データを分析して意思決定を支援する AI は、ビジネス ツールにおいてますます重要な位置を占めるようになっており、それを実現するシステムは、Microsoft が提供を開始している意思決定の最適化への新しいアプローチによってさらにスマートになっています。
原因と結果
機械学習は大量のデータからパターンを抽出することには優れていますが、それらのパターンを理解すること、特にその原因を理解することは必ずしも得意ではありません。機械学習システムは、暑い時期には人々がアイスクリームをより多く買うことを学習するかもしれませんが、世の中の常識的な理解がなければ、「天気を暖かくしたいならアイスクリームをより多く買うべきだ」と提案する可能性も同じくらいあります。
物事が起こる理由を理解することは、人間がより良い意思決定を行うのに役立ちます。例えば、医師が最適な治療法を選択したり、ビジネスチームがABテストの結果を見て、どの価格とパッケージがより多くの商品を販売できるかを判断したりすることができます。因果関係を扱う機械学習システムは存在しますが、これまでのところ、これは困難なため、実用的な現実世界のシステムではなく、小規模な問題に焦点を当てた研究に限られてきました。
参照: 機械学習エンジニアになる方法: チートシート (TechRepublic)
機械学習に広く使用されているディープラーニングには大量のトレーニングデータが必要ですが、人間は、医師が症状について質問したり、教師が生徒にクイズを出したり、ファイナンシャルアドバイザーが低リスク投資と高リスク投資のどちらがあなたにとって最適かを理解したり、セールスマンが新車に何を求めているかを話させたりするように、質問をすることではるかに効率的に情報を収集し、結論を導き出すことができます。
一般的な医療 AI システムは、おそらく何も見逃していないことを確認するために、徹底的な質問リストに沿って説明してくれるでしょう。しかし、骨折して緊急治療室に行く場合、医師にとっては、血液型を尋ねるよりも、どのように骨折したか、指を動かすことができるかを尋ねる方が有益です。
AI システムに次に何を質問するのが最善かを判断する方法を教えることができたら、システムはそれを活用して、最善の決定を提案するのに十分な情報を収集できるようになります。
AIツールがより良い意思決定を支援するためには、これら両方の種類の意思決定を処理する必要がある、とマイクロソフトの主席研究員チェン・チャン氏は説明した。
最高の次のもの
「例えば、何かを判断したい、あるいは何かを診断したり適切に分類したりするための情報を得たい、といった状況を想定します。[そのための方法]は、私が『ベスト・ネクスト・クエスチョン』と呼んでいるものです」とチャン氏は述べた。「しかし、何かをしたい、物事をより良くしたい、例えば学生に新しい教材を提供してより良く学べるようにしたい、患者に治療を施してより良くなりたい、といった状況では、私はこれを『ベスト・ネクスト・アクション』と呼んでいます。そして、これらすべてにおいて、拡張性とパーソナライゼーションが重要なのです。」
これらすべてを組み合わせると、オンライン数学個別指導サービスである Eedi が、生徒が何を理解し、何に苦労しているかを把握するために使用する動的クイズのような効率的な意思決定が可能になります。これにより、生徒がすでに理解している分野で退屈するのではなく、生徒が助けを必要とするトピックをカバーするために適切な組み合わせのレッスンを提供できます。
多肢選択式の質問には正解が 1 つしかありませんが、誤答は、何が誤解されているかを正確に示すように注意深く設計されています。つまり、数値のグループの平均を最頻値または中央値と混同しているのでしょうか、それとも平均を算出する手順をすべて知らないだけなのでしょうか。
Eedi にはすでに質問がありましたが、動的なクイズとパーソナライズされたレッスンの推奨は、Zhang 氏と彼女のチームが作成した意思決定最適化 API (アプリケーション プログラミング インターフェース) を使用して構築されました。この API は、さまざまな種類の機械学習を組み合わせて、彼女がエンドツーエンドの因果推論と呼ぶ方法で両方の種類の意思決定を処理します。
「因果発見、因果推論、そしてディープラーニングを融合させたのは、世界初だと思います」と張氏は述べた。「データを持つユーザーが、様々な変数間の関係性、例えば何が何を呼び起こすのかといった関係性を解明できるようにします。そして、それらの関係性も理解します。例えば、投与した薬の量がどれだけ健康状態を改善するか、どのトピックを教えるかによって生徒の理解度がどれだけ向上するかといったことを把握できるのです。」
「私たちはディープラーニングを使って因果関係に関する質問に答え、次にとるべき最善の行動を非常にスケーラブルな方法で提案し、それを現実世界で使えるようにします。」
企業は重要な意思決定を導くために AB テストを日常的に使用していますが、これには限界があると Zhang 氏は指摘しています。
「これは大局的なレベルでしかできず、個々のレベルでは判断できません」と張氏は述べた。「この集団全体において、一般的に治療Aが治療Bよりも優れていることは分かりますが、個々の患者にとってどちらが最善かを断言することはできません。」
