生成AIの振返りとAIエージェントによる新しい価値

Copyright © 2025 Happy Samurai294 All rights reserved. コロッケそば 2025年10月27日
コロッケそば（@HappySamurai294）生成AIの振返りと AIエージェントによる新しい価値の創出

Copyright © 2025 Happy Samurai294 All rights reserved. コロッケそば 2
目次１．はじめに２．生成AIを振り返る３．LLMのおさらい４．AIエージェントによる業務タスクの自動化例５．AIエージェントの利用を広げるMCP ６．まとめ

１．はじめに 3 ⚫ 世界中に大きな衝撃 ⚫ まるで人間と話しているかのように自然な文章を作成 ⚫ 単なる技術的な進歩にとどまらず、社会の様々な側面に影響（AIに代替される可能性のある仕事についての議論） 2023年にOpenAI社が公開したChatGPT

4 自ら仕事を進める「AIエージェント型」質問に答える「チャット型」ビジネスにおける生成AI利用の変化

5 ２．生成AIを振り返る生成AIとLLM AI 生成AI 自然言語生成AI 画像生成AI 音声生成AI 大規模言語モデル（LLM;Large Language Models） ChatGPT、Claude、Bard、Llama、and more….

6 LLMは間違える ⚫ 学習した内容だけで、”できる限り” 回答をする ⚫単語の次に現れる単語を確率的に予測している LLMが、”間違い“ を引き起こすメカニズム

7 文章生成能力に不可欠な技術富士山の高さを教えて LLM 富士山の高さは 3,776 ですメートル＜Transformer＞文章中の単語同士の関連性に「注意（Attention）」を向け、どの単語が重要かを判断する技術 ※ Transformerの技術は、2017年6月12日公開の論文「Attention Is All You Need」で提案されました。現在のほぼすべての主要なLLMで採用されています。

8 Transformerの核心技術文章の続きを作ること言葉の本当の意味を特定すること「今日、公園で犬が元気に」文脈に最も合う単語として ⚫ 「走っていた」や ⚫ 「遊んでいた」などの確立が高いものを予測「川に架かるはしを渡る」 ↓ “川に架かる”や”渡る”の関連性からこの「はし」は【橋】のことだと判断「公園」「犬」「元気」といった単語の関連性を分析「ご飯をはしで食べる」 ↓ “ご飯を”や”食べる”の関連性からこの「はし」は【箸】のことだと判断文脈に応じて単語の重要度や関係性を学習することで、まるで言葉の「本当の意味」を理解しているかのように振る舞うことができる

9 LLM性能向上の要素 ①データ量 ③計算量 ②モデルパラメータ数 ①から③を増やすほどLLMの性能が向上膨大な「計算量」を効率的に処理するためハイエンドなGPUが必要 GPU

10 モデルパラメータ数と消費電力モデルパラメータ数著名なLLMは約2兆個脳細胞間の情報を伝える神経物質「シナプス」 1000兆個（推定）白熱電球程度の消費電力（４０ワット）小さい都市を賄う消費電力 AI 人間

11 生成AIの利用 ①生成AIベンダー提供のWebアプリ/デスクトップアプリ生成AIの利用方法は主に二つある ②ユーザ開発カスタムアプリ ※ユーザ開発：エンドユーザ、ITベンダー ※カスタムアプリ：特定のニーズに合わせたアプリケーションまたはITシステム

12 生成AIベンダー提供のWebアプリ/デスクトップアプリ ⚫ 手軽さ: ⚫ 直感的な操作: ※プロンプトはLLMに対する「指示書」のような役割を果たす ⚫ 最新機能: 常に最新のAI機能を利用可能（ベンダーによるアップデート） ⚫ 限定された自由度:・用意された機能やフォーマットに沿った利用が基本・独自の深いカスタマイズは困難・アカウント登録後すぐに利用開始可能・プログラミング不要・視覚的なインターフェースで、誰でも簡単に扱える・プロンプトを与えるだけ

