⼤学の研究を、現場で動く仕組みに
当社の技術は、⾼知⼤学IoP共創センターでの研究から⽣まれました。
研究で確かめた⽅法を、毎⽇動く仕組みにして現場に届けるのが当社の役割です。
【予測】
⾃社で開発した予測エンジン
天気が作物に効いてくるまでの「時間の遅れ」と、⽇々の「積み重なり」を読む予測エンジンを、当社で独⾃に開発しています。
市販のAIサービスを組み合わせたものではなく、学習から運⽤まで⾃社のサーバーで⾏っています。
【要因分析】
効いていて、⼿を打てる要因を⾒つける
収量や品質には多くの要因が関わりますが、ある時点で結果を本当に左右しているのは、その中の限られた要因です。
当社の要因分析は、たくさんの要因の中から、いま効いていて、しかも⼈が⼿を打てるものを⾒つけ出します。
それぞれの要因について、「どこまでなら問題がなく、どこを外れると効き始めるか」を形として⽰すのも特⻑です。
気温や⾬がどの範囲を外れると収量に響くのかが分かるので、次に何に気をつければよいかを具体的に考えられます。
農業のデータは、年に⼀度しか取れないものも多く、量が限られています。
データが少ないと、たまたまそう⾒えただけの要因を原因と取り違えやすくなります。
当社は、分析に使っていない年のデータで結果が成り⽴つかを確かめる⼿順を組み込み、
たまたまでは説明できないものだけを結論にしています。
【最適化】
条件を守りながら、いちばん良い組み合わせを探す
トラックの配⾞や積み付けのように、
守らなければならない条件(ドライバーの労働時間、荷物の量、届け先の時間など)がたくさんある問題で、
条件をすべて守りながら、いちばん良い組み合わせを探します。
1⽇分の配⾞は⼗数秒で組めるので、急な荷物の追加や⾞両の都合など、状況が変わったときにもすぐに組み直すことができます。
もう⼀つ、いま⼒を⼊れているのが、現場の担当者のクセやノウハウを⽣かす仕組みです。
「このドライバーはこの地域の道に慣れている」「この届け先は先に回った⽅がよい」といった判断は、
ベテランが経験から⾝につけたもので、条件として書き出すのは難しいものです。
そこで当社は、過去の配⾞の記録を、ベテランの判断が詰まった⼿本の集まりとして使う⽅法を研究しています。
今⽇と似た⽇を過去の記録から探し、その⽇に担当者がどう組んだかをもとにして、今⽇と違う分だけを直す。
⼈が経験を思い出しながら仕事をするのと同じ⼿順です。
過去に似た⽇が⾒つからないときは、そのことが分かるようにします。
記録が増えるほど⼿本も増え、担当者が替わってもやり⽅が引き継がれることを⽬指しています。
研究では、同じ考え⽅を、ハウスの温度管理や⽊材の乾燥など、⽣産や製造の⼯程にも広げています。
予測‧分析‧最適化をつなげる
予測で先を読み、分析で効いているところを⾒つけ、最適化でいちばん良い打ち⼿を選ぶ。
結果を⾒て、また次の予測と分析に⽣かす。
当社の仕組みは、この3つをつなげて繰り返すことで、使うほど良くなっていくように作っています。
答えを出すだけでなく、どこまで信⽤してよいかも⽰す
当社が⽬指しているのは、答えを出すだけでなく、その答えをどこまで信⽤してよいかも⼀緒に⽰すAIです。
予測には外れる幅を添え、知らないことや経験したことのない状況では、そう分かるようにすることを⼤切にしています。
⽣成AIの使い⽅についての考え⽅
対話型の⽣成AIは、⼈の⾔葉を理解し、説明するのは得意です。
⼀⽅で、ハウスの温度のように、操作してから効果が出るまでに時間がかかるものを、⽣成AIに直接決めさせるのは危険だと考えています。
当社の仕組みでは、設定や判断は検証済みの予測‧制御の仕組みが⾏い、⽣成AIは⼈との橋渡しを担います。
【研究開発】
使いながら学び続けるAI
⼤⼿のAIより⼩さく、⾃社のサーバーで動くAIを研究開発しています。
⽬指しているのは、⼀度学習したら終わりではなく、使いながら新しいことを学び、状況の変化に⾃分で気づいて対処できるAIです。
知らないことには「分かりません」と⾔えることも、その⼤切な⼀部だと考えています。
⾔葉だけでなく、作物の⽣育やハウスの環境のように時間とともに変わっていくものも扱えることを⽬標に、研究を進めています。
