NRIの先進テクノロジーに関する取り組み～量子コンピュータ・AI 技術のビジネス活用に向けて～

IT基盤技術戦略室

小売・製造、金融・公共をはじめ、幅広い業界において「先進技術を活用してビジネスモデルを変革（DX）し、お客様へ価値提供していきたい」というテクノロジー活用への期待が高まっています。一方、その期待に反して、技術変化のスピードが速く、技術キャッチアップやその活用が難しいといった悩みもお聞きします。

そのような声にお応えするため、株式会社野村総合研究所（NRI）では「潜在的な顧客ニーズ発の技術調査」「技術動向を見据えた先進技術の早期評価」「獲得した技術の事業適用」に継続的に取り組んでいます。このような活動を通して、NRIは専門知識を用いて企業様のビジネスとテクノロジーの架け橋となり、DX 実現まで伴走します。

このブログでは、NRIで推進している先進的な技術獲得の取り組みについて、以下の通り複数回に分けてご紹介していきます。

NRIの先進テクノロジーに関する取り組み - 量子コンピュータ・AI 技術のビジネス活用に向けて

- 本シリーズブログで紹介するテクノロジー領域。

今回は、「データの価値を高める最適化計算への量子コンピュータ適用の研究」と「コグニティブ AI 領域における MLOps 基盤実現」に関する調査研究の成果をピックアップしています。

1. データの価値を高める最適化計算への量子コンピュータ適用の研究

本稿では、物流・配送といった業務を一例として、「最適化がいかにデータの価値を高めるか？」「その中で量子コンピュータは将来的にどういった機能を担う可能性があるか？」を見ていきたいと思います。

例えば、売上予測に応じて適切な量の商材を店舗へ配送するためには、配送ルートをどのように立案すべきでしょうか？機械学習を使って店舗が必要とする商材の量が予測できているのであれば、次は「その商材をいかに効率的に店舗に運ぶか？」が重要となります。そこで役立つのが、最適化技術によるシミュレーションです。一般に「利益をいかに最大化するか」もしくは「コストをいかに最小化するか」がビジネスの論点であり、数理最適化ではこれらは最大化問題や最小化問題に帰着できます。

一方で、最適化計算の実用化に向けては、ビジネス制約の遵守、現実的な時間での求解が必要です。NRIでは、お客様のビジネスを最適な状態へ導くため、実用性に重点を置いた最適化計算の実装やノウハウの蓄積に取り組んできました。その成果として、最適解の計算が困難な問題に対して、早期に応答できるアルゴリズムを構築する技術を開発しました。

この技術を活かし、様々な業態のお客様に対して数理最適化技術を適用したご支援を進めています。その一部では、年間数億円規模のコスト削減効果を試算する等、労働時間・CO2 削減・コスト削減によって、お客様の収益性改善に貢献しています。

図1： 5地点を 2台の車両で巡回する場合の最適化計算のイメージ

- 図1： 5地点を 2台の車両で巡回する場合の最適化計算のイメージ。

ここまで述べた最適化計算はすべて従来型のコンピュータで実行されていますが、世の中にはより複雑な最適化計算が必要な問題もあります。そのような問題を解決に導きうる手段の 1つとして、近年、量子コンピュータが注目を集めています。

量子コンピュータには大別して「アニーリング型」と「ゲート型」の 2つの方式があります。アニーリング型は、最適化計算をユースケースとした事例が多数報告されており、厳密解を求めることが難しいとされている「組み合わせ最適化」に対して、有効な解を出しうるのではないかと期待されています。一方、ゲート型は、最適化計算以外にも、分子シミュレーションやデータ探索、素因数分解などの実装が可能です。ただし、その計算規模はまだ限定的であり、国内外で基礎的な研究開発が盛んに行われています。現在、いずれの方式も技術進化の途上にあり、ビジネス適用は一筋縄ではいきません。しかし、時間がかかることが見込まれる技術だからこそ、ビジネス界が先んじて応用例を世に示すことが重要です。

NRIでは、量子コンピュータにおける「アニーリング型」「ゲート型」の双方に対し、クラウドベンダー、マシンメーカー、学術機関といった様々な関係者と連携し、検討・技術獲得を進めています。また、現状の量子コンピュータの性能を考慮して、CVRP（※）に対する最適化計算手法の検討を進めています。それは、従来型コンピュータによるアルゴリズムとアニーリング型の量子コンピュータによるヒューリスティクスな手法を組み合わせたもので、その一部については特許も出願しています（図2）。
今後も、先進技術の社会実装に向けて、国内外の様々な関係者と共に歩みを進めてまいります。

図2：特許出願中の手法の概要図

- 図2：特許出願中の手法の概要図。

[関連キーワード]　
＃量子コンピュータ　＃最適化問題　＃ロジスティクス

※ CVRP：Capacitated Vehicle Routing Problem の略称。様々な制約条件のもとで、複数の車両を用いてすべてのお客様をちょうど 1回ずつ訪問するような経路の中で、コストが最小のものを求める問題を VRP（Vehicle Routing Problem）と呼ぶ。この VRP のうち、車両の容量が決まっており、お客様の要求量の総和が車両の容量を超えてはいけないという制約をもつ問題が CVRP。

2. コグニティブ AI 領域における MLOps 基盤実現

ここ数年、コンピュータの性能向上にともなって深層学習（Deep Learning）という ML の一手法が発展し、画像データや音声、自然言語に対する AI の分析精度が大幅に向上しました。AI のビジネス活用事例も登場し、あらゆる業界で身近なものになりつつあります。このように注目を集める AI 技術ですが、ビジネス活用に必要なスキルはモデル開発だけにとどまりません。学習に用いるデータを安全に収集し、継続的にモデルを改善しながら、AI による判断品質を維持していくというライフサイクル全体を管理することが求められます。

このようなライフサイクル管理を実現するために、機械学習モデルの開発（ML）から運用（Ops）までのプロセス全体を円滑に管理・制御するための MLOps という考え方が広がっています。開発チームと運用チームの連携を円滑にするツールを用いて AI がもたらすビジネス価値を迅速かつ安全にエンドユーザーに届けることを目的としています。

NRIでは、機械学習の開発と運用を安全かつ効率的に行うための MLOps 基盤を開発しています。産業技術総合研究所が整備した「機械学習品質マネジメントガイドライン」をインプットに、MLOps 基盤に求められる機能要件・非機能要件を整理し、システムの重要度に応じてクラウドや OSS、有償製品を組み合わせた実装方式を検討しています。

MLOps 基盤に求められる品質要件は、「AI の精度」と「責任性」の 2つに分類されます。MLOps 基盤といいますと、「AI の精度」に関心がいきがちですが、ビジネスでは「責任性」に関する 4つの品質要件「説明可能性（XAI）」「堅牢性」「公平性」「AI セキュリティ・プライバシー」も重要になります。しかし、「責任性」実現にあたっては技術が未成熟であり、実装方式が未だ確立していないのが実情です。そのため NRIでは、需要が高い「説明可能性（XAI）」から順次、アルゴリズムや実装技術の体系化と製品調査を進めています。これらの調査で得られた知見を AI ソリューションとして提供することで、お客様のビジネスにおける安全で高品質な AI 活用の実現を目指します。

図3： MLOps 基盤に求められる品質要件