Google Cloud in Europe

FM Logistic が AlphaEvolve を使って倉庫規模の「巡回セールスマン問題」を解決

Wed, 08 Apr 2026 03:00:00 +0000

※この投稿は米国時間 2026 年 3 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

巡回セールスマン問題とは、「すべての地点を 1 回ずつ訪問する最短ルートは何か」という、一見すると単純な問題です。これはコンピュータサイエンスにおける最も難しい問題の一つであり、数学者は 1 世紀近くもこの問題に取り組んでいます。また、FM Logistic のポーランドの倉庫作業員が日々直面している課題でもあります。

倉庫は全体でサッカー場 8 面分の広さがあり、ピッキングポイントの数は 17,700 を超えています。シフトごとの作業員数は数十人にのぼり、その各人が電動車両に乗ってフロアを縦横に駆け巡り、1 度の巡回で数十か所の保管場所を回って段ボール箱を回収します。こうした作業において、不要な経路が積み重なっていくと、時間が無駄になるだけでなく、車両の劣化や、納品の遅延にもつながります。

14 か国以上でグローバル事業を展開する物流プロバイダの FM Logistic は、すでにルーティングを最適化する仕組みを有していました。既存のモデルは、費用優先の高速なルート割り当てロジックに基づき、リアルタイムで応答を得られるようなものです。これはこれでうまく機能していましたが、ルートの判断がその都度行われる仕組みになっており、倉庫全体から見たルート調整能力に限界がありました。一度のシフトで同時に働く作業員数が数十人にのぼることを考えると、ルートがわずかでも改善されれば、大きな効果に直結します。

そこで導入されたのが、Google Cloud の AlphaEvolve です。

AI に、もっと優れたアルゴリズムを書いてもらう

AlphaEvolve は、Gemini モデルを使ってアルゴリズムを自律的に生成、改良する進化型のコーディングエージェントです。固定ルールからスケジュールを計算するのではなく、コーディングパートナーのように動作するのが特徴で、新しいコードを記述し、スコアを付け、最初のコードよりも優れたソリューションが見つかるまで反復処理を行います。

この取り組みをゼロから始めたわけではありません。既存のアルゴリズムを AlphaEvolve に「シード」プログラムとして提供しました。このアルゴリズムは、各ステップごとに、最善と思われるルートをその都度採用するというものです。この実際に使用されているアルゴリズム（すでに問題を解決しており、まだ最適化の余地があるもの）をベースラインとして使用し、Gemini を使って変更や新しいロジックを加えて新たなコードを生成して、人間が設計した元のコードを上回ることができるかどうかを調べました。

改善結果の評価

AlphaEvolve によって改善するには、各アルゴリズムのパフォーマンスを測定する方法が必要となります。そこで、60 件の巡回（合計 1 時間以上の作業員データ）を代表的なデータセットとして使ってカスタム評価関数を設計し、生成された数千のアルゴリズムを実際の状況下でテストしました。

この評価では、「ピックごとの平均移動距離を最小に抑える」という基本的な目標に基づいてコードをスコア付けします。また、運用上の問題を回避するため、フォークリフトの容量超過や、注文品の回収漏れ、同じ箱の重複割り当て、注文の先入れ先出しルール違反、リアルタイム運用で許容される計算時間の超過といった事象にそれぞれペナルティを設け、不適切な解を避けられるようにしています。

結果

新しいルーティングロジックでは、過去最良だったベースラインからの改善をただちに数値で確認できました。

過去最良のソリューションと比較して、ルーティング効率が 10.4% 向上。
全体で、倉庫内の移動距離が年間 15,000 km 以上削減。

この効率化により、人員や車両を増やすことなく、従来と同じ作業員数および設備でより多くの注文を処理できるようになりました。

FM Logistic のグループ CIO である Rodolphe Bey 氏は、次のように述べています。「Google Cloud と協力して AlphaEvolve および Gemini を実装したことで、このスピードが要求される業務においてルーティングアプローチをさらに最適化することができました。既存のアルゴリズムもすでに高度に最適化されていたため、そのベースラインを超えることは困難と思われましたが、上乗せで 10.4% の改善を実現しました。この改善は、納品のスピードアップや、労働条件の改善、車両の劣化軽減に直結しています。」

最終的に勝ち残ったアルゴリズムの動作

AlphaEvolve の実験を繰り返し、実験のたびに数百の候補プログラムを生成するという方法によって、人間が設計した最良のアルゴリズムを上回る新しいアルゴリズムが生み出されました。この新しいアルゴリズムは、人間が解読可能なルールセットとなっており、倉庫チームが内容を確認して適宜調整することが可能です。

3 つの主な改善点:

密度ベースの開始点（アンカー選択）: 旧システムでは、最も多くのピッキングが必要な一か所を開始点として選択していました。新しいアルゴリズムでは、開始点を広く捉えるようになっています。具体的には、互いに近くにあるアイテム同士をクラスタ化して、アイテムが密集しているエリアを開始点（基点アンカーグループ）として使用します。この方法によって、すべての巡回において開始点の効率が高められます。
距離シミュレーションにおけるフィルタリング: リアルタイムに通用する速度を維持するため、2 段階の処理プロセスを使用しています。まず、クイックフィルタによって、ルートロジックに適さない注文を除外します。続けて、残った適切な候補に対してのみ厳密な距離シミュレーションを実行することで、スピードを落とすことなく最も効率の良い経路を見つけています。
柔軟なルート構築: ある出発点から初めて、トラックを効率的に満載にできなくなった場合、無駄なルートを強制することはありません。メインプールにいったん積み荷を戻し、後でもっと良いルートでピックすることで、倉庫全体で効率を向上させています。

次のステップ

ポーランドでの試験運用（現在は本番環境に移行済み）では、倉庫規模の複雑なルーティングにおいて、進化型 AI が役立つことが示されました。FM Logistic は現在、大量の商品を扱っている他の e コマース施設にもこのアルゴリズムを適用することを計画中です。また、AlphaEvolve を道路輸送にも応用し、トラックが積載量に満たない場合の効率化に役立てられないかどうか探っています。さらに、倉庫内の商品配置にも AI を活用して移動距離をさらに短縮できないかどうか検討中です。

^{このプロジェクトは、FM Logistic チーム（Mateusz Klimowicz、Jarosław Urbański、Florent Martin、Alberto Brogio）、Google Cloud の AI for Science チーム（Kartik Sanu、Laurynas Tamulevičius、Nicolas Stroppa、Chris Page、Gary Ng、John Semerdjian、Skandar Hannachi、Vishal Agarwal、Anant Nawalgaria、他）、Google DeepMind の協力によって実現しました。}

- FM Logistic、シニアソフトウェアエンジニア、Mateusz Klimowicz 氏

- Google、シニアスタッフ ML エンジニア兼プロダクトマネージャー、 Anant Nawalgaria

マックスプランク研究所がマルチモーダルエージェントを通じて専門スキルを共有する方法

Wed, 19 Nov 2025 01:10:00 +0000

※この投稿は米国時間 2025 年 10 月 25 日に、Google Cloud blog に投稿されたものの抄訳です。

がんやアルツハイマー病などの複雑な病気の効果的なモニタリングと治療は、その根底にある生物学的プロセスを理解することにかかっています。タンパク質は、そのプロセスに不可欠なものです。質量分析ベースのプロテオミクスは、これらのタンパク質を迅速かつグローバルに研究するための強力な手法です。しかし、この手法を広く採用するには、技術的な複雑さがネックとなっています。高度な分析機器と手順を習得するには専門的なトレーニングが必要となるためです。これにより、専門知識のボトルネックが生じ、研究の進展が遅くなります。

この課題に対処するため、マックスプランク生化学研究所の研究者は Google Cloud と協力して、科学者の実験を支援する Proteomics Lab Agent を構築しました。このエージェントは、パーソナライズされた AI ガイダンスを通じて複雑な科学的手順の遂行を簡素化し、実行を容易にすると同時に、プロセスを自動的に文書化します。

「研究室の重要な専門知識は、文書化されることがほとんどなく、研究者の異動によって失われる暗黙知であることがよくあります。このエージェントは、実践的な演習を記録して組織の記憶を構築するだけでなく、実験エラーを体系的に検出して再現性を高めることで、この問題に直接対処します。最終的には、研究室がこれまで以上に迅速に科学のフロンティアを押し広げられるようになります」と、マックスプランク生化学研究所のプロテオミクスおよびシグナル伝達部門を率いる、質量分析ベースのプロテオミクスのパイオニアである Matthias Mann 教授は述べています。

このエージェントは、Agent Development Kit（ADK）、Google Cloud インフラストラクチャ、Gemini モデルを使用して構築されました。Gemini モデルは、高度な動画と長いコンテキストを理解でき、高度な研究のニーズに最適です。

エージェントのコア機能の一つは、研究者が実験作業を行う動画を分析し、その行動を基準プロトコルと比較することで、エラーや漏れを検出することです。このプロセスは 2 分強で完了し、手順上のエラーを約 74% の高い精度で検出できます。ただし、ドメイン固有の知識と空間認識にはまだ改善が必要です。AI による支援を受けたアプローチは、現在の手動によるアプローチよりも効率的です。手動によるアプローチでは、研究者の直感に頼って、手順中の微妙な間違いを見つけたり、さらによくあるケースでは実験が失敗した後にのみトラブルシューティングを行ったりします。

エージェントは、ミスを特定しやすくし、パーソナライズされたガイダンスを提供することで、トラブルシューティングの時間を短縮し、将来的にはリアルタイムの AI ガイダンスがエラーの発生を防止することを目指しています。

プロテオミクス AI エージェントの可能性はライフサイエンスの分野にとどまらず、専門分野における普遍的な課題、つまりマニュアルからではなく実践を通じて習得する専門知識を捕捉して伝達するという課題に対処します。他の研究者や組織がこのコンセプトをそれぞれの分野に適用できるように、このエージェントフレームワークは GitHub でオープンソースプロジェクトとして公開されています。

