AIBR プレミアム
拓海先生、最近部下に「防犯にAIを使える」と言われて困っておりまして、何がどう変わるのか全然見えてこないのです。要するに現場が楽になるんですか。
素晴らしい着眼点ですね！大丈夫、順を追えば理解できますよ。今日はある論文を題材に、犯罪予測に使うディープラーニングの考え方を丁寧に紐解いていけるんです。
ありがとうございます。ただ、私、AIの仕組みは得意でなくて。ディープラーニングって結局何が得意なんでしょうか。
まず用語整理です。Deep Learning (DL) ディープラーニングは生データから特徴を自動で抽出できる手法で、人が細かく特徴を作らなくて済む点が強みなんですよ。経営目線では「人手での前処理を減らしスケールさせやすい技術」と考えるとわかりやすいです。
なるほど。ただ現場に入れるには投資もかかる。これって要するに現場のどの情報を使って未来を当てるか、という話ですか？
素晴らしい着眼点ですね！その通りです。犯罪予測では場所と時間という二つの軸が重要で、論文ではこれをどう表現して学習させるか、三つの基本構成で比較しているんです。要点は三つにまとめられます。1) 空間と時間の扱い方、2) 既存手法との比較、3) 現場導入に向けた設計指針です。
具体的に、現場で「どのくらい当たるか」はどう検証するんですか。精度だけでいいのか、現場が使える指標があるのか心配でして。
いい質問です。論文では複数の公開データセットを使い、既存の機械学習手法（Random Forests (RF) ランダムフォレスト、Naive Bayes (NB) ナイーブベイズ、Support Vector Machines (SVM) サポートベクターマシン）と比べて一貫して優れることを示しています。経営判断ではROIと運用負荷も見るべきで、精度だけではなく運用しやすさも重要です。
それならうちでも試してみる価値はありそうです。最後に一つ、これを導入する際に優先して確認すべきことを三つだけ教えてください。
素晴らしい着眼点ですね！三つだけに絞ると、1) 過去データの品質と連続性、2) モデルの解釈性と現場ルールとの整合性、3) 運用コストと更新体制です。大丈夫、一緒にやれば必ずできますよ。
分かりました。整理すると、過去データを整え、モデルの振る舞いを現場で説明できるようにし、運用計画を先に作る、ということですね。自分の言葉で言うと「まずデータを整備して小さく試し、説明できる形で運用に乗せる」という理解で合っていますか。
その通りです。失敗も学習のチャンスに変えられますから、焦らず一歩ずつ進めましょう。必要ならPoC（概念実証）段階の計画も一緒に作れるんです。
