特開2024-148196仮説推論管理装置、仮説推論管理システム及び仮説推論管理方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024148196
(43)【公開日】2024-10-18
(54)【発明の名称】仮説推論管理装置、仮説推論管理システム及び仮説推論管理方法
(51)【国際特許分類】
G06F 40/56 20200101AFI20241010BHJP
G06N 3/0475 20230101ALI20241010BHJP
G06F 16/35 20190101ALI20241010BHJP
G06F 40/44 20200101ALI20241010BHJP
G06N 5/04 20230101ALI20241010BHJP
【ＦＩ】
G06F40/56
G06N3/0475
G06F16/35
G06F40/44
G06N5/04
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2023061091
(22)【出願日】2023-04-05
(71)【出願人】
【識別番号】000005108
【氏名又は名称】株式会社日立製作所
(74)【代理人】
【識別番号】110000062
【氏名又は名称】弁理士法人第一国際特許事務所
(72)【発明者】
【氏名】呉 桐
【テーマコード（参考）】
5B175
【Ｆターム（参考）】
5B175DA01
5B175FA03
5B175HB03
(57)【要約】
【課題】学習データの作成が限られる非公開の事象に対しても、高精度の仮説推論結果の生成が可能な仮説推論管理手段を提供すること
【解決手段】仮説推論管理装置は、所定の事象に関する事実を示す前提事実情報に基づいて、前提事実情報に関連する文章を示す初期文章情報を生成する生成部と、前提事実情報と、前提事実情報に対する結論を示す結論情報に基づいて、前提事実情報及び結論情報に関連する関連情報を関連情報データベースから取得する関連情報取得部と、初期文章情報、結論情報及び関連情報に関する制約を規定するエネルギー関数を用いて、前提事実情報及び結論情報に関する説明を示す仮説を含む仮説推論結果を生成する仮説推論部とを含む。
【選択図】図２
【解決手段】仮説推論管理装置は、所定の事象に関する事実を示す前提事実情報に基づいて、前提事実情報に関連する文章を示す初期文章情報を生成する生成部と、前提事実情報と、前提事実情報に対する結論を示す結論情報に基づいて、前提事実情報及び結論情報に関連する関連情報を関連情報データベースから取得する関連情報取得部と、初期文章情報、結論情報及び関連情報に関する制約を規定するエネルギー関数を用いて、前提事実情報及び結論情報に関する説明を示す仮説を含む仮説推論結果を生成する仮説推論部とを含む。
【選択図】図２
【特許請求の範囲】
【請求項1】
仮説推論管理装置であって、
プロセッサと、
メモリと、
所定の分野に関する関連情報を含む関連情報データベースを格納する記憶部とを備え、
前記メモリは、
所定の事象に関する事実を示す前提事実情報に基づいて、前記前提事実情報に関連する文章を示す初期文章情報を生成する生成部と、
前記前提事実情報と、前記前提事実情報に対する結論を示す結論情報に基づいて、前記前提事実情報及び前記結論情報に関連する関連情報を前記関連情報データベースから取得する関連情報取得部と、
前記初期文章情報、前記結論情報及び前記関連情報に関する制約を規定するエネルギー関数を用いて、前記前提事実情報及び前記結論情報に関する説明を示す仮説を含む仮説推論結果を生成する仮説推論部、
として前記プロセッサを機能させるための処理命令を含むことを特徴とする仮説推論管理装置。
プロセッサと、
メモリと、
所定の分野に関する関連情報を含む関連情報データベースを格納する記憶部とを備え、
前記メモリは、
所定の事象に関する事実を示す前提事実情報に基づいて、前記前提事実情報に関連する文章を示す初期文章情報を生成する生成部と、
前記前提事実情報と、前記前提事実情報に対する結論を示す結論情報に基づいて、前記前提事実情報及び前記結論情報に関連する関連情報を前記関連情報データベースから取得する関連情報取得部と、
前記初期文章情報、前記結論情報及び前記関連情報に関する制約を規定するエネルギー関数を用いて、前記前提事実情報及び前記結論情報に関する説明を示す仮説を含む仮説推論結果を生成する仮説推論部、
として前記プロセッサを機能させるための処理命令を含むことを特徴とする仮説推論管理装置。
【請求項2】
前記生成部は、
前記前提事実情報に関連する自然言語情報を自動生成するトランスフォーマーモデルを含む、
ことを特徴とする、請求項１に記載の仮説推論管理装置。
前記前提事実情報に関連する自然言語情報を自動生成するトランスフォーマーモデルを含む、
ことを特徴とする、請求項１に記載の仮説推論管理装置。
【請求項3】
前記仮説推論管理装置は、
前記関連情報データベースを構築するデータベース構築部を更に含み、
前記データベース構築部は、
複数の非公開の文章を所定の自然言語分類手法によって解析することで、前記複数の非公開の文章の内、第１の非公開文章が前記所定の分野に対する類似度基準を満たすと判定した場合、
前記第１の非公開文章をトピック毎にラベル付けし、前記関連情報データベースに格納する、
ことを特徴とする、請求項１に記載の仮説推論管理装置。
前記関連情報データベースを構築するデータベース構築部を更に含み、
前記データベース構築部は、
複数の非公開の文章を所定の自然言語分類手法によって解析することで、前記複数の非公開の文章の内、第１の非公開文章が前記所定の分野に対する類似度基準を満たすと判定した場合、
前記第１の非公開文章をトピック毎にラベル付けし、前記関連情報データベースに格納する、
ことを特徴とする、請求項１に記載の仮説推論管理装置。
【請求項4】
前記関連情報取得部は、
前記関連情報データベースに含まれる各文章について、前記前提事実情報に対する関連度を示す第１の関連度を判定し、
前記関連情報データベースに含まれる各文章について、前記結論情報に対する関連度を示す第２の関連度を判定し、
判定した前記第１の関連度が所定の関連度基準を満たす第１の文章の中から、前記前提事実情報に関する第１の関連情報候補を抽出し、
判定した前記第２の関連度が所定の関連度基準を満たす第２の文章の中から、前記結論情報に関する第２の関連情報候補を抽出し、
前記第１の関連情報候補及び前記第２の関連情報候補を結合することで、前記関連情報を取得する、
ことを特徴とする、請求項３に記載の仮説推論管理装置。
前記関連情報データベースに含まれる各文章について、前記前提事実情報に対する関連度を示す第１の関連度を判定し、
前記関連情報データベースに含まれる各文章について、前記結論情報に対する関連度を示す第２の関連度を判定し、
判定した前記第１の関連度が所定の関連度基準を満たす第１の文章の中から、前記前提事実情報に関する第１の関連情報候補を抽出し、
判定した前記第２の関連度が所定の関連度基準を満たす第２の文章の中から、前記結論情報に関する第２の関連情報候補を抽出し、
前記第１の関連情報候補及び前記第２の関連情報候補を結合することで、前記関連情報を取得する、
ことを特徴とする、請求項３に記載の仮説推論管理装置。
【請求項5】
前記関連情報取得部は、
Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ－Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ又はＤｅｎｓｅ Ｐａｓｓａｇｅ Ｒｅｔｒｉｅｖａｌを用いて、前記関連情報を取得する、
ことを特徴とする、請求項４に記載の仮説推論管理装置。
Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ－Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ又はＤｅｎｓｅ Ｐａｓｓａｇｅ Ｒｅｔｒｉｅｖａｌを用いて、前記関連情報を取得する、
ことを特徴とする、請求項４に記載の仮説推論管理装置。
【請求項6】
前記仮説推論部は、
前記初期文章情報に基づいて、前記仮説推論結果の前記初期文章情報に対する語学的一貫性を定義する語学的一貫性制約を規定し、
前記結論情報に基づいて、前記仮説推論結果の前記結論情報に対する論理的一貫性を定義する結論一貫性制約を規定し、
前記関連情報に基づいて、前記仮説推論結果の前記関連情報に対する類似度を定義する関連情報制約を規定することで前記エネルギー関数を生成し、
ランジュバン動力学に基づく手法を用いて前記エネルギー関数を最適化することで、前記語学的一貫性制約、前記結論一貫性制約及び前記関連情報制約を満たす第１の仮説を判定し、前記仮説推論結果に含める、
ことを特徴とする、請求項１に記載の仮説推論管理装置。
前記初期文章情報に基づいて、前記仮説推論結果の前記初期文章情報に対する語学的一貫性を定義する語学的一貫性制約を規定し、
前記結論情報に基づいて、前記仮説推論結果の前記結論情報に対する論理的一貫性を定義する結論一貫性制約を規定し、
前記関連情報に基づいて、前記仮説推論結果の前記関連情報に対する類似度を定義する関連情報制約を規定することで前記エネルギー関数を生成し、
ランジュバン動力学に基づく手法を用いて前記エネルギー関数を最適化することで、前記語学的一貫性制約、前記結論一貫性制約及び前記関連情報制約を満たす第１の仮説を判定し、前記仮説推論結果に含める、
ことを特徴とする、請求項１に記載の仮説推論管理装置。
【請求項7】
前記仮説推論部は、
前記語学的一貫性制約、前記結論一貫性制約及び前記関連情報制約に加えて、
前記前提事実情報及び前記結論情報に対する論理的一貫性を定義する始終一貫性制約を更に規定し、
ランジュバン動力学に基づく手法を用いて前記エネルギー関数を最適化ことで、前記語学的一貫性制約、前記結論一貫性制約、前記関連情報制約及び前記始終一貫性制約を満たす第２の仮説を判定し、前記仮説推論結果に含める、
ことを特徴とする、請求項６に記載の仮説推論管理装置。
前記語学的一貫性制約、前記結論一貫性制約及び前記関連情報制約に加えて、
前記前提事実情報及び前記結論情報に対する論理的一貫性を定義する始終一貫性制約を更に規定し、
ランジュバン動力学に基づく手法を用いて前記エネルギー関数を最適化ことで、前記語学的一貫性制約、前記結論一貫性制約、前記関連情報制約及び前記始終一貫性制約を満たす第２の仮説を判定し、前記仮説推論結果に含める、
ことを特徴とする、請求項６に記載の仮説推論管理装置。
【請求項8】
前記仮説推論結果は、
前記前提事実情報及び前記結論情報に関する説明を示す仮説に加えて、前記関連情報データベースから取得した前記関連情報を、前記仮説の根拠として含む、
ことを特徴とする、請求項１に記載の仮説推論管理装置。
前記前提事実情報及び前記結論情報に関する説明を示す仮説に加えて、前記関連情報データベースから取得した前記関連情報を、前記仮説の根拠として含む、
ことを特徴とする、請求項１に記載の仮説推論管理装置。
【請求項9】
仮説推論管理装置と、
ユーザ端末とが通信ネットワークを介して接続されている仮説推論管理システムであって、
前記仮説推論管理装置は、
プロセッサと、
メモリと、
所定の分野に関する関連情報を含む関連情報データベースを格納する記憶部とを備え、
前記メモリは、
所定の事象に関する事実を示す前提事実情報に基づいて、前記前提事実情報に関連する文章を示す初期文章情報を生成する生成部と、
前記前提事実情報と、前記前提事実情報に対する結論を示す結論情報に基づいて、前記前提事実情報及び前記結論情報に関連する関連情報を前記関連情報データベースから取得する関連情報取得部と、
前記初期文章情報、前記結論情報及び前記関連情報に関する制約を規定するエネルギー関数を用いて、前記前提事実情報及び前記結論情報に関する説明を示す仮説を含む仮説推論結果を生成する仮説推論部、
として前記プロセッサを機能させるための処理命令を含むことを特徴とする仮説推論管理システム。