この投稿では、Proteomics Lab Agent のエージェントフレームワーク、マルチモーダル AI を使用してパーソナライズされたラボガイダンスを提供する仕組み、実際の研究環境にデプロイした結果について詳しく説明します。

Proteomics Lab Agent がプロトコルを生成し、エラーを検出

課題: 離職率の高い環境で専門知識を維持する

金曜日の夕方、研究室にいると想像してください。新米研究者は高度な分析機器である質量分析計を使用する必要がありますが、その責任者である上級専門家は週末のためすでに帰宅しています。研究者は、長いプロトコル内を検索し、さまざまな指標に反映される複数の要因に依存する機器のパフォーマンスを解釈し、ガイダンスなしに作業を進める必要があります。たった 1 つのミスで、高価な機器が損傷したり、貴重なサンプルが無駄になったり、研究全体が台無しになったりする可能性があります。

このような複雑さは、質量分析ベースのプロテオミクスなどの専門的な研究分野ではよくあるハードルです。科学の進歩は、高度な技術的専門知識を必要とする複雑な手法や機器に依存することがよくあります。特に学術機関では離職率が高いため、研究室は人材のトレーニング、手順の文書化、知識の保持において大きなボトルネックに直面しています。専門家が退職すると、蓄積された知識も一緒に失われることが多く、チームは部分的にやり直さざるを得なくなります。このようなことが積み重なってアクセシビリティと再現性の課題が生じ、新たな発見が遅れてしまいます。

解決策: ラボのガイダンスのための AI エージェント

プロテオミクスラボエージェントは、プロトコルや機器データから過去のトラブルシューティングの決定まで、ラボの集合知に直接接続することで、これらの課題に対処します。これにより、研究者は実験ワークフロー全体にわたる複雑な手順について、パーソナライズされた AI ガイダンスを利用できます。たとえば、ピペッティングなどの通常のウェットラボ作業や、質量分析計の操作に必要な特殊な機器やソフトウェアとのやり取りなどです。エージェントのもう一つの機能は、実験の動画から詳細なプロトコルを自動的に生成し、手順のエラーを検出して、修正のためのガイダンスを提供できることです。これにより、トラブルシューティングとドキュメント作成の時間を短縮できます。

ラボ向けの AI エージェントアーキテクチャ

基盤となるマルチモーダルエージェント AI フレームワークは、図 1 に示すように、複数の専門的なサブエージェントの作業を調整するメインエージェントを使用します。Gemini モデルと Agent Development Kit を使用して構築されたこのメインエージェントは、オーケストレーターとして機能します。研究者のクエリを受け取り、リクエストを解釈して、適切なサブエージェントにタスクを委任します。

図 1: マルチモーダルガイダンスのための Proteomics Lab Agent のアーキテクチャ。

サブエージェントは特定の機能向けに設計されており、ラボの既存のナレッジシステムに接続します。

Lab Note Agent、Protocol Agent: 動画関連のタスクを処理します。研究者が実験の動画を提供すると、これらのエージェントは動画を Google Cloud Storage にアップロードし、動画の視覚コンテンツと音声コンテンツを分析できるようにします。その後、エージェントはエラーがないか確認したり、新しいプロトコルを生成したりできます。
Lab Knowledge Agent: 研究所のナレッジベース（MCP Confluence）に接続して、プロトコルを取得したり、新しいラボノートを保存したりします。これにより、チーム全体が知識にアクセスできるようになります。
Instrument Agent: 複雑な分析機器の使用に関するガイダンスを提供するために、研究所の質量分析計をモニタリングする自社構築の MCP サーバー（MCP AlphaKraken）から機器のパフォーマンス指標を取得します。
Quality Control Memory Agent: すべての機器関連の決定とその結果をデータベース（MCP BigQuery など）に保存します。これにより、過去にうまくいったことの検索可能な履歴が作成され、貴重なトラブルシューティングの経験が保存されます。

これらのエージェントを組み合わせることで、現在の機器の状態や研究者の経験レベルに合わせたガイダンスを提供し、研究者の経験を自動的に文書化できます。

詳細: 動画分析で実験エラーを検出

生成 AI は、文献分析からコードによるラボロボットの制御まで、科学分野のデジタルタスクに効果的であることが証明されていますが、デジタル支援と実際のラボでの作業の間の重要なギャップにはまだ対処していません。この研究では、動画から実験ノートを自動生成し、実験エラーを検出することで、このギャップを埋める方法を示しています。

図 2: 動画ベースのラボノート生成とエラー検出のエージェントワークフロー。

図 2 に示すプロセスは、いくつかのステップで展開されます。

研究者は実験を録画し、「この動画から実験ノートを作成して、間違いがないか確認してください」のようなプロンプトとともに動画をエージェントに送信します。
メインエージェントは、タスクを Lab Note Agent に委任します。Lab Note Agent は、動画を Google Cloud Storage にアップロードし、動画で行われたアクションを分析します。
メインエージェントは、Lab Knowledge Agent に、これらのアクションに一致するプロトコルを見つけるよう依頼します。Lab Knowledge Agent は、ラボのナレッジベースである Confluence からその情報を取得します。
動画分析とベースラインプロトコルの両方で、タスクは再び Lab Note Agent に渡されます。このエージェントは、動画とプロトコルをステップごとに比較する方法を知っています。手順の漏れ、誤った操作、プロトコルにない手順の追加、手順の順序の間違いなど、潜在的なミスを検出します。
メインエージェントは、生成されたラボノートを研究者に返します。その際、潜在的なエラーがフラグ付けされ、レビューできるようになっています。研究者はメモを承認するか、修正を加えることができます。
最終的に、修正されたメモは Lab Knowledge Agent を介して Confluence ナレッジベースに保存され、テストの完全かつ正確な記録が保持されます。

組織の記憶を構築する

Protocol Agent は、ラボがナレッジベースを構築するのを支援するために、動画からラボの手順を直接生成できます。研究者は、手順を声に出して説明しながら、自身が手順を実行する様子を録画できます。エージェントは動画と音声を分析して、書式設定された、公開可能なプロトコルを生成します。モデルに多様な例、段階的な指示、関連する背景ドキュメントを提供することで、最良の結果が得られることがわかりました。

図 3: 機器の操作をガイドするエージェントのワークフロー。

エージェントは、機器の操作もサポートできます（図 3 を参照）。研究者が「サンプルを測定するために、機器 X の準備はできていますか？」と尋ねると、エージェントは、Instrument Agent を介して最新の機器指標を取得し、Quality Control Memory Agent からの過去のトラブルシューティングの決定と比較します。その後、「はい、機器は準備完了です」や「いいえ、まずキャリブレーションをおすすめします」などの推奨事項を提示します。Lab Knowledge Agent から関連するキャリブレーションプロトコルを提供することもできます。その後、Quality Control Memory Agent を使用して、研究者の最終的な決定とアクションを保存します。これにより、すべての推論とその結果が保存され、特殊な機器やソフトウェアを操作するための知識ベースが継続的に改善されます。

技術的な詳細については、完全版の論文をご覧ください。

現実世界への影響: 複雑な科学的手順を簡素化

AI エージェントの価値を実際の環境で測定するため、40 人の研究者が所属するマックスプランク生化学研究所の部門に AI エージェントを導入しました。エージェントのパフォーマンスは、手順のエラーの検出、プロトコルの生成、パーソナライズされたガイダンスの提供という 3 つの主要なラボ機能について評価しました。

その結果、スピードと品質の両方で大きな成果が得られました。主な調査結果は以下のとおりです。

AI によるエラー検出: 記録された 28 件のラボ手順を基準プロトコルと比較したところ、エージェントはすべての手順エラーの 74%（再現率と呼ばれる指標）を特定し、全体的な精度は 77% でした。現時点では精度（41%）がまだ課題ですが、結果は非常に有望です。
迅速かつ専門家レベルのプロトコル: 研究所の動画から、エージェントが標準化された、公開可能なプロトコルを約 2.6 分で生成しました。これは手動で作成するよりも約 10 倍速く、10 種類の多様なプロトコルで平均品質スコア 4.4（5 段階評価）を達成しました。
パーソナライズされたリアルタイムのサポート: エージェントは、リアルタイムの機器データと過去のパフォーマンスに関する意思決定を統合し、研究者に機器の使用に関するカスタマイズされたアドバイスを提供することに成功しました。

エラー検出の結果をさらに詳しく分析したところ、具体的な強みと改善すべき点が明らかになりました。図 4 に示すように、システムは一般的なラボ機器の認識と画面上のテキストの読み取りにすでに効果を発揮しています。主な制限は、高度に専門化されたプロテオミクス機器の理解（エラーのうち 27% は認識されなかった）と、96 ウェルグリッド上のピペットチップの正確な配置（47%）やピペット上の小さなテキスト（41%）などの詳細な情報の認識（対応する論文の付録を参照）でした。マルチモーダルモデルの進化に伴い、これらの詳細を解釈する能力が向上し、実験上のミスに対するこの重要な安全対策が強化されることが期待されます。

図 4: ラボにおけるプロテオミクスラボエージェントの強みと現在の限界。

このエージェントはすでにドキュメントの自動化と録画された動画のエラーのフラグ付けを行っていますが、その将来の可能性は、単なる修正ではなく、予防にあります。音声を使用してリアルタイムで間違いを防止するインタラクティブなアシスタントを構想し、このプロジェクトをオープンソース化することで、コミュニティにこの未来の構築への協力を呼びかけています。

将来を見据えたスケーリング

結論として、このフレームワークは、再現性の危機から離職率の高い学術環境における知識の保持まで、現代科学における重要な課題に対処します。エージェントは、手順データだけでなく、その背後にある専門家の推論も体系的に取得することで、組織の記憶を構築します。

