機械学習プロジェクトのモデル化とその比較

(1)

機械学習プロジェクトのモデル化とその比較

Project Models for Machine Learning Service Systems

竹内広宜

1∗

_伊藤優

2

_西山莉紗

2

_磯村哲

2

Hironori TAKEUCHI

1

_{Yu ITO}

2

_{Risa NISHIYAMA}

2

_{Tetsu ISOMURA}

2

1

_武蔵大学

1

_{Musashi University}

2

_{株式会社三菱ケミカルホールディングス}

2

_{Mitsubishi Chemical Holdings Corporation}

概要: 本研究では，機械学習技術を企業内の業務に適用することを考える．機械学習適用プロジェ クトでは，事業部門，開発部門などの関係者がプロジェクトについて共通理解する必要があり，プロジェクトをモデル化する試みがいくつか行われている．本研究では，エンタープライズアーキテクチャのモデリングアプローチを用いて，これまでのプロジェクトのモデル化について比較し考察する．

Abstract: In this research, we consider the project models for machine learning service systems.

We introduce the Enterprise Architecture modeling approach and represent these models by using the business layer, the application layer and the motivation extensions defined in ArchiMate. Through a real project case, we show the relationships between the project models and discuss the use cases of these models.

1 はじめに

人工知能 (Artificial Intelligence: AI) の代表的な要素技術である機械学習 (Machine Learning: ML) 技術が現在，社会の様々な場に適用され始めている．本研究では，ML 技術を企業の業務活動に適用する ML サービスシステムの開発プロジェクトを研究対象とする． ML 技術の業務適用では，事業部門には経営者を中心に，過度な期待を持っていることがある．しかし現実には ML 技術が適用されるのは業務の一部タスクにのみであることが多い．その結果，ML サービスシステムへの期待およびかけたコストと，結果として得られる適用効果との間に事業部門側がギャップを感じ，業務適用の検証段階でプロジェクトが終わり，ML 技術をはじめとした AI 技術の業務実用化が進まない状況が生じている [16]．このような状況に対して，AI 技術の中核となる ML 技術を活用したシステムを開発する際の工学的課題の指摘と，解決策考案の必要性が述べられている [13]． ML 技術を用いたシステムの開発には，上流工程の要求分析からテスト検証まで様々な課題があるが，本研究はプロジェクトを開始するまでの開発関係者間の合意形成に注目する．そして事業部門と開発部門の両 ∗_{連絡先：武蔵大学経済学部経営学科} 〒 176-8534 東京都練馬区豊玉上 1-261-1 E-mail: [email protected] 者の視点を合わせ，プロジェクトを概観するためのプロジェクトモデルの有効性について検討する．具体的には，すでに提案されているプロジェクトのモデルをエンタープライズアーキテクチャの考え方に基づき共通の形式で表現し，プロジェクトモデル間の比較を行う．そして，モデル間の関係やプロジェクト実践上の用途などについて実プロジェクトを題材に考察する．本論文の構成は以下の通りである．2 節で関連研究を述べた後，3 節でプロジェクトをモデル化するアプローチと研究仮説について述べる．そして，プロジェクトモデル間の比較を 4 節で行う．そして，5 節で実プロジェクトを対象に作成したモデルについて述べ，6 節で考察を行った後，7 節でまとめを行う．

2

3 研究対象と研究仮説

3.1 エンタープライズアーキテクチャと機械

学習サービスシステム

エンタープライズアーキテクチャ(Enterprise Archi-tecture: EA) は企業の活動をモデル化する手法であり， Open Group が開発した ArchiMate[10] が，EA 用の標準モデリング言語として広く使われている．Archi-Mate では対象をビジネス，アプリケーション，テクノロジーの層に分けて表現するとともに，対象業務のゴールなども動機拡張として表すことができる．本研究では，ArchiMate を用いて ML 技術を活用したシステム (ML サービスシステム) の開発プロジェクトをモデル化する．機械学習 (ML) は，説明変数 (特徴) を入力として目的変数 (結果) を予測する技術である．この時，説明変数と目的変数のペアからなるデータを訓練データとして集め，予測に用いるモデルを求める．つまり，ML サービスシステムは訓練データを ML アルゴリズムに投入し訓練済みモデル (ML モデル) を作成する部分 (訓練エンジン) と，ML モデルに対して入力データを投入し出力を得る部分 (ランタイムエンジン) に分かれる．ML サービスシステムを開発する場合，対象業務のデータから訓練データを準備し，そこから学習によって ML モデルを作るプロセスと，ML モデルを利用する ML ランタイムエンジンを使った業務アプリケーション (ML アプリケーション) を開発し，それをユーザーが利用するプロセスがある．これらの要素を ArchiMate で表現すると図 1 となる．図 1: ArchiMate で表現した ML サービスシステム

