Embed Size (px)
Citation preview
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
ビッグデータとAIを活用したデータ・知識融合プラットフォーム
〜Cyber=Physical Innovation の実現に向けて〜
国立研究開発法人産業技術総合研究所
人工知能研究センター首席研究員東京工業大学特定教授
神戸大学客員教授
統計数理研究所客員教授
本村 陽一
Yoichi Motomura
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
人工知能とビッグデータの成長スパイラル
価値の増大（ニーズに応える・高ベネフィット・低リスク・低コスト）
データが大量に生成される
シーズ（機械学習）により人工知能が高性能化
高度なサービス・アプリケーション
サービスとデータを駆動する社会価値は何か？→ 社会実験（＝実証事業）が必要
サービスとデータを駆動できる価値の増大がないと、成長スパイラルは回らない
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
次世代AI技術の社会実装シナリオ：2023年を想定したビジョン
NEDO「人間と相互理解できる次世代人工知能の研究開発」の支援による
AI for your life ～暮らしに広がる人工知能～
https://youtu.be/qpXJ71dDWrw
2023年頃の次世代AIで広がる新たな暮らし
AI: Dynamic value creation
https://www.youtube.com/watch?v=ZSiu8az3eL4
外食と農家、製造業を題材にした新たな異業種連携
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
社会のデジタル化、Cyber=Physical
情報システムと社会・人々が融合する時代→実生活の中でビッグデータ観測・活用を行うことが可能に
リアルな実空間の活動が、デジタル化されインターネット空間に流れ込む社会が出現ビッグデータとAIが実社会現象を計算モデル化し、Cyber空間に拡張→ Cyber=Physical intelligence
ITシステム（計算空間）
エージェント
Cyber 空間
Physical空間
センサ・IoT・スマホ・etc….生活者
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
人工知能技術の現状と課題（社会実装の観点）
• Deep Learning (多段の階層型ニューラルネット)→画像系• 自動運転（Probabilistic robotics：環境モデリング）→空間系• IBMワトソン（言語処理技術、対話Ｑ＆Ａシステム）→テキスト系• IoT, Industrie4.0, ウェアラブルデバイス, 行動履歴など今後はセンサデータ系が増大し、実社会での展開が想定されるデータそのものだけでは解釈が困難→「現象のモデル化」の必要
• 現象：生活現場やビジネス現場などにおける「良し悪し（目的変数）」とその関係（説明変数）
例：目的変数：加入率、説明変数：個人属性、勧誘条件など
• フレーム問題：暗黙的「背景」と、その変化に気づけない問題
ビッグデータとディープラーニングだけでは当然解決できない。AIだけでなく、ビッグデータ解析を行う人にとっても問題になる。
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
Cyber=Physical時代のAIとフレーム問題
• Deep Learning (多段の階層型ニューラルネット)→画像系• 自動運転（Probabilistic robotics：環境モデリング）→空間系• IBMワトソン（言語処理技術、対話Ｑ＆Ａシステム）→テキスト系• IoT, Industrie4.0, ウェアラブルデバイス, 行動履歴など今後はセンサデータ系が増大し、実社会での展開が想定されるデータそのものだけでは解釈が困難→「現象のモデル化」の必要
• 現象：生活現場やビジネス現場などにおける「良し悪し（目的変数）」とその関係（説明変数）
• フレーム問題：「背景」（前提知識、公理、背景）に気づけない問題
• どの時代にも、その時代のAIにとってのフレーム問題が存在。• AIだけでなく、ビッグデータ解析を行う人にとっても問題になる。• → AIが使われる現場の「フレーム」をどう扱うか？
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
フレームの例
C T
T E
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
フレームの例