「このアプローチは、研究者が研究室を離れると失われがちな実践的な知識を捕捉して共有するのに役立ちます。蓄積された経験は、新しいチームメンバーのトレーニングを加速するだけでなく、質量分析計の予測機器メンテナンスや、個々のラボ内および別のラボ間での自動プロトコル調和といった将来のイノベーションに必要なデータ基盤を構築します」と、Matthias Mann 教授は述べています。

Proteomics Lab Agent の背後にある原則は、1 つの分野に限定されるものではありません。この調査で概説されているコンセプトは、ライフサイエンスから製造まで、複雑な実践手順に依存するあらゆる分野に適用できる一般的なソリューションです。

手法と結果について詳しくは、論文全文をご覧ください。GitHub でコードを調べ、Proteomics Lab Agent をご自身の調査に合わせて調整してください。マックスプランク研究所の Mann 研究室の今後の活動については、LinkedIn、BlueSky、X でご確認ください。

_{このプロジェクトは、マックスプランク生化学研究所と Google の共同研究です。コアチームのメンバーは、マックスプランク生化学研究所プロテオミクスおよびシグナル伝達部門の Patricia Skowronek 博士と Matthias Mann 教授、Google の Anant Nawalgaria です。また、サポートいただいた Mann 研究室の全員に感謝します。}

ーマックスプランク生化学研究所、博士研究員、Patricia Skowronek 博士

ー Google、シニアスタッフ ML エンジニア Anant Nawalgaria

EU のデジタル政府における AI 革命: 「信奉」から「積極的な導入」へ

Tue, 01 Apr 2025 01:30:00 +0000

※この投稿は米国時間 2025 年 3 月 26 日に、Google Cloud blog に投稿されたものの抄訳です。

Implement Consulting Group が今回発表した新しいレポート「The AI opportunity for eGovernment in the EU」によると、生成 AI を導入することで、生産性の向上を通じて EU の行政機関に 1,000 億ユーロの機会がもたらされ、EU の市民と企業が大きなメリットを得られる可能性があります。

AI は、単なる技術進歩として導入を検討するものではなく、EU 全域の電子政府の進化に「不可欠」な要素であり、生産性の向上がその鍵となります。

太字で示したこの一文は、転換期の到来を告げるものです。理論面での議論を超えて、ヨーロッパの政府が今後どのように市民との交流を図り、生活に不可欠なサービスを提供していくかを決定するうえで、AI が果たす必要のある重要な役割を示しています。Google の委託を受けて作成されたこのレポートは、EU とその加盟国にとって重要な、ある機会を浮き彫りにしています。それは、AI の可能性を「信奉する組織」から、デジタルインフラストラクチャ内にこの画期的なテクノロジーを「迅速に導入する組織」への進化です。

「信奉」から「迅速な導入」への切り替えには、大きな意味があります。長年にわたり、公共部門における効率の向上、サービスのパーソナライズ、イノベーションの推進に関して、AI が秘める可能性が認識されてきました。

生成 AI は、EU 加盟国の行政機関の生産性を 10% 向上させる可能性があります。これは、同じリソースで年間 1,000 億ユーロ分の価値を上乗せできることを意味します。この潜在的な価値の 60% は行政手続きの効率化に由来するもので、空いたリソースを健康や福祉などの重要な分野に割り当てることができます。残りの 40% は、サービスの質とスピードの改善によるもので、これにより行政サービスの利便性が向上します。その要因は、AI により膨大なデータを分析し、市民のニーズをより深く理解することで、政府がよりパーソナライズされたサービス、さらには将来を見据えたサービスを提供できるようになることにあります。市民のライフイベントに応じて、特定の書類や給付の必要性を予測するシステムを想像してみてください。

ルーティンタスクの自動化や文書処理の改善といった低リスクの用途は、生成 AI の潜在的な価値の 15～20% を占めており、最優先に対応すべきものです。これらのユースケースを通して、政府はガバナンスフレームワークを強化しながら、制御された低リスクの環境で AI を活用できます。

生成 AI で EU 機関の生産性を 12% 向上できる可能性生成 AI は、立法、行政、司法、財務の複雑な業務を担当する職員を支援することで、EU 機関内の生産性を 12% 向上させる可能性があります。生成 AI を導入すると、EU 機関に勤務する 60,000 人の従業員の意思決定を強化し、効率を高め、リソースをより適切に配分できるようになります。

管理プロセスに生成 AI を統合することで、承認のボトルネックを減らし、コンプライアンスの手順を加速させ、より明確でアクセスしやすい規制の枠組みを実現できます。

チャットボットや翻訳サービスなどの AI を活用したツールには、多様なニーズや言語的背景を持つ市民が政府サービスを利用しやすくなるという利点もあります。

AI の広範な導入公共部門向けの AI インフラストラクチャには、効率的なスケーラビリティ、新たなテクノロジーやマルチクラウド運用への適応性、データプライバシーとサイバーセキュリティを備えた堅牢なセキュリティ、共同作業のための相互運用性が必要です。最先端の AI のためにオンプレミスのスーパーコンピュータを導入すると、高額な費用がかかるだけでなく、非効率的でもあります。このため、行政機関に AI を広範に導入する際は、安全かつ堅牢なクラウドインフラストラクチャを利用します。この場合、専門のサプライヤーに依頼することが、最も費用対効果が高くスケーラブルなソリューションとなります。

EU がリーダーシップを発揮する機会このレポートでは、EU 政府が AI を活用したデジタル政府革命を主導する大きな機会があることを強調しています。AI の導入に関して積極的かつ戦略的なアプローチを採用することで、EU は公共部門における AI のグローバルな倫理基準と規制基準を定めることができます。また、イノベーションの促進、人材の発掘、利用しやすくレスポンシブなサービスを通じた市民のエンゲージメントの強化も実現できます。さらに、AI を活用して公共部門の効率を改善し、新たな経済成長の機会を創出することで、経済競争力を高めることもできます。

政府は AI の導入を促進するため今すぐ行動を起こすべきAI 導入の環境を整えるうえで、政府は重要な役割を果たします。AI の可能性を最大限に引き出すには、行政機関が、必要なインフラストラクチャの構築、データ品質の確保、AI 関連スキルの育成、規制の明確化に注力する必要があります。

クラウドインフラストラクチャや、法令を遵守した部門横断的なデータ共有手法などに関して不確実な点があり、AI の導入が遅れると、EU にもたらされる可能性全体が大幅に損なわれるおそれがあります。さらに、スキル不足や研究開発の不十分さなどの障壁も、導入を遅らせる要因となり得ます。生成 AI の導入開始が 5 年遅れると、達成できる可能性がある GDP が 3,000 億～4000 億ユーロ減少すると考えられています。

行政機関に特化した、安全かつスケーラブルな AI インフラストラクチャが、効果的な導入の鍵となります。質の高いデータガバナンスによって AI による改善が可能になる一方、ルールの簡素化と調和のとれた GDPR の導入によって責任ある AI の導入が促進されるでしょう。同様に重要なポイントは、公務員が日常業務で AI を効果的に活用するための知識と専門知識を身につけることです。

AI はもはや、遠い将来に導入を目指すものではなく、欧州連合の電子政府の未来を支える中心的な柱となっています。積極的な AI 導入はすでに始まっており、EU によるこの重要な変革への取り組みは世界中から注目を集めています。

-Google Cloud、EMEA 公共部門担当ディレクター Niall McDonagh

SIGNAL IDUNA が生成 AI でカスタマーサービスを強化

Tue, 01 Apr 2025 01:01:00 +0000

※この投稿は米国時間 2025 年 3 月 14 日に、Google Cloud blog に投稿されたものの抄訳です。

昨今の保険加入者は、以前と比べて保険会社への期待が高くなっており、デジタルサービスがシンプルであること、個人的な問題について相談したいときにすぐにサービス担当者とつながれること、提出した請求書に関して迅速なフィードバックが得られることを求めています。保険会社のほうでは、問い合わせの増加、熟練した従業員の不足、従業員の退職に伴う専門的な知識や経験の喪失により、これらの要求を満たすことがますます困難になっています。

ドイツの大手総合保険会社で、特に医療保険で知られる SIGNAL IDUNA は、迅速かつ正確な対応の必要性が高まっていることを認識し、Google Cloud の生成 AI を活用した最先端の AI ナレッジアシスタントを導入しました。

SIGNAL IDUNA の顧客、サービス、変革担当取締役である Johannes Rath 氏は次のように述べています。「当社は、他社に先駆けて人間と AI のコラボレーションの可能性を解き放ちました。テクノロジーと対象分野のエキスパートを結びつけてプロセス効率の概念を再定義し、卓越したカスタマーエクスペリエンスを実現しました。」

SIGNAL IDUNA は、Google Cloud、BCG、Deloitte と連携して、サービスエージェントが顧客からの複雑な問い合わせを迅速かつ正確に解決できるようにする AI ナレッジアシスタントを開発しました。この革新的なソリューションは、Google のマルチモーダル Gemini モデルなどの Google Cloud AI を使用して、エージェントが関連ドキュメントを見つけて包括的な回答を提供するまでの時間を 30% 短縮し、最終的に顧客満足度を高めています。

aside_block: <ListValue: [StructValue([('title', '300 ドル分の無料クレジットで Google Cloud の AI と ML を試用'), ('body', <wagtail.rich_text.RichText object at 0x7f45e850d190>), ('btn_text', '無料で構築を始める'), ('href', 'http://console.cloud.google.com/freetrial?redirectPath=/vertex-ai/'), ('image', None)])]>

課題: 昨今の顧客の期待に応える

保険業界の多くの組織がそうであるように、SIGNAL IDUNA も大きな業務上の負担を抱えていました。保険商品の複雑さに加え、迅速かつ正確な対応に対するニーズの高まりにより、サービスのエクスペリエンスに影響するボトルネックが発生しやすくなります。

