拓海先生、最近若手から「論理と深層学習を組み合わせた方がいい」と言われましてね。現場としては何がどう変わるのか、正直ピンと来ないのです。
素晴らしい着眼点ですね！大丈夫、一緒に整理しますよ。要点は三つで説明しますね。まず、センサーなどから来る曖昧な情報を深層学習で処理し、次に論理で「会社のルール」や「常識」を反映することで、より堅牢な判断ができるという構図ですよ。
なるほど。で、現場ではどうなるのか。投資対効果を考えると、結局導入で何が減る・何が増えるのかが知りたいのです。
いい質問です。ここでも三つに分けます。導入で誤判断が減ること、ルールや約束事をコードで持てるので現場教育コストが下がること、そしてモデルが学習時にその知識を吸収すれば運用負荷が少なくなる点です。つまり長期的には維持費が下がりますよ。
なるほど。技術的にはそれをどうやって結びつけるのですか。エンジニアに任せきりにしていいのか懸念があります。
手順は単純化できますよ。第一に、Deep Learning (DL) 深層学習で感覚データを学習させ、第二に First Order Logic (FOL) 一階述語論理で業務ルールを定義し、第三にそれらをつなぐインターフェースを通して共同で最適化するのです。LYRICSはその”つなぎ”を提供するフレームワークです。
これって要するに、現場の”経験則”や”ルールブック”を機械学習に飲み込ませられるということですか？それなら現場の反発も少なくできそうだ、という期待があります。
正確です。とはいえ注意点もあります。知識を入れすぎると柔軟性を損なう場合がある、ルール化できない暗黙知は別途扱う必要がある、現場のルールが誤っていると学習に悪影響を及ぼす、の三点を運用で見る必要がありますよ。
なるほど、現場のルールが正しいかどうかを検証する仕組みも必要になるわけですね。初期投資と並行してやるべきことはありますか。
はい。三点だけ押さえれば着手できます。第一に現場ルールの優先度付け、第二に小さなプロトタイプでルールを検証すること、第三に運用時に人間が介入できる仕組みを作ることです。段階的に進めれば投資対効果は明確になりますよ。
わかりました。要はルールを”データ化”して機械に教え、機械の判断がルールに反しているときは人が検証する流れを作るということですね。私の言葉で整理すると、ルールを学習に組み込むことで誤判断を減らし、運用コストを下げる試み、と。
