ＡＩ・機械学習の活用におけるソフトウェア工学の今後の課題～ノンプログラミングで作成する予測APIの事例から～
Download as PPTX, PDF3 likes2,263 views
ソフトウェア・シンポジウム２０１７ ＷＧ１３で発表したプレゼン資料です（付録として、ディープラーニングの場合とnode-redで呼び出した場合も付け加えています）
![ＡＩ版酒屋倉庫問題（１）
• そもそも、酒屋倉庫問題とは？
– 酒屋倉庫問題とは，情報処理[1]に記載されてい
る「ある酒類販売会社」（以下酒屋と記す）におけ
る「受付係の仕事（在庫なし連絡，出庫指示書作
成，在庫不足リスト作成）のための計算機プログ
ラムを作成する」という問題である．
• 今回は、「受付係」の「出庫指示書作成」業務
について考える
– 出庫依頼に基づき、倉庫の酒を出庫する指示書
を作成する
[1]山崎利治,共通問題によるプログラム設計技法解説， 情報処理Vol25 No9(1984).
4](https://image.slidesharecdn.com/ss2017wg13-170609150426/85/API-4-320.jpg)
![機械学習の手順
(1)機械学習プログラムの設計・実装
• 手順（回帰の場合）
– 欲しい結果である目的変
数を決める
• 今回は売上本数
– 目的変数を説明するであ
ろう変数（＝説明変数）を
とりあえず決める
• 前の売上までの間隔
– 機械学習手法と、その手
法で利用する変数（ハイ
パーパラメータ）を決める
• 今回は線形回帰
• SPSSでここまでを作成
– 目的変数・説明変数設定
– 手法、ハイパーパラメータ
10
[1]機械学習を自動化するプラットフォーム DataRobot
https://www.itnex.jp/datarobot/
手法やハイパーパラ
メータの決定支援ソ
フトも存在[1]](https://image.slidesharecdn.com/ss2017wg13-170609150426/85/API-10-320.jpg)
![従来のＡＩとの相違点
従来（エキスパートシ
ステム等）
統計的機械学習・ディー
プラーニング
動作原理 ルールから演繹的（論
理的）に導く
データから帰納的に学習
する
開発に必要なもの ルール （過去の）データ
開発上の課題 ルールが十分か？ データが適切か？[1]
フレーム問題[2] 起こる それほど発生しない[2]
現在での適用例 チャットボット 画像認識（文章作成[3]）
16
アブダクション
はまだない
[2]松尾 豊：AIの未解決問題とDeep Learning
https://kaigi.org/jsai/webprogram/2014/pdf/785.pdf
フレーム問題は、状況に応じて適切な知識を記述することができないという問題であり、環境にお
いて何を表現すべきかに関わる。これを DeepLearning の観点から考えると、さまざまな現象を記
したデータがあり、そこにおいて何を表現すべきかという問題をボトムアップに解くのであれば、表
現されたものの範囲外にあるような事象というのはそれほど発生しないはずである。
[3]Goo オシエル https://oshiete.goo.ne.jp/ai
[1]ヘイト発言のAI「Tay」と女子高生AI「りんな」の差
http://wired.jp/2016/03/28/tay-gets-autopsied/ データはモデルの構築
にも検証にも用いる
（クロスバリデーション）](https://image.slidesharecdn.com/ss2017wg13-170609150426/85/API-16-320.jpg)
![今後のソフトウェア工学：
ＡＩが続く場合
• 要求を満たしているか、テスト（評価）で確認
– テストが重要：AIでは論理的な設計レビューに限界
– ただし、テストで十分な精度が得れば良いとは限らない
• そのテストデータのみ良い結果の可能性（過学習）
• 学習済みモデルの品質保証
– 環境が変われば、学習内容も変える可能性
– 学習後、修正が入った場合のテスト[1]
• データの種類が不足したとき
– オープンデータの利用：ＡＰＩで呼び出せれば活用可能
– 特徴を見つけないといけない場合も:Feature Engnieering
• AIは、論理的に説明できない分野へ、データによる問
題解決手法を持ち込んだ点で重要
17
[1]専門家が警告！ 人工知能システムのテストは「カオス」
http://itpro.nikkeibp.co.jp/atcl/watcher/14/334361/050800832/
感性・野性
入出力は画面と
は限らないので
ＡＰＩが増えた](https://image.slidesharecdn.com/ss2017wg13-170609150426/85/API-17-320.jpg)