3.2 機械学習プロジェクトキャンバス

ビジネスモデルを表すための図式手法が数多く提案されている [17]．そのうち，ビジネスモデルキャンバス [8] では，ビジネスを顧客セグメント，顧客価値，販売チャネル，顧客関係，収益連鎖，主要資産，主要活動，主要パートナー，経費構造の 9 要素に分解し，キャンバスの形式で記載する．これにより，企業内外の関係者が対象ビジネスに対して共通の理解を持てると期待されている． ML サービスシステムの開発プロジェクトに対して，ビジネスモデルキャンバスと同様，対象 (Product)，利用者 (Who)，実現手段 (How)，そして実現価値の観点でプロジェクトの構成要素を同定し，キャンバス形式で整理する ML プロジェクトキャンバスが提案され [12]，様々なプロジェクトで実践されている [18]．ML プロジェクトキャンバスは図 2 のように表され，ML 技術の活用に際し，関係者で議論しながらキャンバスを埋め，プロジェクトを計画する，というユースケースが想定されている． !"#$%&'()*+,-./ 01203 4516789:;<=>

?@A BCDEFGHI JKEL3 MNE;<I ;<O

?@AEPQ RS1T;<=> U@%-VW XYEZ[ \?]^_ 図 2: ML プロジェクトキャンバス

3.3 ML サービスシステムに関するビジネ

ス IT アライメントモデル

業務システムの検討や評価において，ビジネスゴール，ビジネスプロセス，そしてアプリケーションを関連付けることは，ビジネス IT アライメントと呼ばれて

(3)

いる [5]．このビジネス IT アライメントを通して，経営者も含めたステークホルダーが，対象システムに対して共通理解を持ち，IT システムの変革に対して俊敏に対応できると期待されている．EA モデリングに基づくと ML サービスシステムに関するビジネス IT アライメント (ビジネス ML アライメント) の汎用モデルは図 3 として表すことができる [9]．図 3: ビジネス ML アライメントの汎用モデル

3.4 研究仮説

本研究では，ML 技術を活用するプロジェクトを対象とし，プロジェクトのモデル化手法について考える． ML プロジェクトキャンバスおよびビジネス ML アライメントモデルは，開発対象をプロジェクト関係者が共通理解することを目的として提案されている．したがって，双方のモデルには共通点が多くあると考えられる．そこで，本研究では ML プロジェクトキャンバスを EA として表現することでビジネス ML アライメントモデルとの比較を行う．そして，実践プロジェクトのモデルを比較し，以下の 2 点を考察する． • ML プロジェクトキャンバスとビジネス ML アラ イメントモデルは相補的な関係にある • プロジェクトを企画段階で両方のモデルを併用し 議論をすることができる

4 EA

モデリングアプローチによる

プロジェクトモデルの比較

4.1 ArchiMate を用いた ML プロジェクト

キャンバス

ビジネスモデルキャンバスを EA のモデリング言語である ArchiMate を用いてモデル化する研究が行われている [7]．また，ビジネスモデルを表現する様々な手法を ArchiMate を通して比較可能にし，それらの表現能力を検討する研究も行われている [17]．これらの研究成果に沿って，本研究では，まず ArchiMate を用いて ML プロジェクトキャンバスを表現する．ArchiMate ではビジネス層，アプリケーション層などの間をサービスを介して関連付ける．そのため，EA として表現するにあたってサービス要素を追加した．また，ML 技術の利用では訓練と予測のプロセスに分かれる．そのため，キャンバスの要素である「検討時の計算手段」を訓練部分とランタイム (予測) 部分に分けた．また，「データ」は業務で利用 (または生成) される「業務データ」とみなし，「ML 訓練データ」と区別した．「データの補強」という活動は，ここではラベルの付与などのアノテーション作業として位置付けている． ML 技術の活用にあたっては，例えば訓練データや ML モデルで広く公開され利用可能なものがある．また，ML の様々なアルゴリズムが公開され API といった形式で利用できるようになっている．よって，「オープン戦略」は ArchiMate の「意味」を表す要素として「ML 訓練データ」，「ML モデル」，「検討時の計算手段」に関連付ける．同様に，「過去の知見」も「意味」を表す要素として表現する．「過去の知見」をもとに ML を活用するユースケースを検討すると想定し，この要素は「予測の利用法」に関連付ける．こうして EA として表現された ML プロジェクトキャンバスを図 4 に示す．図の中で*が付いている要素は ArchiMate で表現するために追加した要素である．図 4: ArchiMate で表現した ML プロジェクトキャンバス