ユーザ端末とが通信ネットワークを介して接続されている仮説推論管理システムであって、
前記仮説推論管理装置は、
プロセッサと、
メモリと、
所定の分野に関する関連情報を含む関連情報データベースを格納する記憶部とを備え、
前記メモリは、
所定の事象に関する事実を示す前提事実情報に基づいて、前記前提事実情報に関連する文章を示す初期文章情報を生成する生成部と、
前記前提事実情報と、前記前提事実情報に対する結論を示す結論情報に基づいて、前記前提事実情報及び前記結論情報に関連する関連情報を前記関連情報データベースから取得する関連情報取得部と、
前記初期文章情報、前記結論情報及び前記関連情報に関する制約を規定するエネルギー関数を用いて、前記前提事実情報及び前記結論情報に関する説明を示す仮説を含む仮説推論結果を生成する仮説推論部、
として前記プロセッサを機能させるための処理命令を含むことを特徴とする仮説推論管理システム。
【請求項10】
処理命令を格納するメモリと、
プロセッサとを含むコンピュータシステムにおいて、
前記メモリに格納されている前記処理命令は、
所定の分野に関する複数の文章を所定の自然言語分類手法によって解析することで、前記複数の文章をトピック毎にラベル付けした関連情報データベースを構築する工程と、
所定の事象に関する事実を示す前提事実情報を取得する工程と、
前記前提事実情報に関連する文章を示す初期文章情報を生成する工程と、
前記前提事実情報に対する結論を示す結論情報を取得する工程と、
前記関連情報データベースに含まれる各文章について、前記前提事実情報に対する関連度を示す第１の関連度を判定する工程と、
前記関連情報データベースに含まれる各文章について、前記結論情報に対する関連度を示す第２の関連度を判定する工程と、
判定した前記第１の関連度が所定の関連度基準を満たす第１の文章の中から、前記前提事実情報に関する第１の関連情報候補を抽出する工程と、
判定した前記第２の関連度が所定の関連度基準を満たす第２の文章の中から、前記結論情報に関する第２の関連情報候補を抽出する工程と、
前記第１の関連情報候補及び前記第２の関連情報候補を結合することで、前記前提事実情報及び前記結論情報に関連する関連情報を前記関連情報データベースから取得する工程と、
前記初期文章情報に基づいて前記初期文章情報に対する語学的一貫性を定義する語学的一貫性制約を規定し、前記前提事実情報に基づいて前記前提事実情報に対する論理的一貫性を定義する前提一貫性制約を規定し、前記結論情報に基づいて前記結論情報に対する論理的一貫性を定義する結論一貫性制約を規定し、前記関連情報に基づいて前記関連情報に対する類似度を定義する関連情報制約を規定することでエネルギー関数を生成する工程と、
ランジュバン動力学に基づく手法を用いて前記エネルギー関数を最適化することで、前記語学的一貫性制約、前記結論一貫性制約、前記関連情報制約及び前記前提一貫性制約を満たす仮説を判定し、前記前提事実情報及び前記結論情報に関する説明を示す仮説推論結果とする工程と、
を前記プロセッサに実行させることを特徴とする仮説推論管理方法。
プロセッサとを含むコンピュータシステムにおいて、
前記メモリに格納されている前記処理命令は、
所定の分野に関する複数の文章を所定の自然言語分類手法によって解析することで、前記複数の文章をトピック毎にラベル付けした関連情報データベースを構築する工程と、
所定の事象に関する事実を示す前提事実情報を取得する工程と、
前記前提事実情報に関連する文章を示す初期文章情報を生成する工程と、
前記前提事実情報に対する結論を示す結論情報を取得する工程と、
前記関連情報データベースに含まれる各文章について、前記前提事実情報に対する関連度を示す第１の関連度を判定する工程と、
前記関連情報データベースに含まれる各文章について、前記結論情報に対する関連度を示す第２の関連度を判定する工程と、
判定した前記第１の関連度が所定の関連度基準を満たす第１の文章の中から、前記前提事実情報に関する第１の関連情報候補を抽出する工程と、
判定した前記第２の関連度が所定の関連度基準を満たす第２の文章の中から、前記結論情報に関する第２の関連情報候補を抽出する工程と、
前記第１の関連情報候補及び前記第２の関連情報候補を結合することで、前記前提事実情報及び前記結論情報に関連する関連情報を前記関連情報データベースから取得する工程と、
前記初期文章情報に基づいて前記初期文章情報に対する語学的一貫性を定義する語学的一貫性制約を規定し、前記前提事実情報に基づいて前記前提事実情報に対する論理的一貫性を定義する前提一貫性制約を規定し、前記結論情報に基づいて前記結論情報に対する論理的一貫性を定義する結論一貫性制約を規定し、前記関連情報に基づいて前記関連情報に対する類似度を定義する関連情報制約を規定することでエネルギー関数を生成する工程と、
ランジュバン動力学に基づく手法を用いて前記エネルギー関数を最適化することで、前記語学的一貫性制約、前記結論一貫性制約、前記関連情報制約及び前記前提一貫性制約を満たす仮説を判定し、前記前提事実情報及び前記結論情報に関する説明を示す仮説推論結果とする工程と、
を前記プロセッサに実行させることを特徴とする仮説推論管理方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、仮説推論管理装置、仮説推論管理システム及び仮説推論管理方法に関する。
【背景技術】
【0002】
近年、社会経済情勢が変化する中、企業は迅速且つ正確な意思決定が求められている。この意思決定を支援するために、人工知能等のツールが使用されている。
【0003】
意思決定に役立つ人工知能手法の１つとしては、仮説推論を行う深層学習が存在する。一般に、仮説推論とは、特定の事象を最も適切に説明し得る仮説を導出する論理的推論を意味する。特に、近年では、自然言語に基づく仮説推論モデルの研究が進んでいる。
【0004】
従来、自然言語を用いる仮説推論手法に関するいくつかの提案がなされている。
例えば、Ｂｈａｇａｖａｔｕｌａら（非特許文献１）の研究では、「言語ベースの仮説推論の実行可能性を調査する最初の研究を提示する。２万件を超える常識的な物語のコンテキストと２０万件の説明で構成されるチャレンジデータセットARTを紹介する。このデータセットに基づいて、２つの新しいタスクを概念化する。(i)仮説的ＮＬＩ:より可能性の高い説明を選択するための多肢選択式の質問応答タスク、及び(ii)仮説的ＮＬＧ:与えられた観測を自然言語で説明するための条件付き生成タスク。」が検討されている。
例えば、Ｂｈａｇａｖａｔｕｌａら（非特許文献１）の研究では、「言語ベースの仮説推論の実行可能性を調査する最初の研究を提示する。２万件を超える常識的な物語のコンテキストと２０万件の説明で構成されるチャレンジデータセットARTを紹介する。このデータセットに基づいて、２つの新しいタスクを概念化する。(i)仮説的ＮＬＩ:より可能性の高い説明を選択するための多肢選択式の質問応答タスク、及び(ii)仮説的ＮＬＧ:与えられた観測を自然言語で説明するための条件付き生成タスク。」が検討されている。
【0005】
また、Ｑｉｎら（非特許文献２）の研究では、「本論文では、ランジュバンダイナミクスを使用したエネルギーベースの制約付きデコード(COLD)を提示する。これは、エネルギー関数を介して制約を指定し、勾配ベースのサンプリングを介して制約に対して効率的な微分可能な推論を実行するように制約付き生成を統合するデコード フレームワークである。」と開示されている。
【先行技術文献】
【非特許文献】
【0006】
【非特許文献1】Bhagavatula, Chandra, Ronan Le Bras, Chaitanya Malaviya, Keisuke Sakaguchi, Ari Holtzman, Hannah Rashkin, Doug Downey, Scott Wen-tau Yih, and Yejin Choi. "Abductive commonsense reasoning." arXiv preprint arXiv:1908.05739 (2019).
【非特許文献2】Qin, Lianhui, Sean Welleck, Daniel Khashabi, and Yejin Choi. "COLD decoding: Energy-based constrained text generation with langevin dynamics." arXiv preprint arXiv:2202.11705 (2022).
【発明の概要】
【発明が解決しようとする課題】
【0007】
非特許文献１には、訓練済みのトランスフォーマーモデルを用いて、所定の観察を説明する自然言語の仮説を生成する手段が記載されている。
しかし、非特許文献１に記載のトランスフォーマーモデルは、インターネット等で公開されている一般情報に基づいて訓練されているため、公然の事象について仮説形成が可能であるものの、例えば企業の経営戦略や未公開製品のマーケティング企画等の非公開の事象に関する仮説形成の精度が限定されてしまう。
しかし、非特許文献１に記載のトランスフォーマーモデルは、インターネット等で公開されている一般情報に基づいて訓練されているため、公然の事象について仮説形成が可能であるものの、例えば企業の経営戦略や未公開製品のマーケティング企画等の非公開の事象に関する仮説形成の精度が限定されてしまう。
【0008】
非特許文献１に記載のトランスフォーマーモデルを非公開の事象に関する学習データに基づいて訓練することが考えられるが、このような学習データのラベル付け（ａｎｎｏｔａｔｉｏｎ）及びモデルのファインチューニングは、膨大な金銭的及び人的資源を要するため、負担が大きい。
【0009】
一方、非特許文献２には、仮説理論の条件をエネルギーベースの関数において規定することで、言語モデルから得られた仮説推論の結果を最適化する手法が記載されている。
しかし、非特許文献２に記載の手法では、非特許文献１に記載の手法に対してラベル付け学習データへの依存が緩和されるものの、非公開の事象に関する適切な仮説の形成に必要な関連情報の利用が検討されておらず、非特許文献２に記載の手法と同様に、非公開の事象に関する仮説形成の精度が限定されてしまう。
しかし、非特許文献２に記載の手法では、非特許文献１に記載の手法に対してラベル付け学習データへの依存が緩和されるものの、非公開の事象に関する適切な仮説の形成に必要な関連情報の利用が検討されておらず、非特許文献２に記載の手法と同様に、非公開の事象に関する仮説形成の精度が限定されてしまう。
【0010】
そこで、本開示は、企業の経営戦略等の、学習データの作成が限られる非公開の事象に対しても、高精度の仮説推論結果の生成が可能な仮説推論管理手段を提供することを目的とする。
【課題を解決するための手段】
【0011】
上記の課題を解決するために、代表的な本発明の仮説推論管理装置は、所定の事象に関する事実を示す前提事実情報に基づいて、前記前提事実情報に関連する文章を示す初期文章情報を生成する生成部と、前記前提事実情報と、前記前提事実情報に対する結論を示す結論情報に基づいて、前記前提事実情報及び前記結論情報に関連する関連情報を関連情報データベースから取得する関連情報取得部と、前記初期文章情報、前記結論情報及び前記関連情報に関する制約を規定するエネルギー関数を用いて、前記前提事実情報及び前記結論情報に関する説明を示す仮説を含む仮説推論結果を生成する仮説推論部とを含む。
【発明の効果】
【0012】
本開示によれば、企業の経営戦略等の、学習データの作成が限られる非公開の事象に対しても、高精度の仮説推論結果の生成が可能な仮説推論管理手段を提供することができる。
上記以外の課題、構成及び効果は、以下の発明を実施するための形態における説明により明らかにされる。
上記以外の課題、構成及び効果は、以下の発明を実施するための形態における説明により明らかにされる。
【図面の簡単な説明】
【0013】
【発明を実施するための形態】
【0014】
