リコメンデーション・エンジン
|
| 「私をいったい誰だと思っているの？」という不満を低減 |
Webリコメンデーションや公共機関の情報案内、サポート情報の提供（セルフ・サポート）、コールセンターの支援ツールなど、ユーザのシチュエーションに応じて適切な情報（コンテンツ）を提供する知的情報ガイダンスのキーテクノロジーを提供します。
クライアント企業様からシステム開発を受託するか、もしくはシステム開発会社各社様にキーテクノロジーの提供・コンサルティングを行います。
従来手法の問題点
従来のリコメンデーションの多くは、断片的なルール（ロジック）を集積した「ルールベース・アプローチ」と呼ばる方法で実現されています。たとえば、「商品Aを選んだ場合は、商品Bと商品Cの情報を表示する」、「商品Aと商品Bを選んだ場合は、商品Cと商品Dの情報を表示する」というようなことです。
これには２つの大きな欠点があります。第１の欠点は、知識、すなわちルールが断片的であって、大局的な判断ができていないということです。つまり、「商品Aを選んだ」という断片的な事実のみに基づいた判断ですから、利用者（エンド・ユーザ）は、ときとしてピントはずれな情報ガイダンスを受けることになります。機械化すると、どうしてもそういうことは避けられないのですが、あまりにピントはずれの頻度が多いと、それは情報ではなくノイズであり、利用者にとっては苦痛となります。
第2の欠点は、膨大な数のルールをメンテナンスしなければならないということです。「商品Aを選んだ場合は･･･」という場合ですと、つまり商品同士の間の関係性ですから、商品の組み合わせの数だけルールが存在することになり、商品点数が増大すれば、ルールの数は爆発的に増大します。一般的にルールの重要度によって、ルールの数を削減したりしますが、そうすると、全体として知識の完全性が損なわれて効果が落ちます。
従来のルールベースの情報ガイダンスを利用する人々は、ついこう言いたくなるのです。「私をいったい誰だと思ってるの？」と。
自己組織化マップとベイジアンネットワーク
そこでマインドウエア総研では、ルールベース・アプローチに代わる最新テクノロジーとして、自己組織化マップ（SOM)とベイジアンネットワークをご用意しております。
ユーザ様のシステムの目的やコンテンツの性質、利用形態によって、いずれかのアプローチまたは、その組み合わせでソリューションを提供します。
高速な戦略的判断に向く自己組織化マップ
自己組織化マップ（SOM）の本質は、パターン・マッチングです。動物が環境情報を瞬時に判断して行動を選択するのと似た機構です。回りくどい論理は必要ではなく、情報のパターンから瞬時に適切な判断を下します。
従来のリコメンデーション（例えば協調フィルタリング）で統計的に類似性を検出する際、相関係数を用いることが一般的ですが、ＳＯＭはそれよりもさらに高度な方法で類似な顧客や商品の集合を発見することができます。
例えば、顧客がどのようなタイプの顧客なのかを瞬時に認識して、それに応じたアクションを実行系システムに指示することができます。その処理スピードはとても高速で、1秒間に1万件以上の判断も可能です。
SOMも情報の欠損には強いのですが、より正確な判断には、たとえばＷｅｂでどのページを閲覧したかとか、あるいは複数の商品選択など、何らかの一連のパターンを示すような情報が必要です。
不完全な情報、不確実性に強いベイジアンネットワーク
ベイジアンネットワークは、従来のルールベースの知識表現を効率化したものと言えます。
ルールベースは、とても要領の悪い人が、すべてのルールを丸暗記して、状況に応じてそのルールを適用するのようなものです。その結果、未知情報が潜在している場合は、場違いな判断が頻発します。ベイジアンネットワークは、すべてのルールを丸暗記するのはやめて、そのさらに背後にある関係性・構造を理解することによって、さまざまな状況に応じて、その都度、推論からルールを生成できる、というようなものです。
つまり、より柔軟な賢い判断ができます。ベイジアンネットワークの場合は、1秒間に500件から1000件ぐらいの判断ができます。
ベイジアンネットワークの利点は、データの不完全性や不確実性に強いことです。不完全なデータからでもモデルを作成することができますし、判断を行う場合でも確定した情報（エビデンス）が少なくても、それなりの判断ができます。たとえば、新規の顧客については、嗜好情報が乏しいという問題がありますが、ベイジアンネットワークは、そういうところにも適用できます。
ペルソナ型情報ガイダンス
一般的にモデル作成時は蓄積された過去データに基づいてデータを作成するので、詳細な情報を得ることができますが、判断を行うときには、一瞬一瞬の判断であり、いつも多くの情報が与えられるとは限りません。「商品Ａを選択した」という情報があっても、それが「誰なのか」によって、実際のシチュエーションは異なります。あるいは、同じパソコンの用語を検索したとしても、初心者と上級者とでは、本当に欲している情報は異なるかもしれません。
そこで、自己組織化マップによって、過去データをセグメンテーションして、利用者のタイプ分けを行って、それを新しい変数としてデータに追加した上でベイジアンネットワークのモデルを作成する、というテクニックがあります。こうすることで、「商品Ａを選択した」という同じ状況でも、より的確な確率（ルール）を推論することができます。
会員制の情報サービスなどでは、入会時にプロフィールを取得できますが、不特定多数を対象とした情報サービスでは、そのような情報がありません。そのような場合は、自己組織化マップによるセグメンテーションから「ペルソナ」を作成して、情報サービスの利用者に自分に最も近いペルソナを選択して貰うことによって、より的確な情報ガイダンスが期待されます。
|
|
使用システム： Viscovery SOMine またはProfiler、Hugin Developer
テクニカル・サポート： マインドウエア総研
|
| 関連ツール |
| Viscovery SOMine -自己組織化マップ・データマイニング |
統計互換型の自己組織化マップ・テクノロジーに基づく、データマイニング・システム。ユーザーは、機械学習アルゴリズムや統計などのテクニカルなことはほとんど気にすることなしに、多次元データを可視化した2次元のマップ上で、データの潜在的構造を直感的に精査することができます。その結果、ユーザーの知識・経験をもとに戦略的判断を行なうことができます。戦略策定のメイン・ツール。
|
| Ｈｕｇｉｎ Ｄｅｖｅｌｏｐｅｒ -ベイジアンネットワーク |
ベイジアンネットワーク・モデルの構築・保守・活用システム。グラフィカル・ユーザ･インタフェースと推論エンジンから構成されている。ベイジアンネットワークおよびインフルエンス・ダイアグラムを用いた知識ベースを構築・保守・活用できる。オブジェクト指向ネットワークもサポートされており、大規模な知識ベースを構築できる。構築されたモデルは、ＡＰＩによってユーザ・システムに統合して確率推論を実行できる。
|
|
|
|
|
