インジェンタ株式会社

---

GAFAM 各社、US本社でも採用され続けるインジェンタのGraph Deep Learning技術がもたらす

製造業様の生産現場への影響と競争優位性

---

►製造業様への貢献（画像検査・テキスト解析チャット）

この技術が製造行様の開発プロセスに与える影響は以下の通りです：

• 画像解析
  • 目視検査を置き換えられる技術力。インジェンタ画像解析AI判定レベルは人の目で判断ができるものは可と答えられる精度。一方画像では読み取れない場合には撮影方法や複合的技術で課題に挑む。
• ドキュメント検索:
  • Graph Deep Learning技術を活用することで、そのテキスト検索力や要約力で必要な情報を素早く正確に探し当てられます。これは同時に熟練者様が抱えるノウハウをAIに引き継ぐことで省人化を図りつつ、トレーニングコストを削減するDXソリューション。
• 効率的なリソース配分:
  • 高精度な予測により、実験リソースを最も有望な候補に集中させることができます。これにより、無駄な実験を減らし、リソースの効率的な配分が可能となります。
• 競争優位性の強化:
  • 画像解析により属人化した目視検査業務を統一された基準で24時間稼働させることができ、迅速かつ効率的な文書検索プロセスにより、研究開発やトラブル対応におけるタスク処理の業務支援でその対応時間を大幅に圧縮できます。これにより、競合他社様よりも早く市場投入や高い効率性を実現でき、競争優位性を強化できます。
• データ駆動型の意思決定:
  • Graph Deep Learning技術は、大量のデータを解析し、洞察を提供するため、データ駆動型の意思決定をサポートします。これにより、より科学的根拠に基づいた戦略的な決定が可能となります。

  

 

 

---

Graph AI技術とDeep Learningとの違い

---

►Graph Deep Learningの基礎

• Graph Deep Learningは、グラフ構造を持つデータを解析するためのディープラーニング技術です。グラフは、ノード（点）とエッジ（線）で構成され、複雑な関係性を表現するのに適しています。例えば、分子構造やソーシャルネットワークなどがグラフデータの典型例です。

---

 

►Deep Learningに対する優位性

• 従来のディープラーニングアルゴリズムは、固定長のベクトルデータを扱うのに適していますが、分子のようなグラフ構造を持つデータには適していません。
• Graph Deep Learningは、以下の点で優れています：
  • 複雑な関係性の学習:
    • グラフ構造を持つデータの複雑な関係性を学習することができます。これにより、分子の化学的および構造的特性をより正確に捉えることができます。
  • 柔軟なデータ表現:
    • グラフデータは、ノードとエッジの追加や削除が容易であり、柔軟なデータ表現が可能です。これにより、より多様なデータセットに対応できます。
  • 高精度な予測:
    • グラフ構造を活用することで、予測精度が向上します。特に、薬物-ターゲット相互作用（DTI）の予測において、その効果が顕著です。

---

►市場実装の事例

• Graph Deep Learning技術は、既に多くの分野で実装されています。例えば：
  • Google Maps:
    • Google Mapsでは、道路ネットワークや交通情報をグラフとして扱い、最適なルートを計算するためにGraph Deep Learning技術が利用されています。
  • Facebook:
    • Facebookでは、ソーシャルネットワークの解析にGraph Deep Learning技術が活用されています。友人関係や興味関心のネットワークを解析し、ユーザーに最適なコンテンツを提供するために使用されています。
  • 創薬ターゲット生成（国内外の各社様で進行中）
    • 下記ご参照

 

---

DXや省人化、新規事業、新規サービスに取り組まれている企業様

ぜひ情報交換から始めさせて下さい

---

 

---

解説動画のご案内

---

セミナーアーカイブ動画視聴のリクエストフォーム：

タイトル　失敗しないAIプロジェクトとAIパートナーの選び方

• 視聴時間　22分