人もAIも使える、
データの土台をつくる

ダッタラは、データサイエンスを軸に、AIとデータ基盤の設計・開発に取り組む神戸大学発ベンチャーです。オープンデータ基盤「Fractale」と、社内の業務データをつなぐクラウドサービス「ANKAN」の開発を進めています。企業や行政のデータ・AI活用に関するコンサルティングや人材育成にも取り組んでいます。

主に想定しているのは、企業の経営・事業・システム部門や、行政のデータ活用を担う方々です。例えば、複数の公開統計を分析に使いたい、社内の案件と作業時間をつないで採算を把握したい、AIが必要な情報を参照できる仕組みをつくりたい、といった場面です。

各事業は、業務上の目的を定め、必要なデータを整え、分析やAIを組み込んで使える仕組みにする、という流れでつながります。共通する課題には自社サービスを育て、業務固有の課題には個別の設計・開発で対応していく方針です。事業開発支援や人材育成も、開発する技術を実際の業務で使い続けるための役割として位置づけています。

ミッションに込めているのは、必要な情報があっても使えないという状態を解消し、人もAIもデータを根拠に判断・行動できる環境をつくりたいという思いです。企業や行政へ分析方法を提案する中でも、そもそもデータが散らばり、分析に使える状態になっていないことが課題になっていました。

この断絶には、データが見つからないことに加え、項目の意味や集計条件が分からない、更新のたびに整え直す必要がある、といった問題があります。私たちは、データの形式とあわせて、出典や利用条件、更新時点も確認できる基盤を目指しています。

成果として見たいのは、情報を探す・整える時間が減り、継続して判断に使えるようになることです。例えば公開統計なら、毎回ファイルを探して加工する負担を減らし、根拠を確かめて比較や分析へ進めること。社内データなら、案件と作業時間をつなぎ、採算や人員配置を判断できることです。こうした変化を、準備にかかる時間や更新作業の負担、実際の業務での利用状況から確かめたいと考えています。

企業や行政に分析のアルゴリズムを提案した際、そもそも必要なデータが散らばっていて、分析に使える状態になっていないという課題に直面しました。分析方法の提案とあわせて、その前提となるデータをどう集め、つなぐかを考える必要があったのです。この経験から、開発の初期段階でデータの所在と状態を確かめることを重視しています。

進め方としては、まず何を判断・改善したいのかを共有し、必要なデータと評価の基準を定めます。次に、データを集めて整える仕組みを設計し、目的に合う分析方法やAIを選んで小さく検証します。その結果を踏まえて、既存システムとの接続や画面、日々の更新処理を含めた実装へ進む方針です。運用開始後も、データの更新状況や結果の誤り、利用者の負担を確認し、処理や画面を改善していく流れを考えています。

共通する部分には自社のデータ基盤を活用し、業務固有の処理は個別に開発する。事業上の判断や利用者の理解が必要な部分には、コンサルティングや人材育成を組み合わせる方針です。試作で終わらせないためには、初期段階から「データを継続して用意できるか」「誰が結果を確認するか」「運用費用を含めて効果が見合うか」を見極めることが大切だと考えています。

広島大学大学院の博士課程では、「統合失調症と運動学習」を研究テーマとしていました。統合失調症の症状と、身体の動きを制御したり学習したりする働きとの関係を探り、適切な運動療法の開発につなげたいと考えていました。原点にあったのは、精神疾患のある方も必要な理学療法を受け、地域で生活できる社会をつくりたいという思いです。

広島大学の修士課程と並行して、ノルウェーのWestern Norway University of Applied Sciencesの大学院プログラムBBAMで、BBAT（Basic Body Awareness Therapy）を学びました。BBATは、姿勢や動作など、日常生活における身体の動きの質に着目する理学療法のアプローチです。精神面と身体の動きを切り離さずに捉える考え方を、各国の理学療法士とともに学びました。