![付録２：ＳＰＳＳ予測ＡＰＩ呼び出し部分
21
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<script src="http://code.jquery.com/jquery-1.9.1.js"></script>
<script>
$(function(){
$("#bt1").click(function () {
$.ajax({
type: "POST",
url: “https://ibm-watson-ml.mybluemix.net/pm/v1/score/story3?accesskey=(ここにAccess Keyが入る)",
dataType:"text",
headers: {'Content-Type': 'application/json;charset=UTF-8'},
data: JSON.stringify({
"tablename":"mydata.txt",
"header":["intv","buy"],
"data":[[7,2]]
}),
success: function(msg){
$("#kekka").text(msg);
},
error: function(XMLHttpRequest, textStatus, errorThrown){
alert(textStatus);
}
});
});
});
</script>
</head>
<body>
予測（下に結果）<BUTTON id="bt1">実行</BUTTON>
<div id="kekka"></div>
</body>
</html>
この画面](https://image.slidesharecdn.com/ss2017wg13-170609150426/85/API-21-320.jpg)
ＡＩ・機械学習の活用におけるソフトウェア工学の今後の課題～ノンプログラミングで作成する予測APIの事例から～
- 1. ＡＩ・機械学習の活用における ソフトウェア工学の今後の課題 ～ノンプログラミングで作成する予測APIの事例から～ 筑波大学大学院 ビジネス科学研究科 岡野 道太郎 1 ソフトウェアシンポジウム ２０１７ 宮崎 WG13
- 2. 背景・問題意識 • ＡＩを活用したシステムと活用しない方法では開 発方法や管理すべきポイント等が異なる – 開発工程：設計・実装／テストの意義 – 品質への影響：データの影響度 • ＡＩ活用システムの要求仕様研究を踏まえ、要求 仕様以降の工程での相違点を議論する – システム開発の実例：ＡＩ版酒屋倉庫問題 • 機械学習による予測API作成 – 従来のソフトウェア開発／ＡＩとの違い • これらの議論を踏まえ、ソフトウェア工学の今後 の課題について考察する 2
- 3. アジェンダ • ＡＩ版酒屋倉庫問題の事例 – ＡＩ版酒屋倉庫問題とは – 機械学習の利用例 • SPSS Modeler→クラウド（ＩＢＭ Bluemix）へＡＰＩ公開 • 事例から見た「従来」との相違点 – 従来の開発との相違点 – 従来のＡＩとの相違点 • 今後のソフトウェア工学 – ＡＩブームが続いた場合 – ＡＩブームが終わった場合 3 普通プログラミング しますが、わざとノン プログラミングの例 付録１：CNN（ニューラルネット） 付録２：ＳＰＳＳ予測ＡＰＩ呼び出し部分 付録３：node-redによるＡＰＩ呼び出し
- 4. ＡＩ版酒屋倉庫問題（１） • そもそも、酒屋倉庫問題とは？ – 酒屋倉庫問題とは，情報処理[1]に記載されてい る「ある酒類販売会社」（以下酒屋と記す）におけ る「受付係の仕事（在庫なし連絡，出庫指示書作 成，在庫不足リスト作成）のための計算機プログ ラムを作成する」という問題である． • 今回は、「受付係」の「出庫指示書作成」業務 について考える – 出庫依頼に基づき、倉庫の酒を出庫する指示書 を作成する [1]山崎利治,共通問題によるプログラム設計技法解説， 情報処理Vol25 No9(1984). 4
- 5. ＡＩ版酒屋倉庫問題（２） • 酒屋倉庫問題では – （先入先出等の）出庫方法の指示はない – 「倉庫内のコンテナは出来るだけ最小にしたい」とい う記述がある • そこで、出庫方法に以下の指定をつけたものを 「AI版酒屋倉庫問題」とする – できるだけコンテナが空になるようにする – その際、１日でも早く、コンテナが空になったほうが望 ましい • 何が問題で、それがどうAIと関係するのか？ – 混載のとき問題で、そのとき売上予測が必要となる 5 売上予測にAI・機械学習
- 6. • 具体例 • これだけの情報から判断すると・・・ – コンテナ１は７日後、コンテナ２は３日後に空になる – コンテナ２から酒Bを出荷したほうが早く空になる可能性大 ＡＩ版酒屋倉庫問題（３） 6 ・コンテナ１に、酒Aが２本、酒Bが２本ある ・コンテナ２に、酒Cが２本、酒Bが２本ある ・酒Aは１週間（７日）おきに２本売れる、 ・酒Cは３日おきに２本売れる ・今、酒B ２本出荷の依頼が来た ・コンテナ１、２どちらから出荷したらよいか コンテナ１ コンテナ２ ● ● ● ●酒A：７日おき に売れる ● ● ● ● 酒B 酒C：３日おき に売れる