たとえば、AI ナレッジアシスタントを導入する前は、サービスエージェントが質問に答えたり、顧客の問題を解決したりするために必要な情報を見つけるまでに、保険約款、保険料情報、ガイドライン、標準業務手順など何千もの社内ドキュメントで、何百もの異なる保険料について手作業で探す必要がありました。このため、問い合わせの 27% は、他の部門や担当者へのエスカレーションが必要となり、解決が遅れ、費用が増加し、評判が損なわれる可能性がありました。

SIGNAL IDUNA は、この複雑なプロセスを生成 AI の主要なユースケースの一つとして優先し、エージェントが顧客の問い合わせ、特に医療保険に関するものに迅速かつ正確に回答できるようにする AI アシスタントを開発しました。この AI ナレッジアシスタントは、600 を超える異なる保険料に関する 2,000 以上の社内ドキュメントを基に構築されています。エージェントは自然言語で質問して正確な回答を得ることができるため、関連する情報を検索する時間が大幅に短縮されます。

SIGNAL IDUNA の生成 AI システムの詳細

Google Cloud、BCG、Deloitte の協力のもと、SIGNAL IDUNA は Google Cloud の AI プラットフォーム Vertex AI を使用して洗練された生成 AI アーキテクチャを構築しました。また、Gemini 1.5 Pro の長文コンテキスト処理機能を活用して、膨大な数のドキュメント内で適切な情報に迅速かつ正確にアクセスできる AI ナレッジアシスタントを開発しました。このシステムは、複数のステップで、多様なソースからの広範な情報を集約して処理するものです。エージェントは、顧客からの問い合わせに効果的に対応するために必要となる完全なコンテキストにアクセスできます。

主なステップは次のとおりです。

エンドツーエンドのアーキテクチャ図

1. データの前処理と抽出

さまざまなドキュメントタイプからナレッジベースを構築します。ドキュメントは通常は PDF 形式で、契約に関するドキュメント、業務手順、一般的な利用規約などがあります。

SIGNAL IDUNA は、Google Cloud Document AI の Layout Parser と PDFPlumber を組み合わせたハイブリッドアプローチを使用して、これらの PDF を解析し、テキストコンテンツを抽出しています。テキストセグメントの抽出は Layout Parser が担っていますが、PDF の品質上可能であれば、PDFPlumber がテーブルの抽出を強化します。抽出されたテキストはクリーンアップされ、Google の Gecko 多言語エンベディングモデルによってチャンク化され、追加のメタデータで強化されることで、その後の効果的な情報の処理および分析が可能になります。

ベクトル化されたテキストの保存には Google Cloud SQL for PostgreSQL と、PostgreSQL の拡張機能 pgvector を使用しています。これは、当社のニーズに非常に効果的なベクトルデータベースソリューションです。ベクトル化されたテキストチャンクを Cloud SQL に保存することで、スケーラビリティ、信頼性、他の Google Cloud サービスとのシームレスな統合といったメリットがもたらされる一方、pgvector によって効率的な類似検索機能が可能になります。

2. クエリの拡張

クエリの拡張では、ベクトルストアからのドキュメントの取得と回答の生成の両面において、ユーザーの質問の構成を改善するために複数のクエリが生成されます。元の質問は、いくつかのバリアントに再構成され、元のクエリ、書き換えられたクエリ、模倣クエリの合計 3 つのバージョンが作成されます。その後、これらを使用して、関連するドキュメントが取得され、最終的な回答が生成されます。

書き換えられたクエリについては、Gemini Pro 1.5 を使用して元の質問のスペルミスが修正されます。また、事前定義された用語の類義語を追加したり、特定の用語（「治療法」「補助具」「wahlleistung / オプションサービス」など）にカテゴリをタグ付けしたりすることで、クエリが拡張されます。選択された保険料に関する情報も、クエリの拡充に使用されます。たとえば、ブランドや契約タイプなどの保険料の属性がデータベースから抽出され、構造化形式でクエリに追加されます。こうした具体的な調整により、特別な料金コードを処理できるようになり、保険料の接頭辞に基づいてさらにコンテキストが追加されます。

模倣クエリについては、Gemini Pro 1.5 を使用して、ソース資料との意味上の類似性を向上させるために、保険に関する専門的なドキュメントの文言を模倣するように質問が書き換えられます。また、会話履歴が考慮され、年齢の書式設定が処理されます。

3. 検索

システムは最初にクエリキャッシュをチェックします。クエリキャッシュには、以前に答えた質問とそれに対応する回答が保存されています。同じ質問、または非常に似ている質問が以前に解決していた場合は、キャッシュに保存されている回答が取得されるため、迅速な回答が可能となります。この効率的なアプローチにより、情報への迅速なアクセスが保証され、冗長な処理を回避できます。

キャッシュの精度は、フィードバックループによって維持されます。正しく回答された質問がユーザーの賛成票によって特定され、キャッシュに保存されます。キャッシュに保存された回答に反対票が投じられると、キャッシュが即座に無効化され、関連性の高い有益な回答のみが提供されるようになります。この動的なアプローチにより、システムの効率と精度が時間の経過とともに向上します。クエリキャッシュに一致する質問が見つからない場合、検索プロセスはベクトルストアにフォールバックするので、システムは新しい質問にも回答できます。

システムは、クエリキャッシュまたはベクトルストアから関連する情報チャンクを取得した後、Vertex AI Ranking API を使用してそれらを再ランク付けします。この重要なプロセスでは、さまざまなシグナルを分析して結果を精査し、関連性を優先して、最も正確で有益な情報が提供されるようにします。

検索においては、完全かつ正確な回答を保証することが最も重要ですが、一部のクエリには、ソースドキュメント以外の情報も必要であることがわかりました。この問題に対処するために、システムはキーワードベースの拡張によって最終プロンプトを補完し、回答の生成のために、より包括的なコンテキストを提供します。

4. 生成

回答の生成プロセスには、3 つの主要な要素が含まれます。複数のクエリを含むユーザーの質問、取得された関連情報のチャンク、さらにコンテキストを追加する拡張です。これらの要素を組み合わせ、複雑なプロンプトテンプレートを使用して、最終的な回答が作成されます。

サービスエージェントにとって、ニアリアルタイムのエクスペリエンスを提供することは非常に重要です。そのため、SIGNAL IDUNA は生成された回答のストリーミングも行います。AI ナレッジアシスタントの開発中、入力に基づいてレイテンシを最小限に抑えることは、技術的に大きな課題でした。この課題に対処するため、SIGNAL IDUNA はデータのストリーミングと複数リクエストの処理に非同期 API を使用して、処理時間を短縮しました。現在、このシステムは平均約 6 秒の回答時間を達成しており、SIGNAL IDUNA は、この時間をさらに短縮するために、より高速な新しいモデルをテストしています。

5. 評価

検索拡張生成（RAG）システムを最適化するには、厳格な評価が不可欠です。SIGNAL IDUNA は、Vertex AI の Gen AI Evaluation Service を使用して、回答の質とプロセス全体におけるパフォーマンス（検索など）の両方の評価を自動化しています。これらの自動テストの基礎となるのは、SIGNAL IDUNA のサービスエージェントからのインプットによって作成された包括的な質問セットです。

評価結果は、Vertex AI Experiments と Google Cloud BigQuery にシームレスに流れます。そのため、Google Cloud 上の Looker を使用してダッシュボードを作成することで、パフォーマンスの傾向を可視化し、実用的な分析情報を得ることができます。

Looker を利用した AI ナレッジアシスタントの評価について詳しく見てみましょう。

チャンクの取得: SIGNAL IDUNA は最初に、関連する情報チャンクの取得を評価します。この段階での指標は、モデルがソースデータから必要な情報をどれだけ効果的に特定し、収集しているかの評価に役立ちます。その際は、再現率、適合率、F1 スコアなどの生成 AI の指標を追跡して、検索プロセスの改善点を特定します。正しい情報を取得することは、適切な回答の生成の基盤となるため、これは非常に重要なことです。
ドキュメントの再ランク付け: 関連するチャンクが取得されたら、最も関連性の高い情報が優先されるように再ランク付けします。Looker ダッシュボードでは、この再ランク付けプロセスの効果をモニタリングできます。
生成された回答と期待された回答の比較: 最後の段階では、生成された回答と期待された回答を比較します。SIGNAL IDUNA は、生成された出力の質、精度、完全性を評価し、大規模言語モデル（LLM）を利用して、生成された回答と期待された回答との類似性を評価しています。
説明の生成: LLM の評価の根拠を理解するために、SIGNAL IDUNA は判断の説明を生成しています。これにより、生成された回答の長所と短所に関する貴重な知見が得られ、改善すべき具体的な領域を開発者が特定できるようになります。

この多段階の評価アプローチにより、SIGNAL IDUNA はモデルのパフォーマンスを総合的に把握し、各段階でデータドリブンな最適化を実現できます。Looker ダッシュボードは、これらの指標を可視化するために重要な役割を果たし、開発者がモデルの優れた点と改善が必要な点を簡単に特定できるようにします。

現実世界への影響: AI による効率性と生産性の向上

SIGNAL IDUNA は、AI アシスタントが同社の従業員に測定可能な付加価値をもたらしたかどうかを判断するために、合計 20 人の従業員（社内と外部プロバイダ）を対象にテストを実施しました。このテストでは、AI ナレッジアシスタントありの場合となしの場合で顧客の要望に対応し、その影響を評価しました。

特に注目すべきメリットの一つは、処理時間の短縮です。以前は、多数のデータソースの検索に時間がかかっていました。このテストの結果、AI ナレッジアシスタントを使用することで、コアとなる処理時間（情報検索と回答の作成）が約 30% 短縮されることがわかりました。また、専門家の評価により、回答の質が向上していることも確認できました。時間の短縮は、医療保険の経験が 2 年未満の従業員で特に顕著でした。