13 （例）OpenAI社ChatGPTのWebアプリ

14 ユーザ開発カスタムアプリ ⚫ 独自のサービス開発: 自社ブランドのAI搭載製品やサービスを生み出せる ⚫ 開発知識が必要: プログラミングスキルや開発環境の構築、運用管理の知識が必須 ⚫ 高いカスタマイズ性: プログラミングにより、AIの機能を自由に組み合わせ、独自のアプリケーションを構築できる ⚫ 既存システムとの連携: 業務システムやデータベースなど、既存のサービスにAIを組み込み、自動化や効率化が可能

15 生成AIは、APIで利用生成AI APIが公開されている APIを使用各生成AI提供ベンダーの標準Webアプリ/デスクトップアプリユーザ開発カスタムアプリ ※API：アプリケーション・プログラミング・インターフェース（外部からソフトウエアを利用する手続き）

16 APIを使ったユーザ開発カスタムアプリの活用例間違いの生成を軽減する例回答生成のための情報がない場合は、”分からない”という回答を許可します。 {入力}= HappySamurai294が好きなコロッケそばはどのようなものですか？「申し訳ありません。分かりません」ユーザープロンプトをカスタマイズする API 生成AI （ChatGPTなど） ※生成AIに分からないことは「分からない」と回答することを許可してやると間違いの生成を避けることができます。ユーザ開発カスタムアプリ質問：｛入力｝

17 APIを使ったユーザ開発カスタムアプリの活用例目的外利用防止の例（特許業務部門の例）あなたは特許業務の専門家です。特許に関する質問だけ受け付けます。ユーザープロンプトをカスタマイズする API 生成AI （ChatGPTなど）ユーザ開発カスタムアプリ質問：｛入力｝ {入力}= 「美味いコロッケそばの特徴は？」「申し訳ありません。特許業務以外の質問には答えられません。」

18 ⚫ LLMが知っている情報は限定的 ⚫ LLMが知らない情報を与える方法３．LLMのおさらい

19 LLMが知っていることは限定的インターネット上の大量データ ⚫ LLM(Large Language Models）大規模言語モデルの総称 ⚫ 大量のテキストデータで訓練された言語処理モデル（例）最後の学習時期＝2023年4月 LAドジャースが 2024ワールドシリーズ制覇したことは知らない！企業の個別情報も知らない・社内規則・業務情報

20 LLMが知らない情報を与える方法 ◆ファインチューニング（転移学習）でLLM自身に新たな情報を与える ◆「文脈学習」というLLMが本来持っている能力を活用して新たな情報を与える（既存のLLM）（新しい情報）（転移学習後LLM） ⚫ 時間とコストがかかる ⚫ 知識の更新が大変（高いAI技術が必要） ⚫ 最新のニュースや常に変わる情報などに柔軟に対応できない素早くビジネスシーンに対応する方法として適していません素早くビジネスシーンに対応する方法として適しています

21 「文脈学習」というLLMが本来持っている能力を活用 # 方法１ In-context Learning（文脈学習）の活用２ RAG（Retrieval Augmented Generation）の利用３ LLM自身が必要とする情報を「AIエージェント」を使って取得する

23 In-context Learning（文脈学習）プロンプトに質問と質問に関連する情報を「文脈」として書き込んでLLMに与える次の質問について教えて下さい #質問 ◎特別美味いコロッケそばの店は？ #文脈店名：◎▲そば場所：新横浜・・・ ▼文脈の与え方の例 LLMが知らない情報を「外部知識」として与える文脈を通じて、 LLMは、自身に知識がなくても与えられた文脈の「情報」から知識を学習できる（知識として保存はしない） LLM

24 （例）文脈を与えない場合

（例）文脈を与えた場合 ※一般的に答えが分かっていることを生成AIに聞くことはありません。この例は、LLMが文脈情報から学習し、回答を生成する能力を示すものです。