以下、図面を参照して、本発明の実施形態について説明する。なお、この実施形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。
【0015】
また、「第１」、「第２」、「第３」等の用語は、本開示において様々な要素又は構成要素を説明するのに用いられる場合があるが、これらの要素又は構成要素はこれらの用語によって限定されるべきでないことが理解されるであろう。これらの用語は、或る要素又は構成要素を別の要素又は構成要素と区別するためにのみ用いられる。従って、以下で論述する第１の要素又は構成要素は、本発明概念の教示から逸脱することなく第２の要素又は構成要素と呼ぶこともできる。
【0016】
次に、図１を参照して、本開示の実施形態を実施するためのコンピュータシステム１００について説明する。本明細書で開示される様々な実施形態の機構及び装置は、任意の適切なコンピューティングシステムに適用されてもよい。コンピュータシステム１００の主要コンポーネントは、１つ以上のプロセッサ１０２、メモリ１０４、端末インターフェース１１２、ストレージインタフェース１１３、Ｉ／Ｏ（入出力）デバイスインタフェース１１４、及びネットワークインターフェース１１５を含む。これらのコンポーネントは、メモリバス１０６、Ｉ／Ｏバス１０８、バスインターフェースユニット１０９、及びＩ／Ｏバスインターフェースユニット１１０を介して、相互的に接続されてもよい。
【0017】
コンピュータシステム１００は、プロセッサ１０２と総称される１つ又は複数の汎用プログラマブル中央処理装置（ＣＰＵ）１０２Ａ及び１０２Ｂを含んでもよい。ある実施形態では、コンピュータシステム１００は複数のプロセッサを備えてもよく、また別の実施形態では、コンピュータシステム１００は単一のＣＰＵシステムであってもよい。各プロセッサ１０２は、メモリ１０４に格納された命令を実行し、オンボードキャッシュを含んでもよい。
【0018】
ある実施形態では、メモリ１０４は、データ及びプログラムを記憶するためのランダムアクセス半導体メモリ、記憶装置、又は記憶媒体（揮発性又は不揮発性のいずれか）を含んでもよい。メモリ１０４は、本明細書で説明する機能を実施するプログラム、モジュール、及びデータ構造のすべて又は一部を格納してもよい。例えば、メモリ１０４は、仮説推論管理アプリケーション１５０を格納していてもよい。ある実施形態では、仮説推論管理アプリケーション１５０は、後述する機能をプロセッサ１０２上で実行する命令又は記述を含んでもよい。
【0019】
ある実施形態では、仮説推論管理アプリケーション１５０は、プロセッサベースのシステムの代わりに、またはプロセッサベースのシステムに加えて、半導体デバイス、チップ、論理ゲート、回路、回路カード、および/または他の物理ハードウェアデバイスを介してハードウェアで実施されてもよい。ある実施形態では、仮説推論管理アプリケーション１５０は、命令又は記述以外のデータを含んでもよい。ある実施形態では、カメラ、センサ、または他のデータ入力デバイス（図示せず）が、バスインターフェースユニット１０９、プロセッサ１０２、またはコンピュータシステム１００の他のハードウェアと直接通信するように提供されてもよい。
【0020】
コンピュータシステム１００は、プロセッサ１０２、メモリ１０４、表示システム１２４、及びＩ／Ｏバスインターフェースユニット１１０間の通信を行うバスインターフェースユニット１０９を含んでもよい。Ｉ／Ｏバスインターフェースユニット１１０は、様々なＩ／Ｏユニットとの間でデータを転送するためのＩ／Ｏバス１０８と連結していてもよい。Ｉ／Ｏバスインターフェースユニット１１０は、Ｉ／Ｏバス１０８を介して、Ｉ／Ｏプロセッサ（ＩＯＰ）又はＩ／Ｏアダプタ（ＩＯＡ）としても知られる複数のＩ／Ｏインタフェースユニット１１２，１１３，１１４、及び１１５と通信してもよい。
【0021】
表示システム１２４は、表示コントローラ、表示メモリ、又はその両方を含んでもよい。表示コントローラは、ビデオ、オーディオ、又はその両方のデータを表示装置１２６に提供することができる。また、コンピュータシステム１００は、データを収集し、プロセッサ１０２に当該データを提供するように構成された1つまたは複数のセンサ等のデバイスを含んでもよい。
【0022】
例えば、コンピュータシステム１００は、心拍数データやストレスレベルデータ等を収集するバイオメトリックセンサ、湿度データ、温度データ、圧力データ等を収集する環境センサ、及び加速度データ、運動データ等を収集するモーションセンサ等を含んでもよい。これ以外のタイプのセンサも使用可能である。表示システム１２４は、単独のディスプレイ画面、テレビ、タブレット、又は携帯型デバイスなどの表示装置１２６に接続されてもよい。
【0023】
Ｉ／Ｏインタフェースユニットは、様々なストレージ又はＩ／Ｏデバイスと通信する機能を備える。例えば、端末インタフェースユニット１１２は、ビデオ表示装置、スピーカテレビ等のユーザ出力デバイスや、キーボード、マウス、キーパッド、タッチパッド、トラックボール、ボタン、ライトペン、又は他のポインティングデバイス等のユーザ入力デバイスのようなユーザＩ／Ｏデバイス１１６の取り付けが可能である。ユーザは、ユーザインターフェースを使用して、ユーザ入力デバイスを操作することで、ユーザＩ／Ｏデバイス１１６及びコンピュータシステム１００に対して入力データや指示を入力し、コンピュータシステム１００からの出力データを受け取ってもよい。ユーザインターフェースは例えば、ユーザＩ／Ｏデバイス１１６を介して、表示装置に表示されたり、スピーカによって再生されたり、プリンタを介して印刷されたりしてもよい。
【0024】
ストレージインタフェース１１３は、１つ又は複数のディスクドライブや直接アクセスストレージ装置１１７（通常は磁気ディスクドライブストレージ装置であるが、単一のディスクドライブとして見えるように構成されたディスクドライブのアレイ又は他のストレージ装置であってもよい）の取り付けが可能である。ある実施形態では、ストレージ装置１１７は、任意の二次記憶装置として実装されてもよい。メモリ１０４の内容は、ストレージ装置１１７に記憶され、必要に応じてストレージ装置１１７から読み出されてもよい。Ｉ／Ｏデバイスインタフェース１１４は、プリンタ、ファックスマシン等の他のＩ／Ｏデバイスに対するインターフェースを提供してもよい。ネットワークインターフェース１１５は、コンピュータシステム１００と他のデバイスが相互的に通信できるように、通信経路を提供してもよい。この通信経路は、例えば、ネットワーク１３０であってもよい。
【0025】
ある実施形態では、コンピュータシステム１００は、マルチユーザメインフレームコンピュータシステム、シングルユーザシステム、又はサーバコンピュータ等の、直接的ユーザインターフェースを有しない、他のコンピュータシステム（クライアント）からの要求を受信するデバイスであってもよい。他の実施形態では、コンピュータシステム１００は、デスクトップコンピュータ、携帯型コンピュータ、ノートパソコン、タブレットコンピュータ、ポケットコンピュータ、電話、スマートフォン、又は任意の他の適切な電子機器であってもよい。
【0026】
次に、図２を参照して、本開示の実施形態に係る仮説推論管理システムの構成について説明する。
【0027】
図２は、本開示の実施形態に係る仮説推論管理システム２００の構成の一例を示す図である。仮説推論管理システム２００は、所定の事象を自然言語で説明する仮説を導出するシステムであり、図２に示すように、仮説推論管理装置２１０、通信ネットワーク２５０及びユーザ端末２６０から構成されている。仮説推論管理システム２００において、仮説推論管理装置２１０及びユーザ端末２６０は、通信ネットワーク２５０を介して通信可能に接続されている。
【0028】
仮説推論管理装置２１０は、所定の事象を自然言語で説明する仮説を生成するための装置であり、例えばサーバ装置等のコンピューティングデバイスであってもよい。ある実施形態では、仮説推論管理装置２１０は、図１に示すコンピュータシステム１００として実装されてもよい。
図２に示すように、仮説推論管理装置２１０は、メモリ２２０、記憶部２３０、プロセッサ２４４及び入出力部２４６を含んでもよい。
図２に示すように、仮説推論管理装置２１０は、メモリ２２０、記憶部２３０、プロセッサ２４４及び入出力部２４６を含んでもよい。
【0029】
メモリ２２０は、本開示の実施形態に係る仮説推論管理手段の機能を実施するための仮説推論管理アプリケーション１５０を格納するためのメモリであってもよい。この仮説推論管理アプリケーション１５０は、図２に示すように、生成部２２２、データベース構築部２２４、関連情報取得部２２６及び仮説推論部２２８等のソフトウェアモジュールの機能を実施するための処理命令を含んでもよい。
【0030】
生成部２２２は、所定の事象に関する事実を示す前提事実情報に基づいて、当該前提事実情報に関連する文章を示す初期文章情報を生成する機能部である。生成部２２２は、例えばトランスフォーマーモデルを用いて自然言語情報を自動生成する自然言語生成（Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｇｅｎｅｒａｔｉｏｎ; ＮＬＧ）手段であってもよい。例として、生成部２２２は、ＧＰＴ－２（Ｇｅｎｅｒａｔｉｖｅ Ｐｒｅ－ｔｒａｉｎｅｄ Ｔｒａｎｓｆｏｒｍｅｒ ２）、ＧＰＴ－３（Ｇｅｎｅｒａｔｉｖｅ Ｐｒｅ－ｔｒａｉｎｅｄ Ｔｒａｎｓｆｏｒｍｅｒ ３）、ＢＬＯＯＭ(ＢｉｇＳｃｉｅｎｃｅ Ｌａｒｇｅ Ｏｐｅｎ－ｓｃｉｅｎｃｅ Ｏｐｅｎ－ａｃｃｅｓｓ Ｍｕｌｔｉｌａｎｇｕａｇｅ Ｌａｎｇｕａｇｅ Ｍｏｄｅｌ)であってもよいが、任意の自然言語生成手段であってもよい。
なお、生成部２２２の機能の詳細については後述するため、ここではその説明を省略する。
なお、生成部２２２の機能の詳細については後述するため、ここではその説明を省略する。
【0031】
データベース構築部２２４は、記憶部２３０に格納されている関連情報ＤＢ２３１を構築するための機能部である。データベース構築部２２４は、例えばＢＡＲＴ ＭＮＬＩ等のテキスト分類モデルであってもよい。
なお、データベース構築部２２４の機能の詳細については後述するため、ここではその説明を省略する。
なお、データベース構築部２２４の機能の詳細については後述するため、ここではその説明を省略する。
【0032】
関連情報取得部２２６は、前提事実情報と、前提事実情報に対する結論を示す結論情報とに基づいて、前提事実情報及び結論情報に関連する関連情報を関連情報ＤＢ２３１から取得するための機能部である。関連情報取得部２２６は、例えば知識検索（ｋｎｏｗｌｅｄｇｅ ｒｅｔｒｉｅｖａｌ）手法やＤＰＲ（Ｄｅｎｓｅ Ｐａｓｓａｇｅ Ｒｅｔｒｉｅｖａｌ）手法であってもよい。
なお、関連情報取得部２２６の機能の詳細については後述するため、ここではその説明を省略する。
なお、関連情報取得部２２６の機能の詳細については後述するため、ここではその説明を省略する。
【0033】
仮説推論部２２８は、生成部２２２によって生成される初期文章情報と、前提事実情報に対する結論を示す結論情報と、関連情報取得部２２６によって取得される関連情報とに関する制約を規定するエネルギー関数を用いて、初期文章情報を修正することで、前提事実情報及び結論情報に関する説明を示す仮説推論結果を生成するための機能部である。仮説推論部２２８は、エネルギー関数の定義が可能なＥＢＭ（Ｅｎｅｒｇｙ－Ｂａｓｅｄ Ｍｏｄｅｌ）であってもよい。
なお、仮説推論部２２８の機能の詳細については後述するため、ここではその説明を省略する。
なお、仮説推論部２２８の機能の詳細については後述するため、ここではその説明を省略する。
【0034】
記憶部２３０は、本開示の実施形態に係る各種情報を格納するための記憶領域であり、図２に示すように、関連情報ＤＢ２３１を含んでもよい。