その後、デンマークやフィリピンといった海外の病院や大学も訪問しました。同じ技術でも、医療制度や利用する環境が異なれば、そのまま導入できるわけではないと感じた経験です。また、研究や臨床で使う運動学習能力の測定アプリや、認知機能に関わるアプリの開発にも取り組みました。

現在の開発にも、問いを立ててデータから検証する研究の姿勢と、実際に使われる環境まで考えて仕組みをつくる姿勢がつながっています。技術を選ぶ際も、何を確かめたいのか、利用する人にどのような意味があるのかを出発点にしています。

2021年にXR・メタバース分野のスタートアップへ入社し、メタバースシステムやVR/MRシミュレータの開発を担当しました。2022年にはビジネス部門の部長として、ディレクション、マーケティング、アライアンスなど事業全般を統括。2023年には取締役COOとして経営に携わり、世界各国のXR企業や全国の大学との連携を進めました。開発する立場から、技術を誰にどう届けるか、社外の知見や技術をどう組み合わせるかを考える立場へと経験が広がりました。

2024年にはITコンサルティング企業へ転職し、シニアコンサルタントとして自治体DX・AI事業のプロジェクトを担当しました。こうした実務の中で、分析方法を提案しても、その前提となるデータが散らばり、使える状態になっていないという課題に直面しました。

創業につながったのは、AIの活用が広がるほど、このデータ整備が重要になるという問題意識です。個別の仕事で見えてきた課題を、企業や行政が共通して使える基盤として解決していきたい。そのための設計・開発を自らの事業の中心に据えたいと考え、2025年4月にダッタラを創業し、代表取締役に就任しました。

社名には「こうだったらいいな」という可能性を形にしたいという思いと、データを扱う会社としての意味を込めています。

産学連携の強みは、研究で蓄積される知見と、企業・行政が持つ現場の課題を組み合わせられることだと考えています。私自身も、前職では全国の大学とのアライアンスに携わりました。ダッタラでは神戸大学発ベンチャーとして、最近も神戸大学のシンポジウムで、オープンソースを通じた大学と企業の連携について議論する機会がありました。

今後はAIに関わる分野で大学との連携を深めたいと考えています。例えば、大学の専門的な知見を生かして分析方法やモデルを検討し、当社がデータ基盤や業務システムへの実装、現場での検証を担う、といった協力の形を目指しています。

難しいのは、研究として確かめたいことと、業務で必要とされる成果や時間軸をそろえることです。研究上の新しさや再現性と、精度・処理時間・運用負担といった実用上の評価の両方を確かめ、データの利用範囲や知的財産、成果の公開条件も事前に整理することを重視したいと考えています。

AIに任せる範囲は、繰り返し発生する仕事で、結果を確かめられ、誤りが起きても影響を抑えられるかを基準に考えます。例えば、資料から必要な情報を探す、内容を分類する、判断材料や下書きを用意するといった処理は、AIを活用する候補になります。一方、根拠が足りない判断や、契約・支払い・対外発信など影響の大きい操作には、人の確認を組み込む方針です。

実装テーマは、必要なデータを継続して用意できるか、既存システムにつなげられるか、確認や修正の手間も含めて効果が見合うかで選びます。使う人が結果を理解し、必要なときに止めたり直したりできることも重要です。

そのうえで、予測や分類には機械学習や統計的な分析、文書の理解や生成には生成AIなど、目的とデータの条件に合う方法を選びます。最初から任せる範囲を広げず、小さな業務単位で検証し、精度・処理時間・費用と現場の使いやすさを確かめながら広げていく考えです。

AIを業務へ組み込む際は、回答の正しさに加えて、「何を根拠に、どの操作を行い、その経験を次の仕事へどう引き継ぐか」まで設計することが重要だと考えています。例えば、Hermes Agentのように、過去の作業から手順を蓄積し、再利用するAIエージェントに注目しています。こうした仕組みでは、誤った情報や手順を記憶し、次の作業へ持ち越すことまで含めた検証が必要になります。