「場合によっては、非常にコストと時間がかかり、場合によっては全く実行できないこともあります。私たちが目指しているのは、ABテストに代わるものです。」
研究からノーコードへ
これを行うための API (現在 Best Next Question と呼ばれています) は Azure Marketplace で入手可能ですが、プライベート プレビュー段階であるため、Eedi のように独自のツールでこのサービスを使用したい組織は Microsoft に連絡する必要があります。
データサイエンティストや機械学習の専門家向けに、このサービスは最終的にAzure Marketplace、Azure Machine Learningのオプション、あるいはMicrosoftが画像認識や翻訳などのサービスを提供しているのと同様に、パッケージ化されたCognitive Servicesの1つとして提供される予定です。名称も「Decision Optimization（意思決定最適化）」など、より説明的な名前に変更される可能性があります。
マイクロソフトはすでに、同社が提供するさまざまなパートナー プログラムをはじめ、自社の販売およびマーケティングにこれを活用することを検討しています。
「マイクロソフトのパートナーの成長を支援するエンゲージメントプログラムは数多くあります」と張氏は述べた。「しかし、私たちが本当に知りたいのは、どのタイプのエンゲージメントプログラムがパートナーの成長に最も効果的かということです。これは因果関係を問う質問であり、また、個々のパートナーに合わせた方法で取り組む必要があるのです。」
研究者たちはViva Learningチームとも話し合っている。
「研修は、まさに私たちがパーソナライズしたいシナリオです。従業員が自分の仕事に最も役立つ教材を使って教育を受けられるようにしたいのです」とチャン氏は語った。
そして、これを自分のデータを使ってより良い意思決定に役立てたいと考えている方のために、「直感的に使えるようにしたいのです。データサイエンティストになる必要はありません。」
マイクロソフトが因果推論を使いやすくするために構築したオープンソースの ShowWhy ツールはまだこれらの新しいモデルを使用していないが、コード不要のインターフェースを備えており、研究者たちはそのチームと協力してプロトタイプを構築していると Zhang 氏は述べた。
「今年末までに、エンドツーエンドのディープ因果推論のデモをリリースする予定です」と張氏は語った。
彼女は、長期的には、ビジネス ユーザーが Microsoft Dynamics や Power Platform など、すでに使用しているシステム内でこれらのモデルのメリットを享受できるようになるかもしれないと示唆しています。
「一般的な意思決定を行う人々には、非常に視覚的なものが必要です。つまり、データを読み込み、ボタンをクリックするだけで、どのような洞察が得られるかがわかる、コード不要のインターフェースです」とチャン氏は語った。
参照: 人工知能倫理ポリシー (TechRepublic Premium)
人間は因果関係を考えるのが得意ですが、物事がどのようにつながっているか、何が原因で何が結果かを示すグラフを構築するのは困難です。これらの意思決定最適化モデルは、人間の思考方法に合ったグラフを自動的に構築し、「もし～だったら」という質問をしたり、異なる値を変更したらどうなるかを実験したりすることができます。これは非常に自然なことだと張氏は言います。
「人間は基本的に、『これをしたらどうなるか、あれをしたらどうなるか』を理解するのに役立つものを求めていると思います。それが意思決定を助けるものだからです」とチャン氏は語った。
数年前、彼女は医師がさまざまなシナリオで患者がどのように回復するかを予測するための機械学習システムを構築しました。
「医師たちがシステムを使い始めた頃は、『これをやったら、あれをやったらどうなるか』を実際に触って確かめていました」とチャン氏は言う。「しかし、そのためには因果関係のあるAIシステムが必要なのです。」
より良い意思決定を一緒に
因果関係を重視する AI が実現すれば、人間が原因と結果について知っていることを AI に教え、AI がそれが本当に正しいかどうかを確認できる、双方向の修正機能を備えたシステムを構築できます。
英国では、小学生は11年生でベン図について学びます。しかし、張氏がイーディ氏およびオックスフォード大学出版局と協力し、数学のさまざまなトピック間の因果関係を探ったとき、教師たちは、ベン図とは何かを教えるずっと前から、8年生と9年生の生徒向けのクイズを作るのにベン図を使っていたことに突然気づきました。
「データを使えば因果関係を発見し、それを人間に示すことができます。人間にとっては振り返る機会となり、突然、こうした非常に興味深い洞察が浮かび上がってくるのです」とチャン氏は語った。
因果推論をエンドツーエンドかつスケーラブルにすることは、単なる第一歩に過ぎません。これを可能な限り信頼性と精度の高いものにするためには、まだ多くの作業が必要ですが、Zhang 氏はその可能性に期待しています。
「私たちの社会における仕事の40%は意思決定に関わるものであり、質の高い意思決定を行う必要があります」と彼女は指摘した。「私たちの目標は、AIを活用して意思決定を支援することです。」