26 In-context Learning（文脈学習）の課題文脈を与えることは有効しかし毎度、利用者が入力するのは面倒文脈情報入力の自動化を図る手段はないか？「RAG（ラグ）」がある

28 RAGの概要 ⚫ LLMが学習していないトピックスにも回答を生成できる仕組み ⚫ 質問に類似した情報をベクトルデータベースから検索して、結果をLLMに与えて文脈学習をさせる LLMが知らない情報ベクトルデータベース文章の類似検索を可能にする形式に変換（ベクトル化と呼ぶ）社内規定業務情報 ※ベクトル化：文章の「意味的な近さ」をAIが理解できる「ベクトル」と呼ばれる数値の配列に変換するベクトルデータベースは事前に作成しておく

29 ベクトル検索 ⚫ 「文章」を多次元配列で表現する ⚫ 「文章」の配列がどの配列に近いか、遠いか、と言った「距離」で「文章」の類似度を測る（似たものどうしが近くに集まる）（リンゴに関する意味の集団）（みかんに関する意味の集団）（メロンに関する意味の集団）に類似するものは測定範囲の距離内にリンゴのベクトルデータが３つ、みかんのベクトルデータが２つがあるため、リンゴと推論される。 ⚫ ベクトル検索は単なるキーワードの一致ではなく、文脈やニュアンスといったものを検索できる ⚫ 文章など定性データの中から、関連性の高い情報を効率的に見つけ出すことができる

30 RAGの仕組み事前に作成しておく LLMが知らない情報ベクトルデータベース類似検索可能な形式に変換（ベクトル化と呼ぶ） ②質問内容に類似している情報を複数個検索して取ってくる Retrieval ③質問＋類似情報検索結果 ①育児休暇取得の社内手続きを知りたい ⑤回答 LLM RAGアプリ ④回答 Augmented Generation 社内規定業務情報

31 （例）RAGの処理フロー RAGアプリベクトルデータベース育児休暇取得の社内手続きを知りたい依頼事項育児休暇取得の社内手続きを知りたい類似情報検索結果類似情報類似情報1 類似情報2 類似情報４プロンプト育児休暇取得の社内手続きを知りたい #文脈「類似情報1」「類似情報2」「類似情報3」「類似情報4」回答生成依頼回答生成結果回答生成結果 Retrieval Augmented Generation RAGアプリが検索結果を文脈としてプロンプトに追加する LLM 利用者類似情報3

32 （Tips）Retrievalの語源「RAG」は、Retrieval Augmented Generationの略で「検索拡張生成」と訳されます・Searchは探すこと・Retrievalは探して取って戻ってくるという意味「検索」を『search』ではなく『Retrieval』と呼ぶ理由：狩猟犬であるレトリバー犬が獲物を見つけて『取って戻ってくる』ように、 RAGも情報を取得してLLMに渡すことからその名がついています Golden Retriever Labrador Retriever

33 RAGが適するケース/適さないケース「旬な情報/外部情報」をLLMに与える手段として「AIエージェント」がある社内規則や業務情報などの「ドキュメント」（改定/更新間隔が比較的長い）をLLMに与えること「旬な情報」（リアルタイムに変化する業務情報）や「外部情報」をLLMに与えること

35 LLM自身が必要とする情報を「AIエージェント」を使って取得するプロンプト記述手法「ReAct」: LLMに人の行動のような振舞をさせることができる質問/依頼事項 ①推論 (Throught) ③観察（行動の結果） (Observation) ④タスク終了 (Final answer) ②行動 (Action) AIエージェント外部ツール ※ReAct：「Reasoning（推論）」と「Acting（行動）」を組み合わせたフレームワーク LLM

36 （例）「XX会社」の直近1週間の株価状況を分析あなたは、株価分析の専門家です。与えられた質問に答えるためにツールを効果的に使用できます。あなたは以下のツールにアクセスできます。 # 利用可能なツール - `search`: 最新の情報や、あなたの知識にない事柄について調べるために使用します。 - input: 検索したい文字列 # 出力フォーマットあなたは、思考、行動、そして最終的な回答を以下の形式で出力しなければなりません。 Thought: [ここには、現在の状況を分析し、次に行うべき行動についてのあなたの思考を記述します。] Action: ```json { "tool": "[使用するツール名]", "tool_input": "[ツールに渡す入力]" } #質問 {user_input} （プロンプト例）

