従来の需要予測システムでは、速度と精度のトレードオフを克服できませんでした。例えば、多くの商品もしくは在庫保管単位(SKU)に対して日ベースでの予測の精度を上げようとすると、膨大な計算時間が必要になり計算が間に合わなくなります。そこで、週次や月次の粗い予測で我慢するか、指数平滑法やARIMAなどの簡易計算で予測を行っているのが現状です。

私たちが提供する自動機械学習(AutoML)と自動最適化(AutoOpt)を融合したシステムを使うと、さまざまな機械（深層）学習を試して精度の良いものを選択するAutoMLと、過去の需要予測の計算時間と精度のデータから、適切な手法を選択するAutoOptの組合せにより、短時間に高精度の予測が可能になります。さらに、予測のばらつきや不安定さの尺度をモニタリングすることによって、手法選択の確率を自動的に調整することができます。

私たちが提供する在庫最適化ソリューションは、サプライチェーン全体の多段階在庫を対象としたものです。1段階の在庫モデルは在庫公式によって簡単に解くことができますが、多段階のネットワーク型の在庫モデルの求解には、最先端の技術が必要になります。

しかし、段階別に古典的な在庫公式を適用するのと較べて大幅な費用削減とサービス率の向上が期待できます。意思決定レベルが中期のモデルである安全在庫配置に対しては、従来の手法より大規模な問題が解ける高速解法を開発しています。短期の在庫方策最適化に対しては、シミュレーションと深層学習を融合した新しい手法を開発し、最適な動的在庫方策を算出することができます。

私たちが提供するロジスティクス・ネットワーク設計 (LND) ソリューションは、MOAI(機械学習と数理最適化の融合）技術を駆使したもので、従来の数理最適化ソルバーだけのアプローチに比べて、高速に良い解を算出することができます。通常、大規模なLND問題に対しては、最先端の数理最適化ソルバーを使っても、誤差10%程度の解を得るためには数時間の計算が必要になる場合があります。そのため、意思決定に必要な「もしこうなったら分析」(what if analysis) やシナリオ分析が十分にできないことが多々あります。

また、近年ではデータの不確実性を考慮した確率的最適化やロバスト最適化をLND問題に適用するケースも増えてきています。これらのモダンな不確実性を考慮した最適化は、通常の確定的最適化と比べて難しいことが知られており、MOAI技術なしでは、大規模問題例を解くことができなくなります。MOAI技術を確率的（分布的ロバスト）最適化に組み込むことによって、大規模問題例に対して高精度な解を短時間で算出することができます。

製品の納期とリードタイムのトレードオフ、多段階での段取り費用と在庫費用のトレードオフ、機械の稼働可能時間、人の休みや移動などの作業負担制約、生産順序制約など実務のさまざまな制約を考慮した生産スケジューリング最適化は、現場のルールをプログラム化した簡単なルールベースのヒューリスティックスでは解くことができません。

私たちが提供する生産スケジューリング最適化ソリューションは、単なるスケジューリングだけではなく、幾つかの最適化モデルを融合したもので、工場内の生産全体を最適化することが可能です。

私たちが提供する配送最適化ソリューションは、最先端の最適化手法を組み合わせたもので、数百顧客の中規模問題例に対しては最適解を、数万顧客の大規模問題例に対しては誤差数％の近似解を算出しすることができます。また、多くの実企業との30年以上の共同研究の成果として、実用に必要なさまざまな制約を（解の性能や速度を損なうことなく）付加できるように設計されています。

面白い事例として、自動販売機への補充の多期間で製品在庫を考慮した問題（数千顧客で30日分）があります。この大規模問題例に対して30%以上の費用削減に成功しました。さらに、過去のデータと解の組を保管することによって、機械学習を用いて高速に高精度の解を算出するMOAI（機械学習と最適化の融合）技術も開発しています。

災害などによるサプライチェーンの途絶を事前に対処するための分析ツールで、よりリスクに強いサプライチェーン構築のための意思決定をサポートします。

MOAI Supply Chain Risk Analttics では、部品展開表、生産情報（どの工場でどの部品を製造しているか）と輸送情報（どの工場からどの工場へ輸送を行っているか）を統合し、最適化をベースとした分析を行うことによって、途絶の影響が大きい部品とその生産工場を特定します。

航空機の座席、列車や船の座席、ホテルや旅館の部屋、 レンタカー、野球の観戦券、テレビのコマーシャルの時間帯、 コインパーキングの駐車場、食品、家電やファッションなど一定の期間をすぎると価値が減る商品に対する需給バランスと企業収益を考慮したダイナミックプライシングソリューションも提供します。

AI予測と最適化を組み合せた最先端アルゴリズムを用いて予測やルールに基づく需給バランス調整だけでなく収益最大化も同時に自動で行います。また、価格変動に対して顧客の心理の考慮（実験経済学のプロスペクト理論）、ホテルの連泊、航空機チケットの乗り継ぎや連番座席の考慮など、様々な実際問題に対応可能です。

業務の効率を最大化しつつ、従業員のワークライフバランスを考慮するための計画です。1日を３〜４シフトにして数十人や数百人の１っか月の勤務計画をつくることができ、15分や30分などより細かい時間単位で業務や休憩なども正確に考慮した計画作成ができます。

例：小売業、飲食業、医療業界、製造業などのなどに適用可能です。

多拠点で事業を展開している企業が、各拠点の需要、従業員のスキルを考慮し、最適なロケーションでの勤務を割り当てます。

例：物流業、医療、小売業などに適用可能です。

従業員が業務の一環として異なる場所に移動する必要がある場合に、効率的な配置を行う計画です。人員配置だけでなく、移動の効率化も考慮した計画作成が必要です。

例：複数拠点の巡回が必要な保守点検の人員配置、介護や訪問診療の人員配置などが該当します。

各業務に必要な資源（部屋、設備、機器など）と、その資源が利用できるタイミングを考慮した人員を配置する計画です。

例：病院での手術スケジュール（医者や看護師と部屋）、企業の研修スケジュール（講師と部屋）、大学の教員と教室割り当て、工場での人員配置などが該当します。

航空会社や鉄道、船舶、バスなど、交通業界におけるクルー（乗務員や乗組員）の勤務スケジュールを最適化する計画です。勤務時間制限、運行スケジュール、スキルレベル、宿泊などさまざまな制約考慮が必要で、大規模問題になると数千人規模の最適化問題になることもありますが、MOAIソリューションを用いれば適切な計画作成が可能です。

動的に変動する不確実性も考慮した需要予測に基づき、発電ユニットの運転計画を最適化し、最小限の運用コスト、最小限の環境負荷で、必要な発電量を確保する計画です。近年では旧来の化石燃料の他に再生可能エネルギーも加わり、問題も大規模化しており、MOAIのような高度な最適化技術でないと効率的な計算ができません。

市場での電力取引において、需要予測を基に価格設定や売買タイミングなど売買戦略を立てることができます。各種規制、資源、需給バランスの維持に関する制約を守りながら最適な価格で販売し、収益を最大化します。

power flowの最適化はリアルタイム性が求められます。人手による調整だけでは、最適化を行うことは極めて困難で、大きなソンスつを招きます。海外のISOでは、深層学習と最適化を融合した手法を用いて、リアルタイムの準を実現しています。MOAI Labでは、AC/DCの両者に対してSOTAのアルゴリズムを開発し、深層学習による高速化を実現しています。