AIBR プレミアム
拓海先生、お聞きしたい論文があると部下に言われまして、タイトルは「Building a Neural Semantic Parser from a Domain Ontology」だそうです。正直、意味解析とかオントロジーとか難しくて・・・要するにウチの業務で役に立つものなのでしょうか。
素晴らしい着眼点ですね！大丈夫、田中専務。簡単に言うと、この論文は「業務で使う専門用語やルール（ドメインオントロジー）を使って、人の言葉をコンピュータが理解して実行できる形に変える仕組み」を作る研究です。現場の問合せを自動で処理する場面で威力を発揮できますよ。
現場での問合せ処理・・・例えば受注内容や在庫確認を、従業員の自然な言い回しでシステムに投げられるようになる、ということでしょうか。導入のコストと効果が気になりますが。
良い質問です。要点を三つにまとめると、1) 初期データがない新領域でも、ドメインの定義（オントロジー）から効率的に学習データを作れる、2) モデルは人の複雑な言い回し（合成的な意図）にも対応できるよう設計されている、3) 人手のラベリング負荷を減らす工夫がある、です。投資対効果はドメインの複雑さ次第ですが、ルール化が進んでいる業務ほど効果が出やすいです。
なるほど。ですが、うちはクラウドや複雑なITに詳しい人が少ない。これって要するに、現場の言葉をルール化して教材を作れば、機械が勝手に学んで使えるようになるということですか？
おっしゃる通りの側面があります。ここでのキモは「ドメインオントロジー（domain ontology、領域知識の体系）」をコンピュータが扱える意味表現に変換し、その例を人工的に作って人間に自然な言い回しに直してもらう工程です。比喩で言えば、料理のレシピ（オントロジー）から食べる人向けのメニュー説明（自然言語）を逆に作って、それを基に料理人を訓練するようなものですよ。
ちょっと安心しました。で、実際に導入する際に現場の言い回しが多様すぎると学習がうまくいかないのではと心配です。どんな検証をして効果を示しているのでしょうか。
論文では、生成した意味表現を基に人が多様な自然文を書き、それを使ってニューラルモデルを訓練した上で、合成的な複雑問合せや逐次的な会話にも対応できるかを評価しています。要は単純な一問一答だけでなく、複数の意図が連なった複雑な要求にも耐えうることを実験で示しています。
それなら実務でありがちな「複数条件を同時に満たす検索」や「前の質問に続けて付け足す指示」も対応できそうですね。では人が作る自然文の質が低いと困るのでは？我々の現場担当者が書けるかが鍵に思えますが。
その懸念は正当です。論文のアプローチは人が書いた自然文のバリエーションを増やすことを重視します。完全自動ではなく、人の手で言い回しを多様化してもらう工程が含まれるため、現場の協力が重要です。とはいえ最初の負担は限定的に設計でき、モデルが学ぶにつれて追加負担は減っていく仕組みです。
要するに、最初に我々がドメインのルールを整理して、現場に少しだけ自然文の例を書いてもらえば、その後はシステムがかなり自走してくれるということですね。よし、理解できました。
その通りですよ。丁寧に進めれば、現場負荷を抑えつつ業務に効く自然言語インターフェースを作れます。一緒にロードマップを作りましょう。田中専務の現場観があれば、導入は必ずうまくいきますよ。
