AIデータ分析コラム【13】課題とモデルを貫く汎用的な知識　～データ分析現場の苦労と切望から～

一つめは、今あるデータですぐに分析を始めてしまうことです。それだと分析したい目的に対してデータが不適切であったとか、データの量が不十分だったとか、本来解くべき課題を正しく分析できない可能性があります。データ分析の流れは目的・課題設定、仮説構築、データ収集・加工、分析モデル構築、モデル評価となりますが、まず初めに目的・課題を明確にすることでそれ以降の工程を正しく実施できます。いきなり分析を始めるのではなく、何のためにどんなデータを使ってどう分析するかをきちんと把握してから取り組むのです。その時、もう一つ重要なポイントは、解決できた際の効果を想定しておくことです。業務の中で解くべき課題はいくつもあるはずなので、課題の難しさと効果のバランスを考慮し、どの課題から解いていくか、優先順位を決めて取り組むことができます。

まずは、解決すべき問題・課題の難易、特に難しさのポイントを捉えます。問題・課題は常に望み通りに解けるとは限りませんが、その難しさはおよそ捉えられます（図１）。これは、おおよそ、複雑さと課題とのかかわり方を捉えることとも言えます（図２）。

例えば検知問題では、検知対象の信号の強弱と検出の妨げになるノイズの強弱が基本的な難易となりますが、信号とノイズの強弱の観点で難しい場合が重要です。この時、弱い信号の増強や強いノイズの抑制が必要となり、それぞれの複雑さが課題の難易を左右します。

ちなみに、人間は常に複雑さと共に在ります。課題や問題がシンプルな場合は、複雑さを既に回避できているわけです。なお、複雑さは、その発生源が比較的わかりやすいものです。また、後で述べるように、複雑さを分析して特徴を理解するための考え方があります。複雑さの発生源・特徴に課題状況を照らし合わせると、課題の難易が捉えられることが少なくありません。検知問題の難易の捉え方は、この考え方に沿うものです。限界まで精度を追い込むために必要な分析は何か、現状の限界精度を改善するには、なにが必要になるか等の戦略を教えてくれます。

ところで、ひと口に「課題状況」と申しましたが、これを捉えるための汎用的な考え方があります。実は殆どの問題や課題は、（広く解釈した）コントロール、またはその部分の問題として捉えられます。つまり、連続または不連続な選択肢が存在して適切に調整・選択することは、広い意味でコントロールと言えます。そしてコントロールのパフォーマンスを優れたものにすることが、課題そのものまたは課題の直接的な背景や動機となっています（図３）。例えば、予測や状況判断（検知・認識）等の課題は、これらを用いるコントロールの結果をより優れたものとするために生じています。

課題状況を捉えて課題の全体像が見えて来ると、複雑さと課題の関わりがより明確になり、課題の難易や解決への道筋が捉えやすくなります。例えば、人間が複雑なプロセスに関わって性能が左右されるようなシステムでは、人間とプロセスそれぞれの異質な複雑さと性能が関わっています。性能と複雑さの関わりが捉えられれば、性能を保って複雑さの性能への関与を抑制することで、問題の解決や課題の難易度を抑制するというシナリオに繋げられます。

ちなみに、（広義の）コントロールの観点は、思いのほか強力な汎用性があります。生物、技術、社会の進化を説明し、私たちが感覚や記憶を備える理由や、言語、貨幣の働き等を説明します。実際、コントロール能力が優れることが、強い適応能力を説明します。また、観測や経験の活用がコントロール能力において決定的に重要である点が、人間と社会の機能的な要素の存在を良く説明します。なお、人・モノ・カネなどの資源は選択肢の維持・拡大として、コントロールの枠組みにおいてその働きを解釈できます。

さらに、データ分析業務の対象として重要な、人によってデザインされたシステム（人工システム）について、いわゆる物理現象と異なる特徴と複雑さを理解する考え方が、コントロールの観点から得られます。すなわち、（力学の基本法則に従うような）物理現象では未来が決まっていますが、人はコントロールを通じて未来を選び望む結果に向けて変えようとします。この人の特性を反映することで、人工システムはその役割を果たしています。

未来が変えられるという点は、数学モデルとの関係で基本的な役割を果たします。選択肢の選択が可能ということは、分岐の存在を意味するためです。分岐の存在は数学的には特異性（シンギュラリティ）[2]の現れです。コントロールの観点は、人工システムの能力やその発達が特異性と密接に関わっていることを教えてくれます。この点は課題の複雑さを理解し、モデルデザインをコントロールするための基本的な知識になります。

例えば、深層学習モデルは、特異性（またはその近似）を豊かに備えることで、優れた表現能力を示します。これは内挿的な利用にマッチすることを意味します。実際、抽出したい構造が非線形であっても特異性が無く緩やかに曲がっている場合、外挿に向くモデルが有利であって、深層学習は必要なデータ量において不利となります。そのため、抽出すべき構造において特異性がどのように現れるかを知ることは、モデルデザインの戦略上の要点の一つと言えます。

人工システムや人間行動の振る舞い（選択肢の選択）は、まったくデタラメではなく、何らかの関係または関係性の下にあります。機械学習の多くは、この関係性をデータからモデルに抽出します。人間に由来する類の関係性については、コントロールの観点から、これが生じる仕組みを説明できます。それが局所的な最適化です。

人工システムや人間は、選択肢を選択できるわけですが、認識できる範囲、必要な努力、期待される効果等に限定された範囲で（局所的）、より望ましい選択肢が選択されます。望ましい結果となる選択は、コントロール系の内部（記憶）または外部（設計や周囲との関係性）に組み込まれて、振る舞いに関係性を生じます（最適化）。

