AIBR プレミアム
拓海先生、この論文ってうちの現場にも関係しますかね。部下が「医療文書から治療と問題の関係を自動で取れる」と騒いでまして、具体的に何が新しいのか教えてください。
素晴らしい着眼点ですね！大丈夫、簡単に整理しますよ。要点は三つです。深層学習で文全体の情報を使い、サンプルが少ない関係はルールベースで補い、最終的に両者を組み合わせる点ですよ。
文全体を使うというのは、これまでの手法とどう違うのですか。うちの現場で言うと、工程の前後関係を広く見るのと同じですかね。
その比喩は的確ですよ。従来は近傍の単語だけを見て判断することが多かったのです。今の論文では文全体を行列のように扱い、順序を考慮するモデルで長めの依存関係を捉えますよ。
深層学習というと大量データが要るんじゃないですか。サンプルが少ない関係はどうするんでしたっけ。
いい質問ですね！ここが肝です。深層学習で強い部分は学習済みのパターン検出で、データが足りないクラスは人間が作るルールで補います。要するに機械の得意と人間の知恵を組み合わせるんです。
これって要するに、データが十分なところはAIに任せて、希少なパターンは現場のルールでフォローするということですか？
その通りです！素晴らしい着眼点ですね。導入の優先順位は三つ、まずは頻出の関係でモデルを学習し、次に現場のルールを定義し、最後に結果を統合して運用に回すと良いですよ。
運用に回すときのコストはどう見積もればいいですか。うちの会社では投資対効果をはっきりさせたいのですが。
そこも明確にできますよ。まずは小さくPoC（Proof of Concept、概念実証）で成果を出し、改善サイクルを回してから現場拡大するのが現実的です。要点は三つ、対象範囲を限定する、ルール化を並行する、評価指標を設定することです。
技術的には何を使うんでしたっけ。Bi-directional LSTMって聞いたことがありますが、うちでも使えるんですか。
はい、使えます。Bi-directional Long Short Term Memory (Bi-directional LSTM、双方向長短期記憶)は前後の文脈を同時に見る仕組みで、順序や依存関係を捉えやすいんです。構築はライブラリで比較的簡単にでき、現場データとの合わせ込みが肝心ですよ。
わかりました。では私の理解を確認します。要するに、頻度の高い関係は文全体を使う深層学習で捉え、希少な関係は現場ルールで補い、最終的に両者を合成して実運用に乗せる、ということですね。
その通りです！素晴らしい要約ですね。一緒に段階的に進めれば必ず実務で使える形になりますよ。大丈夫、一緒にやれば必ずできますよ。
