AIBR プレミアム
拓海先生、最近うちの部下がチャット対応にAIを入れたいと言っているのですが、現場で学習データを用意するのが大変で困っています。ラベル付けを減らせるような方法はありますか。
素晴らしい着眼点ですね！大丈夫、一緒に見ていけばできますよ。今回はラベルがない新しい意図（インテント）にも対応できる“ゼロショット学習（Zero-shot Learning、ZSL）”を使う論文をやさしく説明しますね。
ゼロショット学習というと、新しい製品を説明するのに誰も教えていないのに勝手に理解してくれる感じですか。現場で使えるイメージがまだつかめません。
いい質問です。比喩で言えば、既存の商品説明書だけで新商品のカテゴリを推測するようなものです。ポイントは三つ、既存の意図から特徴を抽出する、特徴を組み合わせて表現する、既存ラベルと新ラベルの関係を利用して識別する、です。順を追って説明できますよ。
具体的にどんな「特徴」を抽出するのですか。うちの問い合わせは言い回しが千差万別で、同じ要望でも表現が違います。
ここで使うのがカプセルニューラルネットワーク（Capsule Neural Networks、CapsNet）です。簡単に言えば単語や短いフレーズの意味の塊を取り出して、それらの組み合わせで文全体の「目的」を捉える仕組みです。例えるなら部品（単語）を組み立てて製品（意図）を判定する生産ラインですね。
つまり言い回しが違っても、同じ部品が含まれていれば新しい意図でも当てられるということですか。これって要するにラベルを全部揃えなくても導入できるということ？
その理解で合っていますよ。肝は二段構えで、まず既存インテントについて学習して意味の構成要素（SemanticCaps）を作る。次にラベル同士の類似度を使って、新しいインテント（ラベル）を既存の表現に結び付ける。これでラベル付きデータが無くても識別できるようになります。
現場導入で一番気になるのは費用対効果です。ラベル作りを減らせるとして、誤判定が増えるリスクはどうなんですか。運用でどれくらい手を入れる必要がありますか。
良い視点です。実務的には三点を確認すれば導入判断がしやすいです。1) 既存データでの精度、2) 新インテントの語彙類似度、3) 誤判定を検知する運用ルールです。まずは既存データでモデルを試し、誤判定が出るパターンをルールで拾って人手で追加学習する運用が現実的です。
なるほど、まず小さく試して運用ルールでカバーしつつ、徐々に学習データを補強する流れですね。導入の初期コストは抑えられそうです。
その通りです。安心してください。一緒に評価基準を作れば、最小限のラベル追加で運用が回せますよ。要点を三つにまとめると、既存インテントの表現を抽出する、ラベル類似度を使って転移する、運用ルールで誤判定を管理する、です。
わかりました。自分の言葉でまとめると、「既存の問い合わせパターンから意味の部品を取り出し、それを使って言い回しの違う新しい要望も当てられるようにする。初期は運用で誤判定を拾いながら精度を上げる」ということですね。
