テックノート

  • ルールベースAI/BRMS
2020.04.14

10分で理解する「ルールベースAI」。今求められるAIとは?

10分で理解する「ルールベースAI」。今求められるAIとは?

人が考える業務の自動化/効率化や新たな知見の導出を実現するテクノロジーとして「AI( Artificial Intelligenceの略、人工知能 )」が注目を集めて久しいですが、その歴史は意外に古く、民間企業や自治体では研究分野より派生した商用製品の導入がかなり進んでいます。しかし、AIは様々で、機械学習や特化型AI、また、RPAとAIの明確な使い分けもまたわかりづらいのではないでしょうか。本稿では、「ルールベースAI」に焦点をあて、「ルールベースAIとは何か」から活用事例、導入における課題までを分かりやすく解説していきます。



ルールベースAIは、人の判断業務を大きく効率化するツール


企業では、日々様々な人による「知的判断」が行われています。一例をあげれば、複数のExcelファイルの情報を目検で確認し、一つのファイルに加工する作業や、何らかの申請受理業務において、受付内容の不備を目検でチェックし、問題がなければ次工程に進める作業といったように、どの業務にも人の判断を要する作業が存在します。

ものづくりの分野では、その道の達人と呼ばれるような職人が手工業で行ってきた工程は、ハードウェア(機械)による自動化で、全体的な生産性は飛躍的に向上しました。しかし、人による判断が必要な作業の自動化はなかなか難しいものがあります。

昨今、企業のデジタルトランスメーション(DX)に欠かせないツールとして注目されているのが第2次AIブームより派生した「ルールベースAI」です。このルールベースAI は、ハードウェアによる自動化だけでは補えない、人の判断を要する作業をも自動化しようという、いわば、ホワイトワーカーの知的作業を代行するための「事務用ロボット」です。

企業内の定型的で反復性の高い知的判断業務にルールベースAIを活用できれば、部分的には自動化できていた一連の作業がすべて自動化され、全体的な生産性向上に大きく貢献します。

(関連記事)
業務に「AI」を適用するコツと視点


ルールベースAIの得意分野、不得意分野


AIと言えどももちろん万能ではありません。また、AIと名の付くソリューションが数多く乱立していますが、その中身はルールベース型と機械学習型の2種類しかなく、それぞれ得意分野と不得意分野がありします。ルールベースAIの適用範囲は「ルール化された知的作業」の自動化が中心です。例えば「2つのデータのメールアドレスが同一ならば重複とみなし、統合する」と人がAIに教育(定義)すれば、その通りに分類してくれる、つまり、命令に100%忠実なコピーロボットです。では、例外が発生した場合はどうなるのでしょうか。近年のルールベースAI製品は進化しており、ルールベースAIに定義するときに、思考の論理矛盾や曖昧なロジックがあればルールベースAI内のAIが自動でそれを検出し、「先生!正しく教えてください」と、人の思考の甘さを正してくれるので、その心配がありません。

ちなみに、大量の画像を自立学習し、「写真の中にネコがいる」と判定するようなAIはルールベースAIではなく機械学習型AIです(機械学習系AIとの違いについては後述を参照してください)。

それではルールベースAIの代表的な長所と短所を以下に挙げます。

【長所】

  • 機械学習型AIと比較して、実用化(業務自動化)までのスピードが圧倒的に速い
  • 人が人を育てるように、人がAIを教育
  • 低コスト

【短所】

  • 自立学習をせず、人がAIに全て教える
  • 形式知でなければAIに教育できない
  • 教育されていない事柄は判断できない

ルールベースAIの成長は、「赤子」から「大人」になっていく人の成長と似ています。人も生まれたばかりの時は何もできず、幼少期は親に教えられた通りに動き、教えを守らない場合はしつけられて成長していきます。企業活動も同様で、新入社員は先輩社員に業務の処理ルールを教えられ、例外が発生したら、先輩社員やその上長の指示に従うことで業務ルールを覚えていきます。このように、企業活動は「ルール化」の繰り返しにより成り立っているため、ルールベースAIは企業の知的判断の自動化に向いていると言えます。


ルールベースAIとRPAは何が違うのか?


