• Column
  • 不完全・少量の“レガシーデータ”をAIで活用する

ドメイン知識をAIシステムに組み込む過程で組織も改善できる【第4回】

松崎 潤(日本TCS IoT戦略本部 シニアデータサイエンティスト)
2021年6月3日

第3回では、数理モデルの形でAI(人工知能)システムに組み込めるドメイン知識が一般的にどのようなものかを紹介した。少量・不完全・誤りを含み一貫性がないというレガシーデータの各要件について、対応するドメイン知識とそのモデル化の例を挙げた。今回は、ドメイン知識を組み込んだAIシステムが適用できる業種や業務について考えると同時に、ドメイン知識を数理モデル化する過程そのものが、組織の意思決定に良い影響を与えることを提案する。

 これまでに、レガシーデータを使って、意思決定に利用できる制度での分析や予測、最適化を実施するには、レガシーデータに不足している情報をドメイン知識で補う必要があることを説明してきた。つまり、本連載で紹介している、AIシステムにドメイン知識を組み込む方法が適しているのは、業務の過程や対象に関するドメイン知識が豊富な領域である。

 その意味で、生産設備やプラント、重要インフラを対象に、故障確率や余寿命を予測し、点検・整備スケジュールの最適化を図る予知保全は、最も適する領域の1つだ。

 生産設備などの予知保全では、故障や交換に至るまでの期間が長いため、点検や整備、運転の記録などについて、新たに集めたデータだけで予測するわけにはいかない。必然的にレガシーデータを利用することになる。特に点検・整備の記録は手書きで記された後に、人手でデータを入力するケースが多く、誤りや欠損が入り込むことは避けられない。

 しかし、これらの領域では、設計から開発、運転、点検、整備までの各過程において、豊富なドメイン知識が蓄積されている。定性的なもの、確率的なものを含め、豊富なドメイン知識を数理モデル化しAIシステムに組み込めば、正確で、稀な状況に対しても頑健、かつ予測過程の解釈も容易なAIシステムを構築できる。

集団(フリート)レベルの予測と最適化は物流分野でも生きる

 第2回では、製品出荷数の履歴に基づく交換部品の需要予測を紹介した。そこでは、製品個体別ではなく製品の集団について故障率を推定していた。修理過程などの業務に関する知識や、故障までの平均的な年数、故障率に影響する要因などの設計・開発に関わる知識を数理モデル化することで、少量かつ一部期間が欠けたレガシーデータからの需要予測を可能にした。この予測は、生産計画や在庫管理など生産・流通の最適化に利用できる。

 この場合、製品個体に関する情報、すなわち運転・点検・整備の記録は必ずしも必要ではない。だが、故障に関わる重要な要因が含まれている場合は、利用することになる。

 製造業以外でも、輸送業やレンタル業では、トラックなどの輸送機器やレンタル対象機器といった多数の資産を集団(フリート)レベルで最適に運用する必要がある。集団の運用を強く制約するのが、個別の機器の故障や、その後の修理、そして故障を未然に防ぐための点検・整備だ。

 このため、運転・点検・故障の記録に基づき、個別機器の故障確率や余寿命を予測できれば、輸送やレンタルなどサービスの需要や制約を同時に考慮しながら、機器の集団レベルで点検や整備のタイミングを最適化できることになる。

 他にも、中長期的な予測のためにレガシーデータを利用せざるを得ないものの、製品やサービス、生産設備、顧客、競合企業といった業務の対象や業務の過程に関してドメイン知識が蓄積されている状況であれば、ドメイン知識を定量的・定性的、または確率的な数理モデルとしてAIシステムに組み込む方法が適すると考えられる。