RETEアルゴリズムを使いこなせ

ルールエンジンの心臓部
RETEアルゴリズムを使いこなせ！
レッドハット株式会社
Chief Technologist
梅野昌彦
Red Hat Forum Tokyo 2018
AP09

ルールエンジンとは…
Copyright © 2018 Red Hat K.K. All Rights Reserved.2
いろいろな種類のデータの関連性から、新しいアクションを起こす変換器
例えば…
通信手段
いちご味を多く買っている人へ
よく閲覧している時間に
好みの通信手段で広告を打つ購買履歴
12:13
閲覧履歴

本日の内容
RETE
アルゴリズム
基本的な
動作
機械学習
への応用

RETE アルゴリズム
プロダクションシステムを実現するために考えられた、
効率的なパターンマッチングアルゴリズム
プロダクションシステム：自動計画・エキスパートシステム・行動選択
知識データ行動

ルールエンジンの歴史
Mycin
Dendral
1972
エキスパートシステムからスタート
Prolog
RETE
1974
OPS5
CLIPS
Jess
DroolsSoar
ILOG
Rules
1984
1983
1995
2001
1987
JBoss Enterprise
BRMS 5
2009
現在
1996
Red Hat
JBoss
BRMS 6
RETE
誕生

ルールエンジンの構造
ワーキングメモリープロダクションメモリー
アジェンダ
データ (Fact) が入るところ
データとルールがマッチングした実行候補 (Activation) が入るところ
知識 (Rule) が入るところ

基本的な動作
RETEアルゴリズムの

トラックと運転手のマッチング
ルール
• 壊れたトラックと修理部品がある場合、修理する。
• 乗れるトラックと運転手がいる場合、乗車する。
ルールエンジンを使用することで、どのような処理の流れになるか？
All pictures drawn by Nagisa.

Step 1/12
ワーキングメモリープロダクションメモリー
アジェンダ
条件
アクション
条件
アクション

Step 2/12
ワーキングメモリー
条件
アクション
条件
アクション
プロダクションメモリー
アジェンダ条件
アクション

Step 3/12
アジェンダ
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション

Step 4/12
アジェンダ
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション

Step 5/12
アジェンダ
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション

Step 6/12
アジェンダ
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション

Step 7/12
アジェンダ
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション

Step 8/12
アジェンダ
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション

Step 9/12
アジェンダ
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション

Step 10/12
アジェンダ
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション

Step 11/12
アジェンダ
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション

Step 12/12
アジェンダ
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション
条件
アクション

データモデル (Fact)
Copyright © 2012 Red Hat, Inc.
public class Truck {
private String Color;
private String Parts;
private String Driver;
}
public class Parts {
private String Parts;
}
public class Driver {
private String Name;
}
21
データモデルを考えます。
トラックの属性値として何がある
か等を考慮して、クラスとメン
バーを作成していきます。

ルール
Copyright © 2012 Red Hat, Inc.
rule "Repear"
salience 100
when
p : Parts ()
t : Truck (parts == p.parts )
then
t.setParts ("Complete");
retract (p);
update (t);
end
rule "Matching"
salience 10
when
t : Truck (parts == "Complete", driver == "")
d : Driver (n : name )
then
t.setDriver (n);
retract (d);
update (t);
end
22
Update (x);
Fact xに変更があったことをルールエンジン
に通知する。ルールエンジンは新しくなった
Fact でルールを再評価し、マッチすればア
ジェンダにActivationを作る。
Retract (x);
ワーキングメモリーからFact x を消去する。
消去されたことによりアジェンダから
Activationを消去する。

Audit ルールの動作が確認できます
FactがUpdateされることで
ルールとマッチングされ、
Activationが作成
FactがInsertされることで
ルールとマッチングされ、
Activationが作成
Factがremoveされることで
ルールとのマッチングが
無くなりActivationがCancel
Copyright © 2012 Red Hat, Inc.23

RETEアルゴリズムの特性
• オブジェクト(Factとルール、FactとFactとルール等）
の関係性より、アクションを起こすエンジン
• Factが更新され、ルールエンジンに通知すると、再評価
が行われ、その時にマッチしたオブジェクトとルールの
組み合わせで逐次実行される
• 組合せ爆発に弱い
• 無限ループは検知できない
– ルールの実行回数で判断し中止することが可能

PHREAK
• (Marc) Proctor’s Hybrid Reasoning Engine for Advanced
Knowledge
– RETEOO(RETE Object Oriented)を改良したもの
• 遅延評価
– 一気に評価をするのではなく、Agendaでの組合せ爆発を
防ぐ（条件が多段の場合）
• 高速化
– 評価部分のマルチスレッド化
– 実行部分のマルチスレッド化

RETE アルゴリズムを有効に活用できる業務
機能内容
相関チェック業務観点申込審査・査定・対象の導出・DBのデータ品質のチェック等
システム
観点
階層化・分散されたデータの相関チェック
集計処理業務観点代理店インセンティブ計算・費目ごとの集計やシミュレー
ション
システム
観点
階層化・分散されたデータの計算・集計
推論業務観点生産管理・工程計画・ルーティング
システム
観点
前向き推論・後ろ向き推論・Truth Maintenance System