C T
T E
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
(第三次ブームにおける)フレーム問題再考
第一次フレーム問題：[ジョン・マッカーシ&パトリック・ヘイズ(1969)]：「積み木の世界」における記述量として表現
第二次フレーム問題：[デネット(1984)]洞窟からバッテリーをとってくるタスクにおける計算量の問題として表現– 第一のロボット：バッテリーを爆弾と一緒に運んでしまい爆死
– 第二のロボット：自分の行動が影響するあらゆる事象を全て検討しようとして無限ループに入り爆死
– 第三のロボット：関係のない事象を選ぶ計算が膨大で起動せず
• 認識型AIでは、フレーム問題の影響は比較的軽微
• 行動するAI(実は人も)、フレーム問題の影響が深刻
• 現実的には解空間を制限する(ゲーム、コンテストなど)。
• 実問題の場合、検討する空間をどう制約するか？が鍵
• 実社会の場合、ユニバーサルな解ではなく、より善い解→評価関数、ユースケース、ステークホルダーの設定が重要
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
サービス
社会実装研究開発（基礎から応用まで）
社会受容
法・制度
認証
AIが学習する社会現象は現場にあるAIに学習させるためには、初期の課題解決をしながら社会実装と研究開発を同時に推進する必要がある
結果として死の谷とダーウィンの海を先に渡ってしまう
合わせて同時に検討
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
１）既存業務・活動の効率化（例）定型業務の自動化を通じた業務
時間の短縮など
２）サービスの付加価値向上（例）ユーザーが求める商品を自動発
注するECなど
３）新規サービス・産業創造（例）新しいユースケースと次世代AI応用システム (新規シーズ・ニーズ)
既存ビジネス
新規ビジネス
異業種連携、産官連携共同体、コンソーシアム、オープン・イノベーション
構造変革性大
構造変革性小
AIを既存ビジネスへ導入
AIによる新サービス
AIによる新たな産業連携が生まれる
Old economy
New economy
Connected Industries
人工知能技術による第四次産業構造変革人工知能技術の社会実装の３つの形態
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
次世代AI技術の社会実装シナリオ：2023年を想定したビジョン
NEDO「人間と相互理解できる次世代人工知能の研究開発」の支援による
AI for your life ～暮らしに広がる人工知能～
https://youtu.be/qpXJ71dDWrw
2023年頃の次世代AIで広がる新たな暮らし
AI: Dynamic value creation
https://www.youtube.com/watch?v=ZSiu8az3eL4
外食と農家、製造業を題材にした新たな異業種連携
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
製品設計
日常生活バックヤード フロントヤード経験価値
購買行動
「製品（モノ）を伝える」から「経験価値（コト）を伝える」へ供給側だけではなく利用者側の情報も積極的に扱うビッグデータによる循環型バリューチェーンの実現
ビッグデータの活用のための多機関連携ビッグデータ大国ニッポンへ：AI技術で幅広く活用
製品利用
サービス設計サービス利用
視点供給側の視座 顧客から
の視座視点視点
顧客接点
Point of Service
利用者（顧客）
サービス利用者のビッグデータをサービス事業者が共有し連携
生活現場企画開発現場
ユーザモデルによるフィードバック
提供者
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
AI技術はイノベーションの民主化を加速する
• イノベーション：技術情報とニーズ情報の接する所で生まれる＝重心
• 価値創造の「重心」が製造者側から消費者側へと相対的に移動している
• ただし、全てのユーザを対象にするのではなく、Lead user(先行利用者)
を抽出してからスタートする（ただやみくもにユーザーの言うことを聞くと失敗）
• LU: 新しいニーズに先行して直面し、成果から得られる利益が十分大きい利用者集団
• 1: 共創的サービス改善とLUの選定を小規模で繰り返した後
• 2: LUに対するプロダクトマーケットフィット(PMF)を達成し、3: さらに多数のユーザを集め成長させる。
• 参考：
• ・ユーザイノベーション, 小川進, 東洋経済新報社, 2013.
• ・グロースハッカー, ライアンホリディ, 日経BP社, 2013.
