Home

この10年、人工知能や機械学習は、私たちの日常生活に大きく貢献すると同時に破壊ももたらしました。大規模で多様なデータの基礎情報を知的アルゴリズムが常に学習して解釈するというディープラーニング分野の進歩により、自動車の自動運転や駐車（Tesla）、特定の日時に映画を推薦してくれる機能（Netflix）などが実現しました。

ビジネスや日常生活の多くの領域が人工知能分野の進歩の影響を受けていますが、まだ人工知能や機械学習を導入するための準備が整っていない業界やプロセスも多く存在します。

人工知能や機械学習が多くの産業に破壊をもたらす中で、これらのプロセスが2020年までに各産業に影響を与えることができていないのには理由があります。第一に、各業界の人工知能ソリューションの設計、研究、実装に必要な人材が、インターネットテクノロジー（IT）業界に流出し、IT以外の業界のギャップが放置されてしまったことです。第二に、業界によっては、経営スタイルが極めて伝統的で、先進的なソリューションの研究開発に対する資金・人材の追加の必要性を説得して投入することが困難な場合があることです。第三に、これがおそらく最も重要な理由になりますが、人工知能の急速な進歩に影響を受けない業界があり、その業界では「スモールデータ」を機械学習や人工知能に活用することが非常に困難であることです。

人工知能の進歩の多くは、GPT-3（https://arxiv.org/abs/2005.14165）のような、より多くのデータを活用してより深い関係性や理解を引き出し、より高い精度を実現するディープラーニングによってもたらされたものです。多くの産業やプロセスでは本質的にデータが非常に少ないため、他の産業に導入されているAIの華やかさと成長から取り残されることが多々ありますが、率直に言うと、その原因はプロセスのデータがあまりにも少ない点です。

このスモールデータの問題が顕在化している具体的な産業として、材料の配合・開発産業があります。これらのプロセスでは、実際に実験が行われていますが、実験データの追跡方法が非効率的であり、多くの実験が今までにないもので既存のデータがないため、小さなデータセット（https://arxiv.org/pdf/1903.11260.pdf - cite）しかありません。

これらの開発プロセスでは、新しい具体的な配合条件を実現するための実験が行われます。これらの仕様を達成するために、科学者が最初から仕様に到達するまで試行錯誤を繰り返すことが多いのです。このような場合、時間、資源、製品がビジネス目標達成のために有効に活用されず、貴重な時間が無駄になり、競合他社に同じ材料を開発して販売する時間を与えてしまうことになります。

ここで、この「スモールデータ」を使って学習し、成長するために、活用できる手法はあるのだろうか、という重要な疑問が残ります。コンピュータービジョンなどの処理では、転移学習（https://arxiv.org/abs/1911.02685?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+arxiv%2FQSXk+(ExcitingAds!+cs+updates+on+arXiv.org)）など、少ないデータで付加価値を抽出する方法が存在します。

しかし、転移学習は、画像のアノテーションを扱うことに特化していることが多く、他の産業、特に材料開発分野での応用については実用性に欠けます。

そのため、全く新しい材料の配合・研究を短時間で実現できるようにするために、企業は、主要領域知識に対して十分な量の基礎情報を少ないデータから抽出できる独自の人工知能の活用を強く求めています。これにより、開発期間の短縮、環境負荷の低減、リソースの解放、コスト削減を実現するとともに、同業他社に対する競争優位性を高めることができます。

Polymerizeは、北米、アジア、ヨーロッパ市場で培った長年の業界経験を活かし、受賞歴のあるAI研究者と共同で、お客様の実験データから学習する新しい人工知能を開発し、従来の方法よりも500％速く新しい製品配合を実現できるよう支援します。当社は、お客様のデータから基本的な特徴を学習する最先端の人工知能と、当社独自の専門知識を組み合わせて活用しています。そして、これに段階的学習アプローチを組み合わせることで、お客様が実験を重ねるごとに精度を高められるようにします。

当社の目標は、環境を維持しながら開発タイムラインの効率化と高速化を実現できるように企業を支援することです。