自然言語からのメタデータ自動抽出と、メタデータ及びオントロジー活用によるデータ連携（マッシュアップ）で、顧客企業様の困りごとを解決

【 ChatBrid 】

　chatGPTに社内知識を咀嚼させて当意即妙に回答させます！

【Mr.テキスト分析】 顧客の声、ソーシャルメディア、営業日報等あらゆる自然テキストデータを、意味で自動分類し経営判断の材料となるポジショニングマップ作成。新仮説や知識を発見。Mr.DATAは、5W1HメタデータAPIを新たに搭載し、AIの力で元データを高付加価値化。自由テキスト中から地名を抽出し、日本地図などマップ上に自動でプロットしたり、47都道府県では多すぎる区分を自動で８地方にまとめあげたり、タイムスタンプを指定のタイムスパンに置き換えて自動集計したりすることができます。 【専門画像認識のための学習済ディープラーニング・システム】 例えば草木か花か犬か茸か人面であるかが既知の状況で、その品種、名前、出身の違いを識別することのできる、専門画像認識。こうしたサービスの構築や、その他分野での課題として、専門画像認識を事業に活かしたいが… • 具体的な取り組み方がわからない • データの整形方法など論文に書いてなくてどうもうまくいかない • その他、高精度化できるノウハウがない などの場合に、 データの選定、高い精度を出すためのチューニングに独特のノウハウを要したり、若干のモデルの拡充（画像特徴のごく一部や属性、状態変数をメタデータとして事前に抽出してパラメータ化）が求められることはありますが、弊社代表(元MIT人工知能研究所)や東京のトップクラス大学院の人工知能研究室在籍の弊社スタッフが、国際学会の最先端ノウハウをアレンジして取り込むことで個別の問題を迅速に解決することが可能です。 【多対多全体最適マッチングエンジンxTech】 人材マッチングに喩えれば10人 vs 10社でも人手はなかなか最大最適な、例えば7本(10C7=120通り) を求めるのに膨大な組み合わせ同士を比較する作業となります。正解データが通常手に入らないし、何が正解かよくわからないので機械学習には不向きです。 従来の数理最適化では、参加数の３乗に比例する計算時間だったので、数千くらいまではよくても数万以上になると実用は無理でした。それが、xTechの場合、最終的にマッチした本数に比例する計算時間で終わるので、劇的な高速化の効果があります。 https://metadata.co.jp/services/xtech.html http://www.metadata.sakura.ne.jp/mt/xtech-matching-visualization.html ↑左右（需要側 or 供給側) 10者のいずれかにマウスカーソルを置いて動かしてみてください。