実用例としてのレコメンドシステム
Webなどで、過去のアクセス履歴やネットショッピングの実績から、お勧めの広告が表示されることは多くの方が実感されているだろう。これはお勧めするという意味で名付けられた「レコメンドシステム」によるものである。
実は、今回のコラムを書くにあたって、再度現状のAIの立ち位置などを調査・確認していた際に驚いたのは、このレコメンドシステムがAIの実施事例としてあげられていたことだ。
私自身、およそ20年ほど前であろうか、このレコメンドシステムの黎明期に、あるプロジェクトの責任者として、サービスにレコメンド機能を実装することになった。当時はAIなどという意識はまったくなく、事実、開発したサービスにAIは搭載していない。
そういう実績・経験もあって、いまのいままでレコメンドシステムとAIを結び付ける思考回路はまったくなかった。しかし、あらためていわれてみると、確かにと納得させられる一面もあるのだ。
まずは、レコメンドシステムについて説明していく。
黎明期のレコメンドシステムにおいて、大きく２とおりのエンジン、お勧めする機能のタイプが存在した。一つはルールベースエンジンであり、もう一つは協調フィルタリング方式のエンジンである。
前者のルールベースとは、その名のとおり、あらかじめ定められたルールに従って、お勧めを出力するエンジンである。この場合のルールとは、例えばＡという商品を購入した人にはＢをお勧めするとか、ＡとＢを同時に購入した人にはＣをお勧めするなどである。
このルールを定めるのは、マーケッターと呼ばれる人間である。マーケッターは、マーケットの基本定石を理解し、経営側の戦略的意思を受け、実際の取引や閲覧データを分析し、どのような施策を打つべきか提案する。施策としてはチラシ広告を打つエリアや、マス広告への展開などがあり、その一つに特定ターゲットへの発信もある。それらの効果を分析し、施策の有効性や是正点なども提案する。
有名なのは、スーパーマーケットでのバスケット理論事例「おむつとビール」が同時に購入されるという事象の発見である。後付けで原因を想定すれば、サラリーマンが帰宅時に奥さんからおむつを買って帰ってほしいと頼まれ、同時にビールに手が伸びるということらしいが、データの分析なく事前に想定するのは困難だろう。
このような効果を生み出すため、ルールとして施策を打ち、その結果を検証しながら、新たなルールを設定する、という作業を継続的に行うのだ。
したがって、ルールベースのエンジンはマーケッターの要望する複雑なルール設定をどれだけ実現するかが肝であり、それ以上でも以下でもないことから、比較的安価なシステム構築が可能ではある。しかし、マーケッターの腕が効果を左右し、運用上の負荷もマーケッターには相当大きなものになるのは避けられなかった。
もう一つの方式「協調フィルタリング」とは
もう一つの協調フィルタリング方式は、マーケッターの負荷がまったくといっていいほど必要のないエンジンである。
協調フィルタリング方式の場合、例えば通販サイトなどで、検索や購買履歴から類似の行動を示すユーザーを探し出し、そのユーザーが購買した商品をお勧めする仕組みである。この方式であれば、確かに人間が介在する負荷なくお勧めができるのだ。
だが、よく考えてもらいたい。例えば通販サイトなどを立ち上げる時に、最初は検索や購買履歴情報など存在しない。システムを立ち上げ、相当な時間が経過しなければ、システムとしての学習量が不足し、それがゆえ、お勧めする情報もでたらめといっても過言ではない状態だろう。そして黎明期において、この種のエンジンは海外製がほとんどで、高価であった。
高価であるということは、投資対効果で考えれば、システムとしての導入もされづらかったのが現実である。事実、私が担当したプロジェクトもルールベースがクライアントにより選択された。それゆえ、レコメンドをAIと結び付ける思考回路がなかったのだ。
だが、再認識させられたのは、この協調フィルタリング方式は機械学習の一つであり、立派なAIとして実用化されていたことである。
欠点として、高価であり、学習不足の時点では機能しない。それどころか、まった意味不明の出力を返してしまうことも忘れてはならない。そして実は、私が最も重要だと思う欠点は、経営側の戦略意思をお勧めに反映することが、この方式ではできないことだ。それこそお任せになってしまうことだろう。
AIと人間のハイブリッド化
ここまで述べてきたことから容易に想像していただけると思うが、ルールベースと協調フィルタリング方式の双方を実装し、いいとこ取りをすればよいということだ。それはすでに現実になっている。
高価だという欠点は、普及すれば需要と供給のバランスで解消されていく。学習不足時の出力の不正は、ルールベースを働かせることで一定の正しさを保つことができるだろうし、同様に経営側の戦略的意思を反映することも可能だ。そして協調フィルタリング方式で出力された情報が、ある一定条件をクリアした時点でルールに追記されるようになれば、マーケッターの負荷も激減する。
まさに、AIと人間のハイブリッド化によって問題解決できるのである。
実際に現時点のAIにおいては、学習する情報の質と量がすべての鍵を握るということであり、逆説的にいえば、学習情報が偏っていれば出力も間違いなく偏る。与える情報が少なければ、それ以上の出力は返せない。
例えていえば、AIとは成長期の好奇心旺盛で頭脳明晰な子供と考えればよい。子供の能力が開発されるのは教育環境の影響が大きいが、AIも同様なのだ。また、不正な教育環境に置かれた本人は、自分自身の出力に間違いがあることも外の世界を知らなければまったく気が付かず、真実と信じて疑わない。それもまた、AIでも同様だ。
そして出力を受ける側からすれば、その教育環境の実態が知らされない限り、出力の真偽判定をする術がないのも忘れてはならない。したがって、悪意をもってAIを利用すること、意図して不正な情報を出力させることも実際に可能だ。
AIは決して万能の神ではない。人間が適切に教育環境を提供し、その出力を適正に評価しながらであれば人間の一部の作業を自動化できるが、使い方を誤ったらリスクもある道具なのである。
次回、悪用されていると思われる事例や、人間が成長しなければAIにとってかわられる要素などを検討したい。