→ モノとサービスを通じたユーザーに対する制御、マネジメントという発想：サービス工学、人間行動モデリング
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
AI for Human Life(Service, Human living and Society)AIを生活、社会、サービスに！
生活・サービス・社会イノベーション
生活やサービス現場で生まれるIoT/ビッグデータを活用し、サービス生産性, 価値向上,
産業構造変革や地域活性化、生活品質、生活安全の向上を目指す
生活社会
サービス
サービス生産性・価値向上 地域活性化・産業構造変革生活品質・生活安全
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
AI・ビッグデータが明らかにする人の異質性
• 人間工学：universalな「人間の共通特性」を対象ミクロスコピック（顕微鏡的）→ 静的、実験室的
• 人間行動モデリング：conditionalな「人の異質性」、集団や環境内での文脈依存性・動的特性メゾスコピック（望遠鏡的）→ 動的、社会的特性
• 社会の中でよりよく人を見る（診る・観る）＝conditionalにモデル化するために ・社会への埋め込みと
・持続的データ収集が必要
平均・一様
多様性・分散
関係・構造
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
分散データ統合システム
(MCDataBinder)
ユースケース
確率モデル確率推論
アクティブビッグデータ収集
（標準データ生成・管理）
コントロール・マネジメント支援先進中核モジュール開発（PLASMA: PLSA+BN）
AIクラウドやネットワークを通じて提供
AI応用システムサービス支援技術
人がAI(計算過程)
を理解
AIが人を理解：EQの高いAI
「人の心理・行動を予測」
価値循環
実証フィールド・実証事業
人と相互理解できる次世代人工知能技術：[AI の社会実装と価値循環]
よりよい相互理解共創支援
現象と計算を説明できるAI：自己言及性の高いAI
人がAIを理解しやすい内部構造、共通表現
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
時
主
客
場 動
ID-POS
テキスト
センサ
Q&A
IoT潜在クラス・状態・特徴
Latent class, state, feature
アプリ・サービス
Applications, Services確率的潜在構造モデル
Probabilistic LatentStructure Models
スマホ・タブレットなど
Smart-phones, Tablets, etc.確率潜在意味解析Probabilistic LatentSemantic Analysis
ベイジアンネットBayesian net
実世界データ
Physical data 計算空間
Cyber space
計算モデルComputational
models＋制御変数
AI応用システム
AI systems＋価値
データ＋現場知識
ユースケース
現象モデルPhenomenon
models目的・説明変数
未来の現象生成・制御へ
実社会現象
Social action
実データからの計算モデル構築と実社会現象制御（背景、状況、その変化＝「コト」の確率推論を可能に）
社会実装：製造現場・生活現場データと知識の融合、水平統合プラットフォーム構築
Cyber=Physical モデリング
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
機械学習で用いられる計算モデルの例
線形:多変量解析・回帰モデル非線形：ディープラーニング
Ｙ
X
関数Y=f(X)
決定木(Decision tree)
Ｙ
X
決定ルールIf X=a, then
Y= b (70%)
:
0.3
0.7
ガウシアンモデル（線形性・正規性）
Ｙ
X
P(Y|X)=G(μ,σ)
μ = aX+b
σ = cX+d
ベイジアンネットX
条件付確率表P(Y|X) = p
ＹP1
P2
P3
P4
P5
P6I j
Ex.