4.2 モデルを構成する要素間の比較

ArchiMate を用いて EA として表現することで，ML プロジェクトキャンバスとビジネス ML アライメントモデルの比較が可能となる．両モデルに共通する部分を図 5 に示した．ここから，ML プロジェクトキャンバス固有の構成要素として • 過去の知見

(4)

図 5: プロジェクトモデル間で共通する構成要素 • オープン戦略 • モデルの更新 があり，ビジネス ML アライメントモデル固有の構成要素として • 開発に関わるステークホルダー (事業部門，事業 部門の企画担当部門，開発部門，データサイエンティスト) • 事業部のミッション • 業務課題 • 達成するビジネス性能 があることがわかる．共通部分以外に着目すると，ML プロジェクトキャンバスでは，企画段階で参照した過去の知見といった立案時の背景から，開発時に利用可能なデータ・モデル・アルゴリズム，そして運用方法までを表現することを目指している．一方，ビジネス ML アライメントモデルでは，ML サービスシステムによって最終的に解決する業務課題とその効果測定，そして各課題の解決を中心的に行う担当者との関係が表現されている．

5 ケーススタディ

本節では，実践プロジェクトについて，ML プロジェクトキャンバスおよびビジネス ML アライメントモデルで表現した結果について示す．銀行の海外送金業務における ML 技術の活用 [15] を対象プロジェクトとした．銀行では，個人や法人から依頼を受け海外への送金を行っている．この海外送金業務では，顧客が指定する送金先に直接送金することは少なく，最終的な送金先に応じた仕向先に，銀行は一旦送金する．したがって，海外送金業務では，担当者は顧客からの依頼書を元に仕向先を判定し，検証者が判定結果を確認した後，仕向先情報を送金システムに入力するという一連のタスクを行っている．顧客からの送金依頼書には，通貨名と金額とともに，自然文で書かれた送金先が記載されている．仕向先判定担当者は，自然文で書かれた送金先記述から顧客の送金先の金融機関の情報 (銀行名，銀行コード，国名，都市名などの固有表現) を抽出し，それらの情報を銀行内のビジネスルールに適用し仕向先を決定する．この仕向先決定の流れを図 6 に示す．仕向先判定作業において， !"#$%&'$()&"*&+$($,$&-.$,&"**/+.&01/*2& +",.3!"#++$24&5$#6.(2.&+.(2!.7&89:& 1.%%/(;2"(&02!..2&1.02&2"!"(2"7&+$($,$& +$ '<=>&&?&!"#$%&'$()&"*&+$($,$ +@A=BCD?+$($,$ +EBD&?&2"!"(2" +@FG&?&!"#++$24 ! +/2/'$()7&($ ! (.1&#"!) ! +/2/H0II 8:7:::&&H0, !"#$% !""&'()* +,#-. JKLMNONPQ !"#-. 図 6: 海外送金業務における仕向先の決定経験の少ない担当者が行う場合，または，見慣れない銀行名 (例えば，BROWN BROTHERS HARRIMAN など) が送金先記述欄に書かれている場合，過去の事例や業務マニュアルなどを参照することになり，送金先の金融機関情報を理解する時間が長くなる．この課題を ML 技術を使って解決するプロジェクトについて，ML プロジェクトキャンバスおよびビジネス ML アライメントモデルを作成した．本プロジェクトにおける各モ

(5)

