材料実験AIエージェントを自分で作る

生成AIを自社の研究開発にどう活かすかは、多くの企業が模索しているテーマである。しかし、自社の実験データとの連携となると、何から手をつければよいか分からないという現場は少なくない。一方で、AIやデジタル活用のスキルを全社員の基礎能力として等級化し、人事配置に反映させる企業も現れている。AIスキルはかつての英語のように、一部の専門家だけのものではなくなりつつある。加えて、少量のデータに生成AIを適用しても、その効果は限定的である。生成AIが本領を発揮するのは、人間が全容を把握しきれないほどの実験データが散在している状況であり、それらをデータベースとしてつなげることで、生成AIが必要な知見へのナビゲーターとなる。また、生成AIはコーディングにも優れており、バイブコーディングのように対話を通じてアプリケーションを構築する手法も普及しつつある。実験の知見を持つ現場の方が、自分たちのデータを使って自ら試し、形にできる領域は確実に広がっている。 　LLMは材料科学に関する広範な一般知識を備えているが、自社固有の装置・条件で得られた実験データについては知見を持たない。本セミナーで取り上げるのは、実験データベースをツールとしてLLMに接続し、このギャップを埋めることで「企業固有の知識源」を与えるAIエージェントである。このシステムは、生成AIのサブスクリプション費用のみで、データベースの構築からAIエージェントの開発まで実現している。採用したグラフ型データベースNeo4jは、LLMとの連携に適しており、無料で安定性が高く、現場の方にも扱いやすい。 　本セミナーでは、Neo4jを自社の実験知見をLLMに提供するナレッジグラフとして活用し、材料実験のAIエージェントを構築する方法を実践的に解説する。個々のコードの詳細ではなく、生成AIを活用してどのように構築を進めたかというプロセスを中心に扱う。構築の大部分を生成AIとの対話で進めた際の具体的なやり取り、精度・速度を改善するための工夫、つまずいた点なども共有する。実験のバックグラウンドを持つ方が「自分たちにもできそうだ」と感じられる内容を目指している。

1. なぜ今、現場が実験データ活用に取り組むべきか
   1. バイブコーディングに見る、生成AIで広がる「現場ができること」
   2. 生成AIのサブスクリプション費用のみで、ここまでできる
   3. デモ:実験データ×AIエージェント
2. データベース技術の特徴と使い分け
   1. RDB、グラフ型DBの比較
   2. なぜグラフ型DBが生成AIとの連携に向いているか
   3. 現場の方にとってのNeo4jの使いやすさ
3. MCPの解説
   1. MCPの仕組み (生成AIとツールをつなぐ標準規格)
   2. デモ:MCP
4. 実験データAIエージェントの作り方
   1. Neo4j Desktop2へのデータ登録とClaude Desktopとの接続
   2. 生成AIとの会話でPythonツールを作り、エージェントにつなぐ
   3. ファイルサーバ (クラウドストレージ) との接続
   4. RAGによる報告書の参照 – データ検索をよりリッチにする
   5. 生成AIとの会話による構築プロセス – 実際のやり取りの紹介
   6. 精度・速度向上の工夫とつまずきポイント
• 質疑応答