0.3
0.4
:
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
好き・嫌い
楽しい
怖い・危険
快適・安心
控える
欲しい・買いたい
動きが～だから
場所が～だから
状況が～だから
モノが～だから
センサ統合
データー統合
日常の大量データ
再利用可能な確率モデル
認識モデル
生成モデル
サービス適用
説明変数を類型化
意識・行動変容
確率分布を出力
人間の認知評価構造・生活行動モデル
生活支援サービス
アンケート・インタビュー
行動
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
AI活用生活関連サービス適用領域の拡大
赤ん坊５歳
１０歳
２０歳
３０歳
４０歳
５０歳
６０歳
７０歳
８０歳
情報提供
ドライブ（移動余暇くつろぎ探索観光団欒）
危険予知
家族（家・暮らし・人生）
行動の種類
移動・探索追従行動
危険予知
移動・探索徘徊行動
購買行動（味覚、食料品嗜好品、金融ライフスタイル）
自己実現
趣味ライフワーク
医療・健康医薬品健康食品
親
子供
コミュニケーション
日常生活在宅看護介護教育育児
ライフスタイル・価値観生活習慣
成長時間変化
金融サービス
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
SONY Xperia Touch や デジタルサイネージによるデモCEATEC(幕張メッセ), ITproExpo（ビッグサイト）など出展千葉市美浜区の団地における地域健康見守り活動でも活用
AI for Human life and Service
AI研究センターの活動例：AI技術モジュールの社会実装と実証
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
(売り場やイベント空間での行動データ観測・分析・推論・推薦)
AI応用システムの例（現場でのビッグデータ活用）
実フィールドの環境デザイン、リサーチデザイン、ユースケースデザイン
科学未来館でのイベント支援健康イベント支援
未来型店舗内買い物行動分析
次世代自動販売機
Xperia touch
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
人と相互理解できる人工知能技術の例：人の知識（認知・評価構造）の計算モデル化
定量調査アンケート
評価グリッド Bayesian network
認知・評価構造モデル
統計的学習（頻度データ）
初期構造（潜在変数）
統計的言語処理
欠損（未回答）データの場合→EMアルゴリズム
”Y.Motomura, T.Kanade :Probabilistic Human Modeling based on
Personal Construct Theory”, J.Robot&Mechatronics, 17/6, (2005).
データ
人
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
運転中の走行シーンの認知構造（画像提供：トヨタ自動車）
どちらが危険と判断するか？より危険と認識するのは何が原因か(コンストラクト)?
それはなぜか(理由・原因)？もしそうであれば、どんなことが起こるか（因果的結果）？
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
相手の動きが不明
ぶつかる
先が見えない
次の場面が予測できない
やるべき動作が多い
スピードが出ていそう
障害物がある
危険
対処できない
カーブ
初心者ドライバー（3年）：
ベテランドライバー（15年）：運転は週５回くらい
・運転者の初心者／熟練者の識別・熟練者：危険 初心者：安全 となるシーンについて初心者に危険であることを伝える支援システムへ
走行シーン
初心者であることを運転操作から識別し、
ベテランと異なる状況判断について支援・教育を可能に
走行シーンの認知・評価の因果的階層構造には下図のような個人差がある。
危険性の評価・認知構造
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
人と理解できる人工知能技術の例：感性をはかるユーザーモデル（JST COIプロジェクト）
利用者の計算モデル化と生活価値・満足度向上
大規模データモデル化
As is
To be
店舗・施策・サービス最適化
行動観測・アンケート（知識）
持続的データ観測
イベント・顧客接点活用
支援技術
イベント・顧客接点
IoTによる行動系
ビッグデータ
例：ディーラやショッピングモールなどの顧客接点
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
自動車に関するワクワク感
結果的に9つのわくわく感を抽出
燃費競争
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
インターネット調査からのユーザモデル構築
行動と心理のQ&A
得られたデータからからモデルを構築
結果から、内装・外装の重視ポイントに注目
性格
ライフステージ
利用状況
車の機能
車へのイメージ
乗車時わくわく感
わくわく感を感じる/た瞬間/場面
