Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

機械学習活用のための要求分析手法の研究 AI版酒屋倉庫問題のケース

566 views

Published on

ソフトウェアエンジニアリングシンポジウム2017(SES2017)の研究アイデア論文でのプレゼン資料です。

Published in: Software
  • DOWNLOAD THIS BOOKS INTO AVAILABLE FORMAT (Unlimited) ......................................................................................................................... ......................................................................................................................... Download Full PDF EBOOK here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... Download Full EPUB Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... ACCESS WEBSITE for All Ebooks ......................................................................................................................... Download Full PDF EBOOK here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... Download EPUB Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... Download doc Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, Cookbooks, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here

機械学習活用のための要求分析手法の研究 AI版酒屋倉庫問題のケース

  1. 1. 機械学習活用のための 要求分析手法の研究 AI版酒屋倉庫問題のケース 筑波大学大学院 岡野 道太郎 放送大学 中谷多哉子 SES2017 研究アイデア論文 1
  2. 2. はじめに:要求分析 • 要求分析:要求を抽出し、要求仕様を作成 – 要求の抽出方法の1手法:ゴール指向要求分析 • ゴール:望ましい状態/意図を含んでいる • 意図を含まない事実:ドメイン知識・システム固有情報 – ゴール指向要求分析の1手法:KAOS • KAOSの手順 – 最終的な目標をトップゴールとして挙げる – トップゴールをいくつかのゴールに分ける(詳細化) – 最終的に、1人または1システム(エージェント)が、達成可能 なレベルまで詳細化する=末端のゴールが要求・期待になる • 詳細化の手法は明確になっていない – 今までの研究課題→詳細化手法 トップゴール は多くの人 が関わる 2 制約に
  3. 3. はじめに:詳細化手法 • トップゴールをQ、現状をPとすると、ゴールは P→◇Qと表現できる:達成ゴール • P→◇Qの詳細化を2通りで考える – →(状態遷移の過程)を分解:マイルストーン分解 • P→M→Qと状態が遷移する場合、P→◇MとM→◇Qに分解 する:プロセスを分解する場合に適している – Q(結果の状態)を分解:要素分解 • Qが{Q1,Q2,・・・Qn}から構成される場合、P→◇Q1, P→◇Q2,・・・・, P→◇Qn, {Q1,Q2,・・・Qn}→◇Qに分割: データ構造などに着目する場合に適している • ※Qを分割すると、それによってPは変化する:ゴールに よって、満たすべき状態P(事前条件)は決定してしまう 3
  4. 4. はじめに:要求分析の実際の例 • AI版酒屋倉庫問題 4 OR分解:1つ以上 が行われればよい: 本稿の対象外 AND分解:すべ てのサブゴール 実現必要 酒屋倉庫問題: ある酒屋における受付係の 仕事をコンピューター化する[1] [1]山崎利治, 共通問題によるプログラム設計技法解説,情報処理Vol25 No9(1984). 本稿では「出庫指 示書作成」を分析
  5. 5. はじめに:要求分析の実際の例 5 識別(判 別)・分類・ 予測:AIの 活用分野 制約: 「倉庫内のコンテナ数は できる限り最小にしたい」 アプローチ:出庫すべき酒が複 数コンテナにあった場合、各コン テナが空になる日(売り切り日) を予測し、その日が直近のもの から出庫する
