2020 Fiscal Year Annual Research Report
Methodology and Fundamental Technology for Innovative Design Ideation by Collaboration of Human- and Artificial Intelligence
| Project/Area Number |
19H02047
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
村上 存 東京大学, 大学院工学系研究科(工学部), 教授 (20212251)
|
|---|
| Project Period (FY) |
2019-04-01 – 2023-03-31
|
| Keywords | 発想創出 / 協創的知能 / 発想インフォマティクス / デザインマップ / 機械学習 / 説明可能AI |
|---|
| Outline of Annual Research Achievements |
設計／デザインにおける革新的発想の創出を支援する、人間とAIの相互連携による協創的知能を実現するための方法論および基盤技術を構築することを目的として、以下の研究を行った。
〔1〕製品・サービスのデザイン事例の網羅的・系統的な分類体系の構築： 本研究では、人間とAIの連携による発想創出の材料として、多数のデザイン事例の機能、ユーザ体験の記述を用いる。前年度の研究から、既存のデザイン事例の収集においては、生活や社会から偏りなく多様な事例のサンプリングをすることの有効性が知見として得られた。そのような多様性を実現するための体系的な分類法として、図書分類法である日本十進分類法、科学研究費助成事業審査区分表などを検討した結果、専門的概念や日常的概念を包含する日本語Wikipediaのカテゴリツリーに注目し、階層データとして整理することを行った。
〔2〕デザイン差分マップを用いた製品×サービスの組合せによる発想創出の研究： 近年、新たな価値の可能性は、製品、サービスそれぞれにおいてだけでなく、製品とサービスのいわばグラデーションの中に見いだされる可能性がある。そこで、収集した製品およびサービスの既存デザイン事例の比較や組合せから、従来存在しない新たな製品、サービス、製品とサービスの組合せのデザイン発想を創出することを試み、有効性と課題を明らかにした。
〔3〕機械学習結果への解釈性の付与に関する研究： 機械学習の結果を設計やデザインで利用可能とするためには、学習結果の理由や根拠が人間に理解できる必要になる。そこで、物理現象など多数の測定値の時系列データを学習できる回帰型ニューラルネットワーク（Recurrent Neural Network, RNN）と説明可能AIを組合せ、物理現象など多数の測定値の時系列データから人間にとって理解可能な形で設計に用いられる学習結果を得る方法を提案した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
年度当初の計画内容に関して研究を実施し、一定の結果を得ることができた。ただし、コロナ禍の影響により実験参加者による評価、検証実験の一部が遅れているため、当初の計画以上の進捗とはなっていない。
|
| Strategy for Future Research Activity |
計画内容を着実に実施するとともに、コロナ禍の影響で遅れ気味の実験参加者による評価、検証実験を行っていく。
|