- 7. ＡＩ版酒屋倉庫問題（４） • 追加情報 • この条件が付加された時どちらのコンテナ？ – コンテナ１ • 一番早く空になるコンテナを知るには – 混載されている酒が売り切れる日の予測が必要 7 酒Aが売れるのは毎週金曜日である 今日は木曜日 昨日、酒Bが売れた
- 8. 機械学習による解決 • 手順：学習済みモデルが無く、作成する場合 – (1)売上予測の機械学習プログラムの設計・実装 – (2)売上データを元に機械学習を実施 – (3)機械学習した結果が十分な予測精度を持つか 評価する – (4) 十分な予測精度が得られた場合，実稼動する． • すなわち，機械学習を行い，十分な予測精度を持った システム（「学習済みモデル」）を用いて売上予測する – (5)環境変化に対応する場合には，新たな売上 データを用いて再度学習する→（２）へ 8 学習済みモデルがあれば、ここから
- 9. （参考：機械学習の手法） • 手法の選択 • 教師データの有無 – 教師あり学習 – 教師なし学習 – （半教師あり学習） 9 実際に行動を起こし、そ の結果を評価・良いもの を学習する「強化学習」 もある 図はＳＶＭの場合 SVMと異なり（クラス に分けるのでなく） 類似性で分類する 場合もある （クラスタリング）
- 10. 機械学習の手順 (1)機械学習プログラムの設計・実装 • 手順（回帰の場合） – 欲しい結果である目的変 数を決める • 今回は売上本数 – 目的変数を説明するであ ろう変数（＝説明変数）を とりあえず決める • 前の売上までの間隔 – 機械学習手法と、その手 法で利用する変数（ハイ パーパラメータ）を決める • 今回は線形回帰 • SPSSでここまでを作成 – 目的変数・説明変数設定 – 手法、ハイパーパラメータ 10 [1]機械学習を自動化するプラットフォーム DataRobot https://www.itnex.jp/datarobot/ 手法やハイパーパラ メータの決定支援ソ フトも存在[1]
- 11. 参考：機械学習の手順 (1)機械学習プログラムの設計・実装 • 手順（ＳＶＭの場合） – 欲しい結果である目的変 数を決める • ２本以上売れるかどうか – 目的変数を説明するであ ろう変数（＝説明変数）を とりあえず決める • 前の売上までの間隔 • 曜日 – 機械学習手法と、その手 法で利用する変数（ハイ パーパラメータ）を決める • ＳＶＭ • SPSSでここまでを作成 – 目的変数・説明変数設定 – 手法、ハイパーパラメータ 11 ＊畳み込みニューラルネット（ＣＮＮ）については付録１
- 12. 機械学習の手順 (2)機械学習の実施 • 手順 – データを入手 • 今回はmydata.txtという CSVファイルを作成 – データ前処理 • クレンジングなど • 売上までの間隔を計算 – 機械学習の実施 • 実行する • ここまでを実施 – CSVデータの入手・設定 – 機械学習実施 12 *詳細の手順については、以下のブログ参照 SPSSで、機械学習させるまで http://ameblo.jp/smeokano/entry-12278125148.html
- 13. 機械学習の手順 (3)機械学習結果の評価 • 手順 – 結果を評価基準に基づ き評価（不十分→(2)へ） • 決定係数、P値など、手法 によって評価基準がある – 評価結果上、十分であ れば、学習済みモデル として保存 • SPSSでここまでを実施 – 評価を見る 13 学習済み データとして 保存
- 14. 機械学習の手順 (4)学習済みモデルの稼動 • 手順 – 学習済みモデルをシス テムに組み込む（プログ ラミングする） • 今回はBluemix＋ＳＰＳＳ を使うことで、この部分を ノンプログラミングで実現 している – 利用時、その学習済み モデルを呼び出し、予測 を実施する • SPSS＋Bluemixで実施 – クラウドBluemix上でイン スタンスを作成 – インスタンスに学習済み モデルを組み込む – 利用時はREST API呼出 14 *呼び出しプログラムは付録２ node-redによる呼び出しは付録３
- 15. 従来の開発との相違点 従来の開発の流れ • 環境変化時 – 再設計・再実装 機械学習による開発 • 環境変化時 – 追加学習・学習のやりなおし 15 金曜日に 買っていた客 が引っ越した 学習済みモデ ルの呼び出し は従来と同じ