  6. 6. 要求分析での「不確かさ」への課題 • 要求分析で「不確かさ」を考慮しなければならない 場合の課題 – そもそも、ゴールが達成するかどうかわからない • AI:学習が終わり、適切な「学習済みモデル」ができればゴー ルは達成する→モデルが出来なければ? – 過去のデータを元に、未来が確かに予測できるのか? – 新店舗の酒屋はデータがないのに他店のデータで予測(転移学 習)できる? – 不確かさが累積されると、ゴールがほど遠くなる • 詳細化が進む=(不確かな)ゴールが増える→不確かさが累 積され、ゴール達成が遠のく? • ワークショップ2で議論 – https://www.slideshare.net/michitarookano/ss-79364646 6 こちらを 扱う
  7. 7. 本研究で取り扱う課題と提案 • 機械学習を含むシステムは、「不確か」な部 分があり、この部分を取り扱わないと機械学 習を活用したシステムが扱えない • 「不確かさ」も扱える要求分析手法→課題 – アプローチ • 機械学習での「不確かさ」について考察する • 機械学習を利用するシステムでの「不確かさ」の取り 扱いを考察する – Well enough:達成したとみなす基準を導入する – 上述の「不確かさ」を扱える手法の提案 • 達成したとみなす基準の設定法/表現法 7
  8. 8. 機械学習の不確かさ:開発手順から • 従来の手法 – 要求分析・要件定義 • 目的(ゴール)から、ビジ ネスモデルの確認、シス テム要件の決定 – 設計(外部・内部) – 実装 – テスト • 想定されるテストケース を満たすこと前提 – 実運用 • 機械学習の場合 – モデルの決定 • 目的変数、説明変数の候 補、モデルの候補 – 学習するためのシステ ムの構築 – 機械学習の実施 • 十分な精度の機械学習 モデル:学習済みモデル – 学習済みモデルを用い て、実運用=推論 ・ゴール(目的)対象があることは共通 ・従来の手法:ゴールの詳細化は論理的に行われ、要件を実現すれば、ゴー ルは満たされ、設計者は要件を満たすことが出来ることを前提としている ・機械学習:学習済みモデルが出来るまで、ゴールが達成されるか「不確か」 どのような考察で、その結果に至ったか、論理的には解らないこともある 8
  9. 9. 機械学習を含むシステムの課題 • 機械学習を含んでいても、ゴールは存在するので、ゴール 指向分析を適用することは可能 • しかし、機械学習部分は、ゴールを示せても、ゴールが「い つかは達成する」という前提で分析は出来ない – もし、ゴールが示せれば達成可能になるなら、機械学習すれば、 どのような予測や識別も可能となってしまう – 機械学習を実行すればよいというものではない • そこで、機械学習の結果を入力として受け入れる基準を設 け、基準を満たせば、目的を達成したとみなす必要がある – 学習結果P→◇Q ゴールQを達成するのに必要なPの精度 – 基準の設定法:ゴールを満たすのに必要な入力値 – 学習した結果、基準以下の可能性もある:満たさない場合、どの ようにするかについても要求として挙げる必要性がある 9
  10. 10. 機械学習を含むシステムの課題 • 課題を満たすには、機械学習部分(ML部分)と、機械学習 を含まない部分(非ML部分)、連携部分は、以下のことを満 たす必要がある 1. (ML活用:入出力)ML 活用部分では,ゴール達成時の出力 である目的変数は示すが,そのゴールを達成する為に必要な 入力情報である説明変数は必ずしも明示しないでよいという記 述ができなければならない. 2. (ML活用:状態遷移)ML 活用部分では,アルゴリズム(モデ ル)は必ずしも明示しなくてもよい記述ができなければならない (ただし,詳細化は可能にする). 3. (非ML:入出力)非ML 部分は,入出力を表現でき,設計者等 の第三者に明示できなければならない. 4. (非ML:状態遷移)非ML 部分は,KAOS と同様,詳細化を段階 的に表現できなければならない. 5. (連携)ML 活用部分と非ML 部分を連携させるため,ML 活用 部分の出力と非ML 部分の入力は,別々に明示でき、入力に 受け入れる基準を示せなければならない. 10 ゴール は示す 手段は 不明 非ML は従 来通り Well enough
  11. 11. 課題へのアプローチ • 課題に対応するには – KAOSと同様にゴールを表現できる – 入出力も表現でき、入力を「受け入れる基準」も表現可能 • GSNを使うと表現できる – GSN は,保証のための構造化された議論の記述法であり, 保証したいことをゴールとしてあげ,そのゴールをサブ ゴールに分解していく.分解するときの観点が戦略である. また議論する際の環境等の条件を前提として挙げる.サ ブゴールの分解を繰り返し,末端のゴールをエビデンスに より成立することを保証する. – GSN は図示することができる.長方形がゴール,角丸四 角形が前提,円がエビデンス,平行四辺形が戦略である. 11
  12. 12. GSNの例 12 5ページのKAOS をGSNで表現
