データから概念を産出して問題解決の糸口を得る　

〜複雑な問題を解決するには"似たもの同士"をひとまとめにするべし。〜

「単純化せよ。ただし単純化しすぎてもいけない」Albert Einstein
Viscoveryは、アインシュタインの頭脳を提供します。

現実世界の現象には、たくさんの要素（変数）が付随しています。たとえば、顧客の取引データには、顧客の年齢や性別、職業、居住地域といったデモグラフィック属性や、最終来店日、来店頻度、取引高、収益性、購入商品などの要素があります。もしこれらの要素が100個あって顧客が5万人いたとすると、100次元の座標空間中にプロットされた5万個のデータポイントとして、顧客を表現することができます。

しかし、残念ながら我々には100次元という多次元空間を直接認識することができません。Viscovery SOMine は、このような多次元空間中に分布するデータポイントの地勢図（ランドスケープ）を作成するシステムです。

Viscoveryが従来の統計・多変量解析と決定的に違うところは、その基本的原理が、我々の脳の中で行なっているパターン認識と本質的なところで共通しているという点です。我々の認識は、けっして「客観的認識」というものではなくて、パターン認識を基盤としており、複雑な物事を瞬時に判断するために一種の方便（トリック）を用いています。

それは、「似たもの同士を仲間として、ひとまとめで考える」ということです。つまり、それが「概念化」です。概念は客観的存在ではなく「認識のトリック」が生み出す産物です。しかし、現実に概念的枠組みの良し悪しが、我々の問題解決能力を左右しています。あらゆる問題解決の第一歩は、状況に応じて、よい概念的枠組み（つまりグルーピングやセグメンテーション）を見つけることです。

従来科学はロジックを重視しますが、20世紀の人工知能研究は、ロジックだけでは知識を表現しきれないという問題にぶつかりました。ロジックの素材となる記号＝概念は、ロジックよりも先立って存在する必要があります。概念は、ロジックの基盤であり、ロジックの解像度を決定します。そして、概念を生み出す機構のもっともプリミティブな原理が、自己組織化マップ（SOM)、つまり、「似たもの同士をひとまとめにする」なのです。

Viscovery SOMine では、データ空間中の近隣し合ういくつかのデータポイントを1つのノードで代表します。たくさんのノードがフレキシブルな格子でつながっていて、格子全体はぐにゃぐにゃな曲面になって、データ空間全体の本質的な形に沿っています。その様子自体は、我々の目で見ることができませんが、そのときのノードの位置（座標）を数値に置き換えて、平面的的に可視化したものが、Viscovery SOMine のマップです。

同じノードに属するデータポイントの集合を我々は「マイクロ・クラスタ」と呼んでいます。このように類似したデータを小さな集合としてひとまとめにすることによって、多次元データの可視化だけでなく、複雑な計算を高速化することに役立ちます。我々はマップのノードを通して、元のデータにアクセスすることにより、元のデータを直接計算するよりも高速にクラスタリングなどの計算を行なうことができるのです。

これは、21世紀の新しい科学方法論でもあります。