AIBR プレミアム
拓海さん、お時間よろしいでしょうか。最近、部下から「KQIを予測して運用を自動化しよう」と言われまして、正直ピンと来ておりません。これって要するに何が変わるんでしょうか。
素晴らしい着眼点ですね！大丈夫、一緒に整理すれば見えてきますよ。端的に言うと、ユーザー体験を直接測らずとも、ネットワークが持つ下層の計測値からサービス品質（KQI: Key Quality Indicators）を機械学習で予測できるようになるんです。
それは便利そうですが、現場に導入できるんでしょうか。設備投資や効果が見えないと説得できません。
大丈夫、要点を3つで説明しますよ。1) 既存の計測値を使うので追加センサは最小化できるんです。2) 実環境の試験台（テストベッド）で精度検証を行っており、現場導入の見積り精度が上がるんです。3) 回帰（regression）など既存の手法で高い予測精度が得られるため、運用ルールの自動化が可能になるんです。
「回帰」という言葉が出ましたが、我々の現場でも扱えるものですか。アルゴリズム開発に人手がかかるのではないかと不安です。
素晴らしい着眼点ですね！「回帰（regression）＝既知のデータから連続値を予測する統計的手法」です。身近な例では家の広さや築年数から価格を推定する感覚で、ネットワークの低レイヤの計測値から遅延やスループットなどのKQIを予測できるんです。最初は専門家の支援が必要ですが、学習済みモデルを運用する段階では運用者でも扱えるようにできますよ。
なるほど。これって要するに、現状の計測データを使ってユーザーの不満を先に察知できるようにする、ということですか。
その通りです！要点は3点ありますよ。1) ユーザー体験に直結するKQIを直接測るのは難しいが、2) 代わりに計測可能な下層指標を集めて、3) 機械学習でKQIを推定すれば先手を打てるんです。現場負荷を抑えつつ運用改善に直結する判断が可能になるんです。
投資対効果の観点で、まず何を揃えれば良いですか。現場はクラウドも苦手でデータ整備も進んでいません。
素晴らしい着眼点ですね！まずは既に取れている低レイヤのログを整理することから始められますよ。次に小さなテストベッドで実証し、モデルの予測精度と業務効果を測る。最後に段階的に運用ルールへ組み込む。これだけで初期投資を抑えられますよ。
分かりました。では最終確認です。私の理解で正しいか確認させてください。要するに、既存のネットワーク測定値を使って機械学習でKQIを予測すれば、直接ユーザーに聞かずに体験を改善できる、ということでしょうか。
完璧です！その通りですよ。追加で言うと、まずは小さな範囲で実証し、結果を数値で示せば経営判断もしやすくなります。大丈夫、一緒にやれば必ずできますよ。
ありがとうございました。では、私の言葉で整理します。既存データを活用して機械学習でユーザー体験（KQI）を予測し、小さく試して投資対効果を示しながら運用へ展開する、これが結論ですね。
