数理最適化と人工知能の融合による次世代SCM -AGI4OPT と AGI4SCM -

>100 Views

November 07, 26

#moai

スライド概要

MOAI Labが開発したAGI4OPTおよびAGI4SCMは、数理最適化と人工知能を統合し、自然言語による指示とデータから複雑な課題を自動解決するAgentic AIです。従来のオープンソースソルバーとは異なり、問題の規模や実務要件に応じた最先端の解法やメタヒューリスティクスを自動選択して適用します。さらに、Model Context Protocol（MCP）上のスキルとして主要なAIモデルから呼び出すことが可能であり、検証用コードによる解の正確性チェックや詳細な視覚的ダッシュボードの生成も行います。社内での安全なAI活用を支えるMOAIクラウド基盤とともに、生産計画、配送、スケジューリングなどのサプライチェーン最適化を強力に支援します。

#海洋大 #講演 #AGI4OPT #moai
@kubomikio

MIKIO KUBO

@mikiokubo

スライド一覧

MIKIO KUBO is a professor at Tokyo University of Marine Science and Technology, a director (CTO) at MOAI Lab, a director at A* Quantum, and an adviser at Optimind. He works on supply chain management (SCM) with an emphasis on optimization and machine (deep) learning. He founded Supply Chain Risk Management Forum and MOAI Forum.

またはPlayer版

埋め込む »CMSなどでJSが使えない場合

ダウンロード

関連スライド

AI時代の時系列予測

MIKIO KUBO 18K

AMPL：数理計画のためのモデリング言語

MIKIO KUBO 3.4K

AI時代の時系列予測

MIKIO KUBO 2.2K

エージェントスキル：自律型 AI が変える最適化とサプライチェーンの未来

MIKIO KUBO 1.6K

時系列予測についてモデル・評価尺度・静的特徴量の活用

MIKIO KUBO 1.5K

便利なエージェントスキル：スキル作成、文書、スライド、表計算の実務活用

MIKIO KUBO 1.4K

各ページのテキスト

MOAI Lab 紹介 @東京海洋大発ベンチャー講演会 Mikio Kubo

MO (Mathematical Optimization) 数理最適化・メタヒューリスティクス AI (Artificical Intelligence) 人工知能の融合技術を中心とした技術集団

商品 AGI4OPT & AGI4SCM

What is AGI4OPT ? 最適化のための汎用人工知能自然言語による問題の説明と元データを入れるだけで最先端の最適化をしてくれる Agentic AI

AGI4OPTアシスタント手持ちのAIに最適化の専門家のスキルを付与 AGI4OPTクラウド会社全体で使える最適化の専門家 AIで自動生成したアプリを社内で共有

What is AGI4SCM ? SCMのための汎用人工知能自然言語と元データを入れるだけで最先端のSCM解析をしてくれる Agentic AI

AGI4SCMアシスタント手持ちのAIにSCMの専門家のスキルを付与 AGI4SCMクラウド会社全体で使えるSCMの専門家様々なサプライチェーンアプリを社内で共有

サプライチェーン最適化 AGI4SCM サプライチェーン最適化アプリ在庫最適化・予測生産最適化ロジスティクス最適化シフト最適化リスク最適化在庫分類（ABC/XYZ分析）在庫方策需要予測ロットサイズ最適化スケジューリング最適化物流ネットワーク最適化配送最適化シフト最適化タスク割り当て最適化リスク評価リスク最適化「MCP上のスキル」として提供 Claude, ChatGPT, Gemini などから呼び出し

MOAIクラウドゼロトラスト基盤による安全なAI活用青写真によるアプリ配布（ユーザーごとに独立したアプリ） AIに鍵を渡さない完全隔離設計「MCP上のスキル」によるAI統制

10.

スキル（Agent Skills） AIに専門知識をもたせる仕組み最適化とSCMに関する30年以上のノウハウ MCP上のスキル（Skills on MCP – Model Context Protocol ）スキルを隠蔽し、MCP として接続

11.

AGI4OPTの使用例段取り費用付きの多品目生産計画の問題を解いてください。データは添付したよ。スキルなし通常の混合整数最適化としてモデル化し、オープンソースのソルバーで解く小規模例題は解けるが、大規模問題例だと解けない AGI4OPTスキル利用通常のモデル化だけでなく、問題例の規模に応じて Matheuristicsを実装検算用コードで解の正しさを確認し、推奨方法を提示問題例の規模により最適な手法を自動選択

12.