37 （例）AIエージェントの処理シーケンス LLM （思考・行動・生成）ユーザー AIエージェント検索ツール「XX会社」の直近1週間の株価状況を分析して「XX会社」の直近1週間の株価状況を分析しました。内容は次の通りです。 xxxxxxxxxxxxxxxxxxxxxxxxxx ユーザーの依頼事項 Action :Search（「XX会社」の直近1週間の株価状況） Search（”「XX会社」の直近1週間の株価状況”） Final Answer : 「XX会社」の直近1週間の株価状況を分析・・・「XX会社」の直近1週間の株価状況データ「XX会社」の直近1週間の株価状況データ Observation：すべて揃ったので回答できる Thought : 「XX会社」の直近1週間の株価状況を知る必要がある

38 ４．AIエージェントによる業務タスクの自動化例保守の種類緊急保守定期保守（全般予防保守）警告発生機器保守（個別機器予防保守）（保守点検スケジュール）スケジュール割当保守点検スケジュール割当を自動化

39 システム構成『保守点検スケジュール割当を自動化』 10.回答 1.依頼内容（AIエージェント） IoT機器稼働状況データ Toolアクセス用フレームワーク IoTデータ取得Tool データ操作用フレームワーク（既存点検スケジュール) （保守チーム情報) メモリ上のデータベース LLMが生成したPythonコードの実行（ユーザの依頼に合ったデータ操作） 4.稼働データ取得 LLM ReActを実行するフレームワーク 2.依頼事項 3.稼働データ取得要求 5.稼働データ提供 6.データ操作のPythonコード実行要求 7.データ操作 8.データ操作結果提供 9.最終結果 ※使用したフレームワーク : LangChain 社の生成AIアプリを効率的に開発できるフレームワーク（ソフトウエア部品）を使用した

40 AIエージェントへの依頼内容 ⚫現場機器の稼働状況を調べてください ⚫アラームあれば点検スケジュールの割当を行ってください ⚫既存の点検スケジュールを調べて考慮してください ⚫新しい点検スケジュールを考えて候補を３つ提案してください（依頼内容の概要）実際には「プロンプトテンプレート」を作成して毎度プロンプトから入力することを無くしています ※プロンプトテンプレート：LLMへの「指示の雛形（ひながた）」や「命令フォーマット」

41 プロンプトテンプレートの内容 # 役割あなたは優秀なスケジュール割当スペシャリストです。 # 依頼事項新しい点検スケジュールの割当をしてください。以下の手順に従ってください。ステップバイステップで考えてください。 1. `{request}` のアラームが発生しています。このアラームの点検担当の保守チームを求めて下さい。 2. 既存の点検スケジュールを調べます。 3. 対応可能な保守チームのスケジュール候補を割り当てます。 * 作業時間は 10:00から17:00の間の1時間です。 * 割当候補は必ず3個です。 * 1個めの割当候補は必ず2025年09月05日に割当てて下さい。 * 割当候補は、それぞれ異なる日付に割り当ててください。 4. 新しく割り当てたスケジュールは、既存の点検スケジュールと同じJSON形式にしてください。 * 新しく割当てるスケジュールの '点検区分' キーの値には '警告機器点検' 、'予約状態' キーの値には '候補' を入れてください。 5. 既存の全ての点検スケジュールと新しく割り当てたスケジュールのJSONデータを全てマージして出力してください。 * マージ後に"年月日" で昇順ソートしてください。 LLMに「役割」を与える LLMに「依頼事項」を提示する

42 AIエージェントが「確定済点検スケジュール」を取得した画面

43 AIエージェントが「点検保守チーム一覧」を取得した画面

44 AIエージェントが「現場機器の情報」を取得した画面

45 AIエージェントが「点検スケジュール」を割当てた画面 45 （拡大表示）

46 46 期待通りの結果を得られたか 46 プロンプトの内容・・・ 3.対応可能な保守チームのスケジュール候補を割り当てます。 * 作業時間は 10:00から17:00の間の1時間です。 * 割当候補は必ず3個です。 * 1個めの割当候補は必ず2025年09月05日に割当てて下さい。 * 割当候補は、それぞれ異なる日付に割り当ててください。・・・条件通りに割当てられた