  13. 13. 提案手法 • KAOS のゴールを,以下のようにGSN で表現する – 従来手法のKAOS のゴールはGSN のゴールとして表現す る • 従来手法の記述は可能 – ゴールの入力をゴールに接続する前提の中に記述する • その前提に、入力を受け入れる基準を記述する • 受け入れ基準は、ゴールを満たす出力を生成するのに必要とな る精度以上の値を設定する – 末端のゴール(=要求)が達成されるに伴い生成される 出力を,エビデンスに記述する • そのエビデンスに、出力値の精度(例えば予測の場合、予測可能 の確率等)を記述する – 出力値の精度が、入力を受け入れる基準を上回っていれ ば、連携できるものとみなす 13
  14. 14. 事例と考察 • AI版酒屋倉庫問題の場合 • ゴールの表現(目的) – ML活用部分の出力部分で ある「証拠E 2」 – その出力を入力とする非 ML部分の前提「前提C 4」 – 項目が同じ • 不確かさへの対応 – 入力精度:先入先出以上 – 出力精度:不明 – 出力精度>入力精度なら、 連携できる – 連携できない場合:他の方 法と合わせ利用/機械学習 以外の方法/不明→PoC等 14 先入先出法を採用 すれば、(最適かは 不明だが)搬出コン テナは決定できる
  15. 15. 今後の研究 • 本稿では,AI版酒屋倉庫問題を取り上げた が,ほかの機械学習についても当てはまるか – 特に機械学習プロセスが2か所以上含むシステ ムの場合:ワークショップ2で発表 • 本稿では酒屋倉庫問題に基づいた予測業務 を取り扱った – 提案手法を「要求分析業務」に適用した場合,機 械学習を活用した要求分析支援システムが開発 できるはずである 15
  16. 16. 要求分析のAI化 • ゴール中に出てくる名詞、動詞を特徴ベクトルと して表現する – (1)上位ゴールを入力、下位ゴールを出力とし、各 ゴール分割を機械学習し、推論させる – (2)上位ゴールを入力、分割方法を出力として機械 学習、その後、上位ゴールと分割方法を入力、下位 ゴールを出力する機械学習を行う(2段階) – ※(2)は分割の理由がわかる。(1)は解らない • もし、この手法でゴールが機械学習できるので あれば、トップゴールを提示すると、機械学習に よって、要求分析が行える可能性がある? – 機械学習可能な場合、人手で詳細化したほうがよい のか、機械学習による詳細化のほうが良いのか? 16
  17. 17. まとめ • ゴール指向要求分析のKAOSを機械学習を含 むシステムに適用することは – 機械学習でもゴールは設定するので可能 – ただし、課題はある • 機械学習では「いつかは達成できる」と言い切れない • 達成できると言い切れない「不確かさ」を扱う – 機械学習結果を利用する場合、機械学習結果を受 け入れられる基準を設定する • 基準の設定法:結果を利用するゴールが達成されるために は、機械学習結果は、どの程度の精度が必要かを考慮 • 基準の表記法:GSNで表記 17
  18. 18. Q&A 18
  19. 19. Q1:精度はどうやってわかるのか? • Q:GSNに「精度」を書くとあるが、機械学習の精度はどう やってわかるのか? • A:機械学習で、「この精度が出る」とは言い切れない。し かし、まったく精度の情報がない状態で開発するのも危険 である。 • そこで以下のことを示して、機械学習が適用可能かを議論 すべきと考える – 機械学習結果を活用するには、学習結果は最低これくらいの 精度が必要 – 機械学習結果は、ある環境下において、これぐらいの精度が 出て、精度にこれくらいのばらつきがある • 本研究は、そのための表現法の提案である • なお、仮にこれで合意したとしても、現場でそこまでの精度 が出ないことはあり得る。 19
  20. 20. Q2:顧客は精度100%を求める • Q:開発者は、機械学習で100%はないと分かってい ても、顧客は、(予測など)100%の正確さを求めるの ではないか? • A:正確さ100%を求めた途端に、機械学習は使えな くなる。しかし、100%正確であることが必ずしも要求 されないシステムもあるし、その中には、機械学習を 導入したほうがよいシステムもある。 • 本研究は、機械学習のそのような導入・活用の支援を するツールの1つである。導入の際、100%を求める 顧客を説得するのは、別の技能が必要であると思う。 • ただし、その際にも、このツールは使えるかもしれない 20
  21. 21. Q3:不確かさが累積するとゴールは? • Q:誤差が累積してしまうと、ゴールが達成でき なくなるほどの誤差になってしまうのではない か? • A:ワークショップ2で取り上げた問題 – https://www.slideshare.net/michitarookano/ss- 79364646 – 誤差が累積した場合、どこかで補正する必要がある が、どこで補正すればよいかは、現在研究中 – 今回提案したものは、誤差の累積により、入力として 使えない等の判断を支援するためのツールである 21

×