関連情報ＤＢ２３１は、所定の分野に関する数多くの文章やテキスト情報を含むデータベースであり、後述するように、前提事実情報と結論情報とに関する関連情報を取得するために用いられる。
ある実施形態では、関連情報ＤＢ２３１に格納される文章は、非公開の事象に関するものであってもよい。本開示において、「非公開」とは、関係者のみがアクセスでき、インターネット等で一般向けに公開されていないことを意味する。例えば、ある実施形態では、関連情報ＤＢ２３１は、機密の事業活動、未発表の製品、非公開の事業計画に関する文章を含んでもよい。これにより、後述するように、非公開の事象に関する仮説推論結果の生成が可能となる。
関連情報ＤＢ２３１は、所定の分野に関する数多くの文章やテキスト情報を含むデータベースであり、後述するように、前提事実情報と結論情報とに関する関連情報を取得するために用いられる。
ある実施形態では、関連情報ＤＢ２３１に格納される文章は、非公開の事象に関するものであってもよい。本開示において、「非公開」とは、関係者のみがアクセスでき、インターネット等で一般向けに公開されていないことを意味する。例えば、ある実施形態では、関連情報ＤＢ２３１は、機密の事業活動、未発表の製品、非公開の事業計画に関する文章を含んでもよい。これにより、後述するように、非公開の事象に関する仮説推論結果の生成が可能となる。
【0035】
プロセッサ２７０は、メモリ２２０によって格納される仮説推論管理アプリケーション１５０の各機能部の機能を規定する処理命令を実施するための処理部である。
【0036】
入出力部２７５は、仮説推論管理装置２１０に入力される情報を受け付けると共に、仮説推論管理装置２１０によって生成される仮説推論結果等の情報を出力するための機能部である。入出力部２７５は、例えばキーボード、マウス、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）を表示するディスプレイ、情報の送受信を行う通信機能等を含んでもよい。入出力部２７５は、例えば図８～１０を参照して説明するＧＵＩをユーザ端末２６０に出力してもよい。
【0037】
通信ネットワーク２５０は、仮説推論管理装置２１０及びユーザ端末２６０の間で情報の通信を行うためのネットワークである。通信ネットワーク２５０は、例えばローカルエリアネットワーク（ＬＡＮ）、インターネット、ワイドエリアネットワーク（ＷＡＮ）、衛星ネットワーク、ケーブルネットワーク、ＷｉＦｉネットワーク、またはそれらの任意の組み合わせを含むものであってもよい。
【0038】
ユーザ端末２６０は、仮説推論管理装置２１０のユーザ（クライアント等）が利用する端末であり、例えばコンピュータ、スマートフォン、タブレット等、任意のコンピューティングデバイスであってもよい。ある実施形態では、ユーザは、ユーザ端末２６０を介して表示されるＧＵＩに対して、仮説推論管理装置２１０によって用いられる前提事実情報や結論情報等のパラメータを入力してもよい。また、ユーザは、ユーザ端末２６０を介して表示されるＧＵＩで表示される仮説推論結果を確認することができる。
【0039】
以上説明した仮説推論管理システム２００によれば、企業の経営戦略等の、学習データの作成が限られる非公開の事象に対しても、高精度の仮説推論結果の生成が可能な仮説推論管理手段を提供することができる。
【0040】
次に、図３を参照して、本開示の実施形態に係る仮説推論管理装置の論理的構成について説明する。
【0041】
図３は、本開示の実施形態に係る仮説推論管理装置２１０の論理的構成の一例を示す図である。上述したように、仮説推論管理装置２１０は、所定の事象を自然言語で説明する仮説を生成するための装置であり、図２に示すように、生成部２２２、データベース構築部２２４（図３では図示せず）、関連情報取得部２２６及び仮説推論部２２８を含む。
なお、本開示において、「事象」とは、任意の現象や事柄を意味する。例えば、ここでの事象は、特定の企業の経営戦略や製品の発売計画等の事業活動、患者の治療計画、技術の開発工程等を含んでもよい。
なお、本開示において、「事象」とは、任意の現象や事柄を意味する。例えば、ここでの事象は、特定の企業の経営戦略や製品の発売計画等の事業活動、患者の治療計画、技術の開発工程等を含んでもよい。
【0042】
まず、生成部２２２は、所定の事象に関する事実を示す前提事実情報３０１を入力し、当該前提事実情報３０１に関連する文章を示す初期文章情報３０３を生成する。
ここでの生成部２２２は、上述したように、例えばトランスフォーマーモデルを用いて自然言語情報を自動生成する自然言語生成（Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｇｅｎｅｒａｔｉｏｎ; ＮＬＧ）手段であってもよく、例として、ＧＰＴ－２、ＧＰＴ－３、ＢＬＯＯＭであってもよい。また、生成部２２２は、例えばインターネットや所定のデータベースのテキスト情報に基づいて事前に訓練されてもよい。この訓練により、生成部２２２は、入力される任意のテキスト情報に対して、関連するテキストを生成することができるようになる。
ここでの生成部２２２は、上述したように、例えばトランスフォーマーモデルを用いて自然言語情報を自動生成する自然言語生成（Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｇｅｎｅｒａｔｉｏｎ; ＮＬＧ）手段であってもよく、例として、ＧＰＴ－２、ＧＰＴ－３、ＢＬＯＯＭであってもよい。また、生成部２２２は、例えばインターネットや所定のデータベースのテキスト情報に基づいて事前に訓練されてもよい。この訓練により、生成部２２２は、入力される任意のテキスト情報に対して、関連するテキストを生成することができるようになる。
【0043】
本開示において、「前提事実情報」３０１は、仮説推論における命題や、前置きとなる条件を示す情報であり、ユーザによって入力されてもよい。この前提事実情報３０１は、実際に観察された客観的な事実を示してもよく、理論上の命題を示してもよい。また、この前提事実情報３０１は、自然言語で構成されているテキストであってもよい。例えば、ある実施形態では、前提事実情報３０１は、「車両に取り付けられたセンサからデータを取得し、効率的な運転方法を判定し、他の運転手に共有する技術を開発した」との文章であってもよい。
【0044】
生成部２２２は、前提事実情報３０１に含まれるテキストの意味的（ｓｅｍａｎｔｉｃ）及び構文的（ｓｙｎｔａｃｔｉｃ）情報に基づいて、前提事実情報３０１の文脈を加味した初期文章情報３０３を生成する。ある実施形態では、生成部２２２は、初期文章情報３０３として、前提事実情報３０１のテキストにおける最後の単語について、次の単語を予測する処理を繰り返すことで、前提事実情報３０１に続く文章を生成してもよい。例えば、生成部２２２は、「車両に取り付けられたセンサからデータを取得し、効率的な運転方法を判定し、他の運転手に共有する技術を開発した」との前提事実情報３０１に対して、「当該技術は、いくつかの都市で試用されている。」との初期文章情報３０３を生成してもよい。
【0045】
初期文章情報３０３は、前提事実情報３０１に対する語学的一貫性（ｌｉｎｇｕｉｓｔｉｃ ｃｏｎｓｉｓｔｅｎｃｙ）を有する文章である。「語学的一貫性」との表現は、例えば前提事実情報３０１及び初期文章情報３０３等の複数の文章が同様の言語、書きぶり、文法、及びその他の言語的属性を有することを意味する。後述するように、この初期文章情報は、仮説推論結果３１５を生成する際、仮説推論結果３１５の前提事実情報３０１に対する語学的一貫性を維持するために用いられる。
【0046】
次に、関連情報取得部２２６は、上述した前提事実情報３０１と、前提事実情報３０１に対する結論を示す結論情報３０２に基づいて、前提事実情報３０１及び結論情報３０２に関連する関連情報３０５を関連情報データベース（関連情報ＤＢともいう）２３１から取得する。
ここでの関連情報取得部２２６は、上述したように、例えば知識検索（ｋｎｏｗｌｅｄｇｅ ｒｅｔｒｉｅｖａｌ）手法やＤＰＲ（Ｄｅｎｓｅ Ｐａｓｓａｇｅ Ｒｅｔｒｉｅｖａｌ）手法であってもよく、事前に訓練されてもよい。この訓練により、関連情報取得部２２６は、前提事実情報３０１及び前提事実情報３０１と関連性が高い関連情報を取得することができるようになる。
ここでの関連情報取得部２２６は、上述したように、例えば知識検索（ｋｎｏｗｌｅｄｇｅ ｒｅｔｒｉｅｖａｌ）手法やＤＰＲ（Ｄｅｎｓｅ Ｐａｓｓａｇｅ Ｒｅｔｒｉｅｖａｌ）手法であってもよく、事前に訓練されてもよい。この訓練により、関連情報取得部２２６は、前提事実情報３０１及び前提事実情報３０１と関連性が高い関連情報を取得することができるようになる。
【0047】
本開示において、「結論情報」３０２は、前提事実情報３０１に示される前提に対する結論を示す情報であり、ユーザによって入力されてもよい。この結論情報３０２は、前提事実情報３０１に示される前提について実際に観察された結果を示してもよく、理論上の結論を示してもよい。また、この結論情報３０２は、自然言語で構成されているテキストであってもよい。例えば、ある実施形態では、結論情報３０２は、「当該技術は、車両の事故や遅延を減らした」との文章であってもよい。
【0048】
関連情報取得部２２６は、前提事実情報３０１及び結論情報３０２のそれぞれに含まれるテキストの意味的（ｓｅｍａｎｔｉｃ）及び構文的（ｓｙｎｔａｃｔｉｃ）情報に基づいて関連する関連情報を関連情報ＤＢ２３１において特定し、前提事実情報３０１及び結論情報３０２のそれぞれについて特定した情報を関連情報３０５として集約してもよい。上述したように、この関連情報ＤＢ２３１は、非公開の事象（機密の企業戦略等）に関する文章を含んでもよい。
一例として、関連情報取得部２２６は、「当社では、水素ハイブリット車両の実証実験や再生可能エネルギーの開発、火力発電所の燃料の水素燃料化の検討など、全事業所への省エネ対策の導入を進めています。」とのテキスト情報を関連情報３０５として取得してもよい。
なお、関連情報取得処理の詳細については後述するため、ここではその説明を省略する。
一例として、関連情報取得部２２６は、「当社では、水素ハイブリット車両の実証実験や再生可能エネルギーの開発、火力発電所の燃料の水素燃料化の検討など、全事業所への省エネ対策の導入を進めています。」とのテキスト情報を関連情報３０５として取得してもよい。
なお、関連情報取得処理の詳細については後述するため、ここではその説明を省略する。
【0049】
次に、仮説推論部２２８は、生成部２２２によって生成された初期文章情報３０３、結論情報３０２及び関連情報取得部２２６によって関連情報ＤＢ２３１から取得した関連情報３０５に関する制約を規定するエネルギー関数を用いて、前提事実情報３０１及び結論情報３０２に関する説明を示す仮説推論結果３１５を生成する。
【0050】
仮説推論部２２８は、エネルギー関数の定義が可能なＥＢＭ（Ｅｎｅｒｇｙ－Ｂａｓｅｄ Ｍｏｄｅｌ）であってもよい。ここでのＥＢＭとは、数式１に示すようなエネルギー関数を用いて、数式２に示すようなボルツマン分布として定義される統計モデルである。
ここで、「ｙ」は生成される仮説であり、正規化関数Ｚは以下の数式３で定義される。
【数1】
【数2】
【数3】
【0051】
仮説推論部２２８は、上述した初期文章情報３０３、結論情報３０２及び関連情報取得部２２６のそれぞれに関する制約をエネルギー関数において定義し、ランジュバン動力学を用いて最適化することで、初期の仮説ｙｎを更新した仮説ｙｎ+1を数式４に示すように規定することができる。
ここで、η>0はステップ数であり、ε^n∈Ν(0,σ)はガウス分布のノイズ、ｎは反復のステップである。この数式４を用いることで、複数の更新ステップを経て、初期文章情報３０３、結論情報３０２及び関連情報取得部２２６によって関連情報ＤＢ２３１から取得した関連情報３０５に関する３つの制約を満たす仮説を判定することができる。このように判定した仮説は、前提事実情報３０１及び結論情報３０２を説明する仮説推論結果３１５に含めてもよい。