47 47 47 AIエージェントの挙動を確認・検証する ④最終回答 AIエージェントアプリ ①依頼内容 ③生成結果 ②問合せ内容/LLMとAIエージェントの「会話」のキャッチボール ※②と③のやりとりを可視化できます LLM 可視化ツールで確認（可視化ツール） ※LangSmith : 生成AIアプリ開発を効率的に開発できるLangChain 社の強力なソフトウエアツール

48 48 48 LLMがスケジューリングに必要なプログラムコードを生成 LLMが既存スケジュールに新しいスケジュールを割当てるプログラムコード生成

49 49 49 最終回答を得た LLMが既存スケジュールに新しいスケジュールを割当てるプログラムコード生成 LLMが生成したプログラムコードをAgentが実行した結果 LLMが出力した生成結果

50 50 50 AIエージェントは、期待通り動くとは限らない（例１）途中段階で生成したpythonコードに誤りがある（例２）最終結果に誤りがある

51 51 51 Agentic workflowによる結果の改善 AIエージェントの役割やツール、指示事項を定義して単に任せるだけでは不十分 ⚫ AIエージェントの途中の挙動や結果監視する ⚫ 反復的にタスクを実行して出力結果を改善するオーケストレータ Agent-A Agent-B Agent-C final answer ※Agentic workflowフレームワークの例；LangChain社のLangGraph、マイクロソフト社の Magentic-One 「Agentic workflow」結果OK AIエージェントの信頼性を高める仕掛け

52 52 52 （例）Agentic workflow Start:ユーザの依頼 [Agentノード] 回答を生成する [judgeノード] LLMが回答を評価するフィードバックを元に再試行評価結果とフィードバック評価結果は “正しい” か？ End:ワークフロー終了 Yes No Yes No LLM-as-a-judge 最大リトライ回数に達したか？

53 53 53 人に代わってLLM自身が判定する「LLM-as-a-judge」 LLM-as-a –judgeは、依頼事項と生成結果を照らし合せて他のLLM（単数/複数）が評価判定する仕組みです。 LLM-as-a –judge 依頼内容 LLMによる結果の評価判定

54 54 54 （例）LLM-as-a-judgeのプロンプト # 役割あなたは、AIアシスタントが生成した回答の品質を評価する、厳格な審査員です。以下の評価基準に基づき、提示された回答が元の質問に対して「正しい」か「間違い」かを判定してください。 # 評価基準 1. **正確性**: 回答は、元の質問に直接的かつ正確に答えていますか？ 2. **事実性**: 回答に含まれる情報は、事実に即していますか？誤解を招く表現はありませんか？ 3. **完結性**: 質問に対して、必要十分な情報が提供されていますか？冗長な情報や無関係な情報が含まれていませんか？ # 指示 - 以下の「元の質問」と「AIの回答」をレビューしてください。 - 評価結果を **“正しい”** または **“間違い"** のいずれか一言のみで出力してください。 - 評価結果が **“間違い”** の場合、その理由と改善点をフィードバックデータとして出力してください。 --- # 元の質問 {question} # AIの回答 {answer}

55 55 55 「Human-in-the-Loop」（人エージェント） AIが困ったときは、人にサポートを求めることが望ましいオーケストレータ Agent-A Agent-B Agent-C final answer Human-in-the-Loop 結果OK 人にサポートを求める

57 57 57 ５．AIエージェントの利用を広げるMCP ⚫ AIエージェントは、LLMの手足のような存在 ⚫ AIエージェントがLLMの手足となるためには外部情報にアクセスする「インターフェース（手続き）」が必要インターフェースは通常、生成AI提供者やAIエージェント作成時に使用するフレームワーク（ソフトウエアの部品）毎に異なるしかし開発時の障壁があった

