第92章 Pragmatic AI
人工知能 (AI) について考えるとき、機械学習とビッグデータが思い浮かぶかもしれません。ただし、機械学習は全体像の一部にすぎません。人工知能には、以下の技術が含まれます。
- ロボット工学: 人間が実行する物理的なタスクを実行できる機械を製造する技術、科学、工学の統合
- 機械学習: 明示的にプログラムされていなくても、データにさらされたときに学習または改善するアルゴリズムのコレクションの機能
- 自然言語処理: 人間の音声を処理する機械学習のサブセット
- 数理最適化: 問題の最適解を見つけるための条件と制約の使用
- デジタル意思決定: 定義された基準、条件、および一連の機械的タスクおよび人的タスクを使用して意思決定を行う
サイエンスフィクションの世界では、人よりも優れたパフォーマンスを発揮し、人と区別できず、人間の介入や制御なしに学習して進化する、いわゆる人工知能 (AGI) が多用されていますが、AGI は数十年先にあります。一方、Pragmatic AI は、それほど恐ろしくなく、今日の私たちにとってはるかに便利です。Pragmatic AI は、AI テクノロジーのコレクションであり、組み合わせることで、顧客の行動の予測、自動化された顧客サービスの提供、顧客の購入決定の支援などの問題に対するソリューションを提供します。
業界をリードするアナリストは、以前の組織は AI が今日提供できるものの現実ではなく、AI の可能性に投資したため、AI テクノロジーに苦労していたと報告しています。AI プロジェクトは生産的ではなく、その結果、AI への投資が鈍化し、AI プロジェクトの予算が削減されました。この AI に対する幻滅は、しばしば AI の冬と呼ばれています。AI は、AI の冬とそれに続く AI の春のサイクルを数回経験しており、今では明らかに AI の春にいます。組織は、AI が提供できる実際の状況を把握しています。実利的であることは、実用的かつ現実的であることを意味します。AI への実利的なアプローチでは、現在利用可能な AI テクノロジーを検討し、有用な場合はそれらを組み合わせ、必要に応じて人間の介入を追加して、現実の問題に対する解を作成します。
Pragmatic AI の解の例
Pragmatic AI の適用の 1 つは、カスタマーサポートです。顧客が問題 (ログインエラーなど) を報告するサポートチケットを定義します。機械学習アルゴリズムがこのチケットに適用され、キーワードまたは自然言語処理 (NLP) に基づいて、チケットのコンテンツを既存の解と照合します。キーワードは多くの解に表示される可能性があり、関連するものもあれば、関連性がないものもあります。デジタル署名を使用して、お客様に提示する解を判断できます。ただし、アルゴリズムにより提案された解のいずれも、お客様に提案された解に適していない場合があります。これは、すべての解の信頼スコアが低いか、複数のソリューションの信頼スコアが高いことが原因である可能性があります。適切な解が見つからない場合は、デジタル決定にヒューマンサポートチームが関与する可能性があります。可用性と専門知識に基づいて最適なサポート担当者を見つけるために、数理最適化では、従業員名簿の制約を考慮して、サポートチケットに最適な担当者を選択します。
この例が示すように、機械学習を組み合わせてデータ分析とデジタル決定から情報を抽出し、人間の知識と経験をモデル化できます。次に、数理最適化を適用して、人間による支援をスケジュールできます。これは、クレジットカードの異議申し立てやクレジットカードの不正検出など、他の状況に適用できるパターンです。
これらの技術は、4 つの業界標準を使用します。
Case Management Model and Notation (CMMN)
CMMN は、状況に応じて予測できない順番で実行される可能性のあるさまざまなアクティビティーを含む作業メソッドをモデル化します。CMMN モデルはイベントを中心とします。CMMN は、構造化されていない作業タスクと人間が行うタスクをサポートすることにより、BPMN2 でモデル化できるものの制限を克服します。BPMN と CMMN を組み合わせることで、より強力なモデルを作成できます。
Business Process Model and Notation (BPMN2)
BPMN2 仕様は、ビジネスプロセスを描画表現するための標準定義、要素の実行セマンティクス定義、および XML 形式でのプロセス定義を行うときに使用する Object Management Group (OMG) 仕様です。BPMN2 はコンピューターおよびヒューマンタスクをモデル化できます。
DMN (Decision Model and Notation)
DMN (Decision Model and Notation) は、業務的意思決定を説明してモデル化するために、OMG が確立している規格です。DMN は XML スキーマを定義して、DMN モデルを DMN 準拠のプラットフォーム間や組織間で共有し、ビジネスアナリストやビジネスルール開発者が DMN デシジョンサービスの設計と実装で協力できるようにするものです。DMN 規格は、ビジネスプロセスを開発してモデル化する BPMN (Business Process Model and Notation) 規格と類似しており、一緒に使用できます。
Predictive Model Markup Language (PMML)
PMML は、予測モデル、つまり統計的手法を使用して大量のデータのパターンを検出または学習する数学モデルを表すのに使用される言語です。予測モデルは、学習したパターンを使用して、新しいデータのパターンの存在を予測します。PMML を使用すると、アプリケーション間で予測可能なモデルを共有できます。このデータは、DMN モデルで使用できる PMML ファイルとしてエクスポートされます。機械学習フレームワークがモデルのトレーニングを継続すると、更新されたデータを既存の PMML ファイルに保存できます。つまり、モデルを PMML ファイルとして保存できるアプリケーションにより作成された予測モデルを使用できます。したがって、DMN および PMML が適切に統合されます。
すべてを 1 つにまとめる
この図は、予測可能なデシジョン自動化が機能する仕組みを示しています。
- ローン申請からのデータなど、ビジネスデータがシステムに入力されます。
- 予測モデルと統合されたデシジョンモデルは、ローンを承認するかどうか、または追加のタスクが必要であるかどうかを判断します。
- 拒否レターやローンの申し出などのビジネスアクションの結果が顧客に送信されます。
次のセクションでは、予測的意思決定の自動化が Red Hat Process Automation Manager でどのように機能するかを示します。