なお、初期の仮説ｙｎとして、生成部２２２によって生成された初期文章情報３０３を用いてもよい。この場合、仮説推論部２２８は、初期文章情報３０３を、初期文章情報３０３、結論情報３０２及び関連情報取得部２２６によって関連情報ＤＢ２３１から取得した関連情報３０５に関する３つの制約を満たすように修正することで仮説ｙｎ+1を判定してもよい。また、ステップ数ｎをより大きい値に設定することで、よりもっともらしい仮説を生成することができる。
制約を規定し、仮説推論結果３１５を生成する処理の詳細については後述するため、ここではその説明を省略する。
【数4】
なお、初期の仮説ｙｎとして、生成部２２２によって生成された初期文章情報３０３を用いてもよい。この場合、仮説推論部２２８は、初期文章情報３０３を、初期文章情報３０３、結論情報３０２及び関連情報取得部２２６によって関連情報ＤＢ２３１から取得した関連情報３０５に関する３つの制約を満たすように修正することで仮説ｙｎ+1を判定してもよい。また、ステップ数ｎをより大きい値に設定することで、よりもっともらしい仮説を生成することができる。
制約を規定し、仮説推論結果３１５を生成する処理の詳細については後述するため、ここではその説明を省略する。
【0052】
仮説推論結果３１５を生成した後、仮説推論部２２８は当該仮説推論結果３１５をユーザ端末２６０にて表示されるユーザインターフェースを介してユーザに提示することができる。
【0053】
図３を参照して説明した仮説推論管理装置２１０によれば、前提事実情報３０１及び結論情報３０２を説明するための仮説は、関連情報ＤＢ２３１に格納される非公開の事象に関する文章に基づいて判定されるため、企業の経営戦略等の、学習データの作成が限られる非公開の事象に対しても、高精度の仮説推論結果の生成が可能となる。
【0054】
次に、図４を参照して、本開示の実施形態に係る仮説推論管理方法の流れについて説明する。
【0055】
図４は、本開示の実施形態に係る仮説推論管理方法の流れの一例を示すフローチャートである。図４に示す仮説推論管理方法４００は、所定の事象を自然言語で説明する仮説を生成するための方法であり、上述した仮説推論管理装置２１０の生成部２２２、データベース構築部２２４、関連情報取得部２２６及び仮説推論部２２８によって実施される。
【0056】
まず、ステップＳ４０５では、生成部２２２は、所定の事象に関する事実を示す前提事実情報を入力する。上述したように、この前提事実情報は、仮説推論における命題や、前置きとなる条件を示す情報であり、後述するユーザインターフェースを介してユーザによって入力されてもよい。
前提事実情報を入力した後、生成部２２２は、前提事実情報に対する前処理を行ってもよい。この前処理は、例えば、前提事実情報に含まれるテキストを整理したり、形式を整えたり、初期文章情報を生成するために用いられる特徴を抽出したりすることを含んでもよい。
前提事実情報を入力した後、生成部２２２は、前提事実情報に対する前処理を行ってもよい。この前処理は、例えば、前提事実情報に含まれるテキストを整理したり、形式を整えたり、初期文章情報を生成するために用いられる特徴を抽出したりすることを含んでもよい。
【0057】
より具体的には、生成部２２２は、前提事実情報を個々の単位（トークン）に分解するトークン化、助詞や助動詞などの機能語（「は」、「の」、「です」、「ａ」、「ｔｈｅ」、「ａｎｄ」等）を除去するストップワード除去、単語を意味のある基本形やバリエーションに変換するステミング及びレマット化、各単語の品詞をラベル付けする品詞タグ付け、組織名、人名、地名等を特定する固有表現抽出など、任意の前処理を行ってもよい。
この前処理により、前提事実情報の次元（ｄｉｍｅｎｓｉｏｎａｌｉｔｙ）を削減し、より高精度の初期文章情報の生成を容易にすることができる。
この前処理により、前提事実情報の次元（ｄｉｍｅｎｓｉｏｎａｌｉｔｙ）を削減し、より高精度の初期文章情報の生成を容易にすることができる。
【0058】
次に、ステップＳ４１０では、生成部２２２は、ステップＳ４０５で入力した前提事実情報に含まれるテキストの意味的（ｓｅｍａｎｔｉｃ）及び構文的（ｓｙｎｔａｃｔｉｃ）情報に基づいて、前提事実情報の文脈を加味した初期文章情報を生成する。
【0059】
次に、ステップＳ４１５では、関連情報取得部２２６は、ステップＳ４０５で入力した前提事実情報に対する結論を示す結論情報を入力する。上述したように、この結論情報は、前提事実情報に示される前提について実際に観察された結果を示してもよく、理論上の結論を示してもよい。また、この結論情報は、後述するユーザインターフェースを介してユーザによって入力されてもよい。
結論情報を入力した後、関連情報取得部２２６は、ステップＳ４０５で前提事実情報に対して行った前処理と同様の処理を結論情報に対して実施してもよい。
結論情報を入力した後、関連情報取得部２２６は、ステップＳ４０５で前提事実情報に対して行った前処理と同様の処理を結論情報に対して実施してもよい。
【0060】
次に、ステップＳ４２０では、関連情報取得部２２６は、ステップＳ４０５で入力した前提事実情報と、ステップＳ４１５で入力した結論情報とに基づいて、前提事実情報及び結論情報に関連する関連情報を関連情報データベースから取得する。
【0061】
次に、ステップＳ４２５では、仮説推論部２２８は、ステップＳ４１０で生成部２２２によって生成された初期文章情報、ステップＳ４１５で入力した結論情報、及びステップＳ４２０で関連情報取得部２２６によって関連情報ＤＢから取得した関連情報に関する制約を規定するエネルギー関数を用いて、前提事実情報及び結論情報に関する説明を示す仮説推論結果を生成する。
【0062】
図４を参照して説明した仮説推論管理方法４００によれば、前提事実情報及び結論情報３０２を説明するための仮説は、関連情報ＤＢ２３１に格納される非公開の事象に関する文章に基づいて判定されるため、企業の経営戦略等の、学習データの作成が限られる非公開の事象に対しても、高精度の仮説推論結果の生成が可能となる。
【0063】
次に、図５を参照して、本開示の実施形態に係る仮説推論管理方法の具体例について説明する。
【0064】
図５は、本開示の実施形態に係る仮説推論管理方法の具体例を示すフローチャートである。
【0065】
まず、生成部２２２は、前提事実情報３０１として「車両に取り付けられたセンサからデータを取得し、効率的な運転方法を判定し、他の運転手に共有する技術を開発した」との文章を入力する。生成部２２２は、ここで入力した前提事実情報３０１を、例えば線形レイヤ５０１、自己注意レイヤ５０２及び順伝播レイヤ５０３から構成されるトランスフォーマーモデルによって処理することで、この前提事実情報３０１に関連する初期文章情報３０３として、「当該技術は、いくつかの都市で試用されている。」との文章を生成してもよい。
なお、ここでは、説明の便宜上、生成部２２２によって生成し得る文章の１つを初期文章情報３０３として説明したが、実際には、生成部２２２は、複数の文章の候補を初期文章情報３０３として生成してもよい。複数の文章の候補を初期文章情報３０３として生成することで、より高精度の仮説推論結果の生成を容易にすることができる。
なお、ここでは、説明の便宜上、生成部２２２によって生成し得る文章の１つを初期文章情報３０３として説明したが、実際には、生成部２２２は、複数の文章の候補を初期文章情報３０３として生成してもよい。複数の文章の候補を初期文章情報３０３として生成することで、より高精度の仮説推論結果の生成を容易にすることができる。
【0066】
ここで生成される初期文章情報３０３は、自動生成される文章であるため、この初期文章情報３０３に示される事柄が事実であるとは限らない。例えば、初期文章情報３０３は、「当該技術は、いくつかの都市で試用されている」との文章の場合、当該技術が実際にいくつかの都市で試用されているとは限らない。ただし、上述したように、この初期文章情報３０３は仮説推論結果３１５を生成する際、仮説推論結果３１５の前提事実情報３０１に対する語学的一貫性を維持するために用いられる情報であるため、初期文章情報３０３の内容の真偽は仮説理論結果を影響しない。
【0067】
次に、関連情報取得部２２６は、結論情報３０２として、「当該技術は、車両の事故や遅延を減らす。」との文章を入力する。関連情報取得部２２６は、前提事実情報３０１と、結論情報３０２とのそれぞれについて、関連性が高い関連情報３０５を関連情報ＤＢから取得する。関連情報ＤＢは、非公開の事象に関する文章を含んでいる場合、結論情報３０２は、これらの非公開の事象に関する文章の中から関連情報３０５を取得する。
一例として、関連情報取得部２２６は、「車両に取り付けられたセンサからデータを取得し、効率的な運転方法を判定し、他の運転手に共有する技術を開発した。」との前提事実情報３０１と、「当該技術は、車両の事故や遅延を減らす。」との結論情報３０２とに基づいて、「当社では、水素ハイブリット車両の実証実験や再生可能エネルギーの開発、火力発電所の燃料の水素燃料化の検討など、全事業所への省エネ対策の導入を進めています。」との文章を関連情報３０５として関連情報ＤＢから取得してもよい。
なお、ここでは、説明の便宜上、関連情報取得部２２６によって取得し得る文章の１つを関連情報３０５として説明したが、実際には、関連情報取得部２２６は、複数の文章の候補を関連情報３０５として生成してもよい。複数の文章の候補を関連情報３０５として生成することで、より高精度の仮説推論結果の生成を容易にすることができる。
一例として、関連情報取得部２２６は、「車両に取り付けられたセンサからデータを取得し、効率的な運転方法を判定し、他の運転手に共有する技術を開発した。」との前提事実情報３０１と、「当該技術は、車両の事故や遅延を減らす。」との結論情報３０２とに基づいて、「当社では、水素ハイブリット車両の実証実験や再生可能エネルギーの開発、火力発電所の燃料の水素燃料化の検討など、全事業所への省エネ対策の導入を進めています。」との文章を関連情報３０５として関連情報ＤＢから取得してもよい。
なお、ここでは、説明の便宜上、関連情報取得部２２６によって取得し得る文章の１つを関連情報３０５として説明したが、実際には、関連情報取得部２２６は、複数の文章の候補を関連情報３０５として生成してもよい。複数の文章の候補を関連情報３０５として生成することで、より高精度の仮説推論結果の生成を容易にすることができる。
【0068】
次に、仮説推論部２２８は、初期文章情報３０３と、結論情報３０２と、関連情報３０５とに基づいて、前提事実情報３０１及び結論情報３０２に示される事柄を説明する仮説を含む仮説推論結果３１５を生成する。つまり、仮説推論部２２８は、「車両に取り付けられたセンサからデータを取得し、効率的な運転方法を判定し、他の運転手に共有する技術を開発した。」との前提事実情報３０１と、「当該技術は、車両の事故や遅延を減らす。」との結論情報３０２との２つの事例を論理的に説明する仮説を、「当社では、水素ハイブリット車両の実証実験や再生可能エネルギーの開発、火力発電所の燃料の水素燃料化の検討など、全事業所への省エネ対策の導入を進めています。」との関連情報３０５に基づいて導出する。
【0069】
一例として、仮説推論部２２８は、仮説推論結果３１５として、「当該技術を用いることで、不効率な運転方法によって発生する水素ハイブリッド車両の事故や遅延を回避することができている。」との文章を生成してもよい。このように、仮説推論部２２８は、効率的な運転方法を判定する技術を水素ハイブリッド車両に適用することを、前提事実情報３０１及び結論情報３０２の事例を説明する仮説として生成することができる。仮説推論部２２８は、このように生成した仮説と、当該仮説を生成するために用いられた関連情報３０５とを、仮説推論結果３１５としてもよい。
なお、ここでは、説明の便宜上、仮説推論部２２８によって生成し得る文章の１つを仮説推論結果３１５として説明したが、実際には、仮説推論部２２８は、複数の文章の候補を仮説推論結果３１５として生成してもよい。複数の文章の候補を仮説推論結果３１５として生成することで、前提事実情報３０１及び結論情報３０２の事例を説明するもっともらしい複数の仮説をユーザに提示することができる。
