| 研究課題/領域番号 |
24H00370
|
|---|
| 研究種目 |
基盤研究(A)
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
中区分25:社会システム工学、安全工学、防災工学およびその関連分野
|
|---|
| 研究機関 | 早稲田大学 |
|---|
研究代表者 |
後藤 正幸 早稲田大学, 理工学術院, 教授 (40287967)
|
|---|
| 研究分担者 |
上田 雅夫 横浜市立大学, データサイエンス学部, 教授 (20755087)
守口 剛 早稲田大学, 商学学術院, 教授 (70298066)
鈴木 秀男 慶應義塾大学, 理工学部(矢上), 教授 (10282328)
生田目 崇 中央大学, 理工学部, 教授 (10318222)
小林 学 早稲田大学, データ科学センター, 教授 (80308204)
関 庸一 群馬大学, その他部局等, 名誉教授 (90196949)
三川 健太 東京都市大学, メディア情報学部, 准教授 (40707733)
山下 遥 上智大学, 理工学部, 准教授 (90754797)
|
|---|
| 研究期間 (年度) |
2024-04-01 – 2028-03-31
|
| 研究課題ステータス |
交付 (2025年度)
|
| 配分額 *注記 |
47,710千円 (直接経費: 36,700千円、間接経費: 11,010千円)
2026年度: 11,570千円 (直接経費: 8,900千円、間接経費: 2,670千円)
2025年度: 11,180千円 (直接経費: 8,600千円、間接経費: 2,580千円)
2024年度: 12,610千円 (直接経費: 9,700千円、間接経費: 2,910千円)
|
|---|
| キーワード | データ駆動型社会 / 機械学習 / 実験計画 / 人工知能 / 因果推論 / 施策効果 / 企業DX / 実験データ |
|---|
| 研究開始時の研究の概要 |
本研究では，データ駆動型企業システムの実現に向けて，企業活動に関する「大規模ログデータの蓄積」とコストをかけて取得する「実験データの計画と観測」の仕組みを統合的に設計し，先進的なAIや機械学習を含む高度データ分析技術を駆使してビジネス活動の継続的発展に結び付けるための技術基盤とその要素技術（データ整備と分析モデル）を開発する．具体的には，ビジネス施策高度化のためのPDCA（Plan-Do-Check-Act）サイクルの各段階において活用されるデータの蓄積と分析技術を開発し，顧客の購買-消費サイクルで利用されるAIシステムとの融合を通じて，理想的なデータ駆動型企業システムのモデルを提案する．
|
| 研究実績の概要 |
本研究では，データ駆動型企業システムの実現に向け，企業活動に関する「大規模ログデータの蓄積」とコストをかけて取得する「実験データの計画と観測」の仕組みを統合的に設計し，先進的なAIや機械学習を含む高度データ分析技術を駆使してビジネス活動の継続的発展に結び付けるための技術基盤とその要素技術（データ整備と分析モデル）を開発することを目的としている．以上の研究目的を達成するために，具体的な研究項目として以下を設定し，全体的な観点から情報共有と進捗調整も行いながら研究を遂行した．
１．データ駆動型仮説抽出手法の確立：学習済の機械学習モデルから新たな施策立案に結び付く仮説を得るために，説明可能AIの説明から新たなビジネス施策の発想に結び付ける方法を検討した．
２．データ駆動型施策実験計画技術の確立：大規模ログデータと過去の実験データを学習した機械学習モデルを活用し，効果の高い新たな施策を発見・評価するための実験計画技術を検討し，実ビジネスで有用性の高いAI駆動型施策実験計画手法を提案した．
３．観察データと実験データの統合分析技術の開発：これまでの因果推論モデルの枠組みを拡張し，大規模ログデータと条件付きランダム化比較実験による実験データを融合し，適切に「施策の因果効果の推定」へと結び付ける方法論を構築した．
４．顧客評価データとビジネス活動データの統合分析技術の開発：ECサイト上で顧客が好みのアイテムを発見するために利用可能な対話型AIツールの実現に向け，その構成について検討を行った．