Red Hat Decision Managerのルールエンジン
• データに基づきルールが評価される
• 推論機構にて連続発火し、再評価を行うことで、複雑な
ロジックでもシンプルに作ることができる
• 実行結果のトレースがとれるので、ブラックボックス化
しない
• RETEアルゴリズムの進化版の PHREAKを搭載
• 単なるif-thenのエンジンではない！

人工知能における学習の種類
教師あり
機械学習
教師なし
機械学習
人間の手打ち
による学習
ビジネスルール
教師あり学習
• ニューラルネットワーク
• 回帰
• Tree
• 単純ベイズ
• クラスタリング k近傍法
教師なし学習
• 主成分分析
• クラスタリング k平均法
• ベクトル量子化
• 自己組織化マップ

クラスタリング
• 機械学習の一つ
• 原始的だが重要な手法
• データマイニングなどでよく使われている
• 答えは「場合分け」
• 答えを「教師あり学習」「ルール」として使う
• 非階層的手法：k平均法
• 階層化手法：最短距離法・最長距離法・群平均法…

最短距離法の手順
1. 任意の2つのオブジェクトの距離を計算
2. 任意の２つのオブジェクトのうち、一番小さな距離間
のオブジェクトを抽出し、その重心を新たにオブジェ
クトとして作成する。新しいオブジェクトと、２つの
オブジェクトの関係性を記録する。
3. オブジェクトは複数のグループに所属出来ないので、
異なるグループに所属している場合はどちらかのグ
ループに属することを諦める
4. オブジェクトの総数が希望するクラスタ数よりも多い
場合、1-4を繰り返す。

簡単に、１次元の場合
最短距離法でルールエンジンを使ってクラスタリング

データ
7 8 18 27 37.5 62 72 73 89 96
• 0〜100の数値
• 点の数は10個（重複もありうる）
• ランダムにプロット
３つに分類する

最終目標
7.5
92.526.25 67.25
15
37.5
22.5
62
72.5
18 27 89 967 8 72 73

データモデル (Fact)
public class Distance {
private double distance;
private AnalysisData a1;
private AnalysisData a2; }
２点間のオブジェクトとその距離
public class AnalysisData {
private double x;
private double y;
private String Tag="";
private int Color=0;
private int level=0;
private ArrayList<AnalysisData> subsidiary;}
クラスタリングするデータ
座標と幾つかの識別フラグ、
自分がどのデータに含まれるかのリスト

作成したルール
rule “2点間の距離を計算”
rule “最小の距離を抽出し、新しい重心を作成”
rule “子が重複したクラスタを取り除き、子にならないものを子から外す”
rule “クラスタ数をチェックし、距離情報を削除”
rule “最上階層の色付け”
rule “その他の階層は最上階層の色とする"
クラスタリング
色付け

rule "2点間の距離を計算"
salience 100
when
ad1: AnalysisData(x1:x , y1:y, tag =="")
ad2: AnalysisData(x2:x >=x1 , y2:y, tag =="", this != ad1)
not Distance(a1==ad1, a2==ad2)
not Distance(a1==ad2, a2==ad1)
then
Distance d = new Distance();
d.setDistance(Math.sqrt(Math.pow((x1-x2),2)+Math.pow((y1-y2),2)));
d.setA1(ad1);
d.setA2(ad2);
insert (d);
end
tag:自分が子となった場合にChildとする
距離の計算はユークリッド距離を使用

rule “最小の距離を抽出し、新しい重心を作成"
salience 100
when
d1 : Distance( minDist:distance )
not Distance( distance < minDist)
A1 : AnalysisData( tag =="") from d1.getA1
A2 : AnalysisData( tag =="") from d1.getA2
NumberOfCluster( number > CulsterNumber )
then
AnalysisData ad = new AnalysisData();
ad.setX((d1.getA1().getX()+d1.getA2().getX())/2);
ad.setY((d1.getA1().getY()+d1.getA2().getY())/2);
ad.setTag("");
ad.setLevel(1);
ad.addSubsidiary(d1.getA1());
ad.addSubsidiary(d1.getA2());
insert(ad);
A1.setTag(“Child”); update(A1);
A2.setTag(“Child”); update(A2);
retract(d1);
end
tag:自分が子となった場合にChildとする
自分の距離より小さいものがない
= 自分自身は最小
Level:階層化されたフラグ
（初期値は0）
新しい重心を作成
（元データと同じデータ型）
新しい重心ができたことをルールエンジンに通知

rule "子が重複したクラスタを取り除き、子にならないものを子から外す"
salience 200
when
ad1: AnalysisData( )
ad2: AnalysisData( tag =="", subsidiary contains ad1)
ad3: AnalysisData( this != ad2, subsidiary contains ad1)
ad4: AnalysisData( this != ad1 ) from ad3.getSubsidiary()
ad5: AnalysisData( this != ad1, this != ad4) from ad2.getSubsidiary()
then
ad4.setTag("");
retract (ad3);
update(ad4);
end

rule “クラスタ数をチェックし、距離情報を消し、再評価のきっかけを作る"
salience -100
when
total: Number(intValue >= CulsterNumber.intValue())
from accumulate (AD: AnalysisData( tag != "Child"), count(AD))
noc: NumberOfCluster()
d: Distance()
then
noc.setNumber(total.intValue());
update (noc);
retract (d);
end
Tagが Childでないものが、クラスタのParentノード
分割したい数
C
CC C

