AIシステムのカギはモデルの精度だ。稼働後にもモデルの精度を維持するために、データの変化などに対応することが重要となる。データの再学習など、モデルの精度維持に向けた運用のポイントを解説する。

 これまで要件定義、設計、開発、テストのフェーズごとに、AI(人工知能)システム開発のポイントを解説してきました。今回はAIシステムが稼働した後の運用フェーズについて取り上げます。

 AIシステム運用時の課題はモデルの精度など、システムを利用可能な状態に維持することです。AIシステムは自律的に学習する場合もあるため、人手を介さない運用を想像する読者もいるかもしれません。しかし通常の業務システムと同様にAIシステムでも、定期的な稼働確認や、バックアップ、障害対応などの作業が必要となります。

 そのうえで通常の業務システムの運用と異なる点は大きく2つあります。1つはAIシステムではシステム化の対象となるモデルが変化し続けること。そしてもう1つは、モデルの精度を維持するための保守が必要になることです。AIシステムは学習という動的な処理を実行することから、稼働後も絶えずモデルの推論の精度を維持する必要があります。

継続的に学習サイクルを維持

 そこでAIシステムの運用フェーズでは、データの変化と、継続的に学習のサイクルが機能しているかどうかを検証することがポイントとなります。システム的な挙動の監視だけではなく、ビジネスを踏まえて「精度をどのように測定するのか」「何をもって機能悪化とするのか」といった判断基準を用意しておきます。また精度が悪化した際の対策も欠かせません(図1)。

図1●AIシステムにおける運用タスクのイメージ
[画像のクリックで拡大表示]

 精度の維持に必要なのが、データです。AIシステムは入力データに対して、学習・推論を行います。データが一定以上変化した場合、AIシステムに影響が発生します。これらの影響を監視し、システムへの悪影響を防ぐことが運用フェーズで求められます。AIシステムではデータが表すビジネスの傾向が変化することを「データの変化」として捉えています。

 AIシステムに影響を与えるデータの変化は、様々な要因で発生します。競合企業が新商品を発売すれば、競争環境は大きく変わります。顧客の好みも時代によって変化します。工場のラインを見直せば、センサーが検知する不具合の傾向は以前と異なるでしょう。こうした状況の変化がデータの変化を生みます。

 AIシステムは学習を繰り返すことで、こうしたデータの変化に対応します。機械学習モデルの学習時に問題となる「過学習」や「汎化性能」という概念は、データの変化への対応の柔軟性を示した指標です。過学習は個別のデータセットの1つである学習データに特化し過ぎている状態、汎化性能はモデルが学習データ以外のデータに対しても学習データと同水準で結果を正確に予測できる能力を指します。開発時に汎化性能を向上するための施策を行っていたとしても、想定していないデータや環境の変化によって、モデルの精度が低下する可能性がなくなるわけではありません。

この先は有料会員の登録が必要です。「日経SYSTEMS」定期購読者もログインしてお読みいただけます。今なら有料会員(月額プラン)が4月末まで無料!

日経 xTECHには有料記事(有料会員向けまたは定期購読者向け)、無料記事(登録会員向け)、フリー記事(誰でも閲覧可能)があります。有料記事でも、登録会員向け配信期間は登録会員への登録が必要な場合があります。有料会員と登録会員に関するFAQはこちら