内装・外装のこだわり
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
ラベル空間
AI for human life (生活行動のモデル化)
状況依存性を表す人間行動のベイズ推定モデル（本村・西田：情報処理学会CVIM誌, 2007 他）
SCPCxPSxCP iii ,
超音波センサ,動画像
学習・判別
ベイジアンネットワーク（確率的因果構造の導入）
高次自己相関特徴・ナイーブベイズ識別器（尤度の計算）
データ・尤度(Bottom up)
事前知識(Top down)
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
センサデータからの行動予測モデル構築
• 行動推定を行うための確率変数• 方向の速度：
• 子供の高さ：
• １秒前の行動：
• 子供の位置情報
• 子供の位置情報
室内の絶対座標系での表現モデル
クッション
テーブル
壁
壁
クッションクッション
モノとの相対距離で表したモデル
)(Z t
yx, )(V yx, t
)1(C t
今後：IoTデバイスの活用
制御モデル化、行動変容による最適制御へ（Demand
Response など）
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
生活者の行動を予測・制御する確率モデリング
日常生活 メルマガ受信 来店入店・閲覧
購買
興味ドライバー 来店ドライバー 購買ドライバー入店ドライバー
商品情報イベント話題季節感：
実物を見たい買い物の日イベント同行者としてなんとなく：
経験価値・生活満足度向上
外出支援気づき支援 意思決定支援 購買支援
実物を見たいフィッティング素材感時間があるディスプレイに惹かれて：
実感（似合う、機能）揃える（色・デザイン）安心（保有・確保）接客に惹かれて：
リピート
生活者行動を(条件付)確率モデル化する課題を通じ、社会実装とアクションリサーチを推進：30社を越える技術移転+共同研究(15万人ID-POS, 5000万人共通ポイント, 14万人高齢者データなど)
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
Cyber=Physical 行動シミュレーション：ビッグデータからの確率的行動モデリングの例
• 利用者（顧客、生活者、ユーザ）の行動履歴とその人の属性、状況を網羅的にデータ化
• データから、条件付確率P(行動| 条件)という行動モデルを構築し、もっとも良く行動を説明できる「条件」を探索する。
• 条件：「ある人がある状況にある（と行動する）」
• 例：「潜在ニーズを持った人が何かを見た時」など。潜在ニーズはライフスタイルなどに関係する
• 発展：行動変化が起こりやすい「何か」を発見し、提供するコンテンツのデザインに活用する
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
データ共有促進：セグメント化データ共有・活用（情報損失の少ないk-匿名化による安全・安心なデータ共有）
User1 buy Item1 and Item M,
User2 buy Item1 and Item2,
:
User N buy Item2
ID 付データ→共起行列
ミクロアグリゲーションによるプライバシー保護
顧客セグメント毎に個人データを集計した共起行列を作成
個人情報保護法改正後の匿名加工データ利活用に有効
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
AI for Services:顧客行動のモデル化：確率的潜在意味解析(PLSA)
ID-POSデータに基づく購買履歴から顧客と商品群を自動で同時に分類
顧客１カテゴリ１
カテゴリ２
カテゴリ３
カテゴリ３２
カテゴリに
属する確率
顧客２
カテゴリに
属する確率
顧客３
カテゴリに
属する確率
顧客４
カテゴリに
属する確率
・・・
商品１
カテゴリに
属する確率
商品２
カテゴリに
属する確率
商品３
カテゴリに
属する確率
商品４
カテゴリに
属する確率・・・
カテゴリ１
カテゴリ２０
・・・
顧客と商品を各カテゴリへ分類
推定結果：顧客がある意味カテゴリに属する確率 推定結果：商品がある意味カテゴリに属する確率
潜在クラス：情報量規準により最適なカテゴリ数を決定
カテゴリ１
カテゴリ２
カテゴリ３
カテゴリ３２
カテゴリ１
カテゴリ２
カテゴリ３
カテゴリ３２
カテゴリ１
カテゴリ２
カテゴリ３
カテゴリ３２
カテゴリ１
カテゴリ２
カテゴリ３
カテゴリ３２
カテゴリ１
カテゴリ２
カテゴリ３
カテゴリ３２
カテゴリ１
カテゴリ２
カテゴリ３
カテゴリ３２
カテゴリ１
カテゴリ２
カテゴリ３
カテゴリ３２
計算結果計算結果
・産総研からソフトウェアAPOSTOOLとして提供。ベイジアンネットと連携し、ビッグデータ対応を可能にする・Python, JAVAプログラムとしてWindowsやLinux, Macなどで動作．商用利用も開始
・・・
・・・
・・・
・・・ ・・・
・・・
・・・
・・・
推定されたカテゴリ所属確率が最大となったカテゴリへ分類
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