なお、ここでは、説明の便宜上、仮説推論部２２８によって生成し得る文章の１つを仮説推論結果３１５として説明したが、実際には、仮説推論部２２８は、複数の文章の候補を仮説推論結果３１５として生成してもよい。複数の文章の候補を仮説推論結果３１５として生成することで、前提事実情報３０１及び結論情報３０２の事例を説明するもっともらしい複数の仮説をユーザに提示することができる。
【0070】
次に、図６を参照して、本開示の実施形態に係る関連情報取得処理の流れについて説明する。
【0071】
図６は、本開示の実施形態に係る関連情報取得処理６００の流れの一例を示すフローチャートである。関連情報取得処理６００は、上述したように、前提事実情報３０１及び結論情報３０２に関連する関連情報３０５を関連情報ＤＢ２３１から取得するための処理である。このように取得した関連情報３０５は、初期文章情報３０３及び結論情報３０２と共に仮説推論結果を生成するために用いられる。
【0072】
まず、関連情報取得部２２６は、前提事実情報３０１及び結論情報３０２を入力する。次に、関連情報取得部２２６は、関連情報ＤＢに含まれる各文章について、前提事実情報３０１及び結論情報３０２に対する関連度を計算する。この関連度とは、特定の文章の、前提事実情報３０１及び結論情報３０２に対する類似度の尺度であり、後述するように、既存のＫｎｏｗｌｅｄｇｅ Ｒｅｔｒｉｅｖａｌアルゴリズムによって計算されてもよい。
【0073】
より具体的には、関連情報取得部２２６は、関連情報データベース２３１に含まれる各文章について、前提事実情報３０１に対する関連度を示す第１の関連度を判定すると共に、関連情報データベース２３１に含まれる各文章について、結論情報３０２に対する関連度を示す第２の関連度を判定する。次に、関連情報取得部２２６は、判定した第１の関連度が所定の関連度基準を満たす第１の文章の中から、前提事実情報３０１に関する第１の関連情報候補を抽出すると共に、判定した第２の関連度が所定の関連度基準を満たす第２の文章の中から、結論情報３０２に関する第２の関連情報候補を抽出する。その後、関連情報取得部２２６は、第１の関連情報候補及び第２の関連情報候補を結合することで、最終的な検索結果となる関連情報３０５を取得する。
つまり、関連情報取得部２２６は、前提事実情報３０１及び結論情報３０２のそれぞれについて、関連度が高い情報を取得した後、これらの情報を結合することで仮説推論部２２８に入力される関連情報３０５を取得する。また、ある実施形態では、関連情報取得部２２６は、キーワード抽出６０５を行い、関連情報ＤＢ２３１から取得した関連情報３０５におけるキーワード６０６を抽出してもよい。
つまり、関連情報取得部２２６は、前提事実情報３０１及び結論情報３０２のそれぞれについて、関連度が高い情報を取得した後、これらの情報を結合することで仮説推論部２２８に入力される関連情報３０５を取得する。また、ある実施形態では、関連情報取得部２２６は、キーワード抽出６０５を行い、関連情報ＤＢ２３１から取得した関連情報３０５におけるキーワード６０６を抽出してもよい。
【0074】
ある実施形態では、関連情報取得部２２６は、関連情報３０５を取得するＫｎｏｗｌｅｄｇｅ Ｒｅｔｒｉｅｖａｌアルゴリズムとして、ＴＦ－ＩＤＦ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ－Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）に基づくアルゴリズム（例えば、ＢＭ２５等）を用いてもよい。この場合、当該アルゴリズムは、関連情報データベース２３１に含まれる各文章について、前提事実情報３０１及び結論情報３０２に含まれる単語の出現頻度や特異性（珍しさ）に基づいて、各文章の前提事実情報３０１及び結論情報３０２に対する関連度を計算してもよい。その後、関連情報取得部２２６は、関連度が計算された各文章を、関連度が高い順にランキングしてもよい。このランキングの中から、所定の関連度基準（例えば、関連度が最も高い文章、関連度が所定の値を達成する文章）を満たす文章を関連情報として取得してもよい。
【0075】
ある実施形態では、関連情報取得部２２６は、関連情報３０５を取得するＫｎｏｗｌｅｄｇｅ Ｒｅｔｒｉｅｖａｌアルゴリズムとして、ＤＰＲ（Ｄｅｎｓｅ Ｐａｓｓａｇｅ Ｒｅｔｒｉｅｖａｌ）に基づくアルゴリズムを用いてもよい。この場合、当該アルゴリズムは、関連情報データベース２３１に含まれる各文章において、前提事実情報３０１及び結論情報３０２に対して関連度が高い情報が密集している短い文章を特定して、関連情報３０５として取得してもよい。
【0076】
ここでの関連情報ＤＢ２３１は、図２に示すデータベース構築部２２４によって事前に構築されてもよい。より具体的には、データベース構築部２２４は、複数の非公開の文章を所定の自然言語分類手法によって解析することで、当該複数の非公開の文章の内、所定の分野に対する類似度基準を満たす非公開文章を関連情報データベース２３１に格納してもよい。ここでの類似度は、例えばユークリッド距離やコサイン類似度等、既存の文章類似度計算手法によって判定してもよい。ある実施形態では、データベース構築部２２４は、関連情報ＤＢ２３１に格納すると判定した文章をトピック（話題）毎にラベル付けしてもよい。このように、例えば特定の企業の経営戦略や製品の発売計画等の事業活動、患者の治療計画、技術の開発工程等、非公開の事象に関する文章を格納する関連情報ＤＢ２３１を構築することができる。
【0077】
図６を参照して説明した関連情報取得処理６００によれば、ユーザから入力される前提事実情報３０１及び結論情報３０２に関連する非公開の関連情報３０５を、前提事実情報３０１及び結論情報３０２と共通の分野に関する文章を含む関連情報ＤＢ２３１から取得することができる。この関連情報３０５は、前提事実情報３０１及び結論情報３０２を説明する仮説を生成するために用いられる。
【0078】
次に、図７を参照して、本開示の実施形態に係る仮説推論生成処理の流れについて説明する。
【0079】
図７は、本開示の実施形態に係る仮説推論生成処理７００の流れの一例を示すフローチャートである。図７に示す仮説推論生成処理７００は、生成部２２２によって生成される初期文章情報、関連情報取得部によって取得される関連情報、及び結論情報に関する制約を規定するエネルギー関数を用いて、前提事実情報及び結論情報に関する説明を示す仮説推論結果を生成するための処理であり、図２に示す仮説推論部２２８によって実施される。
【0080】
まず、ステップＳ７０５では、仮説推論部２２８は、生成部２２２によって生成される初期文章情報３０３を入力し、当該初期文章情報３０３に関するエネルギー関数制約として、語学的一貫性制約を規定する。この語学的一貫性制約は、生成される仮説推論結果の言語、書きぶり、文法、及びその他の言語的属性を初期文章情報３０３に整合させるための制約である。
より具体的には、仮説推論結果を生成する際、以下の数式５に示すソフトシーケンスにおいて、言語モデルｆ（ＧＰＴ－２）によって生成されるトークン分布は、初期文章情報３０３に定義される基準分布ｙｎ（ｗ）にマッチすることが求められる。
ここで「τ」はユーザ等によって設定可能なハイパーパラメータである。
より具体的には、仮説推論結果を生成する際、以下の数式５に示すソフトシーケンスにおいて、言語モデルｆ（ＧＰＴ－２）によって生成されるトークン分布は、初期文章情報３０３に定義される基準分布ｙｎ（ｗ）にマッチすることが求められる。
【数5】
【0081】
従って、初期文章情報３０３に関する語学的一貫性制約ｆ１（ｙ）は、仮説として生成される分布と初期文章情報３０３によって示される基準分布に対する交差エントロピー関数として、以下の数式６に示すように規定することができる。
このように、初期文章情報３０３に関する語学的一貫性制約を規定することで、初期文章情報３０３と同様な自然言語から構成した仮説推論結果を生成することが可能となる。
【数6】
【0082】
次に、ステップＳ７１０では、仮説推論部２２８は、ユーザに入力された結論情報３０２を入力し、当該結論情報３０２に関するエネルギー関数制約として、結論一貫性制約を規定する。この結論一貫性制約は、生成される仮説推論結果に示される事柄の理屈や道理を結論情報３０２に示される事柄に整合させるための制約である。
より具体的には、仮説推論部２２８は、結論一貫性制約ｆ２（ｙ）を以下に示す数式７のように規定することができる。
数式７において、「ｙ」は生成される仮説の候補であり、Ｏ２は、結論情報３０２である。
このように、結論情報３０２に関する結論一貫性制約を規定することで、結論情報３０２に示される事柄と辻褄が合う、もっともらしい仮説を示す仮説推論結果を生成することが可能となる。
より具体的には、仮説推論部２２８は、結論一貫性制約ｆ２（ｙ）を以下に示す数式７のように規定することができる。
【数7】
このように、結論情報３０２に関する結論一貫性制約を規定することで、結論情報３０２に示される事柄と辻褄が合う、もっともらしい仮説を示す仮説推論結果を生成することが可能となる。
【0083】
次に、ステップＳ７１５では、仮説推論部２２８は、関連情報ＤＢ２３１から取得した関連情報３０５を入力し、当該関連情報３０５に関するエネルギー関数制約として、関連情報制約を規定する。この関連情報制約は、生成される仮説推論結果に示される事柄の、関連情報３０５に対する類似度を向上させるための制約である。
より具体的には、仮説推論部２２８は、関連情報制約ｆ３（ｙ）を以下に示す数式８のように、n-gram類似度関数として規定することができる。
数式８において、「ｙ」は生成される仮説の候補であり、「ｅ」は関連情報３０５又は関連情報３０５から抽出されるキーワードである。
より具体的には、仮説推論部２２８は、関連情報制約ｆ３（ｙ）を以下に示す数式８のように、n-gram類似度関数として規定することができる。
【数8】
【0084】
次に、ステップＳ７２０では、仮説推論部２２８は、ステップＳ７０５で規定した語学的一貫性制約ｆ１（ｙ）、ステップＳ７１０で規定した結論一貫性制約ｆ２（ｙ）及びステップＳ７１５で規定した関連情報制約ｆ３（ｙ）に基づいて、以下に示す数式９のようなエネルギー関数を生成する。
数式９において、ｗ１、ｗ２、ｗ３は、それぞれの制約に対する重み付である。
【数9】
【0085】
次に、ステップＳ７２５では、仮説推論部２２８は、ステップＳ７２０で生成したエネルギー関数を最適化することで、語学的一貫性制約、結論一貫性制約及び関連情報制約を満たす仮説推論結果を生成する。ここで、仮説推論部２２８は、エネルギー関数を最適化する方法として、ランジュバン動力学に基づく手法を用いてもよい。ここで、ｙｎにおけるステップ数「ｎ」は、自由に設定可能なハイパーパラメータであり、ｎが大きければ大きい程、仮説推論結果の精度が向上するが、より多くのコンピューティング資源及び処理時間を要する。
一例として、「ｎ」の初期値は「２０００」であってもよい。
一例として、「ｎ」の初期値は「２０００」であってもよい。
【0086】
以上では、語学的一貫性制約、結論一貫性制約及び関連情報制約の３つの制約から構成されるエネルギー関数を用いて仮説推論結果を生成する場合を一例として説明したが、本開示はこれに限定されず、他の制約の規定も可能である。
【0087】
例えば、語学的一貫性制約、結論一貫性制約及び関連情報制約の３つの制約から構成されるエネルギー関数を用いて仮説推論結果を生成する場合、語学的一貫性制約を規定するために用いられる初期文章情報は、前提事実情報に基づいて生成される情報であるため、当該初期文章情報に基づいて語学的一貫性制約をエネルギー関数において規定することで、生成される仮説推論結果に示される事柄は、前提事実情報に示される事柄と実質的に理屈が合うはずである。