さらに、AI ナレッジアシスタントにより、ケースのクローズ率も大幅に向上しました。医療保険は非常に複雑な分野であり、外部サービスプロバイダを利用している場合、すべての従業員が常にすべての顧客の質問に答えられるとは限りません。AI ナレッジアシスタントのサポートにより、SIGNAL IDUNA のケースクローズ率は 73% からほぼ 98% まで、約 24% ポイント上昇しました。

将来を見据えたスケーリング

SIGNAL IDUNA の CIO である Stefan Lemke 氏は次のように述べています。「SIGNAL IDUNA は、Google と協力して、当社のコアビジネスプロセスの一つに生成 AI を適用することに成功しました。今後は、この優れたテクノロジーを組織全体に拡大していきます。ツールの規模を拡大するだけでなく、イノベーション、学び、そして達成できることの可能性も拡大するのです。」

生成 AI は、プロセスの最適化と革新的なソリューションの開発に計り知れない可能性をもたらします。SIGNAL IDUNA では、各ビジネスチームが分散的にテクノロジーを試し、カスタマイズされたアプリケーションを開発するという革新的なアプローチにより、次世代の保険ソリューションとサービスの先駆けとなる準備が整っています。

それと同時に、SIGNAL IDUNA は、得られた知見を全社的に拡大し、それぞれのチーム、リソース、部門の力を結集して活用するための一元的な基準を確立しています。この戦略的決定により、コードライブラリ、インフラストラクチャのブループリント、一元的に提供されるサービスなどの貴重なリソースを作成できました。

確立された標準とベストプラクティスにアジリティを組み合わせることで、SIGNAL IDUNA は新しい要件に迅速に対応できるようになり、効率性と顧客満足度の新たな基準を打ち立てました。

^{このプロジェクトは、Google の Max Tschochohei、Anant Nawalgaria、Corinna Ludwig と、SIGNAL IDUNA の Christopher Masch 氏、Michelle Mäding 氏を中心的なチームメンバーとして実現されました。}

-Google、シニアスタッフ ML エンジニア Anant Nawalgaria
-Google、AI エンジニアリング担当責任者 Max Tschochohei

Vertex AI Gen AI Evaluation Service で LLM の品質と解釈可能性を向上させる

Tue, 13 Aug 2024 01:15:00 +0000

※この投稿は米国時間 2024 年 7 月 30 日に、Google Cloud blog に投稿されたものの抄訳です。

大規模言語モデル（LLM）を活用しているデベロッパーは、2 つの重要なハードルに遭遇することがよくあります。それは、LLM 出力特有のランダムな性質の管理と、時折事実と異なる情報を生成する傾向への対処です。サイコロを振るのと少し似ていて、LLM には、同じプロンプトに対して異なる回答を返すなどやや予測しにくい性質があります。このランダムさは、創造性を高める一方で、整合性や事実の正確性が重要な場合には障害になる場合もあります。さらに、時折発生する「ハルシネーション」（LLM が誤った情報を事実のように提示すること）により、その機能に対する信頼が損なわれる可能性があります。現実世界の多くのタスクには単一の明確な答えがないと考えると、課題はさらに深刻になります。複雑な情報の要約や、心をつかむマーケティングコピーの作成、革新的な製品のアイデアのブレインストーミング、説得力のあるメールの下書き作成など、テーマを問わず、有効なソリューションが複数存在するのはよくあることです。

このブログ投稿と付属のノートブックでは、新しいワークフローを導入してこのような課題に取り組む方法を見ていきます。新しいワークフローでは、LLM で多様な回答を生成し、Vertex Gen AI Evaluation Service によって最適な回答の選択プロセスを自動化するとともに関連する品質指標と説明を提供します。このプロセスは、マルチモーダル入出力にも拡張可能で、業界や LLM の種類を問わずほぼすべてのユースケースで役立ちます。

次のような状況を想定してください。ある金融機関が、顧客と相談員との会話を要約しようとしています。難しいのは、その要約が現実に即した根拠のあるものであり、有用で、読みやすく簡潔に書かれているようにすることです。要約を作成する方法は数多くありますが、その品質には大きな差があります。ここでは、LLM の確率的性質と Vertex Gen AI Evaluation Service を活用して、LLM で生成される要約のパフォーマンスを向上させた方法をご紹介します。

ステップ1: 多様な回答を生成する

ここでの基本的な考え方は、最初の回答にとらわれずに考えることでした。因果デコーダをベースとした LLM には、もともと若干のランダム性があり、各単語を確率的にサンプリングします。そのため、わずかに異なる回答を複数生成することで、最適なものを見つけられる可能性が高まります。これは、ある経路は行き止まりでも別の経路では隠された宝石が見つかる可能性があることを知ったうえで、複数の経路を探索しているようなものです。

たとえば、LLM に「日本の首都はどこですか？」と質問したとします。「京都が日本の首都でした」「東京は現在の日本の首都です」「東京は日本の首都でした」など、さまざまな回答が返ってくるかもしれません。複数の選択肢を生成することで、最も正確で関連性の高い回答を得る可能性が高まります。

これを実践するために、その金融機関は LLM を使用して、1 つの文字起こしデータに対して 5 つの異なる要約を作成しました。出力のランダム性を制御する LLM の「温度」を 0.2～0.4 の範囲に調整し、トピックから大きく逸脱することなく適切な多様性を実現できるようにしました。これにより、さまざまな選択肢が得られ、高品質の最適な要約が見つかる可能性が高まりました。

ステップ2: 最適な回答を見つける

次に、多様な回答を検索して、最適な回答を特定する必要がありました。これを自動的に行うために、金融機関は Vertex Gen AI Evaluation Service で利用可能なペアワイズ評価アプローチを適用しました。これは、回答同士の直接対決と考えることができます。2 つの回答を対戦させ、元の指示とコンテキストに基づいて判定を行い、ユーザーの意図に最も沿った回答を特定します。

前述の例のように、日本の首都について 3 つの回答が得られたとしましょう。ペアワイズ比較を使用して最適な回答を見つけるとします。

回答 1 と回答 2: API は回答 2 を選びます。その説明はおそらく、「回答 1 は理論的には正しいものの、日本の現在の首都についての質問に直接答えていません」といったようなものでしょう。
回答 2（ここまでの最適な回答）と回答 3: 回答 2 が再度勝ちます。回答 3 は過去形を使用していることで負けになります。
これら 2 回の比較の結果、回答 2 が最適な回答であると結論付けられます。

金融機関のケースでは、生成された 5 つの要約を 2 つずつ比較して、最適な要約を選択しました。

ステップ3: 回答が十分適切であるかどうかを評価する

次に、ワークフローは前のステップでトップであった回答（回答 2）を取得し、ポイントワイズ評価サービスを使用してそれを評価します。この評価では、品質スコアを割り当てて、正確性、根拠、有用性などのさまざまな項目で、それらのスコアについて人が読める形式の説明を生成します。このプロセスは、最適な回答を明らかにするだけでなく、モデルがこの回答を生成した理由と、他の回答よりも優れていると見なした理由についての分析情報も提供し、システムの意思決定における信頼性と透明性を高めます。金融機関のケースでは、選ばれた回答に対しポイントワイズ評価の要約関連の指標を使用して、この回答に根拠があり、有用で、高品質である理由の説明を取得しました。最適な回答だけを返すか、関連する品質指標と説明を含めて透明性を高めるかを選択できます。

要するに、このワークフローには（このブログ投稿のバナーで図示しているように）、さまざまな LLM の回答を生成し、それらを体系的に評価し、最も適切な回答を選択することが含まれます。その際、特定の回答を最適と見なした理由についての分析情報も提供されます。まずはサンプル ノートブックをご覧になり、それをご自身のユースケースに合わせて調整してみてください。ペアワイズ評価とポイントワイズ評価の順序を逆にして、ポイントワイズスコアに基づいて個々の回答をランク付けしてから、上位候補のみでペアワイズ比較を行うこともできます。さらに、この例ではテキストに焦点を当てていますが、このアプローチはあらゆるモダリティに応用でき、このブログ投稿で示したような質問応答や要約にとどまらずあらゆるユースケースに適用できます。最後に、レイテンシを最小限に抑える必要がある場合は、いずれのワークフローでも、さまざまな API 呼び出しを並列化することで大きなメリットが得られます。

次のステップ

LLM 固有の変動性を前向きに受け入れて、Vertex Gen AI Evaluation Service を活用することで、課題をチャンスに変えることができます。多様な回答を生成し、それらを体系的に評価し、明確な説明を含む最適なオプションを選択することで、LLM の能力を最大限に引き出すことができます。このアプローチは、LLM 出力の品質と確実性だけでなく、信頼度と透明性も高めてくれます。サンプルノートブックでこのアプローチをお試しください。また、Vertex Gen AI Evaluation Service のドキュメントもご覧ください。

-Google、シニアスタッフ ML エンジニア Anant Nawalgaria

-Cloud AI、プロダクト マネージャー Irina Sigler

Arpeely: Google Cloud 上の ML ベースの需要創出プラットフォームでデジタル広告を変革

Thu, 29 Jun 2023 02:30:00 +0000

※この投稿は米国時間 2023 年 6 月 22 日に、Google Cloud blog に投稿されたものの抄訳です。

Arpeely は、世界で最も先進的な広告テクノロジーを開発してきました。当社の ML メディア買付プラットフォームと「Win-Win」ビジネスモデルにより、お客様は、精度良く、安心感をもって、最小限のオーバーヘッドで、熱烈なユーザーを自社サービスに呼び込むことができます。

