(Neo4j Blog)
Toward AI Standards: Context Makes AI More Robust
Amy E. Hodler, Analytics & AI Program Manager | July 15, 2019

連載「AIソリューションに向けて」の第2部では、AIコンテキストの基盤としてグラフテクノロジーを探ります。

「最近では、グラフテクノロジーは、機械学習や人工知能のソリューションとますます統合されてきています。これら機械学習や人工知能ソリューションのアプリケーションには、関連性を使用して、より正確な予測や、より柔軟な意思決定、検証可能なデータ系統の追跡、説明可能性を向上させるための意思決定のプロセスを理解することなどが含まれています。」

今週のトピックでは、コンテキストがAIをよりロバスト（外部からの影響を排したり、影響を最小限に抑えたりする仕組み）なシステムにし、予測と柔軟性を向上させる方法とその理由を中心に説明します。

より正確な予測

人工知能モデルの訓練における最大の課題の1つは、十分な関連データを集めることです。しかし、現在の方法では既存のリレーションシップをデータに組み込んでいないため、本質的に予測するための情報を除外していることになります。コンテキストを使用すると、関連情報が追加されてより正確な予測が得られます。これはすでに持っているデータのみでできます。

Stratistics MRCによると、不正検出および不正防止の世界市場は、2017年において175億ドルの価値があるとされ、2026年までに1,200億ドルまで成長すると予測されています。また、グラフによる不正検出や異常検出に関する米国特許は、過去10年間に48,000件以上発行されています。

多くの金融サービス会社は、予測パターンを明確にして異常行動を見つけ、影響力のある企業などの主体をスコア付けするための関連を探しています。コンテキスト情報はすべて、それらの機械学習モデルに読み込まれます。

金融サービスに対して高い適合度がありますが、それ以上に予測でき、AIモデルをより高い正確性と精度を出す訓練ができるような「機能」を作成（設計）するために、人々はさまざまな業界でグラフアルゴリズムを使用しています。

たとえば、「Association for the Advancement of Artificial Intelligence（アメリカ人工知能学会）」は、「ヘルスケアデータにおける不正、無駄、および濫用を検出するためのグラフ分析」で述べているように、グラフアルゴリズムを使用して、医師と薬局の間で相互作用する集まりを検出し、オピオイドの不正使用の予測を改善しました。

今日のデータは密接に接続していますが、データ濃度に偏りがあるため、基本的な統計や平均値を完全に見逃しています。グラフアルゴリズムは、接続を介してデータのトポロジを活用するために特に開発されています。コミュニティの検索、影響を受けるコンポーネントの発見、およびパターンと構造の推定などです。

コンテキストとリレーションシップの予測要素を機械学習に取り入れることで、モデルの正確性と精度が大幅に向上します。

状況の柔軟性

状況認識と適切性は、コンテキストベースの学習と行動が重要なAIにとってのもう1つの懸念事項です。

たとえば、7歳の子供と30歳の大人とのやり取りで、年齢に応じたチャットボットがどのように判断し、応答するか考えてみましょう。実際、調査で非常に悪い例が浮き彫りになりました。BBCのニュース「チャイルドアドバイスチャットボットは性的虐待に気付かない」で報道されているように、子供用のメンタルヘルスチャットボットが、未成年者の性的虐待を明示的に報告している子供を判別できませんでした。

AIベースのシステムには柔軟性が必要です。これには、自律的な意思決定システムの設計と実装にとって、ユーザーインタラクションが重要とみなす方法でAIを設計することが含まれます。このユーザー中心の考え方は、最近の2機のボーイング737 MAX航空機の損失を防ぐのに役立ったかもしれません。事故原因調査の結果、パイロットの行動を自動化システムに組み込めなかったためと明らかになりました。

コンテキスト情報はまた、AIソリューションがトレーニングを受けていない新しい状況に柔軟に対応し、失敗を減らし、新しいデータや予期しないシナリオをそれに備えさせるのにも役立ちます。

例えば、半自動走行車は雨天時に減速するようにプログラムされているかもしれませんが、気温の低下や近づいている橋などのコンテキスト情報を取り込むために、AIアプリケーションを拡張したいと考えています。または、特に難しいことですが、道路上にいる犬などのために停止し、紙袋や鳥の群れで急ブレーキをかけない、というような状況に応じた学習を適用したいと考えています。

最後に、AIソリューションがコンテキストを意識した動的バックエンドのデータ処理に基づいている場合、それらはより広く適用可能です。その結果、新しいイノベーションを促進し、競争が広かるでしょう。私たちはグラフテクノロジが本質的にクロスセクターなものであることを知っています、Neo4jのグラフプラットホームは次のように世界中で使われています。：

• 金融サービス企業上位25社中20社
• ソフトウェア企業上位10社中7社
• 物流会社上位5社のうち3社
• 小売業者上位10のうち7社
• 航空会社上位5社のうち3社
• 通信会社上位5社のうち4社
• そして、ホスピタリティ企業上位5社中3社

結論

ロバスト性は興味深い概念です。私たちは、困難な問題に対処し、可能な限り最良の決定を下せるという点で、AIがロバストであることを望みます。また、新しい予期しない状況にも柔軟に対応できるという点で、AIがロバストであることを望みます。

グラフを使用して隣接する情報を取り込むことは、AIシステムがより正確に予測するために必要なコンテキストを提供しながら、その適用性と回復力を広げます。

この連載の次回のブログで、AIにコンテキストを追加するさらに多くの利点を発見するのを楽しみにしています。

本記事は、次のリンクの記事を翻訳（一部、解釈を加えて訳）しています。記事の正確性、翻訳の正確性については保証しませんので、ご了解の上、ご自身のリスク・ご判断でご利用ください：https://neo4j.com/blog/toward-ai-standards-context-robust-ai/