しかし、ある実施形態では、仮説推論結果の前提事実情報及び結論情報に対する一貫性を更に向上させるためには、エネルギー関数における新たな制約として、始終一貫性制約ｆ４（ｙ；Ｏ１、Ｏ２）を規定してもよい。この始終一貫性制約は、生成される仮説推論結果に示される事柄の理屈や道理を前提事実情報３０１及び結論情報３０２の両方に示される事柄に合わせるための制約である、数式１０に示すように規定してもよい。
数式１０において、「ｙ」は生成される仮説の候補であり、Ｏ１は前提事実情報３０１であり、Ｏ２は、結論情報３０２である。
しかし、ある実施形態では、仮説推論結果の前提事実情報及び結論情報に対する一貫性を更に向上させるためには、エネルギー関数における新たな制約として、始終一貫性制約ｆ４（ｙ；Ｏ１、Ｏ２）を規定してもよい。この始終一貫性制約は、生成される仮説推論結果に示される事柄の理屈や道理を前提事実情報３０１及び結論情報３０２の両方に示される事柄に合わせるための制約である、数式１０に示すように規定してもよい。
【数10】
【0088】
また、この場合、始終一貫性制約ｆ４（ｙ；Ｏ１、Ｏ２）を含むエネルギー関数を以下に示す数式１１のように規定してもよい。
【数11】
【0089】
このように、語学的一貫性制約、結論一貫性制約及び関連情報制約の３つの制約に加えて、仮説推論結果に示される事柄の理屈や道理を前提事実情報３０１及び結論情報３０２の両方に示される事柄に合わせるための始終一貫性制約ｆ４（ｙ；Ｏ１、Ｏ２）をエネルギー関数において規定することにより、語学的一貫性制約、結論一貫性制約及び関連情報制約の３つの制約のみを用いた場合に比べて、前提事実情報３０１及び結論情報３０２に示される事柄と辻褄が合う、更に信ぴょう性が滝仮説を示す仮説推論結果を生成することができる。
【0090】
図７を参照して説明した仮説推論生成処理７００において、語学的一貫性制約、結論一貫性制約、関連情報制約及び始終一貫性制約等の制約をエネルギー関数において規定することにより、前提事実情報と同様な自然言語で構成され、初期文章情報及び結論情報に示される事柄に対して論理的に一貫している（つまり、理屈が合う）仮説の生成が可能となる。
【0091】
次に、図８を参照して、本開示の実施形態に係る仮説推論管理インターフェースの一例について説明する。
【0092】
図８は、本開示の実施形態に係る仮説推論管理インターフェース８００の一例を示す図である。図８に示す仮説推論管理インターフェース８００は、本開示の実施形態に係る仮説推論管理手段において用いられる情報や設定の入力を受け付けるためのインターフェース画面であり、例えば上述した入出力部２４６によって生成され、ユーザ端末２６０に表示されてもよい。
【0093】
図８に示すように、仮説推論管理インターフェース８００は、モデル選択ウインドウ８０１、関連情報ＤＢ選択ウインドウ８０２、前提事実情報入力ウインドウ８０３、結論情報入力ウインドウ８０４、翻訳ボタン８０５、ステップ数設定ウインドウ８０６、及び仮説形成ボタン８０７を含んでもよい。
【0094】
モデル選択ウインドウ８０１は、上述した生成部２２２によって用いられる自然言語生成モデルを選択するためのメニュである。モデル選択ウインドウ８０１では、ユーザは、例えばＧＰＴ－２、ＧＰＴ－３、ＢＬＯＯＭ等を、初期文章情報を生成する自然言語生成モデルとして選択してもよい。
【0095】
関連情報ＤＢ選択ウインドウ８０２は、上述した関連情報を取得するために検索される関連情報ＤＢを選択するためのメニュである。関連情報ＤＢ選択ウインドウ８０２では、ユーザは、事前に構築した複数の関連情報ＤＢの中から、前提事実情報及び結論情報に関連する分野に対応する関連情報ＤＢを選択することができる。
【0096】
前提事実情報入力ウインドウ８０３は、上述した前提事実情報を入力するための入力ウインドウである。前提事実情報入力ウインドウ８０３では、ユーザは、自然言語で構成した前提事実情報を入力してもよい。一例として、ユーザは、前提事実情報入力ウインドウ８０３を介して、「車両に取り付けられたセンサからデータを取得し、効率的な運転方法を判定し、他の運転手に共有する技術を開発した」との文章を前提事実情報として入力してもよい。
【0097】
結論情報入力ウインドウ８０４は、上述した結論情報を入力するための入力ウインドウである。結論情報入力ウインドウ８０４では、ユーザは、自然言語で構成した結論情報を入力してもよい。一例として、ユーザは、結論情報入力ウインドウ８０４を介して、「当該技術は、車両の事故や遅延を減らす」との文章を結論情報として入力してもよい。
【0098】
翻訳ボタン８０５は、前提事実情報入力ウインドウ８０３や結論情報入力ウインドウ８０４で入力された前提事実情報又は結論情報を他の言語に翻訳する処理を実施するためのボタンである。例えば、翻訳ボタン８０５を押すことで、ユーザは、日本語で入力した前提事実情報又は結論情報を英語に翻訳してもよい。ここで、前提事実情報又は結論情報を他の言語に翻訳する手段としては、既存の人工知能ベースの翻訳手法を用いてもよく、ここでは特に限定されない。
【0099】
ステップ数設定ウインドウ８０６は、本開示の実施形態に係る仮説推論部２２８の反復回数を設定するためのウインドウである。原則として、ステップ数を増やすほど、仮説推論結果の精度が向上するが、より多くのコンピューティング資源及び処理時間を要する。
【0100】
仮説形成ボタン８０７は、仮説推論管理インターフェース８００に入力された情報に基づいて本開示の実施形態に係る仮説推論管理手段の処理を実行するためのボタンである。
【0101】
図８に示す仮説推論管理インターフェース８００によれば、本開示の実施形態に係る仮説推論管理手段において用いられる情報や設定を入力することができる。
【0102】
ある実施形態では、本開示の実施形態に係る仮説推論管理手段は、いわゆるＥＳＧ（Ｅｎｖｉｒｏｎｍｅｎｔ， Ｓｏｃｉａｌ， ａｎｄ Ｃｏｒｐｏｒａｔｅ Ｇｏｖｅｒｎｍｅｎｃｅ）フレームワークに適用可能である。これにより、企業の環境、社会及びカバナンスの目標を考慮した仮説推論結果の生成が可能となる。次に、図９を参照して、本開示の実施形態に係るＥＳＧ仮説推論管理インターフェースの一例について説明する。
【0103】
図９は、本開示の実施形態に係るＥＳＧ仮説推論管理インターフェース９００の一例を示す図である。図９に示すＥＳＧ仮説推論管理インターフェース９００は、本開示の実施形態に係る仮説推論管理手段をＥＳＧに適用した場合に用いられる情報や設定の入力を受け付けるためのインターフェース画面であり、例えば上述した入出力部２４６によって生成され、ユーザ端末２６０に表示されてもよい。
【0104】
図９に示すように、ＥＳＧ仮説推論管理インターフェース９００は、モデル選択ウインドウ９０１、関連情報ＤＢ選択ウインドウ９０２、影響対象選択ウインドウ９０３、ＥＳＧ指標選択ウインドウ９０４、極性選択ウインドウ９０５、事業活動入力ウインドウ９０６、事業活動結果入力ウインドウ９０７、翻訳ボタン９０８、ステップ数設定ウインドウ９０９及び仮説形成ボタン９１０を含んでもよい。
なお、モデル選択ウインドウ９０１、関連情報ＤＢ選択ウインドウ９０２、翻訳ボタン９０８、ステップ数設定ウインドウ９０９及び仮説形成ボタン９１０は、図８を参照して説明した仮説推論管理インターフェース８００の対応要素と実質的に同様であるため、ここではその説明を省略する。
なお、モデル選択ウインドウ９０１、関連情報ＤＢ選択ウインドウ９０２、翻訳ボタン９０８、ステップ数設定ウインドウ９０９及び仮説形成ボタン９１０は、図８を参照して説明した仮説推論管理インターフェース８００の対応要素と実質的に同様であるため、ここではその説明を省略する。
【0105】
影響対象選択ウインドウ９０３は、仮説推論が生成される事業活動の影響対象を選択するためのメニュである。影響対象選択ウインドウ９０３では、ユーザは、事業活動の影響対象として「環境」、「社会資本」、「人的資本」、ビジネスモデルとイノベーション」、「リーダーシップとガバナンス」等を選択してもよい。ここで所定の影響対象を選択することで、仮説推論管理装置２１０は、選択された影響対象を考慮した仮説推論結果を生成することができる。
【0106】
ＥＳＧ指標選択ウインドウ９０４は、仮説推論が生成される事業活動のＥＳＧ指標を選択するためのメニュである。ＥＳＧ指標選択ウインドウ９０４では、ユーザは、ＥＳＧ指標として、「製品の安全性」、「職場における多様性及び公平性」、「製品ライフサイクル管理」、「サプライチェーン管理」等を選択してもよい。ここで所定のＥＳＧ指標を選択することで、仮説推論管理装置２１０は、選択されたＥＳＧ指標を考慮した仮説推論結果を生成することができる。
【0107】
極性選択ウインドウ９０５は、仮説推論の極性を選択するためのメニュである。極性選択ウインドウ９０５では、ユーザは、仮説推論の極性として、「ポジティブ」又は「ネガティブ」を選択してもよい。これにより、仮説推論管理装置２１０は、後述する事業活動及び事業活動結果のネガティブの仮説やポジティブの仮説を考慮することができる。
【0108】
事業活動入力ウインドウ９０６は、前提事実情報として用いられる事業活動を入力するための入力ウインドウである。
【0109】
事業活動結果入力ウインドウ９０７は、事業活動入力ウインドウ９０６に入力した事業活動の結果を示し、結論情報として用いられる情報を入力するための入力ウインドウである。
【0110】
次に、図１０を参照して、本開示の実施形態に係る仮説推論結果表示インターフェースについて説明する。
【0111】
図１０は、本開示の実施形態に係る仮説推論結果表示インターフェース１０００の一例を示す図である。図１０に示す仮説推論結果表示インターフェース１０００は、本開示の実施形態に係る仮説推論管理装置２１０によって生成される仮説推論結果を示すためのインターフェース画面であり、例えば上述した入出力部２４６によって生成され、ユーザ端末２６０に表示されてもよい。
【0112】
図１０に示すように、仮説推論結果表示インターフェース１０００は、仮説表示ウインドウ１０１０及び関連情報表示ウインドウ１０２０を含む。
【0113】
仮説表示ウインドウ１０１０は、例えば図８に示す仮説推論管理インターフェース８００に対して入力される前提事実情報及び結論情報を説明するために仮説推論部によって生成される仮説の候補を示す。図１０に示すように、仮説表示ウインドウ１０１０には、複数の仮説が、信ぴょう性が高い順に表示されてもよい。
【0114】
関連情報表示ウインドウ１０２０は、仮説表示ウインドウ１０１０に示される仮説を生成するために用いられ、関連情報ＤＢ２３１から取得された関連情報を示してもよい。
【0115】
このように、仮説推論結果表示インターフェース１０００によれば、ユーザは、入力した前提事実情報及び結論情報等の２つの事例を説明する仮説や、当該仮説の根拠となる関連情報を確認することができる。
【0116】
上述したように、社会経済情勢が変化する中、企業は迅速且つ正確な意思決定が求められている。意思決定に役立つ人工知能手法の１つとしては、仮説推論を行う深層学習が存在するが、従来の仮説推論は、インターネット等で公開されている、一般的な事象に関するデータに基づいて訓練されるため、事業活動等の非公開の事象に関する仮説形成の精度が限定されてしまうという課題が存在する。非公開の事象に関する学習データに基づいて機械学習モデルを訓練することが考えられるが、このような学習データのラベル付け（ａｎｎｏｔａｔｅ）及びモデルのファインチューニングは、膨大な金銭的及び人的資源を要するため、負担が大きい。
【0117】
従って、本開示の態様は、所定の事象に関する事実を示す前提事実情報に関連する文章を示す初期文章情報を生成し、前提事実情報と当該前提事実情報に対する結論を示す結論情報に基づいて関連情報を所定の関連情報データベースから取得し、この初期文章情報、結論情報及び関連情報に関する制約を規定するエネルギー関数を用いることで、前提事実情報及び結論情報に関する説明を示す仮説推論結果を生成する仮説推論手段に関する。