デルの構成要素を表 1 に示す．本プロジェクトのモデル化では，「副次的に得られる利用形態」および「オープン戦略」に相当する要素は抽出されなかった．

6 考察

4 節で，モデルを構成する要素間の比較を行った結果，および，5 節での実践例から，ML プロジェクトキャンバスでは，過去の知見やデータ・モデル・アルゴリズムが公開されて利用可能かどうかが表現されており，プロジェクトを企画，実施する際，開発者に対して有効であると考えられる．一方，ビジネス ML アライメントモデルでは，最終的に解決する業務課題や各プロジェクトメンバーが担う領域などが表現されている．そのため，プロジェクトの企画後，各関係者がプロジェクトにおいて，何を担うのか，そして何をゴールとするのかを把握でき，プロジェクトを実施するかどうかの判断に有用となると考えられる．このように， ML プロジェクトキャンバスとビジネス ML アライメントモデルは用途において相補的な関係にあることがわかる．また，ML プロジェクトキャンバスとビジネス ML アライメントモデルでは共通する構成要素が多いため，両モデルを ArchiMate で表現することによって，一方のモデルから他方のモデルへの変換が可能となる．プロジェクト企画時に，プロジェクト関係者での議論の結果をキャンバス形式の ML プロジェクトキャンバスに埋めることでビジネス ML アライメントを作成することや，既存のプロジェクトに関するビジネス ML アライメントモデルを ML プロジェクトキャンバスとして表示し，それをもとに議論をすることができる．このように，プロジェクトの企画段階で両方のモデルを相補的に活用することは可能だと考えられる．しかしながら，プロジェクトの企画段階において，どのような議論を通して，これら 2 つのモデルを並行しながら作成するかについては，検討が必要である．ML プロジェクトキャンバスについては，図 2 の２段目のセルを議論しながら右側から埋めることが推奨されている [12]．また，ビジネス ML アライメントモデルについても業務分析手法をもとにしたモデル作成手法が提案されている [14]．ML 活用を検討するワークショップなどでプロジェクトを企画する際の実践的なモデル作成手法をこれらの手法を組み合わせ検討することが今後の課題である．また，ML 技術の活用の場では，ビジネス課題から開始するのではなく，既存のデータが与えられ，そこから何ができるのかの検討を開始するケースも多く存在する．そのようなケースにも対応したプロジェクト企画段階の方法論の検討も今後の課題である．

7 まとめ

本研究では，ML 技術を活用する ML サービスシステムの開発について注目し，プロジェクトを表すモデルについて比較を行った．ビジネスモデルキャンバスと同様にキャンバス形式で表現する ML プロジェクトキャンバスを EA のモデリング言語である ArchiMate で表現し，ビジネス ML アライメントモデルとの比較を実プロジェクトを題材として行った．その結果，ML プロジェクトキャンバスとビジネス ML アライメントモデルには共通する構成要素が含まれ，その用途において相補的な関係にあることがわかった．また，プロジェクト企画段階において両モデルを相補的に活用することが可能であることを確認した．しかしながら，これらのモデルを並行して作成していく具体的な手法がプロジェクトを実践していく上では必要であり，様々なケースを想定したモデリングの方法論の検討が今後の課題となっている．

参考文献

[1] S. Amershi, A. Begel, C. Bird, R. Deliner, H. Gall, E. Kamar, N. N. B. Nushi, and T. Zim-mermann. Software engineering for machine learning: A case study. In Proceedings of the

41st International Conference on Software Engi-neering, pp. 291 – 300, 2019.

[2] Y. Demchenko, C. de Last, and P. Membrey. Defining architecture components of the big data ecosystem. In Proceedings of the International

Conference on Collaboration Technologies and Systems (CTS), pp. 104–112, 2014.

[3] P. Domingos. A few useful things to know about machine learning. Communications of the ACM, 55(10):78–87, 2012.

[4] S. Earley. Analytics, machine learning, and the internet of things. IEEE ITPro, 17(1):10–13,

2015.

[5] K. Hinkelmann, A. Gerber, D. Karagian-nis, B. Thoenssen, A. van der Merwe, and R. Woitsch. A new paradigm for the continuous alignment of business and IT: Combining enter-prise architecture modeling and enterenter-prise ontol-ogy. Computers in Industry, 79:77–86, 2016.

