AIBR プレミアム
拓海先生、最近部下たちが「AIで地震の予測ができる」と言って騒いでいるのですが、本当にそういうことになるのですか。正直、深層学習（Deep Learning）と聞くと大げさに感じてしまいます。
素晴らしい着眼点ですね！大丈夫、混乱しやすい点を段階的に整理しますよ。今回の論文は「深いネットワークでなくても、実は単純なモデルで十分だ」という驚きの結論を示しているんですよ。
それは要するに、高い投資をして大規模なAIシステムを入れなくても良い、という話に繋がりますか。うちのような現場だと費用対効果が一番の関心事です。
その通りです。要点を三つにまとめます。第一に、複雑なモデルは必ずしも予測精度を大幅に上げないですよ。第二に、物理的に測れる観測値を使う方が解釈しやすいです。第三に、シンプルなモデルは導入と説明が楽で現場受けが良いです。
具体的には何を比較したのですか。データを取り替えれば同じ評価になるのか、それとも設計の差が出るのか教えてください。
いい質問です。論文は深層ニューラルネットワーク（Deep Neural Network、DNN）と単純なロジスティック回帰（logistic regression）を比較しています。DNNは多数の重みと層を持つ一方で、ロジスティック回帰は一つのニューロンに相当します。
これって要するに「大掛かりな仕組みを作る前に、まずは単純なモデルで検証せよ」ということですか？
まさにその通りですよ。具体的に言うと、DNNは約13,451個もの自由パラメータを持ち、複数のストレス指標（Coulomb stressなど）を入力として使ってAUC（Area Under the ROC Curve）で0.85を達成しましたが、ロジスティック回帰でも同程度のAUCを達成できたのです。
なるほど。現場では説明責任があるので、なぜその予測が出たか説明できることも重要です。単純な方が説明しやすい、というのは経営判断でも大きいですね。
そうです。加えて著者らは「物理モデル由来の特徴量（stress）」の代わりに「測定可能な観測値（距離や平均すべり量）」を使うとさらにわずかに性能が改善し、AUC=0.86になったと示しています。これも解釈しやすく、現場でのデータ取得が比較的容易です。
要は、まずは手元で取れるデータでシンプルなモデルを試し、十分ならそれで運用、改善が必要なら段階的に拡張する、という実務的な判断ですね。大変よくわかりました。自分で整理すると、単純なモデルで評価してからリソースを投下する、という方針で進めます。