[beta]

X = {}
I = {}
Y = {}

スキルなしの出力（一部）

M_big = 1000000 # Big-M for setup linkage

for p in products:
期 t に品目 p を生産する量を表す変数
for t_idx, t in enumerate(months):
X[(p, t)] = solver.NumVar(0.0, solver.infinity(), f'X_{p}_{t}')
I[(p, t)] = solver.NumVar(0.0, solver.infinity(), f'I_{p}_{t}')
Y[(p, t)] = solver.IntVar(0, 1, f'Y_{p}_{t}')
for p in products:
for t_idx, t in enumerate(months):
prev_inv = initial_stock[p] if t_idx == 0 else I[(p, months[t_idx-1])]
# I[p, t] == prev_inv + X[p, t] - demand[p][t]
solver.Add(I[(p, t)] == prev_inv + X[(p, t)] - demand[p][t])
for p in products:
for t in months:
# Get max possible demand sum from t to end to bound M tightly, or use a safe upper bound
max_prod = sum(demand[p][months[k]] for k in range(len(months))) + initial_stock[p]
solver.Add(X[(p, t)] <= max_prod * Y[(p, t)])

13.

for m in ['M1', 'M2']: m_products = [p for p in products if prod_info[p]['machine'] == m] capacity_minutes = mach_info[m]['hours_per_month'] * 60 for t in months: expr = solver.Sum([ prod_info[p]['minutes_per_unit'] * X[(p, t)] + prod_info[p]['setup_minutes'] * Y[(p, t)] for p in m_products ]) solver.Add(expr <= capacity_minutes) objective = solver.Objective() for p in products: setup_cost = prod_info[p]['setup_cost_yen'] holding_cost = prod_info[p]['holding_cost_yen_per_unit_month'] for t in months: objective.SetCoefficient(Y[(p, t)], setup_cost) objective.SetCoefficient(I[(p, t)], holding_cost) objective.SetMinimization() スキルなしの出力（続き）

14.

[beta]

AIG4OPTスキル利用（全部）
var IsSetup {PRODUCTS, MONTHS} binary;
var Supply {p in PRODUCTS, s in MONTHS, t in MONTHS: s <= t and NetDemand[p,t] > 0} >= 0;
var Production {p in PRODUCTS, s in MONTHS} = sum {t in s..NumMonths: NetDemand[p,t] > 0} Supply[p,s,t];
minimize TotalCost:
sum {p in PRODUCTS, s in MONTHS} SetupCost[p] * IsSetup[p,s]
+ sum {p in PRODUCTS, s in MONTHS, t in MONTHS: s <= t and NetDemand[p,t] > 0}
HoldCost[p] * (t - s) * Supply[p,s,t] + InitHoldConst;
subject to MeetDemand {p in PRODUCTS, t in MONTHS: NetDemand[p,t] > 0}:
sum {s in 1..t} Supply[p,s,t] = NetDemand[p,t];
subject to SetupLink {p in PRODUCTS, s in MONTHS, t in MONTHS: s <= t and NetDemand[p,t] > 0}:
Supply[p,s,t] <= NetDemand[p,t] * IsSetup[p,s];
subject to ProdLink {p in PRODUCTS, s in MONTHS}:
Production[p,s] <= ProdUB[p,s] * IsSetup[p,s];
subject to Capacity {m in MACHINES, s in MONTHS}:
sum {p in PRODUCTS: MachineOf[p] = m}
(MinutesPerUnit[p] * Production[p,s] + SetupMinutes[p] * IsSetup[p,s]) <= CapMinutes[m];

15.

ampl-latex-generation スキル利用高次元空間強い定式化強化式

16.

例乗務員スケジューリング問題を最適化して。データは添付したよ。スキルなし通常の混合整数最適化としてモデル化し、オープンソースのソルバーで解く小規模例題は解けるが、大規模問題例だと解けない AGI4OPTスキル利用通常のモデル化だけでなく列生成法を実装様々なソルバー（SOTA解法）で解き、時間と精度を比較検算用コードで解の正しさを確認し、推奨方法を提示問題例の規模により最適な手法を自動選択

17.

例配送最適化問題を最適化して。データは添付したよ。スキルなし通常のオープンソースのソルバーで解く付加条件には対処できない大きな問題例には対処できない出力はテキストのみ AGI4OPTスキル利用通常のモデル化だけでなく様々な配送最適化ソルバー（SOTA解法）で解き、時間と精度を比較検算用コードで解の正しさを確認し、推奨方法を提示問題例の規模により最適な手法を自動選択

18.

AGI4OPTはダッシュボードも返す

19.

例スケジューリング問題を最適化して。データは添付したよ。スキルなし通常のオープンソースのソルバーで解く付加条件には対処できない大きな問題例には対処できない出力はテキストのみ AGI4OPTスキル利用通常のモデル化だけでなく様々なスケジューリング最適化ソルバー（SOTA解法）で解き、時間と精度を比較検算用コードで解の正しさを確認し、推奨方法を提示問題例の規模により最適な手法を自動選択

20.

AGI4OPTはダッシュボードも返す

21.

AGI4SCMの使用例この需要データを分析して。データは添付したよ。

22.

23.

24.

AGI4SCMの使用例この需要データを最適化して。データは続きだよ。

25.

26.

27.

28.