私たちが開発するFractaleでも、AIが公開データを検索し、根拠を確認して利用する流れを想定しています。そのため、出典、利用条件、更新時点、加工の履歴を、人とAIの双方が確認できる基盤を重視しています。参照する資料に書かれた内容と、AIに実行させる指示を区別することも、外部データを扱ううえで重要な設計課題です。

検証では、必要な情報を取得できたか、その情報から妥当な回答を出せたか、許された範囲で操作を完了できたかを分けて評価する方針です。正しく完了できた割合や人の修正が必要だった割合を見て、運用中も実行履歴から誤りや想定外の操作を確認できるようにします。RAGによる資料の参照だけで誤りがなくなるとは考えず、参照元と実行履歴を追えること、重要な操作には人の確認を入れることを重視します。

個人情報・機密情報は、AIへ渡す範囲と保存先を定め、必要に応じてローカル環境で動くモデルも検討します。データの利用条件や著作権上の扱いも確認し、モデルや蓄積した手順を更新した際には、同じ評価用の課題で改めて確かめる。データサイエンスで培った検証の考え方を、AIの回答だけでなく、一連の行動を評価する設計へ広げていきたいと考えています。

人材育成は、開発した技術や仕組みを、顧客自身が判断しながら使い続けられるようにする取り組みと位置づけています。現在のセミナーやコンサルティングで把握する業務上の課題を、具体的な開発テーマや検証項目につなげていく考えです。

進め方として重視したいのは、現場の担当者だけに運用を任せず、業務責任者と開発側も目的や役割を共有することです。利用するデータ、AIの結果を確認する方法、問題が起きたときの相談先を明確にし、実際の業務データを使って検証する。その過程を通じて、担当者が改善案を出し、責任者が導入や見直しを判断できる状態を目指します。

定着や内製化は、受講者数だけでなく、対象業務での継続利用、データの更新、担当者による結果の確認、改善提案や設定変更を自ら行える範囲から見ていきたいと考えています。顧客が担う業務判断や日々の改善と、当社が担う技術的な改修を整理し、無理なく運用を続けられる関係をつくることが大切です。

創業当初はUesugi Engineを中心に取り組んでいましたが、現在は、データを活用できる状態に整えるオープンデータ基盤「Fractale」の開発が中心となっています。背景には、企業や行政へ分析方法を提案する中で、そもそもデータが散らばっていて、分析の前に整備が必要だと感じた経験があります。

公開データも、公開されているだけで、すぐに分析やAIに使えるとは限りません。公開元によって形式や項目の意味が異なり、出典、利用条件、更新状況を一つずつ確認する必要があります。Fractaleでは、国内外の公開データを横断して探し、内容と根拠を確かめ、使いやすい形式で取得するところまでを一つの基盤につなげようとしています。人が画面から利用することに加え、AIや外部のシステムからもデータを利用できる仕組みを開発しています。

難しいのは、形式をそろえるだけでは、データの意味や利用できる条件までそろわないことです。例えば、同じ地域の統計でも対象期間や集計単位が違えば、そのまま比較できません。出典や加工の履歴、更新時点を確認できること、未確認の情報を未確認として扱えることを重視しています。

将来的には、企業・行政・研究機関などがデータを公開し、利用者が修正や改善に参加できる仕組みも育てたいと考えています。データを一度集めて終わりにせず、使われる中で信頼性と使いやすさが高まる基盤を目指しています。

現在の開発の中心は、オープンデータを扱うFractaleです。それとあわせて、社内データを扱う業務クラウドサービス「ANKAN（ankan.work）」の開発に取り組んでいます。扱うデータや利用場面は異なりますが、人もAIも活用しやすい状態に情報を整えるという考え方は共通しています。

Fractaleでは、企業・行政・研究機関などが公開するデータを、出典や利用条件とともに探し、再利用しやすくすることを目指しています。ANKANは、社内で分かれがちな案件、勤怠、案件ごとの作業時間、請求・採算などの情報をつなぐサービスです。日々の仕事で入力する情報を、案件の状況や人員配置、利益の見通しを判断する材料に変えていきます。

