AIに基づいて自動車塗装工程内の換気扇（ベンチレーションファン）に使用されるモーターの異常を検知し、生産ラインのダウンタイムを短縮。

オートアノテーションを活用したデータ構築からHPCインフラのリソース最適化まで、一つのAIプラットフォーム（Runway）で実現し、電子産業でのAI運用効率を向上。

AIプラットフォーム（Runway）で様々なイメージ分析モデルを複合的に適用し、再学習から再デプロイなど運用プロセスを自動化。

製造現場のPLCリアルタイムデータを活用したAIシステムを構築し、多様な製造データの特徴量を反映、高い解像度のデータを使用して持続可能なAIプロセスを構築。

AIで生鮮食品の割引価格を最適化し、AIプラットフォーム活用して実店舗で検証されたモデルを多店舗に拡張展開。

AIベースのモデル予測制御（MPC: Model Predictive Control）を通じて鉄鋼ファーネス設備の温度を制御する最適なロジックを導き出し、一貫した目標品質を達成しながらエネルギー消費を最小化。

多品種少量生産の生産工程スケジューリングを最適化してボトルネックと遊休設備を最小化し生産性を向上。

強化学習ベースの最適制御シナリオでエネルギーコストを削減し、現場管理者ごとに発生する制御差を最小化。

CO2レーザードリルに特化したディープラーニング異常検知モデルで異常兆候を事前検知し、半導体後工程におけるダウンタイムを短縮。

安定したデータ収集システムと多数の設備に対応できるAI運用システム（MLOps）を構築し、モーター故障による生産ラインのダウンタイムを短縮。

データに基づいたシミュレータと強化学習を活用してパラメータチューニングを自動化し、ソフトウェアにおけるモーションコントロールの制御値と実際の制御値のずれを最小限に抑制。

強化学習を利用してPCB上での効率的な電子部品の装着順序をプランニング。表面実装の技術工程にかかる所要時間を最小化。

AIとロボティクス技術を融合し、マルチロボットで構成された車体溶接工程を迅速かつ安全に行うロボットプログラムを作成するためのパスプランニングを実施。作業時間を短縮し、製品の生産スピードを向上。

電気自動車の実データを活用してリアルに最も近いAIシミュレーターを開発。演算速度を大幅改善した軽量化モデルを搭載することで車両エネルギー制御を最適化。

独自開発した教師なし学習ベースの異常探知アルゴリズムを活用。生産工程・環境に特化したカスタマイズモデルの開発を通じて、設備の異常を少なくとも5日前までに探知。また、400台余りの多様なロボットアームを統合された環境でモニタリングおよび管理することで、ダウンタイムによるコスト損失を最小限に抑制し、生産性を向上。

AIベースのシミュレーターと強化学習エージェントを活用して、ASICに存在する数百万のコンポーネントの最適配置を自動化し、作業時間と性能を向上。

様々なアンサンブルモデルを活用して予測精度を高めることで、787の発電所を統合運用し、3,000以上のモデルを素早く再学習してデプロイするAI運用環境（MLOps）を構築。

ポリプロピレン（PP）製造工程の反応炉にディープラーニングによる異常探知モデルを適用してESD（Emergency Shut Down）を事前に察知し、異常特性に対するインサイトを提供。

バッテリー管理システムのデータと電気自動車（EV）運行パターンの分析を通じて、車両用リチウムイオンバッテリーの残存寿命予測とライフサイクルモニタリングを可能に。

エネルギー貯蔵システム（ESS）の熱暴走を探知できるモデルを開発し、安全性分析における指標を提供することで、火災発生前の異常兆候を予測・モニタリング。

半導体生産設備から出る最小限のデータを活用してレシピ変更にも迅速に対応できる異常探知モデルで、設備異常の兆候および故障までにかかる時間を推定。