- 16. 従来のＡＩとの相違点 従来（エキスパートシ ステム等） 統計的機械学習・ディー プラーニング 動作原理 ルールから演繹的（論 理的）に導く データから帰納的に学習 する 開発に必要なもの ルール （過去の）データ 開発上の課題 ルールが十分か？ データが適切か？[1] フレーム問題[2] 起こる それほど発生しない[2] 現在での適用例 チャットボット 画像認識（文章作成[3]） 16 アブダクション はまだない [2]松尾 豊：AIの未解決問題とDeep Learning https://kaigi.org/jsai/webprogram/2014/pdf/785.pdf フレーム問題は、状況に応じて適切な知識を記述することができないという問題であり、環境にお いて何を表現すべきかに関わる。これを DeepLearning の観点から考えると、さまざまな現象を記 したデータがあり、そこにおいて何を表現すべきかという問題をボトムアップに解くのであれば、表 現されたものの範囲外にあるような事象というのはそれほど発生しないはずである。 [3]Goo オシエル https://oshiete.goo.ne.jp/ai [1]ヘイト発言のAI「Tay」と女子高生AI「りんな」の差 http://wired.jp/2016/03/28/tay-gets-autopsied/ データはモデルの構築 にも検証にも用いる （クロスバリデーション）
- 17. 今後のソフトウェア工学： ＡＩが続く場合 • 要求を満たしているか、テスト（評価）で確認 – テストが重要：AIでは論理的な設計レビューに限界 – ただし、テストで十分な精度が得れば良いとは限らない • そのテストデータのみ良い結果の可能性（過学習） • 学習済みモデルの品質保証 – 環境が変われば、学習内容も変える可能性 – 学習後、修正が入った場合のテスト[1] • データの種類が不足したとき – オープンデータの利用：ＡＰＩで呼び出せれば活用可能 – 特徴を見つけないといけない場合も:Feature Engnieering • AIは、論理的に説明できない分野へ、データによる問 題解決手法を持ち込んだ点で重要 17 [1]専門家が警告！ 人工知能システムのテストは「カオス」 http://itpro.nikkeibp.co.jp/atcl/watcher/14/334361/050800832/ 感性・野性 入出力は画面と は限らないので ＡＰＩが増えた
- 18. 今後のソフトウェア工学： ＡＩがブームで終わる場合 • 背景にあるソフトウェアの複雑性は不変 – ブラックボックス化：テストの重要性 – 複雑性→手作業煩雑：自動化へ期待 – 自動化による生産性向上／手組困難 • プロセスからコンポーネントへ – 昔：フレームワーク（MVC）利用。画面遷移重要 – 今：コンポーネント化。ＡＰＩ呼出＆マッシュアップ • APIの中身はブラックボックス • 要求から全テストケースを示し、要求をチケットとする開発 に移行する可能性 – この場合、テストを通れば、プログラミングでもＡＩでも、自動生 成（超高速開発・形式仕様の自動定理証明）でもよい – ＡＩ：データ、計算量の多さ／ボトムアップアプローチにも限界？ – ただし手組は既に限界→形式仕様における自動化のほうが… 18 要求＝ 問題の 定式化
- 21. 付録２：ＳＰＳＳ予測ＡＰＩ呼び出し部分 21 <html> <head> <meta http-equiv="Content-Type" content="text/html; charset=UTF-8"> <script src="http://code.jquery.com/jquery-1.9.1.js"></script> <script> $(function(){ $("#bt1").click(function () { $.ajax({ type: "POST", url: “https://ibm-watson-ml.mybluemix.net/pm/v1/score/story3?accesskey=(ここにAccess Keyが入る)", dataType:"text", headers: {'Content-Type': 'application/json;charset=UTF-8'}, data: JSON.stringify({ "tablename":"mydata.txt", "header":["intv","buy"], "data":[[7,2]] }), success: function(msg){ $("#kekka").text(msg); }, error: function(XMLHttpRequest, textStatus, errorThrown){ alert(textStatus); } }); }); }); </script> </head> <body> 予測（下に結果）<BUTTON id="bt1">実行</BUTTON> <div id="kekka"></div> </body> </html> この画面