[6] N. Mayer, J. Aubert, E. Grandry, C. Feltus, E. Goettelmann, and R. Wieringa. An integrated conceptual model for information system security

(6)

表 1: 海外送金業務の仕向先判定における ML サービスシステム開発プロジェクトのモデル化結果

!"#$%&'() &*+,-./0123456789 :-;5&*<=>?30@AB6789 CDEFGH6IJKLMNOPQRST

U=>VW XY ZG[\6]^_`3 CDEFGH

aWB XY GHbc ZHd506ef

aWB ghigj &*bc IJKLMkGlm6no

aWB XY &*p3-3bc EFKqr6stuv

<w5?30 XY xyzQ:-;5{| EFZH}~N••QkGlm

<w5?30 y€6•j xyzQ<+‚{| LMƒ„…IJK6†‡ˆ

<w5?30 XY xyzQ@AB{| EFKqr6‰786Š‹Œ•uv6Ž•i••ˆ ‘’ “”6•– XY —˜6™š›œM™•6IžŸN ¡ ‘’ ¢W+3£¤ XY </¥W ¦§¨ ZG[\6:-;5©ª¨ IJKLMkG¨ </¥W XY ZG[\ D«ZHZG[ </¥W XY ZG[\6¬-[\ D«ZHZG[6¬-[\ </¥W XY ®¯[\°±3²W³ ±3²W </¥W XY AW¥´>p3µ¶50 AW¥´>p3µ¶50 :-;5+,w5 ·¸6¦§¹ &*:-;5+,w5 stuvƒ„…EFKqr•ºIJK»stLMzQ :-;5+,w5 ¼½hX¦§¾¿ GHbc»‡ÀzQ:-;5+,w5 ÁY›CDEFZH+,w5 :-;5+,w5 ÂÃhNÄº„Q¦§¾¿ XY

:-;5+,w5 AW¥ÅÆ &*p3-36ÇÈ+,w5 Š‹Œ•uv6ÇÈ+,w5

:-;5+,w5 @ABÉÁ XY ÊË6EFÌÍÎ»ÏÐYÑMÒhNÓÔ

:-;5+,w5 AW¥ÅÆ &*p3-36ÇÈ+,w5 Š‹Œ•uv6ÇÈ+,w5

:-;5¢Õ-./0 AW¥ Ö×AW¥ “”6EFÌÍÎØEFKqr

risk management supported by enterprise archi-tecture management. Software & Systems

Mod-eling, pp. 1–28, 2018.

[7] L. O. Meertens, M. E. Jacob, L. J. M. Nieuwen-huis, M. J. V. Sinderen, H. Jonkers, and D. Quar-tel. Mapping the business model canvas to archi-mate. In Proceedings of the 27th Annual ACM

Symposium Applied Computing (SAC), pp. 1694

– 1702, 2012.

[8] A. Osterwalder and Y. Pigneur. Business Model

Generation. Wiley, 2010.

[9] H. Takeuchi and S. Yamamoto. Business AI alignment modeling based on enterprise architec-ture. In Proceedings of the 11th KES

Interna-tional Conference on Intelligent Decision Tech-nologies (Springer Smart Innovation, Systems and Technologies vol. 143), pp. 155 – 165, 2019.

[10] The Open Group. ArchiMate 3.0.1 – A Pocket

Guide. Van Haren Publishing, 2013.

[11] M. Vicente, N. Game, and M. M. da Silva. A design theory nexus for situational enterprise ar-chitecture management. In Proceedings of the

4th International Conference on Exploring Ser-vice Science, pp. 86–99, 2013.

[12] 株式会社三菱ケミカルホールディングス. Machine learning project can-vas. https://www.mitsubishichem-hd.co.jp/news release/pdf/190718.pdf. [13] 丸山, 城戸. 機械学習工学へのいざない. 人工知能, 33(2):124–131, 2018. [14] 竹内, 山本. オフィス向け AI サービスシステムのためのビジネス IT アライメントモデルの作成手法. 信学技報 AI2019-07, pp. 89–94, 2019. [15] 竹内, 山本, 秋原, 石井, 岡原, 星野. 金融機関における AI 実践プロジェクトの分析とプロジェクト管理への活用. 情報処理学会デジタルプラクティス, 10(3):560 – 575, 2019. [16] 山口. 実践知能・多重知能のためのメタ AI アーキテクチャ. 人工知能, 32(6):983–987, 2017. [17] 山本. ArchiMate によるビジネスモデル表現能力の検討. 信学技報 KBSE2019-5, pp. 25 – 30, 2019. [18] 西山, 磯村, 伊藤. 機械学習プロジェクトキャンバス. ARG 第 15 回 Web インテリジェンスとインタラクション研究会, P7, 2019.