化学業界では、AI（人工知能）の導入が急速に進んでいます。従来の経験と勘に頼った研究開発から、データ駆動型のアプローチへと変革が起きており、多くの日本企業が具体的な成果を上げています。

本記事では、日本の化学・素材メーカーがAIを活用して実際に成果を得た20の事例を、5つの活用領域に分けてご紹介します。研究開発の加速化から設備保全の高度化まで、各社の取り組みと効果を詳しく解説していきます。

研究開発・配合設計を加速した事例

この分野では、以下の企業・組織の事例をご紹介します。

• 横浜ゴムのAI配合設計システム「HAICoLab」
• 理化学研究所の逆分子設計による蛍光分子開発
• 旭化成のマテリアルズインフォマティクス活用
• JSRの進化的アルゴリズムによる材料探索
• レゾナックのディープラーニング活用材料開発
• 東レのAI樹脂選定DXサービス
• 三菱ケミカルグループのデータ活用アプリ「MI Bridge」
• AGCの独自MI分析ツール「AMIBA」
• 積水化学のノーコードMIアプリ「RASIN」
• 資生堂の処方開発AI「VOYAGER」統合

横浜ゴムがAI配合生成で開発スピードを向上した事例

ニュース｜横浜ゴム、AIによる配合生成技術を活用したゴムの配合設計システムを独自開発

項目名	内容
企業名	横浜ゴム
業界	ゴム・タイヤ（化学材料）
ビフォー	実配合→試験の反復で開発リードタイムが長い状況
アフター	仮想実験で物性予測→2022年は配合生成まで自動提案（数万件学習/100+配合剤）

横浜ゴムでは、従来の「作って測る」中心の開発手法から脱却し、AIを活用した配合設計システムを段階的に導入しました。2020年に配合物性値予測システムを実用化した後、2022年には配合生成システムまで発展。数万件のデータ学習と100種類以上の配合剤から最適な候補を自動生成できるようになっています。

同社独自の「HAICoLab」構想のもと、予測と生成の二段階を実装することで、経験則に依存していた配合探索を大幅に効率化。基準配合の指定や周辺探索など、人とAIが協働するユーザーインターフェースも工夫されており、開発のスピードとコストを同時に改善した先進事例となっています。

理化学研究所がAI逆分子設計で蛍光分子の開発に成功した事例

量子化学と機械学習で明らかにした蛍光分子 |理化学研究所

項目名	内容
企業名	理化学研究所
業界	研究機関（化学）
ビフォー	分子探索は広大で手作業では非効率な状況
アフター	AIが分子構造を生成→シミュレーション評価→6分子で蛍光性を確認

理化学研究所では、AIによる「逆分子設計」という革新的な手法で蛍光性分子の開発に成功しました。従来は候補空間が天文学的に広く、試行錯誤による探索には膨大な時間とコストが必要でした。

この取り組みでは、AIが分子構造を自動生成し、量子化学計算でシミュレーション評価を行った後、実際に合成・検証を実施。最終的に6つの分子で蛍光性を確認できたという、明確な成果を示しています。AI×量子計算という最先端技術の組み合わせにより、探索から合成・評価まで一連のプロセスを効率化した画期的な研究事例です。

旭化成がMIで「一発当て」レシピ生成を実現した事例

事例 | デジタルトランスフォーメーション | 企業情報 | 旭化成株式会社

項目名	内容
企業名	旭化成
業界	総合化学・素材
ビフォー	熟練者の試行錯誤に依存、配合探索は反復が前提
アフター	MIによりほぼ一回で適合レシピ提示、探索の高速化・効率化を実現

旭化成では、MI（マテリアルズインフォマティクス：材料科学にデータサイエンスを適用する手法）を全社で推進し、注目すべき成果を上げています。同社の公式DX事例では、「熟練者が試行錯誤で求めたのとほぼ同じレシピを、MIでは1回で求められた」と明記されています。

配合空間が広大で従来は試行錯誤に時間を要していた課題に対し、研究プロセス全体の設計（データ・設備・人）と人材育成まで内製で実施。スマートラボとMIを組み合わせた自律的な実験・探索の構想により、探索効率を飛躍的に向上させました。

