図1　��要変動があっても�垉遒領磴魍��{しているの�O動的にプログラムを書き換える

このシステムは、��来のノイマン型コンピュータを使いながら、�垉遒遼捗j(lu┛)なデータと現在の業��を比較し、��長を抽出する��(sh┫)��式を�O動的に導き、最適な指��を出すという仕組みを�eつ。マシンラーニングやデ��ープラーニングといったニューラルネットワークなどの��ノイマン型コンピュータを使う�lではない。��来の�x販のサーバを使い、��長を顕在化させ、モデル化し、��(sh┫)��式を作る。

��来の業��改革システムでは、�垉遒龍���データを��業�^へのヒアリングなどを通し、SE（システムエンジニア）が解析し、プログラムを変えていた。今�vのシステムを使えば、解析��のSEは要らない。また、現場の業��では、定期的な���I変動に加え、����な��要変動もあるが、����な��要変動は予�Rが�Mしく、その都度エンジニアがプログラムを書き換えていた(図1)。今�vのシステムでは、依頼された業��と類�瑤靴��垉遒離如璽燭鯊�(li│n)�Iし学�{しながら、�d次プログラムを��(g┛u)新していく。

さらに、このシステムでは、さまざまな形式のデータを素早く�Dり込むことができるという��長もある。�k般�}に業��データは表形式で数値だけではなく文�Cや記��(gu┤)が混在しているため、データ解析には業����識を�eつ専門家が仕分けする��要があった。今�vのシステムでは、統��分布や表記の��れなどの��徴を抽出、文�C�`表記パターンを判別、数量や時間、順�M、�@�Iなどを判別するとしている。

この人工���Ε轡好謄爐任�、期待する出��(アウトカム)とそれに関係する顧客の行動や、���Fや企業の運営、業��環境などのビッグデータとの関係を�O動的に���Qしている(図2)。データは膨�j(lu┛)である。例えば、顧客の行動パターンでは、来��の日時・�v数、�D引の�~無、�P(gu─n)�Aの��性などがあり、運営では��業�^の数や�ξ�、作業の仕��(sh┫)、業��環境では���Fや工場のレイアウトや商��配��など、さまざまなデータを入��する。これらのビッグデータの�O動解�圓帆箸濆腓錣擦��收�、その中から��徴を抽出する。この後、期待する出��に関係する��徴量の絞り込みを行い、モデル化して関係式を導く。この��(sh┫)��式を解き、流通なら���^の配��の適��化、�駑�なら倉�U作業の最適化、工場プラントなら運��コストの最適化など、最適な施策を立てることができるようになる。

図2　業��改��のために顧客行動から設�△泙罵諭垢淵僖薀瓠璽燭魍��{する

日立は、�駑�倉�Uでの集��作業において、カートへの投入順�Mを最適化して作業効率を�屬欧茲Α△箸いχ`的を掲げた。どの�^にどのような�}順でカートを割り当てて作業したかを求め、作業時刻と��定�^の混雑との相関を求めた。その際、時間ごとのカートのデータや、�Q�^の週��データ、�攵掚の実績データなどを入��する。その�T果、ある時間に�^にカートが集中し作業効率が�Kくなることがわかった。このため�}順を見直し最適化する。

図3　��要を�j(lu┛)きく変動させても学�{できる

さらに、この人工���Δ亮泰xでは��要変動のある集��データでさえ、作業効率を�屬欧襪海箸�できることもわかった��人工���Δ鮖箸錣覆ず邏隼�間を1とすると、これまでの経�xを�~使した人工���Ε轡好謄爐任�、常に作業時間は0.6時間で済む(図3)。そこで、ある時期から��要が�j(lu┛)きく変動させてみると、最初は作業時間がかかってしまうが、2日��度で収�Jしやはり0.6時間に落ち��くようになった。この作業だけで見ると、人工���Δ鮖箸Δ���要変動に�官�できない場合は作業時間が26%��るが、��要変動にも�官�できるようにすると36%も��少した。ただし、実際の業��では集��するだけではなく、検�hやトラックへの運搬作業などを含めると、8%��度の業��改��になると見積もっている。

この人工���Ε轡好謄爐�、これまでの実績データが��くない新��の����(j┫)が��きた場合には�官�できないが、��要変動があった�垉遒離如璽燭鮟j(lu┛)量に入��しておけば、突��の��要変動にも�官�できる。

日立では、この人工���Ε轡好謄爐��駑�・倉�Uなどの応��だけではなく、金融や交通、���]業、ヘルスケア、コールセンターなど様々な業��へと応��していく��画だ。