強み1：圧倒的な安全性
（完全ローカル動作・国産エンジン）
外部通信を一切行わないため、国家機密や知的財産を含むソースコードの流出リスクがゼロ。特許出願中の独自アルゴリズム（PSO／ACO等）を用いた「純国産」のエンジンです。
純国産・特許出願中エンジン ／ 完全オフライン動作
〜東京電機大学 team阿部の最先端アルゴリズムを、貴社の機密開発の現場へ〜
ソースコードを外部に一切出さない、完全オフライン環境での「全自動バグ修正」を実現。理論だけではない、実環境での「実証実験（PoC）」を通じて、デバッグ工数の30〜50%削減を実証します。
技術解説・自動バグ修正エンジン デモ動画（準備中）
BACKGROUND
現代のソフトウェア開発において、デバッグ作業は開発工数の30〜50%を占める最大の負担となっており、2030年には国内で最大79万人のエンジニア不足が予測されています。
一方で、ChatGPT等のクラウドLLMはセキュリティの制約から、機密性の高い現場（組込み・金融・官公庁・防衛等）への導入が困難という構造的な壁があります。
当研究室では、「外部送信不要・完全ローカル動作」の独自の3段階ハイブリッド修正エンジンにより、これらの課題を解決します。貴社の持つ現場の課題と、当研究室の知見を掛け合わせ、次世代の開発インフラを共に創出しませんか？
東京電機大学 システムデザイン工学部 情報システム工学科 ソフトウェア工学研究室
team阿部 研究代表：阿部 清彦 教授
POSITIONING
機密性・組込み対応・コスト構造において、クラウド型の汎用AIとは異なるポジションを取ります。
| 比較項目 | クラウドLLM（ChatGPT等） | team阿部エンジン（純国産・ローカル） |
|---|---|---|
| ソースコードの外部送信 | 送信・学習利用のリスクあり | 一切送信なし（完全オフライン） |
| 機密・国家安全保障領域への適用 | セキュリティ制約で導入困難 | 組込み・金融・防衛領域でも導入可能 |
| 組込みシステム・独自コード文化への対応 | 学習データが少なく精度が低下 | 貴社独自資産を学習し高精度化 |
| 動作環境・コスト | 高価なGPU・API利用料が継続発生 | 一般的なPCで動作・追加コスト最小 |
| 修正根拠の可視化（トレーサビリティ） | ブラックボックス的な提案が多い | 修正根拠を可視化しレビュー可能 |
| 開発主体・知的財産 | 海外ベンダー主導 | 大学発・特許出願中の純国産技術 |
※ クラウドLLMの評価はセキュリティ制約が厳しい機密開発領域を前提とした一般的な傾向であり、用途によって異なります。
WHY US
セキュリティ・専門領域・コストの3軸で、他の選択肢にない優位性を実証しています。
外部通信を一切行わないため、国家機密や知的財産を含むソースコードの流出リスクがゼロ。特許出願中の独自アルゴリズム（PSO／ACO等）を用いた「純国産」のエンジンです。
ネット上に学習データが少なく汎用AIでは精度が低い「組込みシステム」や「独自のコード文化」に対しても、貴社独自の資産を学習させることで高い修正精度を発揮します。
高価なGPUサーバーやデータセンターは不要。一般的なPC上で、条件式なら数秒以内、複雑なバグも数分以内で修正案を提示します。従来手法の約20分の1の計算時間で動作します。
HOW IT WORKS
貴社のセキュリティポリシーを踏まえながら、5つのステップで丁寧にご支援します。
貴社の事業課題、言語環境（Python／Java／C言語等）、セキュリティポリシーを共有いただきます。
バグ限局・修正エンジンの適用可能性を評価し、貴社に最適な実証モデルをご提示します。
秘密保持契約（NDA）および共同研究・PoC契約を締結し、安全な情報共有体制を整えます。
貴社のソースコード資産を用いた学習・修正精度の評価を、完全ローカル環境で実施します。
ライセンス供与、内製化支援、またはスタートアップとしての展開など、次のステージをご提案します。
RESEARCH THEMES
自動バグ修正を核に、サイバーセキュリティ・エッジAI領域への発展を見据えています。
ルールベース × メタヒューリスティクス × ローカルLLM
条件式特化修正（ルールベース）、メタヒューリスティクス（群知能：PSO／ACO等）、ローカルLLMを組み合わせ、あらゆるバグを高速・高精度に特定・修正します。
BERT／小型LLMによる高精度な原因特定
数千のソースファイルからバグの可能性がある箇所を、BERTや小型LLMを用いてF値98%以上の精度で自動同定します。
【新規検証中】エッジコンピューティング環境への適用
ソフトウェア開発に限定せず、IoTやロボティクス領域のエッジコンピューティング環境で、自律的にバグを修復する技術の適用を検証しています。
本領域での共同検証にご興味のある方将来展望：発展が期待される領域
CASE STUDIES
守秘義務の範囲内で、実証実験・性能評価の概要をご紹介します。
人手不足解消に向け、数百ステップのソースプログラムに対する自動修正の有用性を評価。トレーサビリティ機能（修正根拠の可視化）の重要性を確認済みです。
AtCoder等のデータセットを用い、修正成功率100%（特定条件）を達成。従来手法（kGenProg等）を大幅に上回るパフォーマンスを証明しました。
※ 事例は守秘義務の範囲内で一部を抜粋・簡略化して掲載しています。詳細は「技術詳細・研究事例集（PDF）」にてご確認いただけます。
FAQ
A. PSO（粒子群最適化）などのメタヒューリスティクス技術により、ローカルPC内の資源だけで正解コードを探索するため、オフライン環境で動作可能です。ソースコードが外部に送信されることはありません。
A. 現在Pythonをメインとしていますが、Javaへの対応も開始しており、今後はC言語（MicroPython含む）など組込み領域への拡張をPoCで実施予定です。
A. 短期の技術評価（3ヶ月程度）から、特定ドメイン向けの長期共同開発まで、貴社のニーズに合わせて柔軟に対応します。
A. 対応可能です。本エンジンは完全ローカル動作を前提に開発しているため、貴社の閉域環境・オンプレミス環境内でPoCを実施できます。データの取り扱い方法は事前にNDAで明確化します。
A. 本エンジンはトレーサビリティ機能により修正根拠を可視化できるため、レビュー・承認フローに組み込みやすい設計です。ブラックボックス化しやすい生成AIとは異なるアプローチです。
A. もちろんです。テーマ3（エッジ・バグ修正）は共同検証パートナーを募集中の新規領域です。アイデア段階からのヒアリングも歓迎しております。
CONTACT
貴社の開発現場における課題に合わせ、最適な産学連携スキームをご提案いたします。まずは無料のオンライン相談から始めませんか？