JSRが進化的アルゴリズムで巨大スピン流材料を予測した事例

02_07_2023_j.pdf

項目名	内容
企業名	JSR
業界	化学・先端材料
ビフォー	多成分・複合材料の探索は組合せ爆発で非効率
アフター	MI×進化的アルゴリズムで探索を高速化し、巨大スピン流材料の指針を予測

JSRでは、進化的アルゴリズム（生物の進化過程を模倣した最適化手法）を活用したMIにより、次世代半導体に重要な「巨大スピン流」を発生する材料の探索に成功しました。機能発現の条件が多変量で人力探索では膨大な時間を要する課題に対し、東京大学との協創拠点（CURIE）で共同研究を実施。

タングステン結晶のらせん歪み構造で巨大スピン流が生成されることを予測し、応用性の高い物理現象に具体化できました。同社では「材料開発の生産性を劇的に向上」を目標に、MIツールの内製化と継続改善を進めており、学術連携と内製MI の二刀流で材料開発を加速しています。

レゾナックがディープラーニングで開発期間を大幅短縮した事例

AI・ディープラーニングを活用して材料の開発期間を大幅に短縮 | News Releases | Resonac

項目名	内容
企業名	レゾナック（Resonac）
業界	化学・電子材料
ビフォー	設計空間が広く、経験と反復試作に依存
アフター	社内アプリ＋DLで候補探索を加速、開発期間の大幅短縮を狙う

レゾナック（旧日立化成）では、ディープラーニングとケモインフォマティクス（化学情報学）を組み合わせた社内アプリケーションを開発し、材料開発の生産性向上に取り組んでいます。探索の広さと試作コストがボトルネックとなっていた課題に対し、DLと化学知識のハイブリッドアプローチを採用。

社内ツール化により汎用展開を図りつつ、外部パートナー（Enthought）との連携でMI推進を加速しています。統合ブランド後の材料横断での再利用性向上も見込まれており、自社アプリ化で現場展開を前提とした実用的なアプローチが特徴的です。

東レがAI樹脂選定DXサービスで顧客支援を開始した事例

最適な樹脂選定を支援するDXサービスを開始-AIを活用した樹脂データベースで顧客の製品開発スピードアップに貢献- | ニュースルーム | TORAY

項目名	内容
企業名	東レ
業界	化学・樹脂材料
ビフォー	材料選定は経験依存・試作反復で長期化
アフター	AI×MI×CAEにより材料選定・評価を前倒し、設計段階から効率化

東レでは、AI・MI・CAE（コンピュータ支援工学）を組み合わせた「最適樹脂選定DXサービス」を開始し、従来の顧客向けサービスを革新しました。材料選定が経験依存で設計—材料—試作の往復が多く、QCDに影響していた課題を解決。

選定から設計の上流段階でAIを活用し、自社の豊富なデータ資産を武器に差別化を図っています。顧客向けDXサービスとして外販することで、自社だけでなく顧客の開発プロセスにも改善効果を波及させる戦略的な取り組みとなっています。

三菱ケミカルグループが「MI Bridge」で研究協創を加速した事例

23_2_7_2.pdf

項目名	内容
企業名	三菱ケミカルグループ（MCGC）
業界	総合化学
ビフォー	実験データの登録・検索・共有や機械学習の適用が個人・部門に閉じやすく、暗黙知の共有とデータ利活用が限定的
アフター	研究者がMI Bridge上でデータ登録・検索・ML推論・逆解析を容易に実施。研究者×データサイエンティストの共創で材料設計が加速、開発期間短縮と顧客提案スピード向上に寄与

三菱ケミカルグループでは、研究者の暗黙知をつなぐアプリケーション基盤「MI Bridge」を開発しました。従来はデータ標準・人材連携がボトルネックとなっていた課題に対し、End-to-endのデジタル変革の中核として、R&Dでの「実験データの可視化・共有・機械学習適用」を一気通貫化。

研究者が逆解析まで実行できる運用設計により、暗黙知共有から材料設計の知見統合を実現しています。顧客向けソリューション提案のスピードアップも狙った位置づけで、MLの内製適用と顧客提案力の強化に直結する取り組みです。

AGCが独自MI分析ツール「AMIBA」で開発を高速化した事例

独自のMIデータベース・分析ツールを確立 ｜ ニュース ｜ AGC

項目名	内容
企業名	AGC
業界	ガラス・化学
ビフォー	実験データの保管形式が統一されず、MIの本格活用が難しい
アフター	ARDIS（電子実験ノート機能付きDB）＋AMIBA（MI専用分析ツール）で、登録〜分析を一気通貫化。ガラス組成最適化や自動車用ガラスのコーティング材料設計のスピードアップ等の効果を実証

