【AIと意思決定】まとめ『予測マシンの世紀 第二部』
こんにちは。シンラボ共同代表の草場です。
AIとの共同に関して、『予測マシンの世紀 AIが駆動する新たな経済』をまとめていきます。推理小説のようで、ドキドキワクワクです。
目次
はじめに―機械知能
安さはすべてを変化させる
第１部 予測
第２部 意思決定（決断を解明する；判断の価値 ほか）
第七章 決定を解明する
第八章 判断の価値
第九章 判断を予測する
第十章 複雑さを飼いならす
第十一章 完全自動で意思決定
第３部 ツール（ワークフローを分解する；決断を分解する ほか）
第４部 戦略（経営層にとってのＡＩ；ＡＩがあなたのビジネスを変容させるとき ほか）
第５部 社会（ＡＩと人類の未来）
第二部、決断に関して見てきました。AIは人間の判断の予測も可能になってきているため、基本的には意思決定の完全自動化は可能なのかなというのが私の所感です。キーポイントをもとに振り返ります。
■意思決定 まとめ
〇第七章 決定を解明する
この章では意思決定を細かく分解しました。分解して考えると、予測が簡単になったことにより判断の価値が上がります。判断の結果、良いことも悪いこともあるのでペイオフが生じます。
キーポイント（まとめ）
・予測マシンの価値が高いのは、
(1)人間よりも優れた予測を、より早く、より安く行うことができるから、
(2)予測は不確実性の下での意思決定の重要な要素であるから、
(3)意思決定は私たちの経済的・社会的生活のいたるところで行われているからだ。
しかし、予測は意思決定ではなく、意思決定の構成要素に過ぎない。他の構成要素は、判断、行動、結果、そして3種類のデータ（インプット、トレーニング、フィードバック）だ。
・意思決定を構成要素に分解することで、予測マシンが人間やその他の資産の価値に与える影響を理解することが出来る。予測マシンの代替品である人間の予測の価値は下がる。しかし、データ収集、判断、行動に関わる人間のスキルといった補完物の価値は高くなる。ロンドンのタクシー運転手たちは、3年かけて「知識」を身につけ、ある時間帯にある場所から別の場所への最速ルートを予測する方法を学んだが、予測マシンのせいで仕事ができなくなった人はいない。むしろ、他の多くの運転手は、予測マシンを使うことで、最適なルートを選ぶことができるようになったのだ。タクシー運転手の予測能力は、もはや希少価値ではなくなったのだ。タクシー運転手以外のドライバーは、運転技術と人間のセンサー（目と耳）を持っていたが、予測マシンによって効果的に強化され、競争に勝てるようになったのである。
・判断とは、「正しい」判断と「間違い」を含む、判断の結果として考えられるそれぞれの結果に関連する相対的なペイオフを決定することである。判断には、自分が実際に追求している目的を明確にすることが必要であり、意思決定には必要なステップだ。予測マシンがより良く、より速く、より安く予測を行うようになれば、人間の判断力の価値は高まり、より多くの判断力を必要とするようになるだろう。これまでは判断しない（デフォルトを受け入れる）ことにしていた意思決定にも、努力して判断を加えようとするようになるかもしれない。
〇第八章 判断の価値
予測が安価にできるため、判断の価値が高まります。ただし、不確実性の高い状況では、失敗する可能性もあるので、様々調査、実験が必要です。不確実性は、ある決定に対するペイオフを判断するためのコストを増加させます。これは報酬機能工学によってコーディング可能です。しかし、状況が多いとコーディングコストが上がるので、予測マシンと人間の判断を組み合わせていきます。
キーポイント（まとめ）
・予測マシンが判断のリターンを高めるのは、予測のコストを下げることで、行動に伴う報酬を理解する価値を高めるからである。しかし、判断にはコストがかかる。さまざまな状況下で、さまざまな行動に対する相対的な報酬を把握するには、時間と労力、そして実験が必要だ。
・多くの意思決定は、不確実性のある状況下で行われる。雨が降るかもしれないと思って傘を持っていくことを決めても、それが間違っている可能性もある。また、ある取引を承認するかどうかは、その取引が正当なものであると考えて決定するが、間違っている可能性もある。不確実性が高い状況下では、正しい判断だけでなく、間違った判断で行動した場合のペイオフを判断する必要がある。つまり、不確実性は、ある決定に対するペイオフを判断するためのコストを増加させる。
・ある判断に関連する行動と状況の組み合わせが管理可能な数であれば、その判断を自分自身から予測マシンに移し（これを「報酬関数工学」という）、予測を生成したマシンが自分自身で判断できるようにする。これで判断の自動化が可能になる。しかし、行動と状況の組み合わせが多すぎて、それぞれの組み合わせに関連するすべてのペイオフ（特に非常に稀なもの）を事前にコード化するのはコストがかかりすぎることがよくある。このような場合には、予測マシンが予測した後に人間が判断を下す方が効率的だ。
〇第九章 判断を予測する
予測が安価になって判断の価値が上がりますが、この判断も、AIにより代替可能となっていきます。これはコーディングにより可能な場合もありますが、人間がどう判断するかをAIが学ぶことによって可能となります。ただし、マシンは稀なイベントは予測できません。人間がモデリングの力を使って予測することとなります。
キーポイント（まとめ）
・マシンは人間の判断を予測できるようになるかもしれない。例えば、車の運転だ。あらゆる状況に対応するための判断を人間がコード化するのは現実的ではない。しかし、自律走行システムの訓練では、多くの例を見せ、人間の判断を予測した場合には報酬を与える：つまり、「この状況では、人間はどうするか？」を教えるのだ。
