ESG企業調査での情報収集・評価 ⽇本総合研究所 様 ü 調査対象企業のHPからの情報収集と評価を⾃動化 ü 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

Slide 67

Slide 67 text

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 ü 候補者と求⼈内容の類似度をスコアリング ü 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

Slide 68

Slide 68 text

67 建設物の制振制御 ⼤林組 様 ü 産業実装例が珍しい強化学習を⽤いた取り組み ü 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

Slide 69

Slide 69 text

68 ⼟⽊⼯事での施⼯計画の最適化 建設関連企業 様 ü 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

Slide 70

Slide 70 text

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 ü 産業実装例が珍しい強化学習を⽤いた取り組み ü 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

Slide 71

Slide 71 text

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 ü ユーザーによる検索が不要な探索型AIレコメンド ü 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

Slide 72

Slide 72 text

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 ü 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 ü 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⻑期伴⾛ 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

Slide 73

Slide 73 text

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 ü ユーザの属性・検索傾向と求⼈情報から応募確率を予測 ü ⼤量データを持つ求⼈サイトで運⽤ レコメンド×AI

Slide 74

Slide 74 text

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 ü ⾃然⾔語処理で⽤いられるアルゴリズム、LSTMを活⽤ ü 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、⻑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

Slide 75

Slide 75 text

74 波形解析による管内外⾯の損傷検出 ⾮破壊検査 様 ü 波形データの特徴から管内外の損傷箇所を検出 ü 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

Slide 76

Slide 76 text

75 匂いセンサーデータの分類 ⼤⼿⾃動⾞メーカー 様 ü 「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 ü 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

Slide 77

Slide 77 text

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

Slide 78

Slide 78 text

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

Slide 79

Slide 79 text

No content