AGCでは、データ標準化とノーコード分析環境に近い自社内製基盤で開発速度と知見共有を両立させています。“試行錯誤に10年以上”もあり得る素材開発において、データ標準化と分析内製化が急務だった課題を解決。

電子実験ノート一体型データベース「ARDIS」でMI用データを自動蓄積し、専用分析ツール「AMIBA」で機械学習・量子計算・分子シミュレーションを社内活用しています。強化ガラス組成やコーティング材料設計の加速など具体的な成果例を公式に明示し、社内MIコンサルで現場適用を横展開しています。

積水化学がノーコードMIアプリ「RASIN」で研究者の自律活用を推進した事例

材料開発でのMI活用推進に向け、独自アプリ「RASIN」の正式運用を開始 | 積水化学工業株式会社

項目名	内容
企業名	積水化学工業
業界	総合化学
ビフォー	MI専門部署中心の取り組みで、非専門の研究者が素早く実務活用するハードルが高い
アフター	独自MIアプリ「RASIN」を正式運用（2024/12/20）。ノーコードで研究者自身がMIを活用し、スピードと質を向上

積水化学では、市場要求の多様化・高度化に対してデータ駆動型材料開発の裾野拡大が不可欠という課題に対応するため、完全内製と人材育成を連動させた「自律的MI活用」を実装しました。2024年12月20日に正式運用を開始した「RASIN」は、ノーコードで現場研究者が即座に活用できる設計となっています。

教育プログラムと相談窓口で運用スキルを定着させ、MIの全社展開を見据えたスケール設計を採用。フィルム、複合材料、触媒などの幅広い領域での活用を想定しており、専門知識がなくても研究者が自分でMIを使える環境を整備した先進事例です。

資生堂が配合開発AIをVOYAGERに統合して研究を高度化した事例

資生堂、100年にわたる研究の蓄積と先進AI技術を融合し共創から生まれる革新的な化粧品開発の新時代へ | ニュースリリース詳細 | 資生堂 企業情報

項目名	内容
企業名	資生堂
業界	化粧品（化学）
ビフォー	配合設計が熟練依存・試行錯誤多く、探索コスト/期間が膨らみがち
アフター	独自アルゴリズムの配合開発AIをR&D基盤VOYAGERへ統合し2024年2月から本稼働、最適配合案の提示で研究スピードを底上げ

資生堂では、商品多様化により配合空間が拡大し、属人的探索では遅く高コストという課題に対し、社内基盤にAIを実装して継続運用による探索効率向上を実現しました。独自アルゴリズムの配合開発AIを、同社のR&D基盤「VOYAGER」に統合し、2024年2月から本格稼働を開始。

汎用AIではなく化粧品配合に特化したドメイン専用のアルゴリズムを開発し、長年の研究知見とAIをR&D日常業務に組み込む実装設計を採用しています。最適配合案の自動提示により、スキンケア等の配合開発における研究者とAIの協働プロセスを確立しました。

プラント運転の自動化・デジタルツイン化した事例

この分野では、以下の企業の事例をご紹介します。

• ENEOS×Preferred Networksの石油化学プラント自動運転
• DIC×日立製作所の合成樹脂製造プラント運転自動化

ENEOS×PFNが世界初のAI石油化学プラント自動運転を実現した事例

ENEOSとPFN、世界初のAIによる原油処理装置の自律運転を開始 – Preferred Networks, Inc.

項目名	内容
企業名	ENEOS × Preferred Networks
業界	エネルギー・石油化学
ビフォー	熟練者依存の手動監視・操作、運転因子が多く負荷大
アフター	AIが重要因子を常時監視し複数バルブを同時操作、手動超えの効率運転を達成。装置・プラントへ拡張

ENEOSとPreferred Networks（PFN）の共同プロジェクトでは、装置規模が大きく操作の影響が遅れて現れるため最適制御が困難だった石油化学プラントにおいて、世界初クラスのAI自動運転を実現しました。熟練ノウハウの継承・人員負荷が課題となっていた分野で、物理知識を取り入れた制御AIを段階的に導入。