昨今業務自動化といえば、真っ先に思い浮かぶのは「RPA」でしょうか。RPAはRobotics Process Automationの略語であり、ロボットでプロセスを自動化する取り組みのことですが、広い意味ではAIもRPAの取り組みの一つといえます。「RPA」と聞くと、一般的にパソコン上の「操作」を自動化するソフトウェアロボットをイメージされるかと思いますが、その自動化の軸は「手作業」にあります。それに対し、ルールベースAIは判断を伴う複雑な加工やデータのチェック処理などが得意であり、その自動化の軸は「考える作業」にあります。

RPAや機械学習とルールベースAIの大きな違いは、知識実装をどうするか、つまり「プログラミング」の有無にあります。RPAや機械学習で判断部分(ただし定型に限る)を内部に実装するには、その仕組み特有の言語でプログラミングが必要となり、プログラミング言語を熟知した専門家の領域になります。例えばExcelのマクロですら処理手順を構造化し、 Excelの言語を用いて命令を記述します。RPAツールも機械学習における出力結果に対する判断もこれと差異はありません。

これに対してルールベースAIは、基本的にプログラミングという概念がなく、当然のことながらプログラミングも行いません。複雑なプログラミングを学ぶ必要はなく、一般的にGUIより語彙を用いて自動化したい判断を「宣言」するだけでよいのです。

よく、ルールベースAIは人間が定義する単なるif then else文のことでしょうか?と言われることがありますが、弊社の商用ルールベースAI製品の場合if thenのみ宣言します。

つまり、大量のif thenが一つのディシジョンで複雑に組み合わされることもありますが、各々の論理的整合性をルールベースAI内部の「推論エンジン」が検証し、所謂最小化されたelseは自動的に抽出されるのです。


デジタル・ディシジョン・オートメーションの実現に向け、ルールベースAIの活用が進む


DXを見据えた「デジタル・ディシジョン・オートメーション」、すなわち判断の自動化に取り組むべく、ルールベースAIを導入した企業は弊社の製品だけでも500社を上回ります。企業や官公庁でルールベースAIの導入が進む背景には、厚生労働省が推進する「働き方改革」があります。この定義の中には、「少子高齢化に伴う生産年齢人口の減少」、 「働く方々のニーズの多様化」などの課題に対応するためには、 投資やイノベーションによる生産性向上とともに、就業機会の拡大や意欲・能力を存分に発揮できる環境をつくることが必要です」とあり、実現には労働生産性の向上を要するのです。

つまり、人口減少が進む社会でもサービスレベルを下げることなく、現状と同様のアウトプットを出し続けなければ成しえません。具体的には、アウトプットにたどり着くまでに必要な単純な事務作業から解放し、より価値のある業務に注力させること、および、熟練社員の知見をそのままAIに蓄積し、その作業を代替させ、経験によらずに誰もが同じレベルのアウトプットの出力が求められています。
この推進に最も適している技術がルールベースAIであり、活用が加速度的に進んでいることも頷けます。

ルールベースAI導入効果

KDDI
・対象業務の一連の業務プロセスを自動化でき、RPAツール以上の業務効率化を実現
・AEDANを適用した業務では工数を3分の1以下に削減、人為的なミスも撲滅
・ベテラン担当者のスキル・ノウハウを可視化、共有化でき、組織の財産として継承

レジェンダ・コーポレーション
・月間482時間費やしていた新卒採用業務のうち、78%にあたる375時間の削減に成功
・自動化で業務プロセスが統一されたことにより、属人化が解消し、ミスもゼロに
・業務開始時間前に自動化処理が終了し、すぐに次の業務にとりかかれる

トーア再保険
・専門知識の浅い事務担当者にもルールに基づく査定業務が可能となり、査定者の負荷が軽減
・査定者が査定以外の業務にも注力できるようになったことで、顧客支援という新たな企業価値を創出
・査定業務の効率化に加え、ノウハウの蓄積/共有/査定品質の均一化にも寄与

(関連記事)
KDDI事例:RPAの領域を大幅に拡大!複雑な判断や作業のつなぎまでも含めた自動化で業務スタイルを変革
レジェンダ・コーポレーション事例:人の判断軸の付加で実現した採用支援業務の大幅な効率アップ
トーア再保険事例:生命再保険引受における97%の疾患をルール化


ルールベースAIの導入、普及のボトルネックとは?