リアルタイム入札は、ミリ秒単位で広告のインプレッションを売買する動的で複雑なプロセスです。広告主または広告主の代理を務めるアドテク企業は、ユーザーがアプリやウェブサイトを開くたびに、ミリ秒以内にリアルタイムオークションで広告スペースに入札し、最も高い入札者が自社の広告を表示する機会を獲得します。ここで登場するのが Arpeely です。高度なアルゴリズム、革新的な UX、ファネルを活用して入札プロセスを最適化し、広告主のパフォーマンスを最大限に高めます。

Arpeely は、市場で優れたパフォーマンスを発揮し、購買意欲が高く、リピーターになりやすいユーザーを獲得するために、従来の競合他社が通常使用していないさまざまなシグナルを使用しています。たとえば、モバイルアプリの広告では、リアルタイムの状況とユーザーのコンテキストに基づいて、ユーザーが数週間以内にアプリ内購入を行う可能性を予測しています。

広告自体に関しては、単純なバナーの時代は終わりました。今日の広告は、ユーザーを魅了して引き込む「ちょっとしたプロダクト」です。当社では業界標準を超えた幅広い広告フォーマットを採用しています。当社の広告には、没入型の動画、説得力のあるメッセージ、ミニゲームやミニアプリなどのインタラクティブな体験、あるいはそのすべてを複合的に組み合わせたものがあります。Arpeely は、ロジックとインタラクティビティを統合することにより、メインのアクティビティを離れることなくユーザーがシームレスに広告コンテンツに関われるようにサポートしています。これにより、ユーザーの意図を把握できるようにもなります。

当社のビジネスモデルでは、広告主に支払いが生じない限り、当社にも報酬が支払われないことになっています。当社のアルゴリズムをもってすれば、大雑把なツールを使用する同業他社が見逃している隠れた市場機会に水のように流入できると考えています。こうした機能のおかげで、Arpeely はメディアとユーザー獲得という困難な分野における戦略的パートナーになることができます。

データサイエンスとエンジニアリングの最先端でのイノベーション

現在、当社は 1 秒あたり数百万のインプレッションと、1 日に 10 億を超える ML 予測を処理しています。当社は、Google AdX を含む世界最大級の 7 つのリアルタイム入札取引所と直接接続しています。また、当社は有望なスタートアップから S&P トップ 20 に入る企業に至るまで、クライアントと緊密に連携しています。

私たちは日々、さまざまな面で複雑なエンジニアリングとデータの課題に取り組んでいます。エンジニアリング面では、すべてのリアルタイムオークションが 150 ミリ秒という厳密な時間枠の範囲内で超高速のレスポンスを受けられるようにしています。データ面では、オークションごとに複数の ML 予測を行い、日々、数 TB のデータを取り込んでいます。ユーザーサービスの面では、読み込み速度のわずかな変動でさえビジネスに劇的な影響を与えることから、地域とデバイスのロングテールにわたって A/B テスト済みのアセットを提供しています。

当社は当初から、技術スタックの構築に関しては単独では不可能であることを知っていました。利用可能なプラットフォームを見ると、特に当社のユースケースにおいては、Google Cloud が、簡単に管理、使用、スケールできる堅牢なアーキテクチャを備えていることは明らかでした。また、当社の事業分野において重要となる信頼性と機能の完全性も備えていました。

仕組み

当社は Google Kubernetes Engine（GKE）を基盤として、主要な入札フローを処理する複数のサービスを実行しています。大規模に実行するサービスには Golang を利用し、開発速度、コミュニティ、読みやすさを優先する場合には Python を利用します。こうしたサービスはすべて非常に高いスケールに達する可能性がありますが、GKE で自動的に管理およびモニタリングされます。これらのサービスと当社の Redis（Google Cloud パートナー）クラスタ間の通信は、Google Cloud の強固なネットワークインフラストラクチャ上でミリ秒未満のレイテンシで行われ、インプレッションごとに複雑なリアルタイムロジックの実行を可能にします。

実際の入札に取り組んだところ、分析とモデルのトレーニングのためにデータを BigQuery にストリーミングするという課題が残りました。そこで、Cloud Pub/Sub、Memorystore、Cloud Storage を組み合わせて利用することで、費用面で妥協することなく、ほぼリアルタイムで 1 日あたり数 TB を取り込むことができるメカニズムを作成しています。Arpeely のような企業が速いペースでテストとイテレーションを行うには、リアルタイムデータの利用が不可欠です。

BigQuery は当社の運用分析向けのデータウェアハウスであり、当社のビジネスに不可欠な要素です。当社はこれを、大規模なコンピューティングのための倉庫として、また、本番環境、データ、ML の再トレーニングを完結させる運用能力の両方で使用しています。2 人または 3 人のチームであれば、最小限のメンテナンスでペタバイト単位の大規模な管理が可能です。

これらに加えて、アドテク業界の目的に特に適した最先端の社内モデルパイプラインを構築しました。これにより、オンザフライのキャリブレーション、柔軟な変換ステップ、著しく不均衡なデータセットのサンプリング、重みの調整、A/B テスト済みのモデルの展開など、複雑なソリューションを効果的にデプロイできるようになります。

Google Cloud は、私たちの日々の積み重ねやルーチンに深く組み込まれている、いくつかの非常に便利な組み込みプロダクトへのエントリポイントも提供しています。その中には、Operations Suite（旧名 Stackdriver）、Cloud Profiler、Cloud Storage、Cloud CDN、Cloud SQL、Memorystore、Cloud Scheduler、Error Reporting などが含まれます。

こうしたテクノロジーに加えて、人も関与します。Google の熟練したカスタマーサクセスチームは、技術的な専門知識とビジネス感覚を独自に組み合わせて、戦略的な広告主として機能し、私たちが知りえなかった扉を開きます。

広告の未来に通じた扉を開く

Google Cloud で標準化することで、イノベーションと成長にリソースを集中させることができます。ビジネスソリューションを調査したり、異種テクノロジーの統合に時間を投資したりする代わりに、必要に応じて幅広い Google Cloud ツールを活用できます。そのため、優れた技術基盤を確立し、将来のビジネスの成長に備えることが重要です。

Google Cloud により、インフラストラクチャではなくイノベーションにリソースを集中できるようになります。つまり、クライアントと価値の高いユーザーをマッチングし、収益を拡大する方法を見つけることに、さらに取り組めるようになっています。オンライン広告は 20 年以上前から存在しており、Google 自体が開拓したものですが、Google Cloud は、市場を革新し、現在および将来のお客様により高いレベルの価値を提供する推進力を与えてくれます。

Arpeely team members

Google Cloud がスタートアップをサポートする方法については、こちらのページでプログラムの詳細をご確認ください。また、こちらから更新情報の配信にご登録いただいた方には、コミュニティ活動、デジタルイベント、スペシャルオファーなどの情報をお届けします。

Google Cloud Marketplace の Redis リスティングをご確認ください。この機能をお試しいただき、ぜひご感想をお聞かせください。

Arpeely、共同創業者 / CTO Michael Vainshtein 氏
Arpeely、共同創業者 / チーフアーキテクト Daniel Sirota 氏

Coop、Google の AI とデータクラウドを使った予測で食品廃棄を削減

Tue, 28 Mar 2023 09:10:00 +0000

※この投稿は米国時間 2023 年 3 月 17 日に、Google Cloud blog に投稿されたものの抄訳です。

Coop には 160 年近くにもわたる長い歴史がありますが、最新の運営手法を支える ML チームの歴史はまだ始まったばかりです。Coop の ML チームは、ML による予測を活用してビジネス上の意思決定を支援するという明確なミッションを持って 2018 年に発足しました。これには、サプライチェーンの季節性や予想される顧客ニーズに基づいた需要計画などが含まれています。最終的な目標は、現在のデータの分析情報だけでなく今後発生しうる事象の分析情報も得ることで、ビジネス運営を最適化して、顧客満足度の維持、費用削減、サステナビリティ目標の達成を実現することです（詳細は後述します）。

Coop の初期の予測環境は、1 台のオンプレミスのワークステーションで、PyTorch や TensorFlow といったオープンソースフレームワークを活用したものでした。多数の CPU や GPU に対応するためにモデルの微調整やスケーリングを行う作業は煩雑でした。つまり、そのインフラストラクチャでは、アイデアを実現していくことが困難でした。

こうした課題を解決し、生み出した成果をローカルマシン以外でも活用していくにはどうすればよいかを考えたとき、Coop は、すでに進んでいた Google Cloud への広範な移行を活かし、長く利用し続けられるソリューションを探すことにしました。

イノベーションの新しい基礎を築く

Google Cloud チームとの 2 日間のワークショップで、Coop は膨大なデータパイプラインと SAP システムのデータを BigQuery に取り込むことから始めました。同時に、Coop の ML チームは、新たに取り込まれた情報の物理的な累積キューを実装し、情報を種類別に分類しました。チームは、インフラストラクチャと新しいインスタンスの設定について心配する必要がなくなったことに安堵しました。

次に、Coop チームは、データサイエンスワークフローをさらに発展させるために Vertex AI Workbench を採用しました。利用の開始は非常に簡単でした。目標は、予測モデルをトレーニングして、正確な数値に基づいて生鮮食品の在庫を最適化できるよう Coop の配送センターをサポートすることでした。

高い精度をすばやく実現して顧客ニーズを満たす

概念実証（POC）フェーズの間、Coop の ML チームは AutoML を活用した Vertex AI Forecast モデルに対して 2 つのカスタムモデルを比較し、最終的には Vertex AI Forecast モデル（単一の Extreme Gradient Boosting モデルと PyTorch の Temporal Fusion Transformer）を Vertex AI 上で運用化することになりました。比較では、カスタムの仮想マシン（VM）上で手動でモデルをトレーニングするよりも Vertex AI Forecast を使用する方が高速で正確であることが立証されました。

POC のテストセットでは、WAPE（加重平均パーセント誤差）が 14.5 となりました。これは、社内のカスタム VM でトレーニングしたモデルと比べて、Vertex AI Forecast によるパフォーマンスが 43% 優れていたことを示しています。