2021年にブタジエン抽出装置で2日間の自動運転に成功した後、2023年には13運転因子の常時監視と9バルブ同時操作で手動を超える効率運転を確認。2024年には原油処理装置でも自動運転を開始し、物理知識の組み込みで現場受容性と安定性を両立させています。今後は他製油所展開とソリューション化も計画されています。

DICと日立がデジタルツインで合成樹脂プラント運転自動化を推進した事例

DICと日立、合成樹脂製造プラント運転自動化を図るデジタルツイン技術を実用化 | ニュース | DIC株式会社

項目名	内容
企業名	DIC × 日立製作所
業界	化学（インキ・有機顔料・樹脂等）
ビフォー	合成樹脂製造プラントの運転は熟練知に依存、運転最適化や自動化の難度が高い
アフター	AI反応予測モデル×デジタルツインで運転状況をサイバー空間に再現し自動化を図る取組を公式発表

DICでは、化学プラントの複合要因が多く反応の予測・最適化が困難という課題に対し、モデル×デジタルツインによる再現・自動化へのアプローチを発表しました。プロセス・インフォマティクス（化学プロセスにデータサイエンスを適用）とデジタルツインを活用し、プラント運転の高度化・自動化を目指しています。

AI反応予測モデルで運転をサイバー空間に再現することで、従来の熟練依存から脱却。並行して技能伝承AI「Prism」も開発・運用を開始しており、プロセス面とデジタルツイン面、さらに人材面からの包括的なアプローチで化学プラント運転の変革を推進しています。

設備保全・検査・品質保証を高度化した事例

この分野では、以下の企業の事例をご紹介します。

• 三菱ガス化学×ABEJAの腐食診断AI
• 花王の肌評価AI「Kirei肌AI」
• ブリヂストンのタイヤ検査システム「EXAMATION」
• カネカの生成AI太陽電池セル検査

三菱ガス化学×ABEJAがHITLで腐食診断工数を50%削減した事例

三井化学、生成AIを活用した特許チャットを開発 | ニュースリリース | 三井化学株式会社

項目名	内容
企業名	三菱ガス化学 × ABEJA
業界	化学
ビフォー	拠点ごとに目視/画像確認で判断、工数・属人性が大
アフター	AIが腐食箇所検出・度合判定、HITLで即運用＆継続学習、作業量約50%削減

三菱ガス化学では、画像点数が膨大で確認負荷が高く、判定が熟練者に依存していた腐食配管の外観検査において、HITL（Human in the Loop：人間参加型機械学習）を活用したAI診断システムを導入しました。

ABEJAと共同で開発したこのシステムでは、AIが腐食箇所を特定し度合いを判定し、誤判定は熟練者が訂正して再学習させる仕組みを構築。

判定基準の標準化と継続的な精度向上により、作業量を約50%削減することに成功しています。現場主導の精度改善と補助金事業への採択により社会実装性も評価されており、AI判定の誤りを保守担当が訂正→再学習の循環で持続的改善を実現した実用性の高い事例です。

花王が肌評価AI「Kirei肌AI」で化粧感を定量化した事例

ヒトの感性も学習した独自肌評価AI「Kirei肌AI」を開発評価の難しい肌のつや感の特徴も精緻に表現 | 花王株式会社のプレスリリース

項目名	内容
企業名	花王
業界	生活化学・化粧品
ビフォー	観察者の主観や装置制約で、質感評価の標準化が難しい
アフター	AIで化粧感/つや/化粧くずれ等を定量化し、評価の一貫性・再現性を向上

花王では、微細な肌質感の違いが主観混入・装置依存で再現困難という課題に対し、肌評価AIを開発して化粧品の効果測定を革新しました。約4.39万枚の肌パッチで学習したディープラーニングにより、素肌・化粧肌の判別精度92.7%を達成。

肌パッチ×ディープラーニングで「どこを見て判断したか」の懸念に対処し、つや・テカリ・化粧くずれなど多面的指標で総合評価を可能にしました。研究成果をサービス化（肌測定）に展開し、プロダクト選定体験（ALLIEのAIビューティUVなど）へも連携させることで、研究から顧客体験まで一貫した価値提供を実現しています。

