「自分の研究は純粋な興味から始めましたが、そこで得た知見は業務や現場の改善にも役立っています」と語るように、蔭山の出発点は学術的な探求心にあります。大学院修士課程では物理学を専攻し、超電導の数理的研究を行った経験に加え、この頃からAI分野に強い興味を持っていました。NRIでの最初の配属はシステムコンサルティング事業本部で、AIの社内研修の企画づくりの他、この頃は、コンサルティング業務やシステム開発の現場まで幅広く経験。「データセンターでランケーブルの抜き差しなど、地道な作業もやりました。理論だけではなく手を動かすことの重要性を痛感しました」と振り返ります。
 
やがて、東京大学でディープラーニングなどを研究している、松尾・岩澤研究室（松尾研）の寄附講座に出会い、講義の最終回で松尾先生が「興味のある人はぜひ松尾研で研究を続けてほしい」と話され、それを機に東京大学の博士課程を受験。2018年4月から東京大学松尾研究室で社会人博士課程へ進学しました。AIモデルのスクラッチ開発や応用研究、ディープフェイク検知の論文を発表し、「Kaggle」のコンペにも参加。「TalkingData AdTracking Fraud Detection Challenge」のゴールドにも入賞し、研究を深めてきました。

蔭山が重視するのは現場で使えるAIの構築です。最新技術である生成AIと外部知識を組み合わせるRAG（Retrieval-Augmented Generation）などの導入にも、「アカデミックで優れたモデルがそのまま現場で役立つとは限りません。精度・コスト・レスポンスのバランスを見極めることが最も大切です」と考えています。
これまで、製品マニュアルに基づくQ&Aチャットボットや自動車事故分析モデル、最近ではAIエージェントによる業務自動化など、多様なプロジェクトを推進してきました。常時3～4件のプロジェクトを並行して進める中で、感じているのが「アカデミズムとビジネスのギャップ」です。

「AI導入では技術と現場力の“掛け算”が大切。理論だけでは課題解決になりません」と、蔭山は話します。課題解決には、現場でしか得られない知見へのこだわりが根底にあり、こうした土台が、現場発のイノベーションを生む源泉となっているのです。
 
その一方で、アカデミズムでの精度を追求する先端的な知見も、ビジネスに十分適用されているとは言えません。2023年当時、蔭山が取り組んだRAG構築は先行した事例のひとつであり、世の中にもまだ情報が少ない時代でした。大きく4種類の手法が研究されていましたが、ビジネス領域ではその一部しか活用されていないのが実情でした。
主要な4つの手法とは、ベクトル検索（データを数値化して類似性をもとに検索する手法）、HyDE（Hypothetical Document Embeddings：仮想文書を生成して検索精度を高める手法）、キーワード検索（従来型のキーワードによる検索手法）、ハイブリッド検索（キーワード検索とベクトル検索を組み合わせる手法）が挙げられます。当時も、これ以外の手法は存在していましたが、精度、運用性などさまざまな観点から、最終的にこれらを候補として採用しました。コストとレスポンスに優れるベクトル検索、高精度が期待できるHyDE、コスト・レスポンス面でメリットのあるキーワード検索、そしてそれらの特性を組み合わせたハイブリッド検索と、それぞれの手法には一長一短があります。業務ニーズや運用条件によって適するものが異なりますが、RAGのビジネス適用では、こうした個々の特徴を十分に吟味した上で選択がなされるケースはまだ多くありません。
 
最近注目されているAIエージェントについても、アカデミズムでは活発な研究が進んでいます。たとえば、生成AIモデルに人間の記憶構造を参考にして、長期・短期に分けたエピソード記憶を実装し、それぞれの関係性をグラフ構造で表現する手法が研究されています。こうした技術は、「人に寄り添うAIエージェント」を目指したものであり、もしビジネス現場での活用が進めば、世の中を大きく変える可能性があると考えています。