Digital Reactor

Digital Reactor — Computation systems for better decisions

データと数理で、
事業の意思決定を支える。

機械学習・統計・数値計算でモデルをつくり、事業で動く計算システムに落とし込む。 予測や最適化を、意思決定に使える形にします。

相談する

Philosophy

反応を起こし、世界を前に進める。

技術の進歩は、人と社会を豊かにしてきた最大の力です。私たちはその力を信じ、常識や前例にとらわれず、数理で確かめた答えを拠りどころに前へ進みます。

ひとつの計算システムが意思決定を変え、その変化が連鎖して、やがて当たり前を塗り替える。弊社は、その最初の反応を起こす場所でありたいと考えています。

Services

サービス

データを整え、数理で選択肢を絞り込み、意思決定の確度を上げるところまで引き受けます。

機械学習・統計モデルの設計と実装

需要予測、異常検知、解約予測など、事業の判断を左右するモデルの設計と実装を、ITスタートアップから研究機関まで支援してきました。目標に置くのは精度指標そのものではなく、在庫の発注量、点検の優先順位、先に手を打つ顧客の選び方といった実際の判断の質を上げることです。

PoCで高い精度が出たモデルが本番の判断に使われないまま終わる原因の多くは、問題設定にあります。精度指標が業務のKPIと結びついていない、検証が本番の運用条件を再現していない、モデルの出す確率が実際の頻度とずれている、といった点です。この設計を最初に固めるところから、次の形で支援します：

  • 何の判断を、どの頻度で、どんな損失構造のもとで行うのかを先に確認し、そこから逆算して目的変数・評価指標・閾値を設計します。

  • 時系列を考慮したデータ分割やリークの排除など、本番でも成立する精度を見積もる検証を組みます。

  • モデルの出す確率を実際の頻度に合わせる校正と、予測の不確実性の定量化まで含めて実装し、閾値設計や人手確認の判断に使える形で出力します。

  • SHAP等による要因分解を出力に添え、利用部門や監査に説明できる根拠を残します。

業界ごとの適用イメージ

  • 小売・EC：需要予測を、発注と在庫の判断に使える形で組み込みます。点の予測だけでなく予測の幅まで出し、欠品と過剰在庫の損失を突き合わせて発注量を決められるようにします。販促や季節の影響が大きい商品も、過去の実績で精度を確かめてから運用に載せます。
  • 製造：設備の異常検知や品質の予測に、見逃しと誤報の件数を点検の工数と突き合わせて決めた閾値を設定します。異常の事例が少ない場合も、正常時のデータからの外れ方を測るモデルで検知を安定させ、点検の優先順位づけに使える形にします。
  • SaaS：解約や利用低下の予測を、どの顧客に先に手を打つかを決める材料として提供します。予測した確率を実際の解約率に合わせて校正し、施策の費用と見込める効果から、対象にする顧客の範囲を決められるようにします。

モデルの設計・検証に関連する技術情報を技術ブログで公開しています。

計算システム・データ基盤の設計と構築

どれだけ良いモデルも、ノートブックの中に留まっている間は事業を変えません。データが自動で流れ、モデルが定期的に更新され、結果が業務システムに届いて、はじめて意思決定が変わります。データ基盤の構築からMLOpsの整備、運用の監視設計までを、事業の規模に見合った構成で引き受けます。

データ基盤の問題は、動き始めたあとに静かに現れます。手動実行のまま担当者の異動で止まる、パイプラインがエラーを出さずに古いデータで動き続ける、課金構造を把握しないまま組んだ処理が想定の何倍ものコストを生む、といった形です。こうした障害を設計の段階で防ぎます。提供している内容は次のとおりです：

  • 実験管理・自動再学習・監視を、チームの規模に見合うツール構成で整備します。過剰な基盤は作りません。

  • クラウドの課金がどの操作で発生するかを織り込んで処理方式を選び、運用後の請求額まで見積もります。

  • 入力分布のずれや精度の低下を検知する監視を組み、再学習・切り戻しの手順まで決めて引き渡します。

業界ごとの適用イメージ

  • 小売・EC：需要予測モデルの定期実行と発注システムへの連携を自動化し、週次にとどまっていた予測の更新を日次に引き上げられる構成にします。入力データの遅延や欠損を検知して実行を止める仕組みまで含めて設計し、誤った予測が発注に使われることを防ぎます。
  • 物流：取扱量の増加に耐える集計・監視パイプラインを設計・構築します。配送状況の追跡のように即時性が要る処理と、日次で足りる集計を分けたうえで、取扱量が増えたあとの請求額まで見積もれる処理方式を選びます。
  • 研究機関：実験データや外部データベースの取り込みと解析結果の更新を自動化し、少人数の研究室でも保守と運用を続けられる形に整えます。データ提供元の仕様変更や配信の停止も検知し、古いデータのまま解析が続かない構成にします。

データ基盤の設計・運用コストに関連する技術情報を技術ブログで公開しています。

業務自動化・省力化

手作業で行っている業務には、計算とシステムで置き換えられる部分が少なくありません。定型処理の自動化から生成AI・LLMエージェントの業務適用まで、対象の選定、出力品質の保証、費用対効果の見積りを一体で支援します。

生成AIを試すこと自体は簡単になりました。難しいのは、デモで動いたエージェントが本番の多様な入力で品質を保てず、結局すべての出力を人が再確認して省力化にならない、という停滞を避けることです。機械に任せる範囲と人が判断する範囲の境界を数字で決めるため、次を引き受けています：

  • 出力の正しさに統計的な保証を付け、人手の確認に回す割合を制御できる形で運用に載せます。

  • どこまでを1つのタスクに任せるか、何を記憶させるか、どう評価するかといった、精度とコストを左右する設計判断を、実験で確かめながら決めます。

  • 削減される工数とシステムの運用コストを併せて見積り、導入するかどうかの判断材料として提示します。

業界ごとの適用イメージ

  • カスタマーサポート：問い合わせの分類や回答案の作成を生成AIで補助し、担当者が判断の分かれる問い合わせに時間を集中できるようにします。どこまでを機械だけで返してよいかの基準は検証データで決め、誤回答の率を測ったうえで運用に載せます。
  • バックオフィス：請求書や契約書の読み取りと転記を生成AIで補助します。要約や転記のような定型部分から段階的に自動化し、出力品質の保証と人手で確認する割合の制御までを設計して、処理全体の時間を短くします。
  • EC・マーケットプレイス：出品内容や投稿の一次スクリーニングを自動化し、目視で確認する対象を疑わしいものに絞り込みます。絞り込みの基準は見逃しの率と確認の工数を突き合わせて決め、実データで検証してから強めていきます。

エージェントの設計・品質保証に関連する技術情報を技術ブログで公開しています。

Track record

取引実績

複数の国立大学・研究機関、ITスタートアップなどから、データと数理に関わる仕事を継続的にいただいています。アドバイザーとしての関与から、実際に手を動かす開発まで、ニーズに応じて柔軟に対応できます。

国立大学・研究機関

計算アルゴリズムの新規考案・実装、文献をもとにした再現実装と評価など。

ITスタートアップ

データ基盤の構築・運用、機械学習モデルの開発、業務自動化など。

Technical posts

技術ブログ

実際に手を動かして検証した記録です。判断の土台にしている手法や考え方が見えると思います。

記事一覧 →

まずはお問い合わせください。

案件のご相談も、実現できるかどうかの壁打ちも、段階を問わず受け付けています。 初回30分のオンライン相談は無料です。通常3営業日以内に返信します。

お問い合わせ