ブリヂストンがEXAMATIONでタイヤ製造の次世代検査を実現した事例

ブリヂストン独自のモノづくりICTを搭載 最新鋭タイヤ成型システム「EXAMATION」を彦根工場に初導入 | ニュースリリース | 株式会社ブリヂストン

項目名	内容
企業名	ブリヂストン
業界	ゴム・化学（タイヤ）
ビフォー	組立・検査は高度ICTで進化も、さらなる品質安定・生産性向上余地
アフター	EXAMATIONを導入。ICT＋AIで工程センシングと制御を高度化し、品質・生産性向上を狙う

ブリヂストンでは、複雑な組立・検査で人依存を減らし、全体最適で品質・歩留りを向上させる必要があった課題に対し、「EXAMATION」という次世代システムを開発しました。2016年にハンガリーのタタバニャ工場で乗用車タイヤ製造ラインに導入を発表。

製造全体をAIで最適化するスマートファクトリー実装の先行例として、センシング→AI分析→制御を結合した統合システムを構築。公式にAI活用と生産性・品質向上の狙いを明示し、既存技術から進化した新コンセプト群を統合することで、海外拠点導入を皮切りにした横展開可能性も示しています。

カネカが生成AI×深層学習で太陽電池セル検査を自動化した事例

report2024_003.pdf

項目名	内容
企業名	カネカ
業界	総合化学
ビフォー	太陽電池セルの微細欠陥は従来の画像解析では精度維持や未知欠陥検出が困難
アフター	生成AI×深層学習を組み合わせた独自AI解析で検査工程の自動化を実現

カネカでは、高品質要求と未知欠陥の出現により人手・ルールベース検査の限界が顕在化していた太陽電池セル検査において、生成AI×深層学習のハイブリッドアプローチを採用しました。奈良先端科学技術大学院大学との共同研究により、未知欠陥にも強い検出システムを構築。

生成AIを検査用途に応用した独自性の高い取り組みで、公式ページで工場導入の実装例として明記されています。太陽電池セル検査から他工場・他製品工程への展開余地も示されており、モノづくり全体（FOZ：Factory of the Future）への波及を想定した戦略的な位置づけとなっています。

計画・需給・物流を最適化した事例

この分野では、以下の企業の事例をご紹介します。

• 出光興産のAI配車計画システム

出光興産がAI最適化モデルで配車計画時間を25%短縮した事例

241211.pdf

項目名	内容
企業名	出光興産
業界	石油・エネルギー（化学プロセス）
ビフォー	出荷/配車計画が人手・熟練依存で時間を要し、機動性に制約
アフター	AIと最適化モデルの新システム導入で計画時間を25%短縮（2024/12/11公表）

出光興産では、需要変動や制約条件の複雑化により計画業務が逼迫していた課題に対し、AI最適化による探索時間短縮と現場判断の迅速化を実現しました。2024年12月11日に公表された新システムでは、AIと数理最適化を組み合わせた出荷・配車スケジューリングにより、従来の人手・熟練依存から脱却。

25%という明確な定量効果を公式に明記し、石油製品の出荷計画における業務スループットを大幅に改善しています。需給・物流の計画領域にAIを適用することで、エネルギー業界における供給網の機動性向上を実現した先進事例として注目されます。

知財・ナレッジ活用を効率化した事例

この分野では、以下の企業の事例をご紹介します。

• 三井化学の生成AI特許検索チャット
• レゾナックの社内生成AI「Chat Resonac」

三井化学が生成AI特許チャットで調査時間を80%削減した事例

02_07_2023_e.pdf

項目名	内容
企業名	三井化学
業界	総合化学
ビフォー	特許調査が長時間・高負荷で開発スピードに影響
アフター	特許検索時間を80%削減を掲げる生成AIチャットを開発、25年度から本格運用

三井化学では、知財検索の専門性が高くボトルネック化していた課題に対し、化学特化の生成AIチャットシステムを開発しました。化学構造式や表の読解など、化学ならではの要求に対応したドメイン適合型のLLM（大規模言語モデル）を採用し、従来の人手検索中心から生成AIチャットによる高速探索・要約へ転換。

80%削減という明確なKPIを提示し、製品企画や用途探索の前段で探索効率を底上げしています。社内プラットフォームとして開発することで横展開が容易な設計となっており、2025年度から本格運用を開始する予定です。