顧客パーソナリティ因子と商品群の関係をPOSデータからベイジアンネット化（青い線：各ライフスタイルカテゴリーに対して全商品カテゴリーで得点が高い３商品カテゴリー）（赤い線：各商品カテゴリー内で1番得点が高いライフスタイルカテゴリー）
購買ビッグデータを通じた消費者心理・ライフスタイルの理解
ライフスタイルカテゴリー（アンケートから抽出）
新しい商品カテゴリー（ID-POSから抽出）
堅実生活派
節約消費派
こだわり消費派
家庭生活充実派
アクティブ派
パパっと消費派
野菜
既存の商品分類
肉・魚・卵
冷凍・レトルト総菜
飲料水・酒類
日用雑貨
デモグラ
日常行動・生活時間
食に対する意識
健康意識
消費傾向
パーソナリティ
アンケート項目 果物自炊的
お手軽夕食的
酒飲み健康的
パン食的
野菜自炊的
おやつ的
洋風朝食的
牛乳・清涼飲料的
しっかり自炊的
PB的
健康飲料的
菓子のお伴的
お手軽栄養的
肉不使用自炊的
しっかり野菜的
和風朝食的
おかずもう一品的
見切り品的
日用品的
肉自炊的
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
商品属性
魚類
惣菜
肉類
・・・
顧客のAI: 顧客の心理・行動の計算モデル化
商品
② 変換した意味カテゴリと顧客属性、商品属性、状況を表すベイジアンネットを構築⇒個人特性、ライフスタイルをモデル化し、確率推論により顧客行動が予測できる
【PLSA+Bayesian networkの統合モデリング】① PLSAにより数千～数万の顧客や商品を数十個のカテゴリに次元圧縮（変換）
健康志向
・・・
顧客
・・・曜日
曜日
時間帯
低価格
ブランド
こだわり
・・・年齢
家族
スタイル
・・・
0
0.2
0.4
0.6
0.8
1購買行動の
確率シミュレーション
購買確率
意味カテゴリ
状況
顧客属性
料理好き
意味カテゴリ
数千〜数万人 数十カテゴリ 数千〜数万アイテム
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
Class06 おやつ的
Class07 洋風朝食的
ベイジアンネットの一部を取り出して拡大各商品カテゴリを購入している利用者の解釈 （アンケート回答との関係性）
「おやつ的」商品支持顧客は・家族や友人とよく買い物に行き・新しいモノが好き、という傾向
「洋風朝食」商品支持顧客は・無駄使いが多い、という傾向・「和風朝食」商品支持顧客はその逆
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
利用者の購買行動を表すベイジアンネットモデル
対象ジャーナルデータを用いて、カテゴリ分類、ID-POS解析、アンケートデータ解析の結果を統合した、ベイジアンネットワークモデルを構築した。
ジャーナルデータについてのベイジアンネットワーク（データ数420万件、計算時間約48時間、Greedy サーチ、構造探索スコア：AIC ）
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
買い物難民クラスターの発見
作成したモデルを用いて状況依存性についての確率推論を実行
Ｐ（回答”家庭生活充実してない”| お手軽夕食商品, 夕方に購入） → 高い確率
0
0.05
0.1
0.15
0.2
0.25
0.3
家庭生活充実していない それ以外
夕方 0 0 1 1
夏 0 1 0 1
「揚げ物などの加工食品＝お手軽夕食的クラスタ商品を夕方購入」
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
映画推薦サービスにより集積する大規模データをマーケティングに活用（ＫＤＤＩ研究所、松竹との共同研究 [UM2007]）
観測・モデル化（状況を入力）
個人プロファイル（年齢、性別等）過去の履歴情報（視聴、購買等）
推薦
数千人アンケート、過去の視聴履歴など大規模データ収集・嗜好性モデル構築映画ＤＢ
「恋人と、映画館で、感動したい」
誰と
どんな気分
性別年齢
ジャンル製作国
癒された
感動した
好む確率
プロフィール
コンテンツ情報
状況
感じ方評価結果
「30代、男性、ストーリー重視」
TPOに応じたコンテンツ推薦エンジン（嗜好性モデル）
数万コンテンツ（パートナー企業提供）
利用しながらモデル更新（連続・動的最適化）
デートにぴったりの映画でうれしい★
手段→映画館誰と→恋人と気分→感動したい
状況
他のサービスにも利用できる再利用可能な計算モデル（知的基盤）
水平展開
auOneラボのサービス
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
ショッピングモールの共通ポイント利用履歴データからの潜在クラス分析
– 2011年4月〜2012年3月：280万レコード、15万人分(敷地面積：約8万m2, 約200店舗）
顧客と購買店舗エリアとの関係から潜在クラス抽出
使用データ– 購買履歴データ200店舗1年分
– 店舗エリアは3階分計15エリア
インモール
アウトモール
インモール
アウトモール
ID store size zone category
10001 A店 50 1A レストラン
10002 B店 100 2B ファッション