POC といくつかの社内テストがうまくいき、現在 Coop は小規模の試験運用環境を構築しています（1 つの配送センターの本番環境に配置）。最終的に Coop ML チームは、ここから予測に関する分析情報を SAP に戻し、SAP で輸入業者や販売業者への注文といった処理を行います。今後数か月で、この本番環境での小規模試験運用が成功して適切な評価を得たら、スイス全土の配信センターに範囲を広げて本番環境での本格的な運用を開始できるようになります。次のアーキテクチャ図は、2 つの段階に含まれるステップの概要を示しています。展望は、予測と予測後の最適化を含め、Google のデータと AI サービスを活用して、近い将来にスイス国内の Coop の配送センターすべてをサポートすることです。

Google Cloud の活用により、社内チームでトレーニングしたカスタムモデルと比較して予測精度が 43% 高まったことは、Coop のサプライチェーンに大きな影響を与える可能性があります。この POC を試験運用環境そして本番環境に移行することで、Coop ML チームは、予測モデルをさらに改善し、食品廃棄の削減といった会社のより広範な目標を効果的にサポートしていきたいと考えています。

食品廃棄を削減してサステナビリティを促進する

Coop は、サステナビリティを事業活動の重要な要素であると考えています。廃棄ゼロの会社になるという目的を持って、サステナビリティ戦略を会社のすべての部門で推進しています。これは、オーガニック商品、動物に優しい商品、フェアトレード商品の販売業者の選択から、サプライチェーン内のエネルギー、二酸化炭素排出量、廃棄物、水の使用量の削減までさまざまな面に及びます。

これらの目標の達成は、つまるところ、最適な管理の問題になります。これは、「ベイジアンフレームワーク」として知られています。Coop は配送の規模を決定するために、分位点の推論を行う必要があります。たとえば、特定の日に 35～40 個のトマトを販売することが予測されるか、あるいは信頼区間は 20～400 個であるかといったことです。より具体的かつ正確な数値で不確実性を低減することによって、Coop は配送センターに正確なユニット数を注文できるようになり、顧客は常に必要な商品を見つけられるようになります。同時に、過剰注文を防止して、食品廃棄の削減につなげることができます。

会社全体でさらに高いレベルの達成を目指す

POC で社内モデルと Vertex AI Forecast モデルの比較を終えた Coop は、今後数か月以内に 1 つの配送センターで本番環境を試験的にリリースし、おそらくその後スイス国内のすべての配送センターに展開する予定です。このプロセスで特に有意義だったのが、プロジェクトをサポートしている ML チームが、Google Kubernetes Engine と BigQuery、および Vertex AI といったさまざまな Google Cloud ツールを使用して独自の ML プラットフォームを構築できることに気づいたことです。ML チームは、事前トレーニング済みの Vertex AI モデルを使用できるようになっただけでなく、データサイエンスワークフローの自動化と作成を短期間で行えるようになったため、常にインフラストラクチャチームに頼る必要がなくなりました。

次に、Coop の ML チームは、BigQuery を Vertex AI の前段階として使用することを目指しています。これが実現すれば、データストリーム処理全体の流れが効率化され、Vertex AI の任意の部分に必要に応じてデータを提供できるようになります。「2 つのツールがシームレスに連携するので、この組み合わせを予測のユースケースで試すのが楽しみです。別の新しいユースケースに利用することもできるかもしれません。また、TensorFlow モデルに大きく依存している Coop 内の他のデータサイエンス部門に、自然言語処理ベースのさまざまな種類のソリューションを導入する可能性についても検討しています」と、Coop の AI / ML アナリティクス責任者 Martin Mendelin 氏は語ります。

「Google Cloud 上で当社独自の ML プラットフォームを構築してカスタマイズすることによって、他のチームの模範となるような標準を形成しています。安定した信頼性の高い環境と、オープンソースのプログラムを利用できる柔軟性によって、チームの力を存分に発揮できるようになるはずです」と、Mendelin 氏は続けます。「Google チームは、その専門知識と顧客第一主義をもって予想をはるかに超えた働きを見せ、目標の実現に向けて力を貸してくれました。これが弊社の事業にとって素晴らしい差別化要因となることを確信しています。」

- Coop、データサイエンティスト Nicolo Lardelli 氏

- Google Cloud、ML スペシャリスト Anant Nawalgaria

Google Cloud ML を活用した風向き予測によりルフトハンザドイツ航空で定時運航の便数が増加

Thu, 06 Oct 2022 01:00:00 +0000

※この投稿は米国時間 2022 年 9 月 29 日に、Google Cloud blog に投稿されたものの抄訳です。

空港の運営は、風の強さと方向に大きな影響を受けます。ルフトハンザグループも例外ではありません。特に厄介なのが、BISE と呼ばれる、スイス高原を北東から南西に横切って吹く冷たく乾燥した風です。この風は、フライトスケジュールに深刻な影響を及ぼすことがあります。たとえば、航空機が滑走路を変更せざるを得なくなり、結果として航空便の遅延や欠航が連鎖的に発生することがあります。特にチューリッヒ空港では、BISE の影響で発着便数が最大 30% 減少することもあるため、航空便の遅延と欠航が一層深刻で、このことはルフトハンザドイツ航空にとって巨額の収益減（および乗客の不満）の原因となっています。

このような風を事前に予測できれば、ネットワーク運用管理チームは、滑走路と時間枠をまたいで最適なフライトスケジュールを組み、スケジュールの混乱を最小限に抑えることができます。とはいえ、風の速度と強さをモデル化し、予測するのは非常に困難です。そこでルフトハンザドイツ航空は、Google Cloud に協力を求めました。

機械学習（ML）を活用すれば、空港と航空会社は、このような運航の妨げとなる気象現象をより的確に予測し、管理できるようになります。このブログ記事では、ルフトハンザドイツ航空が Google Cloud とともに Vertex AI Forecast サービスを使用して行ったテストをご紹介します。このテストでは、ヒューリスティックに基づく社内システムと比較して 40% 以上高い精度で BISE の発生時間を予測することができました。しかも、この大幅な改善は数日以内に達成されました。この規模と精度の ML プロジェクトには数か月を要することが多いにもかかわらずです。

ルフトハンザグループのデジタル運用最適化担当シニアディレクターの Christian Most 氏は、「Googleは AI と機械学習の分野で感心するほど高度なテクノロジーと技量を持っているため、Google の専門家と協力して当社の技術と Google の専門知識を組み合わせれば、最高の成果を得られると確信していました」と述べています。

データセットの収集と準備

今回のルフトハンザと Google Cloud のプロジェクトの目標は、深層学習に基づく機械学習の手法を活用してチューリッヒのクローテン空港の BISE を予測してから、その予測がヒューリスティックに基づく社内ソリューションを上回るか確認し、本番環境における深層学習の手法の使いやすさと実用性を測定することでした。

深層学習に基づく手法には大規模なデータセットが必要なため、本プロジェクトでは、過去 5 年間にスイス国内の複数の気象台で収集された多数の気象センサー測定値からなるデータセット「Meteoswiss シミュレーションデータ」を利用しています。このデータセットを使用することで、風向、風速、気圧、気温、湿度などの要素を 10 分刻みで測定したデータと、高度などの気象観測所の位置に関する情報を合わせて取得できました。BISE の予測に有用であると仮定したこれらの要素には、貴重な指標が含まれていることが判明しました。これについては後述します。

次に、収集されたデータに対して Vertex AI Workbench を使用した大規模なクリーニングと特徴量エンジニアリング処理を実行し、トレーニング用の最終データセットを準備しました。クリーニング段階では、欠損値が多すぎる特徴（行）やエントロピーの統計的テストに不合格となった特徴（行）を削除する処理が実行されました。風向は円形（0～360 度）の特徴であるため、この列（特徴）は、対応するサインとコサインの埋め込み値という 2 つの特徴に置き換えられました。次に、すべての気象台のデータを 10 分間隔で整理したうえで、10 分間隔で配置した各列に関連する特徴とセンサー測定値をすべて格納するという方法でデータセットを平坦化しました。

ターゲット変数である BISE は変数として直接利用できないため、「滑走路周りの追い風速度」という BISE の代理変数を考案しました。これは、あるしきい値を超えると、滑走路沿いに BISE が存在することを示すものです。

Google Cloud での風の予測

これでデータセットの準備が整ったわけですが、ルフトハンザと Google Cloud は、Google の AutoML を搭載した予測サービス「Vertex AI Forecast」のテストと調整を決定する前に、複数の選択肢を評価しました。こうすることで最適な結果を得られると考えたためです。Vertex Forecast では、必要な特徴量エンジニアリング、ニューラルアーキテクチャ探索、ハイパーパラメータチューニングが可能です。このサービスは Google Cloud によって完全自動方式で管理されており、Kaggle の M5 Forecasting Competition では上位 2.5% のスコアを獲得しています。最高性能のディープラーニングモデルを作成、デプロイ、メンテナンスする際の手作業を減らしたいと考えていたルフトハンザドイツ航空は、こうした利点のある Vertex Forecast を、きわめて優れた選択肢であると判断しました。

元データファイルがクラウドストレージから読み込まれ、Vertex AI Workbench 上で前処理が行われました。次に、Vertex AI Pipelines 上でトレーニングパイプラインが開始され、以下の手順が順次実行されました。

.csv データファイルが、Cloud Storage から Vertex AI が管理するデータセットに読み込まれました。
このデータセットを使用して Vertex AI の予測トレーニングジョブが開始され、Vertex AI Model Registry にもモデルとして登録されました。
完了後、モデルがテストセットで評価され、モデルの予測、およびテストセットの入力特徴とグラウンドトゥルースが BigQuery のユーザー定義テーブルに格納されました。また、サービスとモデルのダッシュボードでは、複数のテスト指標を利用することができました。