レゾナックが社内生成AI「Chat Resonac」で業務知見を横断活用した事例

生成AIで手書き文章も含めた社内資料を活用する独自システムChat Resonacを開発 | News Releases | Resonac

項目名	内容
企業名	レゾナック
業界	化学・電子材料
ビフォー	社内文書・知見の検索・活用が個別最適で非効率
アフター	社内向け生成AI「Chat Resonac」を展開（業務知見の横断活用）

レゾナックでは、社内の文書・知見の検索・活用が個別最適で非効率という課題に対し、独自の社内向け生成AI「Chat Resonac」を開発・展開しました。2024年1月18日に発表されたこのシステムでは、企業内の膨大な技術文書や業務知見を横断的に活用できる環境を構築。

統合ブランド化により複数事業領域の知見を組み合わせた活用が可能となり、社内ドキュメント横断の知識活用を強化しています。材料開発の基盤となるMIプラットフォームと並行して知識活用面も生成AIで高度化することで、研究開発から業務効率化まで包括的なAI活用を推進している事例です。

---

---

化学・素材メーカーのAI導入における注意点。

化学業界でAIを本番運用する際は、厳格な規制要件と品質基準への対応が必要不可欠。安全性とコンプライアンスを確保しながら、AIの効果を最大化するための体系的なアプローチが求められます。

データガバナンスを体系的に整備する

化学業界におけるAI運用では、機密性の高い研究データや製造ノウハウを扱うため、厳格なデータガバナンス体制の構築が必要です。データへのアクセス権限管理、個人情報の匿名化処理、データの保全・バックアップ体制を包括的に設計します。

特に重要なのは、研究データの知的財産保護と、GLP（Good Laboratory Practice）やGMP（Good Manufacturing Practice）などの規制要件への対応です。

バリデーション手順を詳細に文書化する

AIモデルの性能検証（バリデーション）は、化学業界の品質保証において極めて重要な工程です。モデルの精度評価、適用範囲の明確化、限界値の設定など、詳細な検証手順を文書化し、継続的に実施する体制を構築します。

バリデーション文書には、使用データの詳細、モデル構築手法、精度評価結果、適用条件と制約事項、定期見直しスケジュールなどを含める必要があります。

説明可能性・トレーサビリティを必ず確保する

化学業界では、AIの判断根拠を明確に説明できることが規制要件として求められます。ブラックボックス化しがちなAIモデルに対し、判断プロセスの可視化と説明機能を組み込むことが必要不可欠です。

トレーサビリティの確保では、入力データから最終結果まで一連の処理履歴を記録し、いつでも検証可能な状態を維持します。

変更管理・モデル更新を運用プロセスに組み込む

AIモデルは継続的な学習と更新により性能を維持・向上させる必要がありますが、化学業界では変更管理の厳格な手順が求められます。モデル更新の承認プロセス、影響評価、テスト手順、承認者の明確化など、体系的な変更管理体制を構築します。

段階的な更新計画と、問題発生時のロールバック手順も事前に準備し、安全性を確保しながら継続的改善を実現する運用体制を整備することが成功の鍵となります。

セキュリティ・安全審査を定期的に実施する

化学業界のAIシステムは、サイバーセキュリティと物理的な安全性の両面から継続的な審査が必要です。外部からの不正アクセス防止、内部データの漏洩対策、システム障害時の安全停止機能など、多層防御の考え方に基づいたセキュリティ設計を実装します。

定期的な脆弱性診断、ペネトレーションテスト、セキュリティ監査により、常に最新の脅威に対応できる体制を維持することが重要です。

化学業界のAI導入ならニューラルオプト

化学業界でのAI導入をご検討であれば、合同会社ニューラルオプトにお任せください。当社は世界的生成AI「ChatGPT」の開発に携わるAI開発企業として、日本でのChatGPT展開を技術面で支援しています。

ニューラルオプトの最大の特徴は、単なる開発受託ではなく「課題解決コンサルティングから依頼できる開発会社」であることです。化学業界特有の課題を深く理解し、「失敗リスクを最小化する」をコンセプトに、課題起点での解決策提案から組織への定着支援、運用改善まで総合的にサポートします。

データサイエンスの豊富な知見を活かし、データマイニングやテキストマイニングにも対応可能。ECサイト「eBay」の価格自動設定AIや手書き文字のAI認識システムなど、多様な業界での実績を有しています。

失敗リスクを抑えたい、課題解決から相談したいという化学企業様に最適なパートナーです。