弊社での調査結果によると、企業や自治体におけるルールベースAIの導入における課題は以下の通りです。

1)適用業務が不明
2)導入効果が不明
3)現場の理解不足(自分の業務がなくなる不安)
4)AIに対する理解不足(機械学習だけがAIであると誤った認識をしている)
5)ITとビジネスの両方を理解できる人材が不足

例えば情報システム部門の場合、一般的にシステムのことはもちろん理解をしているが、意外に自社の現場業務を知らず、適用業務が不明瞭となるケースが最も多く、また、IT技術者であれば「AIとは機械学習のことである」と誤った認識を持たれるケースも多いのです。さらに、AIに関するセンセーショナルな記事をそのまま鵜呑みにし、AIに自分の仕事が奪われる恐怖心より、AIそのものに拒絶反応を持つケースも少なからず存在します。

また、ルールベースAIを導入しても効果が得られないのは、主に以下のケースです。

1)そもそも現場に業務ルールが無い、または整理されていなかった
2)誰が見ても中身が理解できないような製品を選択してしまった
3)コスト重視で、機能不足の製品を選択してしまった
4)自社で構築と保守ができず、結局SIerに丸投げせざるを得ないような製品を選択してしまった

AIには学習が必要であり、何らかの手段でAIに知識を与えなければなりません。しかし、与える知識や学習させるためのデータがなければAIは作れません。

さらに、AIと言えども結局は「ITシステム」です。いくらその活用にバラ色の未来が描けようとも、避けて通れないのは「AIの運用」です。特に、ユーザー部門では製品検討時にこの「運用」フェーズの議論が疎かにされがちですが、一番重要なのはこの運用フェーズで、AIを育て続けるための製品機能とその体制で未来が決まると言っても過言ではありません。


ルールベースAIは、自社ノウハウの収容庫である


多くのAI製品は使いこなしにノウハウが必要だったり、高額なコストが必要となるため、AIに対し、「未だハードルが高い」と感じている企業や人が多いことは確かです。

しかし、ルールベースAIに関してはその心配は無用で、導入と運用にさほど高度なITスキルは必要ありません。むしろ、必要なのは業務をモデル化する論理的思考力です。前述に挙げた導入事例はいわゆるユーザー部門の活用事例です。これらは高度なITスキルがなくても自分たちのAIを自ら作り上げられることを証明しています。

ルールベースAIに蓄積されてゆく知識は企業の財産であり、その知識は継続的に、永続的に高まってゆきます。
ぜひ多くの企業にルールベースAIを活用した業務改革にチャレンジし、その可能性を感じて欲しいと願っています。



執筆者のご紹介

アシスト中尾 有揮

中尾 有揮
東日本技術本部

1994年中途入社。 システム運用やセキュリティ、仮想化など、10を超えるメーカー製品のグループマネージャ、新規事業開発マネージャを経て、現在「AIのアシスト」を実現すべく事業戦略とマーケティングに従事。言語学、数学、認知心理学を組み合わせ、日々世間と戦う漢語の教師。 Progress認定ビジネスアナリスト、人工知能学会 会員。

本記事をご覧いただいている方へのご案内

最後までご覧いただきありがとうございました。
本記事でご紹介した製品・サービスに関するコンテンツをご用意しています。また、この記事の他にも、IT技術情報に関する執筆記事を多数公開しておりますのでぜひご覧ください。

関連している記事

  • ルールベースAI/BRMS
2016.09.21

デジタルトランスフォーメーションのための超高速開発基盤! Vol.5

従来、基幹システムで最も重視されたのは自社のビジネスを止めないための堅牢性であり、そこに多額の投資が行われてきました。しかし、ビジネスの中核を担う基幹システムが変革を阻む枷となってしまっているケースがあります。

  • ルールベースAI/BRMS
2016.08.26

デジタルトランスフォーメーションのための超高速開発基盤! Vol.4

業務プロセスを可視化するための経営手法といえばBPMですが、思ったような成果が出なかったという評価も耳にします。BPMを真に使える手段にするために、ビジネスルールアプローチがいかに有効かを説明します。

  • ルールベースAI/BRMS
2016.08.04

デジタルトランスフォーメーションのための超高速開発基盤! Vol.3

今ふたたび超高速開発に注目が集まっています。その真の目的は、単なる開発スピードの向上でもコスト削減でもありません。ビジネス変革ツールとしての超高速開発を解説します。

ページの先頭へ戻る