58 58 58 標準化手法の登場 ⚫ 2024年11月に生成AIベンダーであるanthropic（アンソロピック）社が標準化 ⚫ 多くの生成AIベンダーが採用。事実上の標準インターフェース MCPは「AIのためのUSB Type-C」 ⚫ USB Type-C：メーカーや機器の種類が違っても、同じ形のコネクタを「挿すだけ」で充電やデータ転送ができる利便性をもたらしました ⚫ MCP：LLMの手足となるインターフェースを標準化し、開発者が「まるでUSB Type-Cを挿すように」手軽に利用できる環境を実現しました標準化でAIエージェントの広がりが期待できます MCP（Model Content Protocol）の登場

59 59 59 MCPは、外部情報に接続するプラグイン社内業務システム IoTデータ DB （例）IoTデータ取得MCPサーバー（例） DBアクセスMCPサーバー（例）社内システムアクセスMCPサーバー API API/SQL API 「MCP」という標準インターフェース ⚫ 自作生成AIアプリ（MCP使用） ⚫ MCPをサポートした汎用生成AIアプリ※ ※ : Claude desktop/Claude code/Cursor/Gemini-CLI/Cline/Difyなど

60 60 60 「MCPクライアント」と「MCPサーバー」 MCP自身は標準化規格。実装は「MCPクライアント」と「MCPサーバー」で機能分担。「MCP」という標準インターフェース AIエージェントアプリ（MCPクライアント）（例）IoTデータ API 「MCPサーバー」【 MCPクライアントの機能】 ⚫ 利用可能なMCPサーバーに見つける【MCPサーバーの機能】 ⚫ 自身がどのようなツールやリソースを持つかMCPクライアントに提示（これにより、生成AIは「何ができるのか」を動的に把握）

61 61 61 MCPの本質は、業務の自動化各種サービス/他システム API 他サービス/システムに接続できる「便利な窓口」「MCP」 ⚫ 『業務タスクを「回す」オーケストレータの役割』 ⚫ 『業務知識が埋め込まれた「現場監督」の役割（ビジネスロジックの実装）』業務目線のMCPの設計・運用

62 62 62 MCPによるAIエージェントの普及 ⚫ MCPは今後様々なベンダーやサービス事業者から提供されることが予想されるーマイクロソフト、AIエージェント連携プロトコル「MCP」を全面採用へ（ 2025年5月19日発表）ー Google ADK と MCP の外部サーバーとのインテグレーションガイド（2025年5月28日発表）ー AWSがAIエージェント対応を強化、MCPでデータベース接続など可能に（2025年6月10日発表） ⚫ MCPによって業務利用AIエージェントの開発が加速

63 63 63 MCPを試作してみた ※2:関西電力の単価/計算式/CO2排出係数を使用（題材）「電力計データを収集して生成AIで分析」 ➢ PUSHLOGから電力計データを収集※1 ➢ 消費電力量合計、CO2排出量合計、電気量料金合計の各計算※2 ➢ 各データの可視化（作表、グラフ化） ➢ CO2排出量の増減原因の推測『役割分担』 ※生成AIは数学的な計算が弱い。計算は、MCPサーバーのような外部ツールに任せるのが確実。これが生成AIを賢く使いこなすコツ ※1:50kwレンジ蓄積データ ◆IoTデータ収集 MCPサーバ（試作） ◆生成AI ➢ IoTデータ収集装置から電力計データを収集※1 ➢ 消費電力量合計、CO2排出量合計、電気量料金合計の各計算※2 ➢ 各データの可視化（作表、グラフ化） ➢ CO2排出量の増減原因の推測

64 64 64 試作のシステム構成 IoTデータ収集装置が取得した電力計データ※1 IoTデータ収集 MCPサーバー API 「MCP」標準インターフェース LLM（Claude Sonnet) 汎用生成AIアプリ「Claude desktop」（MCPに対応） ※ Claude desktop : Anthropic社の汎用生成AIアプリ ※ Claude Sonnet : Anthropic社のLLM（大規模言語モデル）＜試験的に作成＞ IoTデータ蓄積クラウドサービス PUSHLOGデータ取得Tool （工場/設備現場拠点） (同一PC内で動作）電力計 ※1:（2022年度）50kwレンジ蓄積データ・電気事業者：関西電力・電力平均値：30分デマンド IoTデータ収集装置