システムが複雑になると、選択の揺らぎが大きくなりますが、局所最適化は引き続き有効な観点です。実際、人間の行動にも局所最適化がしっかりと働いていて、適応行動[3]として、古くから研究されてきました。人間の行為・行動に関わる大規模データの学習が上手く行くケースは、適応行動の構造や特性にマッチしたモデルや手法と言えます。

ちなみに、最適化の考え方は、物理現象を理解し振る舞いを支配する法則を捉えるための伝統的な原理の一つです[4]。人工システムや人間行動と同一の考え方が当て嵌まることは興味深い点で、強力な汎用性を示唆します。一方で、ここで言う関係性は、動き（可能な選択肢の選択や想定しうる変化の中の実現）を規定・統制するものという、短時間的な意味で用いています。局所最適化の下での振る舞いが積み重なって、より長時間の関係性や構造が形成され、短時間の振る舞いにも関与して複雑になりうることは注意すべき点です。人の適応行動の結果として、クラスタが形成されるのは、そのような例の典型です。より一般的には、自己組織化と呼ばれる現象が当て嵌まります。

機械学習の多くは、対象の局所最適化やその積み重ねに伴って生じている関係性をデータからモデルに抽出し、これを「学習」と称しています。従って、関係性の構造や特徴がモデルマッチングのポイントとなります。複雑な関係性の特徴を捉えるために汎用的に利用できる観点として、相互作用における2種類の振る舞い方（動き方）があります。

相互作用（の関係）とは着目している要素の動きとその周囲の動きの相互の影響関係を意味するもので、選択肢選択等の振る舞いに限りません。私たちを取りまく世界を観察すると、相互作用にはしばしば2種類の振る舞い方が伺われ、関係性の骨格と密接に関わっていることがわかります。この2種類の振る舞い方を足場として複雑さを捉える考え方は、一定の汎用性があると考えられます。

一つの種類は、低自由度で強い動き・振る舞い方、もう一つは高自由度で弱い動き・振る舞い方です。この２種類の振る舞い方は対照的な特徴を備え、しばしば相互に関連しつつ対となって生じます。物理現象、生物、人間行動、社会、さらにはモデル側となる数学に渡って広くかつ基礎的なものとして出現します。

まず、身近な例で見て行きます。身の回りで、モノを掴んで空間を少し移動させます。その際に物体（モノ）の運動自身（低自由度で強い動き）と、物体の運動が物体をとりまく周囲の空間に及ぼす影響（高自由度で弱い動き）が生じています（図４）。これは物理的な例ですが、類似する状況で、認知的な2種類の振る舞いが認められます。例えば、物体を机の上に置いて、その形状を指先で触れて認識することを考えます。手を動かすと明確な形状が脳裏に浮かびます。ここで手の動きを止めて手と物体が触れたまま別の手で物体側を動かすと、物体形状の知覚は消失し、物体に触れている手や指自身が知覚されます。手指と物体の間にはモノの空間移動と類似した相互作用が生じていて、２種類の動きが伴っています。手指が動く能動的関係と物体が動く受動的関係では、２種類の振る舞い方が切り替ります。これに伴って、対象の認識や身体の隠蔽が不連続に生じていることが分かります。

上の例は、この2種類の振る舞い方に注目することで、複雑な振る舞いや関係性に構造や特徴が見出しうることを示しています。このようにして捉えられる課題側の構造をモデル側の数学的な構造と結びつけることで、モデルマッチングが可能となってきます。重要なのは、「低自由度強挙動ー高自由度弱挙動」の観点に汎用性がある点です。そこで、関連する例を分野横断的にあげてみます。物理で言えば、粒子と場、乱流と層流、力学系のカオス的遍歴[5]（低次元）と非対称運動[6]（高次元）などがあげられます。生物では、近接した周囲の環境と複雑に結びついて安定的に振る舞う活動と、周囲との結びつきから離れてシンプルで不安定に振る舞う活動として一般的に見られます。基本的な例として植物と動物の生態があげられます。人の行動では、能動的行動と受動的行動に2種類の振る舞い方の特徴が見られます。自律神経系の交感神経、副交感神経は関連する対となる振る舞いの例です。また、運動的・認知的な行動の多くは、上述のように2種類の振る舞い方と関連します。社会組織では、関係性のグラフに影響として現れます。中心からの強いコントロールや影響を受ける集中的・階層的関係性（アソシエーション）と、局所的で密な関係性に基づくコミュニティが関連する2種類としてあげられます。新技術の普及過程[7]や、サービスの利用行動にも関連が認められる２つの行動類型が見られます。

一方で数学では、２種類の振る舞い方が様々な概念に様々なかたちで組み込まれています。モデル作成の観点からは基本的なものとして、骨格（主成分）とノイズの区分、外挿向きの関数セットと内挿向きな関数セットの区別（層の概念[8]を用います）があげられます。なお、簡単に見えて2者の関係が酷く難解な例として、自然数の掛け算と足し算があります。

低自由度強挙動ー高自由度弱挙動に共通する傾向のあるイメージとして、動と静があります。また、機能的な特性として大雑把な効率性と非効率な緻密さがあげられ、相互補完的な働きが伺われます。

ＡＩや機械学習では、モデルが複雑になってきたせいか、それをしっかりとコントロールする方法が提供されない傾向にあります。私は、モデルが高い性能を生じる仕組みを性能機序と呼んでいます。性能機序を基に、モデルをコントロールすることを推奨し、また目指しています。そのためには課題とモデルの双方を分析するための汎用的方法が肝要と考えて、これを整備しつつ性能機序とお客様課題の分析に携わっています。