特に大きな課題として、BISE 発生時の測定値の間隔が非常に長く、測定値の数が非常に少なかったため、データセットのバランスが悪いということがありました。これに対処するため、BISE が発生したインスタンスと、これらと時間的に近いインスタンスが、サンプル数の逆平方根（ISNS）、有効サンプル数（ENS）、ガウス再重み付けなどの方法で算出した重みを使用して重み付けされました。各方法の計算式を以下に示します。これらの重みはデータセット内に別の列として提供され、以後、このサービスで「重み」列として繰り返し使用されました。

ISNS

ENS

加重ガウス

結果と次のステップ

図 1. 2 時間における再現率

図 2. 2 時間における F1 スコア

上図において、X 軸は予測期間を、Y 軸はそれぞれの指標（再現率 / F1 スコア）を表しています。複数回のテストを経て、Vertex AI Forecast は、ベースラインとしたルフトハンザドイツ航空のヒューリスティックに基づくシステムを上回る高い再現率と精度 t（赤い棒）を達成していることが判明しました。また、予測期間が未来に向けて延長されるにつれ、精度の差が徐々に拡大していました。2 時間の予測期間におけるスコアを見ると、Google のカスタム構成 Vertex AI Forecast モデルは、ヒューリスティックに基づく社内システムと比較して 40%、ランダム推測ベースラインと比較して 1,700% の改善を達成していました。他のテストでは、6 時間の予測期間で Vertex AI Forecast の精度の優位性がさらに高まることが確認されました。数時間前に BISE を予測できれば航空便の遅延を防ぐうえで非常に有用であるため、これはルフトハンザドイツ航空にとって素晴らしいソリューションとなりました。

スイス国際航空のプロダクトオーナーである Oliver Rueegg 氏は、「Vertex AI Forecasting によって、BISE の正確な長期予測をできるだけでなく、予測モデルのトレーニングとデプロイをこれまでよりはるかに簡単かつ迅速に行えるようになったことは、非常にうれしいことです。お客様や関係者に最高のサービスを提供するためのイノベーションを加速できるのですから。」と述べています。

ルフトハンザドイツ航空は、このソリューションをクローテンの運用管理センターでネットワーク管理者が使用している Operations Decision Support Suite に統合して本番環境に導入する計画を立案しています。また、Google の専門家と緊密に連携して、Vertex AI Forecast と Google の他の AI/ML サービスの両方を自社のユースケースに合った形で統合することも検討しています。

- Google 機械学習シニアスペシャリストエンジニア Anant Nawalgaria

Google Cloud が欧州諮問委員会を設立

Sat, 21 May 2022 11:21:00 +0000

※この投稿は米国時間 2022 年 5 月 21 日に、Google Cloud blog に投稿されたものの抄訳です。

世界各地のお客様が、デジタルトランスフォーメーションを行い、成長を可能にし、最も重要なビジネス上の問題を解決するために、信頼できるパートナーとして Google Cloud を採用しています。ヨーロッパのお客様に提供する Google Cloud の価値とエクスペリエンスを継続的に改善していくために、Google はさまざまな業界の優れたリーダーで構成される欧州諮問委員会を設立しました。

欧州諮問委員会は、Google Cloud を代表するものではなく、ヨーロッパにおける Google への重要なフィードバックチャネルおよび重要な声として機能し、Google のプロダクトとサービスがヨーロッパにおける要件を満たせるよう支援します。同委員会はまた、Google Cloud がさまざまな業界の企業や公的機関が直面する主な課題の理解を促進できるようにし、地域における組織の専門性と差別化をさらに推進できるよう支援します。

欧州諮問委員会のメンバーは、ヨーロッパ市場の主な動向に関する確かな専門知識と明確な理解を有しています。Google Cloud の欧州諮問委員会のメンバーは次のとおりです。

Michael Diekmann 氏

Michael Diekmann 氏は現在、Allianz SE の監査役会会長であり、2003 年から 2015 年まで取締役会会長兼 CEO を務めていました。同氏はまた、Fresenius SE & Co. KGaA の監査役会副会長であり、Siemens AG の監査役会のメンバーでもあります。同氏は現在、さまざまな国際諮問委員会に議席を持っているほか、International Business Leaders Advisory Council for the Mayor of Shanghai（IBLAC）の名誉会長を務めています。

Brent Hoberman 氏

Brent Hoberman 氏は、Founders Factory（グローバルベンチャースタジオ、シードプログラム、アクセラレータプログラム）、Founders Forum（創設者、企業やテクノロジーのリーダーのグローバルコミュニティ）、および firstminute capital（国際送金による 3 億ドルのシードファンド。100 人以上のユニコーン企業創設者が支援）の共同創設者兼会長です。また、同氏は 2010 年に Made.com を共同設立し、同社は 2021 年に 11 億ドルの評価で上場されました。1998 年には lastminute.com を共同設立し、設立当初から CEO を務め、2005 年に同社を Sabre に 11 億ドルで売却しました。同氏はシード段階のユニコーン企業を 9 社支援してきました。同氏が共同設立したテクノロジー企業は 10 億ドル以上を調達し、これらの企業には Karakuri も含まれます。

Anne-Marie Idrac 氏

Anne-Marie Idrac 氏は、フランス貿易担当大臣、交通担当大臣を歴任した、国民議会のメンバーです。同氏は、RATP および SNCF（フランス国鉄）の会長兼 CEO のほか、トゥールーズブラニャック空港の会長といった役職も歴任してきました。

同氏は現在、Saint Gobain、Total、Air France KLM のディレクターを務めています。他にも、パリの Sciences Po School of Public Affairs およびフランスのロジスティクス協会の諮問委員会の議長を務めています。同氏はまた、フランスの自動運転車戦略グループの特別上級代表であり、SIA PARTNERS の上級顧問でもあります。

Julia Jaekel 氏

Julia Jaekel 氏は、メディアおよび出版の大手企業である Gruner + Jahr の CEO を約 10 年間務め、Bertelsmann SE & Co KGaA（Bertelsmann のグループ管理委員会を含む）でさまざまな指導的職務を歴任しました。同氏は現在、Adevinta ASA および Holtzbrinck Publishing Group の役員を務めています。

Jim Snabe 氏（リードアドバイザー）

Jim Snabe 氏は現在、Siemens の会長および C3.ai の役員を務めています。同氏はまた、世界経済フォーラムの評議会のメンバーであり、Copenhagen Business School の助教授でもあります。同氏は、以前は SAP の共同 CEO であり、A.P.Moller Maersk の会長でした。

Delphine Gény-Stephann 氏

Delphine Gény-Stephann 氏は、フランスの元経済財政大臣付副大臣です。同氏は、Saint-Gobain（グループの General Management Committee を含む）でさまざまな指導的役職を務めました。同氏は現在、Eagle Genomics、EDF、Thales の役員を務めています。

Jos White 氏

Jos White 氏は、SaaS とクラウドに特化したベンチャーキャピタルである Notion Capital の共同設立者です。ヨーロッパのインターネットおよび SaaS 業界のパイオニアである同氏は、英国初のインターネットプロバイダの一つである Star と、世界初の SaaS 企業の一つである MessageLabs の共同設立者です。また、Notion を通じてヨーロッパの SaaS 企業（Arqit、CurrencyCloud、Dixa、GoCardless、Mews、Paddle、Unbabel、Yulife など）に 70 以上の投資を行ってきました。

- Google Cloud EMEA

Google Cloud in Europe

FM Logistic が AlphaEvolve を使って倉庫規模の「巡回セールスマン問題」を解決

AI に、もっと優れたアルゴリズムを書いてもらう

改善結果の評価

結果

最終的に勝ち残ったアルゴリズムの動作

次のステップ

マックス プランク研究所がマルチモーダル エージェントを通じて専門スキルを共有する方法

Proteomics Lab Agent がプロトコルを生成し、エラーを検出

課題: 離職率の高い環境で専門知識を維持する

解決策: ラボのガイダンスのための AI エージェント

ラボ向けの AI エージェント アーキテクチャ

詳細: 動画分析で実験エラーを検出

組織の記憶を構築する

現実世界への影響: 複雑な科学的手順を簡素化

将来を見据えたスケーリング

EU のデジタル政府における AI 革命: 「信奉」から「積極的な導入」へ

SIGNAL IDUNA が生成 AI でカスタマー サービスを強化

課題: 昨今の顧客の期待に応える

SIGNAL IDUNA の生成 AI システムの詳細

Vertex AI Gen AI Evaluation Service で LLM の品質と解釈可能性を向上させる

ステップ1: 多様な回答を生成する

ステップ2: 最適な回答を見つける

ステップ3: 回答が十分適切であるかどうかを評価する

次のステップ

Arpeely: Google Cloud 上の ML ベースの需要創出プラットフォームでデジタル広告を変革

データ サイエンスとエンジニアリングの最先端でのイノベーション

仕組み

広告の未来に通じた扉を開く

Coop、Google の AI とデータクラウドを使った予測で食品廃棄を削減

イノベーションの新しい基礎を築く

高い精度をすばやく実現して顧客ニーズを満たす

食品廃棄を削減してサステナビリティを促進する

会社全体でさらに高いレベルの達成を目指す

Google Cloud ML を活用した風向き予測によりルフトハンザドイツ航空で定時運航の便数が増加

データセットの収集と準備

Google Cloud での風の予測

結果と次のステップ

Vertex AI を使用して本番環境への ML デプロイを加速

Google Cloud が欧州諮問委員会を設立

マックスプランク研究所がマルチモーダルエージェントを通じて専門スキルを共有する方法

ラボ向けの AI エージェントアーキテクチャ

SIGNAL IDUNA が生成 AI でカスタマーサービスを強化

データサイエンスとエンジニアリングの最先端でのイノベーション