【0118】
本開示の実施形態に係る関連情報データベースは、非公開の情報に関する文章を含んでもよい。この関連情報データベースに格納される非公開の情報に関する文章の中から、前提事実情報及び結論情報に対して関連度が高い関連情報は、例えばＴＦ－ＩＤＦ手法やＤＰＲ手法によって取得され、エネルギー関数における制約を規定するために用いられる。これにより、この関連情報を根拠とする仮説を生成することが可能となる。
また、この関連情報データベースは、随時更新可能であるため、仮説推論の対象となる事象に関する新たな文章の追加や、無関係の文章の削除を行うことで、関連情報データベースを洗練させ、より高精度の仮説形成を促進することができる。
また、この関連情報データベースは、随時更新可能であるため、仮説推論の対象となる事象に関する新たな文章の追加や、無関係の文章の削除を行うことで、関連情報データベースを洗練させ、より高精度の仮説形成を促進することができる。
【0119】
また、本開示の実施形態に係る仮説推論管理手段によれば、エネルギー関数において、関連情報に基づく制約に加えて、初期文章情報に基づく制約や、結論情報に基づく制約が規定される。これらの制約を用いることで、前提事実情報と同様な自然言語で構成され、初期文章情報及び結論情報に示される事柄に対して論理的に一貫している（つまり、理屈が合う）仮説の生成が可能となる。
【0120】
このように、非公開の事象に関する関連情報に基づく制約、前提事実情報から自動生成される初期文章情報に基づく制約、及び結論情報に基づく制約を規定するエネルギー関数を用いることで、非公開の事象に関する仮説推論用の機械学習モデルを訓練することなく、自然言語で構成され、論理的に一貫しており、非公開の事象に関する仮説推論結果の生成が可能となる。
更に、この仮説推論結果は、仮説の候補に加えて、仮説推論を生成する際にそれぞれの仮説を裏付けるための根拠となった関連情報を含んでもよい。これにより、ユーザは、それぞれの仮説の根拠を把握することができ、透明性の高い仮説推論が可能となる。
更に、この仮説推論結果は、仮説の候補に加えて、仮説推論を生成する際にそれぞれの仮説を裏付けるための根拠となった関連情報を含んでもよい。これにより、ユーザは、それぞれの仮説の根拠を把握することができ、透明性の高い仮説推論が可能となる。
【0121】
上述したように、本開示の実施形態に係る仮説推論管理手段は、以下の態様に関する。
【0122】
（態様１）
仮説推論管理装置であって、
プロセッサと、
メモリと、
所定の分野に関する関連情報を含む関連情報データベースを格納する記憶部とを備え、
前記メモリは、
所定の事象に関する事実を示す前提事実情報に基づいて、前記前提事実情報に関連する文章を示す初期文章情報を生成する生成部と、
前記前提事実情報と、前記前提事実情報に対する結論を示す結論情報に基づいて、前記前提事実情報及び前記結論情報に関連する関連情報を前記関連情報データベースから取得する関連情報取得部と、
前記初期文章情報、前記結論情報及び前記関連情報に関する制約を規定するエネルギー関数を用いて、前記前提事実情報及び前記結論情報に関する説明を示す仮説推論結果を生成する仮説推論部、
として前記プロセッサを機能させるための処理命令を含むことを特徴とする仮説推論管理装置。
仮説推論管理装置であって、
プロセッサと、
メモリと、
所定の分野に関する関連情報を含む関連情報データベースを格納する記憶部とを備え、
前記メモリは、
所定の事象に関する事実を示す前提事実情報に基づいて、前記前提事実情報に関連する文章を示す初期文章情報を生成する生成部と、
前記前提事実情報と、前記前提事実情報に対する結論を示す結論情報に基づいて、前記前提事実情報及び前記結論情報に関連する関連情報を前記関連情報データベースから取得する関連情報取得部と、
前記初期文章情報、前記結論情報及び前記関連情報に関する制約を規定するエネルギー関数を用いて、前記前提事実情報及び前記結論情報に関する説明を示す仮説推論結果を生成する仮説推論部、
として前記プロセッサを機能させるための処理命令を含むことを特徴とする仮説推論管理装置。
【0123】
（態様２）
前記生成部は、
前記前提事実情報に関連する自然言語情報を自動生成するトランスフォーマーモデルを含む、
ことを特徴とする、態様１に記載の仮説推論管理装置。
前記生成部は、
前記前提事実情報に関連する自然言語情報を自動生成するトランスフォーマーモデルを含む、
ことを特徴とする、態様１に記載の仮説推論管理装置。
【0124】
（態様３）
前記仮説推論管理装置は、
前記関連情報データベースを構築するデータベース構築部を更に含み、
前記データベース構築部は、
複数の非公開の文章を所定の自然言語分類手法によって解析することで、前記複数の非公開の文章の内、第１の非公開文章が前記所定の分野に対する類似度基準を満たすと判定した場合、
前記第１の非公開文章をトピック毎にラベル付けし、前記関連情報データベースに格納する、
ことを特徴とする、態様１又は２に記載の仮説推論管理装置。
前記仮説推論管理装置は、
前記関連情報データベースを構築するデータベース構築部を更に含み、
前記データベース構築部は、
複数の非公開の文章を所定の自然言語分類手法によって解析することで、前記複数の非公開の文章の内、第１の非公開文章が前記所定の分野に対する類似度基準を満たすと判定した場合、
前記第１の非公開文章をトピック毎にラベル付けし、前記関連情報データベースに格納する、
ことを特徴とする、態様１又は２に記載の仮説推論管理装置。
【0125】
（態様４）
前記関連情報取得部は、
前記関連情報データベースに含まれる各文章について、前記前提事実情報に対する関連度を示す第１の関連度を判定し、
前記関連情報データベースに含まれる各文章について、前記結論情報に対する関連度を示す第２の関連度を判定し、
判定した前記第１の関連度が所定の関連度基準を満たす第１の文章の中から、前記前提事実情報に関する第１の関連情報を抽出し、
判定した前記第２の関連度が所定の関連度基準を満たす第２の文章の中から、前記結論情報に関する第２の関連情報を抽出し、
前記第１の関連情報及び前記第２の関連情報を結合することで、前記関連情報を取得する、
ことを特徴とする、態様３に記載の仮説推論管理装置。
前記関連情報取得部は、
前記関連情報データベースに含まれる各文章について、前記前提事実情報に対する関連度を示す第１の関連度を判定し、
前記関連情報データベースに含まれる各文章について、前記結論情報に対する関連度を示す第２の関連度を判定し、
判定した前記第１の関連度が所定の関連度基準を満たす第１の文章の中から、前記前提事実情報に関する第１の関連情報を抽出し、
判定した前記第２の関連度が所定の関連度基準を満たす第２の文章の中から、前記結論情報に関する第２の関連情報を抽出し、
前記第１の関連情報及び前記第２の関連情報を結合することで、前記関連情報を取得する、
ことを特徴とする、態様３に記載の仮説推論管理装置。
【0126】
（態様５）
前記関連情報取得部は、
Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ－Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ又はＤｅｎｓｅ Ｐａｓｓａｇｅ Ｒｅｔｒｉｅｖａｌを用いて、前記関連情報を取得する、
ことを特徴とする、態様４に記載の仮説推論管理装置。
前記関連情報取得部は、
Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ－Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ又はＤｅｎｓｅ Ｐａｓｓａｇｅ Ｒｅｔｒｉｅｖａｌを用いて、前記関連情報を取得する、
ことを特徴とする、態様４に記載の仮説推論管理装置。
【0127】
（態様６）
前記仮説推論部は、
前記初期文章情報に基づいて、前記仮説推論結果の前記初期文章情報に対する語学的一貫性を定義する語学的一貫性制約を規定し、
前記結論情報に基づいて、前記仮説推論結果の前記結論情報に対する論理的一貫性を定義する結論一貫性制約を規定し、
前記関連情報に基づいて、前記仮説推論結果の前記関連情報に対する類似度を定義する関連情報制約を規定することで前記エネルギー関数を生成し、
ランジュバン動力学に基づく手法を用いて前記エネルギー関数を最適化することで、前記語学的一貫性制約、前記結論一貫性制約及び前記関連情報制約を満たす第１の仮説を前記仮説推論結果として生成する、
ことを特徴とする、態様１乃至５に記載の仮説推論管理装置。
前記仮説推論部は、
前記初期文章情報に基づいて、前記仮説推論結果の前記初期文章情報に対する語学的一貫性を定義する語学的一貫性制約を規定し、
前記結論情報に基づいて、前記仮説推論結果の前記結論情報に対する論理的一貫性を定義する結論一貫性制約を規定し、
前記関連情報に基づいて、前記仮説推論結果の前記関連情報に対する類似度を定義する関連情報制約を規定することで前記エネルギー関数を生成し、
ランジュバン動力学に基づく手法を用いて前記エネルギー関数を最適化することで、前記語学的一貫性制約、前記結論一貫性制約及び前記関連情報制約を満たす第１の仮説を前記仮説推論結果として生成する、
ことを特徴とする、態様１乃至５に記載の仮説推論管理装置。
【0128】
（態様７）
前記仮説推論部は、
前記語学的一貫性制約、前記結論一貫性制約及び前記関連情報制約に加えて、
前記前提事実情報及び前記結論情報に対する論理的一貫性を定義する始終一貫性制約を更に規定し、
ランジュバン動力学に基づく手法を用いて前記エネルギー関数を最適化ことで、前記語学的一貫性制約、前記結論一貫性制約、前記関連情報制約及び前記始終一貫性制約を満たす第２の仮説を前記仮説推論結果として生成する、
ことを特徴とする、態様６に記載の仮説推論管理装置。
前記仮説推論部は、
前記語学的一貫性制約、前記結論一貫性制約及び前記関連情報制約に加えて、
前記前提事実情報及び前記結論情報に対する論理的一貫性を定義する始終一貫性制約を更に規定し、
ランジュバン動力学に基づく手法を用いて前記エネルギー関数を最適化ことで、前記語学的一貫性制約、前記結論一貫性制約、前記関連情報制約及び前記始終一貫性制約を満たす第２の仮説を前記仮説推論結果として生成する、
ことを特徴とする、態様６に記載の仮説推論管理装置。
【0129】
（態様８）
前記仮説推論結果は、
前記前提事実情報及び前記結論情報に関する説明を示す仮説に加えて、前記関連情報データベースから取得した前記関連情報を、前記仮説の根拠として含む
ことを特徴とする、態様１乃至７に記載の仮説推論管理装置。
前記仮説推論結果は、
前記前提事実情報及び前記結論情報に関する説明を示す仮説に加えて、前記関連情報データベースから取得した前記関連情報を、前記仮説の根拠として含む
ことを特徴とする、態様１乃至７に記載の仮説推論管理装置。
【0130】
以上、本発明の実施の形態について説明したが、本発明は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。
【符号の説明】
【0131】
１５０ 仮説推論管理アプリケーション
２００ 仮説推論管理システム
２１０ 仮説推論管理装置
２２０ メモリ
２２２ 生成部
２２４ データベース構築部
２２６ 関連情報取得部
２２８ 仮説推論部
２３０ 記憶部
２３１ 関連情報ＤＢ
２４４ プロセッサ
２４６ 入出力部
２５０ 通信ネットワーク
２６０ ユーザ端末
２００ 仮説推論管理システム
２１０ 仮説推論管理装置
２２０ メモリ
２２２ 生成部
２２４ データベース構築部
２２６ 関連情報取得部
２２８ 仮説推論部
２３０ 記憶部
２３１ 関連情報ＤＢ
２４４ プロセッサ
２４６ 入出力部
２５０ 通信ネットワーク
２６０ ユーザ端末
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】