2024年度は，以上の１～４の個別課題に対して並行して検討を行い，個々の課題の基礎的なモデルの確立と知見の蓄積を行うと共に，これらの有機的な連携についてデザインを行った．個々の研究成果については，国内学会，国際会議，査読付ジャーナル論文にて順次発表を行い，成果の公開に努めている．
|
| 現在までの達成度 |
現在までの達成度
2: おおむね順調に進展している
理由
本研究では「研究実績の概要」に示した具体的な研究項目を設定して研究を進めているが，2024年度は研究期間の初年度の研究活動として，概ね必要な基礎事項を整理し，今後の研究遂行のためのノウハウを蓄積することができたと考えられる．個別の研究進捗状況は以下の通りである．
１．データ駆動型仮説抽出手法の確立：ビジネス施策に結び付けるための説明可能なAI (XAI)の活用について検討を行うと共に，新たな観点での学習済みAIの構造分析手法について検討を行い，幾つかの知見を得ることができた．
２．データ駆動型施策実験計画技術の確立：大規模ログデータと過去の実験データを学習した機械学習モデルを活用し，効果の高い新たな施策を発見・評価するための実験計画技術については，先の科研費研究課題においてその基盤を構築してきており，その成果をさらに発展させた．
３．観察データと実験データの統合分析技術の開発：選択バイアスを含む大規模ログデータ（低品質・大規模）と条件付きランダム化比較実験を前提に得られている実験データ（高品質・少数サンプル）を融合し，機械学習モデルを適切に活用して適切に「施策の因果効果の推定」に結び付ける方法論を提案した．
４．顧客評価データとビジネス活動データの統合分析技術の開発：ECサイト上で顧客が好みのアイテムを発見するために利用可能な対話型AIツールの実現に向け，新たな推薦システムや対話型商品検索システムのための基礎モデルの検討を行った．
2024年度は，以上の１～４の個別課題に対して個々に深く研究を掘り下げ，多様な切り口からの検討を行ったことで，多くの観点から個別の研究成果が得られ，すでに国内学会，国際会議，査読付ジャーナル論文にて順次，研究成果を発表している．現在，投稿中の研究成果も複数蓄積されており，2025年度以降の成果に結び付くと期待できる．
|
| 今後の研究の推進方策 |
2025年度は，2024年度に取り組んだ個別課題１～４の成果に対して入念なフィードバックを行い，個々の課題の基礎モデルの確立と評価を継続する．加えて，これらの成果の有機的な連携によるデータ駆動型マネジメントサイクルの基盤モデルのデザインに着手する予定である．
１．データ駆動型仮説抽出手法の確立：説明可能なAI (XAI)の説明から新たなビジネス施策の発想に結び付ける方法を開発する．具体的には，施策効果を推定するための反実仮想機械学習の技術に，XAIで用いられる様々な説明技術を融合することで，施策効果が高まる理由を明示するような機械学習モデルを構築する．
２．データ駆動型施策実験計画技術の確立：大規模ログデータと過去の実験データを学習した機械学習モデルを活用し，効果の高い新たな施策を発見・評価するための実験計画技術として，①複数の機械学習モデルによる予測値を活用した手法，②埋め込み表現（embedding）モデルによる潜在意味空間を活用した手法の2つのアプローチを採用し，実ビジネスで有用性の高いAI駆動型施策実験計画手法を確立する．
３．観察データと実験データの統合分析技術の開発：これまでの因果推論モデルの枠組みを拡張し，選択バイアスを含む大規模ログデータ（低品質・大規模）と条件付きランダム化比較実験を前提に得られている実験データ（高品質・少数サンプル）を融合し，共変量や選択バイアスの存在を考慮しつつ，適切に「最適な施策の因果効果の推定」に結び付ける方法論を構築する．
４．顧客評価データとビジネス活動データの統合分析技術の開発：顧客が好みのアイテムを発見するために利用可能な対話型AIツールの開発を目指し，ユーザビリティの向上と顧客の行動履歴データの取得が可能なモデルを検討する．加えて，ユーザレビューや評価値データを企業側のPDCA管理サイクルの回転力に変える手法を研究する予定である．
|
