イーグリスでは”問題解決力・構想策定力”を備えた事業開発陣と、世界トップレベルの”技術力”を備えたエンジニア陣が設計早期から連携し、顧客の直面するイシューを特定したうえで真に使えるAIモデルを設計しています。
昨今、多くの企業がAI（人工知能）活用へ取り組んでいますが、AIプロジェクトが実証実験（PoC）どまりで終わってしまうケースが約半分を占めるといい*、イーグリスでもPoC頓挫の経験のある顧客からご相談いただくケースが増えています。
検討の背景や求める効果、AI導入検討を取り巻く社内環境についてお伺いすると、ビジネスイシューを捉えないままにプロジェクトを進行してしまい開発したAIモデルが期待していた効果を生めなかった、パッケージ品で対応できると思ったが汎用性や精度が不十分であった、といったケースが散見されます。
イーグリスのAI解析サービスでは、ビジネスイシューの特定から協働することで真に活用できるAIモデルを設計・開発し、顧客のビジネス推進を支援いたします。
*実証実験（PoC）を経て本稼働に移行しているのは全体の53%に過ぎない
AI導入プロジェクトではPoCをおこなうものの本格運用に至らないケースをよく耳にします。「汎用的なAI製品では解決できなかった」「データが使えるものではなかった」等、PoCが始まってから発覚するケースも散見されます。
PoC頓挫に至る原因は様々ですが、発注サイドと開発サイドがアウトプットイメージを共有できていない点が特に大きいと考えています。顧客サイドで実現したい事柄が具体的でなかったり、必ずしもAIが必要でないケースもあります。
そのためイーグリスが支援するプロジェクトでは顧客のビジネスイシューの見極めを重視し、「顧客の課題を解決するために何が必要か、本当にAI開発によって解決できるものなのか」「他にもベストな方法があるのでないか」を顧客とともに考察します。また、問題の特定段階から事業開発チームと研究開発チームが密に連携することで、顧客ニーズに対して最も実現性の高いAI設計・解析を高速に提供しています。
車両や飛行機はメンテナンス時に定期的な部品交換を必要とします。某航空会社では機体の部品調達のために、調達量データや機体利用時間のデータからルールベースを用いた複数のモデルを使っていました。交換頻度の低い部品は正確な需要予測が難しく、必要な部品の調達と在庫管理が十分におこなえないために、一部の部品在庫の長期滞留や部品不足で修理できず使えない機体を抱えることによる経営損失が課題となっていました。
イーグリスは需要予測の精度が低いことによる経営損失を解決するところまで加味して構想策定に入り、従来使っていなかった報告書の内容や過去の調達実績、文字データ、運行データや運行時の外部環境等、様々な数値データを解析して従来のモデルにかけ合わせ、新しい解析モデルを設計しました。
複数種類のデータを用いることで交換頻度の低い部品でも高精度の需要予測をおこなえるようになり、交換部品の発注業務の標準化や部品不足の解消によりメンテナンス業務の生産性向上につなげることができました。
AI解析の分野では近年パッケージ品や簡易モデルの提供が増えてきています。しかし、単純なライブラリを元に生成したモデルではデータの解析精度や汎用性に課題が発生しやすく、精度の低いモデルを活用したことで逆に人件費が増しているケースがあります。
たとえば画像解析に必要なデータを撮像するカメラを置くスペースを確保したくても置ける画角が限られていたり、数値解析に使いたいデータがあっても手持ちデータでは種類が限られたりします。このような場合、類似したデータをもとに新しくデータを生成し、類似データを作らなくても理想的な解析結果を得られるような学習モデルを用意する必要があります。
イーグリスの設計技術はビジネスイシューに直結し高精度なパフォーマンスを出せるモデルを設計すべく、懸念材料を払拭しながら進める方法をプロジェクト早期段階から研究開発チームとともに策定していきます。
物流工場内での仕分け・検品作業を産業ロボとAI画像解析製品を組み合わせ、作業を自動化しようとしたケースでは、形が同じで同系色の商品だと商品の判別がおこなえず、また、他の形状の商品群への適用も難しく、数千から数万点を超える商品を扱う工場や倉庫では適用が難しい状況でした。
イーグリスは数万点レベルの物流センターにおいても画像認識できる独自のAIアルゴリズムをゼロベースで設計し、従来のパッケージ品では困難であった超高速（0.15秒以下）、高認識率（98.55%）、高正解率（99.99％）の商品認識を実現し、世界最高レベルの高速・高精度「AI画像認識技術」を開発したと顧客より評価をいただきました。
この結果、AI画像解析アルゴリズムを産業ロボと連携させることで、出荷判定や仕分け、在庫管理システムの入力等業務の自動化による物流センターの無人化へ貢献することができました。
データサイエンスや計算機科学分野の博士/修士での研究経歴を持つ研究開発チームが早期に企画設計に携わるため、回帰モデル（線形回帰・ロジスティック回帰）、ニューラルネット、決定木、ランダムフォレストといった一般的な機械学習モデルの特徴や、独自アルゴリズムで解決できない現状の課題を踏まえて構想フェーズから最適解を探していきます。
具体的には、数十もの候補から実現可能性（データ、モデル、コスト、リスク、期間等）と期待効果（経済効果、スケーラビリティ等）から評価しAIで解決するテーマを絞り込み、評価をおこなった上でPoC対象とすべきモデルを選定します。このように様々な検証AIモデルを構築し、個社の要件にあうか実現性を一つ一つ検証し、ビジネスイシュー解決に直結するよう設計していきます。
数十案から十案に絞った上で、技術面と事業インパクト面から優先順位を決定し、事業・開発ロードマップの策定をおこなう等、企画・構想策定の段階から様々なプロジェクトの取り組みを支援しています。PoCから始まり実行フェーズに至るまで継続的に各マイルストーンの目標評価数値を達成。高度な診療技術を要する臨床診断を補助するAIモデルをモデルごと秘匿化した状態での提供や、製造分野における工場間を跨いだ生産管理といった、様々な業界の課題解決へ貢献しています。
