データ分析の王道としての順問題と逆問題を理解する【第11回】

逆問題では“勘と経験と度胸”が効く

　一方、逆問題とは、結果から原因を推定する問題だ（図3）。統計が、この領域に入り、物理学や臨床医学など様々な分野で応用されている。不鮮明な画像を復元するのも、“機能”に見合った“構造”を探すのも逆問題である。身近な例では、「新幹線のパンタグラフにおける風切り音を抑えたい」という“機能”を実現したいときに、その“構造”をフクロウの羽根に真似たのも逆問題だと言える。

図3：逆問題の流れと適用分野

　逆問題が成功するかどうかは、次の3点を用意できるかどうかにかかっている。

（1）勘と経験と度胸（KKD）
（2）アルゴリズム
（3）経験モデル

　逆問題の流れを示したのが図4だ。経験者の“勘と経験と度胸（頭文字を取って「KKD」）”で得たアナログデータを可能な限りデジタル化する。閾（しきい）値を決めて、その値を上回る、あるいは下回ると警告を出す。経験値を数値化したものをモデルとして表現する。デジタル化し、そしてモデル化する場合に必要になるのが「アルゴリズム」だ。

図4：逆問題における分析の流れ

　次に、ツールを用いて解析する。生のアナログデータに近いものを使っても構わない。可視化・分類されたものを観察し検証していく。結果の原因が理解できれば、次は対策である。これもDIKW（Data、Information、Knowledge、Wisdom）の流れになる。

　順問題でも逆問題でも、ツールとしてAI（人工知能）を用いる場合、ディープラーニングとベイズ法の違いは知っておいたほうがよい。ディープラーニングはボトムアップ方式であり、AIが生データで学習して成長していく。これに対し、ベイズ法はトップダウン方式で、新しい概念の例をAIに１つ与え、AIが類例を認識すれば、様々なパターンに対応できるようになる。

　大量のデータが必要、もしくは、類似問題しか解けないといったディープラーニングの弱点を補うため、「GAN（敵対的生成ネットワーク：Generative Adversarial Networks）」がある。GANは、敵対するAIをだます中で実在しそうなデータを作り出し、成長しながら想像力を獲得していく。

究極は「複雑なデータを単純に分析する」こと

　なお順問題・逆問題にかかわらず、分析対象には単純と複雑の2つがある。分析方法も単純と複雑の2種類がある。組み合わせれば4つに分けらえる。

（1）単純なデータを単純に分析＝誰でも容易にできること
（2）複雑なデータを複雑に分析＝努力してできること
（3）複雑なデータを単純に分析＝閃き（ひらめき）が必要なこと
（4）単純なデータを複雑に分析＝一番避けねばならない方法

　簡易的にデータ分析するならば（1)で十分だ。特に逆問題の場合は、高価なツールを使う必要はない。分析者の中には、たとえば「Excelは信用できない」としてExcelを批判する人がいる。だが、それは分析者のExcelの使い方が悪いだけである。

　逆に、役に立たないツールのほとんどが（4）であることは指摘しておかなければならない。単純なデータを意味もなくグラフで表現するだけでは、何も生まれない。

　順問題で分析を頑張れば頑張るほど、どうしても（2）になりがちである。データに埋もれて本来の目的を見失うパターンだ。究極は、（3）を目指さねばならない。そのためには学校では教えてくれない、自らに合った分析法を習得する必要がある。

　次回は、データ分析の手順とポイントを中心に述べたい。