・ソニーCSLの新しいAI
・ビッグデータから真因（因果）を導出し、意思決定を支援
AIの第一人者である北野宏明氏が所長であるソニーCSLのIEEE人工知能国際学会にて最優秀論文賞を受賞した磯崎研究員が贈る新しいAI。
利益率向上、顧客満足度向上、設計や工場の品質改善、最適制御の導出、働き方改革の方針出しなど、あらゆる分野で活用し実績を出しています。
因果を理解するためには、「相関」との違いを理解することが重要です。
図は、アメリカ・メイン州の離婚率(赤)と1人あたりのマーガリン消費率(黒)のデータをそれぞれプロットしたものです。
信じ難いですが、0.99という強い相関性が確認できます。
しかし、これは誰しもが相関はあっても因果ではないと分かるのではないでしょうか。
相関の中にはこのように因果関係に起因しないようなものも含まれてしまいます。
このように、繰り返しになりますが、2つの事柄に相関性が認められても、実際には因果関係がないという事態が存在します。
因果と相関とは異なるということがご理解いただけるのではないでしょうか。
それでは、導出される因果関係とはどのようなものなのでしょうか。
グラフのように、相関係数は約0.8あります。
この相関を因果関係だと判断をしてしまうと、ノーベル賞の受賞者数を増やすには、チョコレートを食べればいいということになります。
では、ノーベル賞受賞のためには、国が率先してチョコレートを配布すればいいのでしょうか。
これらの関係は因果関係ではなく、擬似相関という関係であると言われています。実際にはこれらの原因となっているものは国の豊かさのようなものであり、例えば指標としてはGDPが考えられます。
GDP（国内総生産）が上がる → 所得が増える → 嗜好品（チョコレート）を食べる。
GDPが上がる → 所得が増える → 人間の知的欲求に投資する → ノーベル賞を受賞するという関係性と言えるかと思います。
（上記の関係性はあくまで例であり、シンプルに書いているため、間に介在する事象に抜けがある可能性があります。）
本ソリューションはデータから、チョコレートとノーベル賞は結果どうしの連動に過ぎず両者の原因はGDPであるといった因果と相関の違いを導出します。
では、現場ではどのような活用ができるのでしょうか。１つ例を挙げます。
利益率が低下している。利益が出ない要因がある程度分かっているが真因が解明しきれていない。などよく伺う話です。
利益を上げる要因は様々です。貴社のERP,Salesforceなどのデータをまとめて分析し、貴社独自の、利益を上げる要因(因果項目)を導出できます。
実施については、効果検証を素早く行うPOCから実施可能です。
また、ここまでお読みいただいた方でしたら、ご理解いただけるかと思いますが、本ソリューションは様々なテーマに活用が可能です。