65 65 65 MCPに対応した汎用生成AIアプリ「Claude desktop」を使用する

66 66 66 Claude desktopにIoTデータ収集MCPサーバーを登録

67 67 67 プロンプトに依頼事項を入力実行計画書に沿って実行してください。各フェーズの実行チェックリストを作成してください。フェーズごとに実行を完了したらチェックリストを完了（）にしてください。 #役割あなたはIoTデータ分析の専門家です。また分析データを分かりやすく視覚化するWebデザイナーを兼ねます。 #実行計画書次の依頼内容をステップバイステップで実行してください。 Phase1. 50kwレンジ電力量データを取得してください。 Phase2. 取得した50kwレンジ電力量データの期間を教えて下さい。 Phase3. 次の項目を取得して教えて下さい。 3.1 消費電力量合計 3.2 CO2排出量合計 3.3 電気量料金合計 Phase4. 取得した50kwレンジ電力量データだけを使ってCO2排出量の増減原因を詳細に分析してください。 #出力 4.1 HTML形式で出力してください。 4.2 「IoT電力データ分析ダッシュボード」として下記を表示してください 4.2.1 データの概要の説明 4.2.2 期間情報 4.2.3 取得した50kwレンジ電力量データの作表とグラフ表示。作表はすべての月の表示をお願いします。 4.2.4 各項目の合計値 4.2.5 CO2分析内容 4.3 「IoT電力データ分析ダッシュボード」はプロフェッショナルなIoTデータ分析の専門家もカッコいい！と思うものにしてください。派手な色は避けてください。

68 68 68 AIエージェントの実行

69 69 69

70 70 70 「IoT電力データ分析ダッシュボード」表示結果

71 71 71 月次CO2排出量グラフ表示

72 72 72 電力データ一覧表示

73 73 73 CO2排出量増減原因詳細分析表示

74 74 74

75 75 75 MCPの活用で期待できる効果開発コストと時間の削減エコシステムの活性化相互運用性の向上標準化された共通基盤異なるサービスやツール間の連携多くの開発者が市場に参入、競争を通じた革新的なサービスの創出 MCP

76 76 76 ６．まとめ ⚫ 生成AI活用の変化は、『受動的な知識の提供』から『能動的に動く存在』になる ⚫ LLMという頭脳にAgentという手足がついて自律的にタスクを実行する「人のパートナー」になる ⚫ AIと人が互いの強みを生かして協働することで、新たな価値を生み出すことができる AIエージェント

77 77 77 NVIDIA CEO ジェン・スン・ファン氏の言葉 AIがあなたの仕事を奪うのではない、 AIを使いこなす人があなたの仕事を奪うのだ ※NVIDIA（エヌビディア）：コンピューターの『計算』を高速で処理できる半導体（「GPU」と呼ばれる）を開発する会社。 AIの膨大な「計算量」を効率的に処理するGPUが必要なため、 NVIDIAはAI開発に欠かせない存在。

78 78 78 自分に問うてみる５年後、生成AIはごく普通なものになっているでしょうそして2045年には、「シンギュラリティ」を迎えます。 ※シンギュラリティ；AIが人間の知能を完全に超えてしまう転換点その時、あなたはAIと協働できる人になっていますか？

79 79 79 END 商標について・ChatGPTは、米国OpenAI社の商標です。・Claudeは、Anthropic, PBCの商標です。・Gemini は Google LLC の登録商標です。・LangChainは LangChain Inc.の商標です。・その他記載されている製品名などの固有名詞は、各社の商標または登録商標です。

生成AIの振返りとAIエージェントによる新しい価値

生成AIの振返りとAIエージェントによる新しい価値

More Decks by コロッケそば

Other Decks in Technology

Featured

Transcript