事業モデルは、自社サービスの継続利用と、個別の業務に必要なデータ連携・AI機能の設計開発を組み合わせて育てていく考えです。優先するのは、開発の中心であるFractaleと、ANKANそれぞれで繰り返し利用できる共通機能を磨くことです。個別の仕事から共通化するのは、設計・検証の方法や汎用的な機能です。顧客固有のデータや成果物を他社向けに転用することとは区別し、利用権限と契約の範囲に沿って扱います。

今後も、公開データと社内データそれぞれの特性に合うサービスを開発し、人の判断やAIの活用につながるデータ基盤を広げていきたいと考えています。

データワールド / DATAWORLDは、AIやデータ、科学技術の取り組みを、専門外の方にも分かりやすく伝えるために立ち上げました。研究や開発の価値を社会で生かすには、何を実現する技術なのか、どのような根拠や条件があるのかを伝えることも必要だと考えています。

編集では、技術の名称や目新しさに加え、向き合っている課題、検証の内容、分かっていることと今後の課題を伝えることを重視しています。開発や分析に取り組む立場から、技術の背景を理解し、伝わる形にすることを大切にしています。

現在は企業や研究機関の取材先も募集し、公開可能な技術・研究の背景や、現場の試行錯誤をWeb記事として制作・掲載する無料取材に取り組んでいます。案内資料を通じて、専門分野の外へ発信したい方との接点も広げたいと考えています。

こうした発信を、企業と研究者がお互いの課題や知見を知る接点にし、将来の技術開発や実証、連携につなげていきたいと考えています。

立ち上げ期に難しかったのは、AIの発展が想定していた以上に速く、開発の方向を見直す必要があったことです。当初は、人がデータを探して整理し、分析や判断に使うことを中心に考えていました。その後、AI自身がデータを探し、参照し、処理する使い方が広がる中で、人もAIも活用しやすいデータ基盤へと開発の対象を広げていきました。

人が画面を見て理解できることに加えて、AIや外部のシステムもデータの内容や出典、利用条件を扱えるようにする必要があります。データを整えるという原点は持ち続けながら、誰がどう使うかを捉え直したことが、事業と開発の転機になりました。

チームづくりでは、データサイエンスの知識と、自ら設計・実装し、結果を検証する力を大切にしています。技術の変化に応じて学び直しながらも、データや根拠を確かめ、必要なものをつくる姿勢を共有したいと考えています。

広島を拠点にする意義は、大学や行政との距離が近く、課題を抱える地域の企業とも接点を持ちやすいことだと感じています。現場の困りごとを直接知り、大学の知見や行政とのつながりも生かしながら、具体的な開発や検証につなげていきたいと考えています。

今後3〜5年で目指すのは、人やAIが必要なデータを見つけ、根拠を確かめて、業務や意思決定に継続して使える環境を広げることです。Fractaleで目指す「リアルワールドOS」も、社会のさまざまなデータを、個々の分析やAIが共通して利用できる土台として捉えています。

技術面では、データの検索・整備・出典確認から、AIや業務システムでの利用までをつなげる開発を進めます。事業面では、公開データを扱うFractaleと社内データを扱うANKANを育て、個別の設計開発で得た知見も共通の機能へ反映していきたいと考えています。組織面では、データサイエンスの知識とシステムをつくる力を持ち、現場での検証まで取り組めるチームを目指します。

国内外の公開データを扱ううえでは、言語や形式が違っても、内容や利用条件を確かめて使えることが重要です。データを公開する組織と利用する組織の双方との連携を広げ、分野や国を越えて活用できる基盤へ育てたいと思っています。

企業・行政とは、実際の業務を対象にした開発や実証を、大学・研究機関とは分析方法やAI技術の検討・評価を一緒に進めたいと考えています。投資家の皆さまとも、こうした基盤を継続して育てる事業づくりについて対話できればと思います。データが分散して分析に進めない、AIを既存業務につなげたい、研究の知見を動く仕組みにしたいといったテーマで、設計・開発からご一緒できれば幸いです。