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.
ゴール指向要求分析における
不確かさの考察
~ IoT・AIのケース ~
筑波大学大学院 ビジネス科学研究科
岡野 道太郎
SES2017 WS2
1
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:...
はじめに:現在研究中の詳細化手法
• 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、...
はじめに:要求分析の実際の例
• AIレジの導入の例:パン屋さんの場合
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
待ち時間を減らす 会計時間を短くする
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
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...
今回扱う「不確かさ」について
• 「不確かさの累積」について扱う
• 「不確かさ」:IoTとAIの場合について考える
– IoTの場合
• データ取得の不確かさ
• 通信の不確かさ
– AIの場合
• モデルの正しさ
– 目的変数・説明変数・手...
IoTの場合の不確かさ
• 不確かさが起きる可能性:異なる性質
– データ取得の不確かさ
• 正確なデータが取れるとは限らない
– 通信の不確かさ
• 無線はつながらないこともある
8
AIの場合の不確かさ
• AIのシステム構築
– 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...
不確かさに対する対応
• 対応-3種類
– (1)不確かさは問題にならないほどにして、不確かさ
はないものとみなす
• 不確かさの低減/リスク低減:従来も研究されている
– (2)(設計上の不確かさ)一部実装してみる
• リアルオプション/アジ...
今後の課題
• 人が介在するとしたら、何処が効果的?
– AIレジの場合、画像識別か、商品の決定か
– 人の知識も不確か
• (不確かさがあるとき)詳細化すると、ゴールに
近づくのか
– AIでなくても、詳細化しないほうが良い可能性もある
→一...
要求分析のAI化
• ゴール中の名詞、動詞を特徴ベクトルとして表現
– (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...
Q&A
13
Q1:環境変化の不確かさについて
• Q:今回の不確かさの話は、システムに内包する
不確かさのような話であったが、外部環境の変
化に不確かさについては、どう思う?
• A:外部環境の変化は、機械学習で追加学習を
することによって対応することにな...
Q2:何が「たしか」なのか?
• Q:今回の提案で、「不確か」という言葉を連発し
ているが、どういう状態になったら「確か」なの
か?(不確かではないのか)
• A:IoTとAIで異なる
– IoT:想定している機能が、誤差なく想定通りに動く理
...
Q3:KAOSでは無理なのでは?
• KAOSの達成ゴールはP→◇Qで、いつかはQ
が達成しているものとしている。しかし、Qは達成
するとは言い切れない。この考えに無理がある
のでは・・・
• A:たしかにQを「常に必ず100%達成する」と考
...
Upcoming SlideShare
Loading in …5
×

ゴール指向要求分析における不確かさの考察 ~ IoT・AIのケース ~

449 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)のワークショップ2でのプレゼン資料です。

Published in: Software
  • Be the first to comment

  • Be the first to like this

ゴール指向要求分析における不確かさの考察 ~ IoT・AIのケース ~

  1. 1. ゴール指向要求分析における 不確かさの考察 ~ IoT・AIのケース ~ 筑波大学大学院 ビジネス科学研究科 岡野 道太郎 SES2017 WS2 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 – 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 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:現在研究中の詳細化手法 • 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 3
  4. 4. はじめに:要求分析の実際の例 • AIレジの導入の例:パン屋さんの場合 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 待ち時間を減らす 会計時間を短くする
  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
  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? • 研究アイデア論文にて議論 – 不確かさが累積されると、ゴールがほど遠くなる • 画像認識(不確か)→認識したものを分類(不確か)→それ に基づき予測(不確か)・・・・ • 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? • ゴール達成のための詳細化を行うとゴールが遠のく? 6
  7. 7. 今回扱う「不確かさ」について • 「不確かさの累積」について扱う • 「不確かさ」:IoTとAIの場合について考える – IoTの場合 • データ取得の不確かさ • 通信の不確かさ – AIの場合 • モデルの正しさ – 目的変数・説明変数・手法 • 学習済みモデルの妥当性 – 環境の違い(転移学習/環境変化に伴う追加の学習) 7
  8. 8. IoTの場合の不確かさ • 不確かさが起きる可能性:異なる性質 – データ取得の不確かさ • 正確なデータが取れるとは限らない – 通信の不確かさ • 無線はつながらないこともある 8
  9. 9. AIの場合の不確かさ • AIのシステム構築 – 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 • 不確かさ – モデルの正しさ • 目的変数の妥当性 • 説明変数は妥当性 • 機械学習手法は妥当性 – 学習済みモデルの妥当性 • 他学習結果を利用:転移学習 – 人やモノの認識:万人共通 – 売上予測:人により見解相違 • 環境変化:追加学習の必要 9
  10. 10. 不確かさに対する対応 • 対応-3種類 – (1)不確かさは問題にならないほどにして、不確かさ はないものとみなす • 不確かさの低減/リスク低減:従来も研究されている – (2)(設計上の不確かさ)一部実装してみる • リアルオプション/アジャイル/PoC – (3)不確かさがあるものとして対処する=ゴールは 達成するときもあるが、達成しないこともある • 確率的に扱う→期待値とエラーのどちらが問題か? • 複数の手法を用いて、不確かさを低減→OR分解 – 多数の手法を用いて、結果を合議する(アンサンブル) » 答えの正しさ:ビザンチン将軍問題? – 人が介在する:どこに介在するのが効果的か? 10
  11. 11. 今後の課題 • 人が介在するとしたら、何処が効果的? – AIレジの場合、画像識別か、商品の決定か – 人の知識も不確か • (不確かさがあるとき)詳細化すると、ゴールに 近づくのか – AIでなくても、詳細化しないほうが良い可能性もある →一括発注と分割発注 – 詳細化を行うより、複数の代替案を見つけたほうが ゴール達成に有利?→AND分解よりOR分解 – もし、トップゴールから、要求までの詳細化ができるAI が出来たとしたら? 11
  12. 12. 要求分析のAI化 • ゴール中の名詞、動詞を特徴ベクトルとして表現 – (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? – 詳細化より、トップゴールの出し方のほうが重要? 12
  13. 13. Q&A 13
  14. 14. Q1:環境変化の不確かさについて • Q:今回の不確かさの話は、システムに内包する 不確かさのような話であったが、外部環境の変 化に不確かさについては、どう思う? • A:外部環境の変化は、機械学習で追加学習を することによって対応することになるが、必ずしも 学習できる、良くなるとは限らないと思う。もし、 学習することにより環境変化に追随できるとす れば、MicrosoftのTayのようなことは起こらない はずであり、意図しない学習が起こる「不確か さ」は存在すると思う。 14
  15. 15. Q2:何が「たしか」なのか? • Q:今回の提案で、「不確か」という言葉を連発し ているが、どういう状態になったら「確か」なの か?(不確かではないのか) • A:IoTとAIで異なる – IoT:想定している機能が、誤差なく想定通りに動く理 想状態が不確かではない状態 • ステークホルダーの意図は機能に盛り込まれているものと する – AI:ステークホルダーの意図が明確であるという理想 状態において、意図通りに動くこと • AIが機能通りに動いているかというのは、わからない 15
  16. 16. Q3:KAOSでは無理なのでは? • KAOSの達成ゴールはP→◇Qで、いつかはQ が達成しているものとしている。しかし、Qは達成 するとは言い切れない。この考えに無理がある のでは・・・ • A:たしかにQを「常に必ず100%達成する」と考 えると、AIは100%できると言い切れないので 無理になる。そこで、ゴール達成に必要な、AIの 精度をもとめ、その精度を上回ったら達成したと みなす研究をしている。 – SES2017の研究アイデア論文で行っている 16

×