・人間の判断をマシンが予測することには限界がある。その限界とは、データの不足に関するものだ。個人の好みなど、人間が持っていてマシンが持っていないデータがある。このようなデータには価値があり、現在、企業はポイントカードの利用による割引や、GoogleやFacebookなどの無料オンラインサービスを利用して、データにアクセスするための費用を支払っている。
・マシンは、稀なイベントの予測が苦手だ。経営者は、企業の過去の類似した出来事のデータがなくても、合併、イノベーション、パートナーシップなどの意思決定を行う。人間は、そのような珍しい状況でも、類推やモデルを使って判断を下す。過去に何度も発生していない状況では、マシンは判断を予測できない。
〇第十章 複雑さを飼いならす
より多くの状況、その結果を考慮することが出来れば、よりよい予測が出来るようになります。AIを使えば、人間が対応できなかった数の予測に対応することができます。つまり、複雑な状況にリスクを減らした状態で対応可能となります。この状況は人間にとっては新しく、慣れるのに時間と練習が必要です。
キーポイント（まとめ）
・予測を強化することで、人間であれマシンであれ、意思決定者はより多くの "if "とより多くの "then"を扱うことが出来る。その結果、より良い結果が得られる。例えば、本章で配達ロボットを例に挙げたナビゲーションの場合、予測マシンは自律走行車を、制御された環境でのみ動作するというこれまでの制限から解放する。このような環境は、限られた数の「if」（または「状態」）によって特徴付けられる。予測マシンは、自律走行車が街中のような制御されていない環境で動作することを可能にする。これは、すべての潜在的な「if」を事前にコード化するのではなく、人間のコントローラーが特定の状況で何をするかを予測するように学習できるからだ。同様に、空港ラウンジの例では、予測を強化することで、「念のため」にいつも早めに出発して空港ラウンジで余計な時間を過ごすのではなく、より多くの「場合」（例えば、特定の日の特定の時間に空港に行くのにかかる時間の予測に応じて、「X時かY時かZ時に出発する」）を容易にすることが出来る。
・良い予測ができない場合、私たちは多くの「満足」をする。つまり、入手可能な情報から「十分に良い」決断をするのです。例えば、空港に行くときはいつも早めに出発し、到着したときは早めに到着したからといって待ちぼうけを食らうことも、「満足主義」の一例だ。この解決策は最適ではないが、入手可能な情報からすれば十分だ。配達ロボットも空港ラウンジも、満足に対応して作られた発明だ。予測マシンは、満足する必要性を減らし、その結果、配達ロボットシステムや空港ラウンジのようなソリューションへの投資に対するリターンを減らすだろう。
・私たちは、ビジネスや社会生活において満足を得ることに慣れているため、より多くの「if」や「then」を扱うことができる予測マシンの結果として、より複雑な環境でより複雑な意思決定を行うことができる膨大な変化を想像するには練習が必要だ。空港ラウンジが予測の失敗に対する解決策であり、強力な予測マシンの時代には価値が下がると考えるのは、多くの人にとって直感的ではない。もう一つの例は生検だ。生検は主に医療画像からの予測の弱さに対応するために存在している。予測マシンの信頼性が上がれば、医用画像のAIによる影響は、生検の実施に関連する仕事に大きく影響する可能性がある。空港ラウンジと生検は、どちらもリスク管理のためのソリューションだ。予測マシンは、リスク管理のための新たな優れた方法を提供するだろう。
〇第十一章 完全自動で意思決定
結論、人間が行動を起こすのが最も適している場合、そのような決定は完全には自動化されません。また、予測が自動化の主な制約となる場合もあります。予測が十分に良くなり、ペイオフの判断が事前に指定できるようになると、人間がハードコーディングを行うか、マシンが人間を見て学習するかのどちらかになり、判断が自動化されます。
キーポイント（まとめ）
・ある作業にAIを導入したからといって、その作業が完全に自動化されるとは限らない。予測は一つの要素に過ぎない。多くの場合、人間が判断して行動を起こす必要がある。しかし、判断がハードコードされていたり、十分な事例があればマシンが判断の予測を学習することもある。さらに、マシンがアクションを実行することもある。マシンがタスクのすべての要素を実行する場合、そのタスクは完全に自動化され、人間はループから完全に取り除かれる。
・最初に完全に自動化される可能性が高いタスクは、完全な自動化によって最も高い利益が得られるタスクだ。これには以下のようなタスクが含まれる。
(1)予測以外の要素はすでに自動化されている（例：鉱業）
(2)予測に対する行動の速さに対するリターンが高い（例：ドライバーレス・カー）
(3)予測に対する待ち時間の短縮に対するリターンが高い（例：宇宙開発）
・市街地を走行する自律走行車と鉱山の敷地内を走行する自律走行車の重要な違いは、前者が重大な外部性を生み出すのに対し、後者はそうではないということだ。市街地を走行中の自律走行車が事故を起こすと、意思決定者の外部の個人が負担するコストが発生する。一方、鉱山の敷地内で自律走行車が起こした事故は、鉱山に関連する資産や人にのみコストが発生する。政府は、外部性を生み出す活動を規制する。
したがって、規制は、重大な外部性を生み出すアプリケーションの完全な自動化に対する潜在的な障壁となる。外部性を内部化することでこの問題に対処するために、経済学者は責任の所在を明らかにする方法を用いている。多くの新分野の自動化に対する需要の増加に伴い、責任の所在に関する政策開発の大きな波が来ると予想される。
やはり、予測マシンを使えば意思決定は大体自動化できる気がします。後は、どう使うか。
いよいよ第三部では具体的なツールについて学んでいきます。
この記事が気に入ったらサポートをしてみませんか？