・AI導入の経緯
まいばすけっとは主に食品をとりあつかっており、新規出店を加速させている。
2018年度以降、3年連続で70店舗以上を増やし、2021年2月末時点で921店に達した。
ところが近年、店舗で商品が一時的に品薄になるケースが目立つようになってきたという。
そこで、店舗経営の経験を活かし、店舗の棚に商品がどれだけ充足しているのかを数値として算出する機械学習モデルを開発。
機械学習モデルを開発し、PoC（概念実証）の対象店舗で適用したところ、パンの仕入れ量が適正化されて、売り上げが前年同期比で18％増加した。

・1人月で開発できたワケ
1人月で開発できた背景として、クラウドサービスの活用が大きい。
画像認識AIクラウドサービス「Custom Vision」（※）を用いた。
※機能や精度に制限あり。ユーザーの目的に特化した機械学習モデルを比較的簡単に開発しやすい。
Custom Visionで開発できる機械学習モデルは、「画像に写っているものは何か」を判別するもの。
１分刻みで棚充足スコアという数値を出力する機械学習モデルを構築し、時刻、パンの販売個数と関連付けてバブルチャートを作成する。

・データを基に店長へ助言
このデータをPoCの対象店舗の店長と共有。
「納品直前はパンが品薄になって販売機会ロスが発生している」との認識を共有できたという。
店長が仕入れ量を改善した結果、前述の通りパンの売り上げが増えた。

日本の再エネの主流である太陽光発電の導入コストは着実に安くなっている。
※国内の事業用太陽光の発電コストは12.9円/kWh。石炭火力（12.5円/kWh）やLNG火力（10.7円/kWh）、原子力（11.E135～円/kWh）。
しかし、アンケート調査によると、再エネ政府目標に対し68.7％が、「政府目標は達成できない」と答えた。
→ 設備の設置場所に限りがある。電力出力が天候に左右されやすい。

・面積当たりの発電量が小さい
太陽光発電や風力発電は、広い設置面積を必要とする割に、発電量が小さい。
日本最大級の太陽光発電所は、約260ha（東京ドーム56個分）の敷地を持ち、太陽光パネル約90万枚が日光を浴びる。
→ 最大出力は235MW。一般家庭約8万世帯分に相当する電力を供給できる規模だ。
しかし、この数字は最新の火力発電所1基の出力に満たない。
風力発電も広い面積が必要＋風速6m/s以上という制限がある。

・日本は再エネ大国？
日本は大陸国家である米国や中国には及ばないが、国土面積あたりの太陽光発電の発電容量を見ると、日本は既に世界の中でもトップクラス。
しかし、このまま進めれば良いというわけではなく、設置した斜面の土砂崩れといった自然災害との関連性や、景観の悪化などの課題も要検討。

・火力・原子力が無くならない理由
火力 → 天候に左右されず安定電源・調整力の高さ。燃料の投入量を変化させれば、出力を制御しやすい。
原子力 → 天候に左右されず安定電源・稼働時にほとんどCO2を排出しない。

・石炭のガス化で高効率
化石燃料を燃やす火力発電には、大量のCO2排出が伴い、他の発電方式と比べてもその量は多い。
電力会社は低効率な現行石炭火力設備を停止するとともに、新石炭火力設備の更なる高効率化とCO2削減に取り組んでいる。

・「小規模分散型」の再エネ対策が急務
再エネは、その国の国土の特徴や気象条件、自然環境などに依存せざるを得ない。
日本の再エネ対策が課題から逃れられない理由は、常に海外の成功例をそのまま取り入れようとする点にある。
欧州で洋上風力発電がうまくいったから洋上風力発電、米国でメガソーラーが成功したからメガソーラーという繰り返しでは、日本の国土に適さないのも無理はない。
必要なのは日本の環境に適した日本型の再エネであり、国土が狭く、平地の少ない日本では、小規模分散型の再エネが求められる。