Step 1
7 8 18 27 37.5 62 72 73 89 96

Step 1
7 8 18 27 37.5 62 72 73 89 96
1 10 9 11 24 10 1 16 7
7.5 72.518 27 37.5 62 89 96
分類数：8

Step 2
18 27 37.5 62 89 967.5 72.5
11.5 24 10.5 16.5 79 11
92.518 27 37.5 62 72.57.5
分類数：7

Step 3
18 27 37.5 627.5 72.5 92.5
11.5 24 10.59 11 20
37.5 62 72.57.5 92.522.5
分類数：6

Step 4
37.5 627.5 72.5 92.5
15 24 10.515 20
22.5
37.57.5 92.522.5 67.25
分類数：5

Step5
37.57.5 92.5
15
15 29.7515 25.25
22.5
30
67.25
92.567.25
分類数：4

salience 200
when
ad2: AnalysisData( tag =="", subsidiary contains ad1)
ad3: AnalysisData( this != ad2, subsidiary contains ad1)
ad4: AnalysisData( this != ad1 ) from ad3.getSubsidiary()
ad5: AnalysisData( this != ad1, this != ad4) from ad2.getSubsidiary ()
then
ad4.setTag("");
retract (ad3);
update(ad4);
end
37.57.5
15 15
15
22.5
30
ad4
ad2
ad1
ad3
ad5

salience 200
when
ad2: AnalysisData(this != ad1)
ad3: AnalysisData(this != ad1, this != ad2)
ad4: AnalysisData(tag =="", subsidiary contains ad1, subsidiary contains ad2)
ad5: AnalysisData(tag =="", this != ad4, subsidiary contains ad2, subsidiary contains ad3)
then
ad3.setTag("");
update(ad3);
retract (ad5);
end
37.57.5
15 15
15
22.5
30
ad3
ad4
ad2
ad5
ad1
Bad!
500C3 = 2,070万

Step5
37.57.5 92.5
15 29.7515 25.25
22.5 67.25
92.567.2515 30
分類数：4
307.5 22.5

Step6
92.5
26.25
22.5 29.75 25.25
67.25
92.567.25
分類数：3
15 37.5

Step7 階層化表示
7.5
92.526.25 67.25
15
37.5
22.5
62
72.5
18 27 89 967 8 72 73

K-平均法の手順
1. データに分類したいラベルを付ける。(Randomに）
2. それぞれのラベルの重心を求める。
3. データとラベルの距離を計算し、一番近いラベルをつ
け直す。
4. 重心の位置が動かなくなるまで2-3を繰り返す。

K-平均法
7 8 18 27 37.5 62 72 73 89 96
50.5
39.5 56.3
7 8 18 27 37.5 62 72 73 89 96
19.5 50.5 78.4
7 8 18 27 37.5 62 72 73 89 96
15.0 49.75 82.5
7 8 18 27 37.5 62 72 73 89 96

7 8 18 27 37.5 62 72 73 89 96
k-平均法による結果
7 8 18 27 37.5 62 72 73 89 96
最短距離法による結果
どちらの方式がより人間の感覚に近い？

オリジナル
• X値 y値ともに、0〜10,000の数値
• 点の数は500個（重複もありうる）
• ランダムにプロット

3クラスタ

5クラスタ

10クラスタ

15クラスタ

まとめ
ルールエンジンの心臓部
RETEアルゴリズムを使いこなせ！

まとめ
• ルールエンジンは単なるIf-Thenのエンジンではない！
• RETEアルゴリズムは、繰り返し処理や複雑な動きを再
評価・実行することで、ルールを簡単に書ける仕組みで
ある
• ルールはオブジェクトの組み合わせを常に意識して書く
• 機械学習にも使える！

Decision Manager 関連セッション

17:35 アイデアソン表彰式
https://jp-redhat.com/forum-ideathon/

ありがとうございました
plus.google.com/+RedHat
linkedin.com/company/red-hat
youtube.com/user/RedHatVideos
facebook.com/redhatinc
twitter.com/RedHatNews
梅野昌彦: mumeno@redhat.com

RETEアルゴリズムを使いこなせ

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to RETEアルゴリズムを使いこなせ

Similar to RETEアルゴリズムを使いこなせ (20)

More from Masahiko Umeno

More from Masahiko Umeno (15)

RETEアルゴリズムを使いこなせ