アーティキュレート8のサプライチェーンAIが92%の精度を達成、従来モデルを凌駕

企業がAIを業務に統合しようと競う中、多くの企業が、深い専門知識と逐次推論を必要とする特殊な産業タスクに取り組む際、汎用モデルがしばしば不十分であることに気づいている。

ファインチューニングや検索拡張生成（RAG）といった手法はある程度の改善をもたらすものの、サプライチェーン管理のような複雑なシナリオでは往々にして不十分である。スタートアップ企業Articul8がまさにこの課題に取り組んでいる。 同社は最近、製造業のサプライチェーン向けに特化したドメイン固有AIモデル群「A8-SupplyChain」を発表した。これらのモデルはArticul8のModelMeshによって支えられている。ModelMeshはエージェント型AIを搭載した動的オーケストレーション層であり、特定のタスクにどのAIモデルを展開するかについてリアルタイムで判断を下す。

Articul8によれば、同社のモデルは産業ワークフローにおいて92%の精度を達成し、複雑な逐次推論タスクにおいて汎用AIモデルを上回る性能を発揮する。

Articul8はもともとインテルの内部チームだったが、2024年に独立企業となった。この技術は、ChatGPTの登場以前から、ボストン・コンサルティング・グループなどのクライアント向けにインテルが開発したマルチモーダルAIモデルから進化したものだ。

同社の基本理念は、主流の企業向けAI戦略とは対照的だ。

「単一モデルでは企業レベルの成果は得られない。複数のモデルを組み合わせる必要がある」と、Articul8のCEO兼創業者であるアルン・スブラマニヤン氏はVentureBeatの独占取材で語った。「航空宇宙、防衛、製造、半導体、サプライチェーンといった規制業界の複雑なアプリケーションに取り組むには、ドメイン特化型モデルが不可欠だ」

サプライチェーンにおけるAIの課題：順序と文脈が成果を左右する

製造および産業サプライチェーンは、汎用モデルでは対応が困難な特有のAI課題を提示する。これらの環境では、操作順序・分岐ロジック・相互依存性が成功の鍵となる複雑な多段階プロセスが存在する。

「サプライチェーン管理における基本原則は、すべてが相互接続されたステップで構成されていることです」とスブラマニヤンは説明した。「これらのステップは相互に関連し、時には順序的に連なり、再帰的なループを伴うこともあります」

例えばジェットエンジンの組み立てには通常、複数のマニュアルを参照する必要がある。各マニュアルには数百から数千もの手順が記載されており、正確な順序で実行されなければならない。これらの文書は静的な情報を超えた存在であり、厳密な順守を要求するプロセスを記述した時系列データを体現している。スブラマニヤンは、汎用AIモデルは検索手法で強化されていても、こうした時間的関係を認識できないことが多いと指摘した。

手順を遡ってエラー源を特定するこの複雑な推論形式は、汎用モデルが処理するよう設計されていない根本的な課題である。

ModelMesh：従来のオーケストレーションを超えた動的インテリジェンス層

Articul8の技術の中核をなすModelMeshは、標準的なモデルオーケストレーションフレームワークを超越し、産業用途向けに同社が「エージェントのエージェント」と呼ぶものを創出する。

「ModelMeshは、プロセスが段階的に展開される中で継続的に接続・評価・決定を行う知能層として機能します」とSubramaniyanは説明する。「既存ツールでは数百、時には数千に及ぶ実行時決定の要件を満たせなかったため、完全にゼロから構築しました」

LangChainやLlamaIndexのような事前定義ワークフローを提供するフレームワークとは異なり、ModelMeshはベイズシステムと特化型言語モデルを統合し、出力精度を動的に評価、後続アクションを決定し、複雑な産業ワークフロー全体で一貫性を維持します。

このアーキテクチャにより、Articul8が「産業グレードのエージェント型AI」と呼ぶシステムが実現する。産業プロセスについて推論するだけでなく、積極的に推進する能力を備えたシステムである。

RAGを超えて：産業知能の基盤構築

多くの企業向けAIソリューションが汎用モデルと企業データを連携させるために検索拡張生成（RAG）に依存する一方、Articul8はドメイン専門知識を組み込む根本的に異なるアプローチを採用している。

「基盤データを構成要素に分解します」とSubramaniyanは説明する。「PDFはテキスト、画像、表に分解され、音声や動画コンテンツも同様に分解されます。各要素は専門モデルを組み合わせて記述されます」

同社は主に許容的なライセンスを理由にLlama 3.2を基盤として採用しているが、その後高度な多段階プロセスを通じてこれを変換する。この階層的な手法により、単純なデータ断片の検索よりもはるかに深い産業プロセス理解をモデルに習得させている。

サプライチェーンモデルは産業環境向けに特別設計された複数の精緻化段階を経る。教師あり微調整は明確なタスクを処理し、ドメイン専門家を巻き込んだフィードバックループがより複雑なシナリオにおける応答を評価・修正する。

Articul8のエンタープライズ応用

新モデルは初期段階にあるものの、同社は既にiBase-t、伊藤忠テクノソリューションズ、アクセンチュア、インテルを含む複数の顧客・パートナーを獲得している。

多くの組織と同様、インテルも設計・製造業務への応用可能性を模索するため汎用モデルの検証から生成AI導入を開始した。

「これらのモデルは自由形式のタスクでは優れていますが、当社の高度に専門化された半導体環境では限界があるとすぐに認識しました」と、インテルのネットワーク・エッジ・AIグループ担当コーポレートバイスプレジデント兼ゼネラルマネージャーであるスリニバス・リンガム氏はVentureBeatに語った。「半導体特有の用語、設備ログからの文脈理解、複雑な多変数ダウンタイム状況の推論に苦労していました」

インテルはArticul8のプラットフォームを導入し、リンガム氏が「製造インシデントアシスタント」と呼ぶシステムを開発中だ。これは自然言語ベースの知能システムで、インテルの製造工場における設備ダウンタイムの診断・解決を技術者やエンジニアが支援する。 このプラットフォームはドメイン固有モデルを活用し、構造化ログ、非構造化Wiki記事、内部ナレッジベースを含む製造データの過去分とリアルタイム分双方を処理する。インテルチームが根本原因分析（RCA）を行うのを支援し、是正措置を推奨し、作業指示書生成の一部を自動化することさえ可能にする。

企業AI戦略への示唆

Articul8の手法は、RAGを備えた汎用モデルが製造・産業分野のあらゆる企業AIニーズを満たせるという前提に疑問を投げかける。専門モデルと汎用モデルの性能格差は、精度が絶対条件となるミッションクリティカルな用途では、技術リーダーがドメイン特化型ソリューションを検討すべきことを示唆している。

産業環境においてAIが実験段階から実運用へ移行する中、この特化型アプローチは高付加価値ユースケースにおいてより迅速な投資回収を実現する可能性があり、汎用モデルは引き続き広範で専門性の低い要件に対応し続けるでしょう。