10003 C店 20 3D ライフスタイル
: : : : :
10999 Z店 50 2A ファッション
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
ショッピングモールの優良顧客の構造1
３０代
areaA
平均利用金額普通
女性 ファッション
フロア遷移1回
来店周期１週間
正の相関
負の相関
レストラン
３０代・女性、年間利用金額が普通来店周期は頻繁(平日型) で、フロア間移動は多い
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
優良顧客クラスの構造2
年間利用金額が高い、来店周期は1週間(週末型)、移動距離は少ない、男性も多い
フロア遷移１回
areaB
来店周期１週間
年間利用金額多い
ライフスタイル
女性移動距離２０マス以下
正の相関
負の相関
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
ベイジアンネット差分モデルによる予測結果の補正
・予測残差に対しベイジアンネットモデル（ＢＮモデル）を作成
・予測外れが大きい変数に対して、予測結果を補正
-200 0 200 400
010
20
30
残差のヒストグラム
外れの値
上ブレ外れの大きい範囲（-1σ以下）
下ブレ外れの大きい範囲（1σ以上）
外れの大きい値に対してベイジアンネット構築
事後確率の期待値を予測結果に加算
①上ブレ、下ブレ、両者の内使用する補正値を決定
↓
②各日の説明変数をＢＮへ↓
③大きな予測外れが起こる事後確率を推論
↓
④事後確率の期待値により予測結果を補正
外れ方の構造（ベイジアンネットモデル）
来店人数の上振れ、下振れの変動をモデル化(顧客セグメント毎に予測の外れ方を説明するモデル)
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
現象の条件付確率モデル化と予測・制御
例：トラブルが起こる確率 P(トラブル|条件1, 条件2, ….)
例：P(ある値の上振れ|条件1, 条件2, ….)
例：P(ある値の下振れ|条件1, 条件2, ….)
例：ある値(予測)= 平均 ＋ 分散= 平均 + 上振れ量xP(上振れ) + 下振れ量P(下振れ)
→ 因果的構造によって予測結果を生成するシミュレーション
→ さらにより良い値や状態生成できるような制御へも発展
不確実性について従来の統計手法よりもビッグデータと確率モデルを使うことで精度が向上する可能性
構造的なモデル化によって、制御変数、非制御変数の因果的
構造を使った制御が可能に（統計的制御の発展）
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
国立成育医療センター
電子カルテ事故調査表・テキスト
事故サーベイランスシステム
Cyber=Physical リスクモデリング：子供の事故データ（約200件/月）からの予測モデル
電子カルテ（小児科）→サブシステム（トリアージ）→産総研
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
事故データを計算論的にモデル化することで将来の事故予測・予防に活用する
ベイジアンネット 事故の程度・確率
環境要因
子供の属性、生活時間
子供の日常生活行動
カルテ事故調査表
事故サーベイランスシステム
子どもの事故データ（約200件/月）
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
サービスを通じたデータ収集こどもの傷害予防サービス
50
140万人の会員を有する企業（ベネッセコーポレーション）と共同で開発と評価．
2005年12月12日より会員向けサービス開始
2007年3月より一般向け英語版・日本語版公開
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
育児支援サービスを通じたビッグデータ収集
ユーザ履歴データベース
WEBサービスの提供・アンケート
ユーザの理解・モデル化
（国家レベル）
事故予防による
医療費の削減
子どもの事故予知支援サービス
アンケート21,482件（07/1/29現在）
4,471人保護者に61,147件動画配信（07/1/29現在）
行動モデル・事故シミュレータで動画作成（保護者の知らない事故・最近多発している事故）
社会・研究の進化・深化WEB
サービスの改善
事故データベース
認識ずれを補正するコンテンツ作成
（個人レベル）
安心・安全サービス
意識と現実のずれ検出
05/12/12開始
科学的知見
現象技術
理論構築
社会応用
サービス
現象記述
理論構築
Kuhn型 一体型
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
Cyber=Physical 行動最適化看護・介護サービス提供者の行動モデル化
提供者の行動モデル化と相互作用の構造化
大規模データモデル化
As is
To be
サービス活動中に取得できるよう実験計画されたデータ
最適化
行動観測
リアルデータの観測
提供者の行動評価
振り返り
行動の改善例：現場支援ツール＠長崎大病院
使われ方：感性安全Etc….
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
実証プロジェクトA
実証プロジェクトZ
::
人工知能研究センター人工知能技術コンソ
成功事例をフィードバック標準問題化
シーズ応用
共有基盤
ニーズ
評価
事例
水平 展開
データ
産総研他ユニット, 大学異業種からも適宜参加
プロジェクトスタート
外部リソース
産総研人工知能技術コンソーシアムシーズ/データ/ニーズをマッチングしてビッグデータの成長スパイラルを回す人工知能技術の社会実装の場
研究チーム, 客員研究員,連携企業・大学(兼業), 病院, 施設, 自治体, etc.
2017年度：幅広い業種から140社以上が参加、地方支部(関西・九州・東海)設立
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
産総研人工知能研究センター(AIRC)における人工知能技術コンソーシアム(AITC)の役割
AIRC：大学、企業に散在した研究者の集積・ネットワーキング
– 次世代人工知能研究開発プロジェクトや共同研究を推進、成果発表、技術移転を行う次世代人工知能技術(シーズ)を提供
AI技術コンソーシアム
– ユースケース開発
– 共有データプラットフォーム
– AI共通ツール
– 利用・運用ノウハウ
– プロジェクト立案支援
– AI人材育成(リーダー養成)
– 異業種連携促進
外部連携を強化し、外部にあるデータ、ニーズ、ユースケースから、社会が求める適切なアウトプットを実現していき、次世代人工知能技術活用事例を集積
→ AI技術の社会実装(実証事業)とそこから得られた経験からの学習
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
AIツールWGデータマイニングWG
人工知能技術コンソーシアムＷＧ
Human life WG
データ・知識融合WG
ものづくりWG
データプラットフォームWG
AIリビングラボWG
アプリケーション(フィールド実証など)
↑
共通基盤技術(データ取扱方法など)
↑
シーズ技術(センサ・ロガーなど)
各WGは幹事企業の自主的提案、自立運営を行う
九州支部WG関西支部WG
ユースケース WG
東海支部WG
Art
ific
ial
Inte
llig
en
ce R
es
earc
h C
en
ter
ビッグデータ、AIツールと典型的なユースケースをコンテストに提供し、社会をよりよく（デザイン）する仕組みとして実現
その活動自体もまた、社会に根付かせる活動へ発展
→ 企業や自治体など多機関と連携し、実社会の問題解決を通じて事例と方法論の集積へ
適用（AI支援サービスデザイン）
現場観測と対話（対話的AI技術活用）
現象のモデル化（AI技術活用方法によるデータ収集）
潜在的構造・ダイナミクス・深い知識の計算モデル化
評価・検討(人間・AI協調プランニング)
事例
事例を生成する方法論
実社会におけるビッグデータ・AI技術活用へ
AI for Society5.0
個々の生活の品質(QoL)、産業の価値創出・生産性を上げるためのAI技術を創出する仕組みの構築 → 人材育成と仕組み自体も広く波及していくことを目指す
