はじめに
数年前、社内の需要予測をscikit-learnで組んでいた。勾配ブースティングに落ち着いて精度も出たので、自分としては満足していた。ところがレビューで「なぜこのモデルなのか」と聞かれて、まったく答えられなかった。チートシートの分岐をたどった結果です、としか言えなかった。
そのときにはっきり自覚したのが、自分はAPIの使い方を覚えただけで、手法の背後にある考え方を何も持っていないということだった。ハイパーパラメータは探索できる。けれど「このデータにこの仮定を置いていいのか」を判断する軸がない。論文を1本読んでも、その軸は育たなかった。
もう一つ困ったのが、モデルを作った後の話である。推論結果を現場の担当者がどう使うのか、外れたときに誰が気づくのか。このあたりを設計しないまま引き渡したモデルは、半年で誰も見なくなった。精度の問題ではなかった。
そこで自分は、実装の手を少し止めて、少し引いた視点の本を読むことにした。コードが書いてある本は手元にいくらでもある。足りていなかったのは、アルゴリズムの系譜と、システムが人と組み合わさって動くときの設計感覚のほうだった。
今回紹介するのは、そのときに読んで実務の判断が変わった3冊である。アルゴリズムの地図、人とモデルの協働設計、産業全体の力学という順で並べた。どれも日本語版があって、週末2日で読み切れる分量だ。
① マスターアルゴリズム 世界を再構築する「究極の機械学習」 — ペドロ・ドミンゴス
著者のドミンゴスはワシントン大学の教授で、マルコフ論理ネットワークの提唱者として知られる研究者だ。機械学習の主要な流派を横断して見てきた人物である。
この本の中心にあるのは、機械学習を5つの部族に分類する枠組みだ。記号主義、コネクショニズム、進化主義、ベイズ主義、アナロジー主義。それぞれが決定木、バックプロパゲーション、遺伝的アルゴリズム、ベイズ推定、サポートベクターマシンやk近傍法に対応する。
重要なのは手法の列挙ではなく、各部族が何を「学習とは何か」の前提に置いているかを説明している点にある。記号主義は知識の組み合わせ、コネクショニズムは誤差の逆伝播による重み調整、ベイズ主義は確率の更新。同じ分類タスクでも出発点がまるで違う。
後半は、この5つを統合する究極のアルゴリズムは可能かという問いに進む。構想の部分は思考実験に近いが、そこに至る整理が効く。自分の場合、モデル選択がデータに置く仮定の選択に見えるようになり、レビューでの説明が格段に楽になった。
注意点として、刊行は2015年でTransformer以前の本である。コード例はなく、深層学習の最新動向も載っていない。アルゴリズムの地図として読むのが正しい使い方だ。
こんな人に: ライブラリは使えるが手法選択の根拠を言語化できない人
② HUMAN+MACHINE 人間+マシン: AI時代の8つの融合スキル — ポール・R・ドーアティ、H・ジェームズ・ウィルソン
著者の2人はアクセンチュアで技術責任者と研究責任者を務め、多数の導入現場を見てきた立場にある。その蓄積が事例の厚みに出ている。
扱っているのは、人とモデルがどう役割分担するかという設計の話だ。学習データを整える人、モデルの出力を業務の言葉に翻訳する人、暴走を監視する人。こうした役割を具体的な職能として並べ、必要なスキルを整理している。
自分が一番使ったのは、業務プロセスを人間側とシステム側に切り分けて再設計するという考え方だった。既存フローの一部をモデルに置き換えると、たいてい前後の工程が歪む。切り分けの単位を先に決めておけば、推論APIの粒度やログの設計もそこから逆算できる。
人間が介入する設計、いわゆるヒューマン・イン・ザ・ループも具体的に論じられている。確信度が低い入力を誰にどう回すか、その判断結果を再学習にどう戻すか。この部分は、そのまま運用フローの設計メモに書き写せた。
実装の細部は書かれていないので、技術的な深さを期待すると物足りない。あくまで、作ったモデルを現場に定着させるための設計書として読む本である。
こんな人に: モデルは動くのに業務で使われない状態を何度か経験した人
③ AI世界秩序 米中が支配する「雇用なき未来」 — 李 開復
著者はカーネギーメロン大学でAIの博士号を取り、マイクロソフトとグーグルの中国研究拠点を率いた後、ベンチャーキャピタルを運営している。研究と事業の両側を見てきた経歴が土台になっている。
主題は、AIの勝負所が発見の段階から実装の段階へ移ったという見立てだ。新しい手法を生み出す力よりも、データを集めて回し続ける体制とスピードが成果を決める。中国のスタートアップ現場の描写は、その具体例として読める。
技術の発展をインターネット、ビジネス、知覚、自律という4つの波に分けて整理しているのも見通しがいい。自分が関わっているプロダクトがどの波に属し、次の波で何が前提として要求されるのか。この問いを持つだけで、技術選定の時間軸が変わる。
雇用への影響を扱った章は読み方が難しい。著者自身の病気の経験を踏まえた提言が入っていて、技術書とは違う温度になる。ここは予測として受け取るより、自分の職能を考える材料にしたほうがいい。
刊行は2018年で生成AI以前のため、固有名詞や数字は古い。それでもデータパイプラインと実装速度が競争力になるという指摘は、今のLLMアプリ開発でもそのまま通る。
こんな人に: 技術の筋がよくても事業として伸びない理由を考えたい人
まとめ
| ステップ | 読む本 | 得られるもの |
|---|---|---|
| 全体像 | マスターアルゴリズム | 5つの流派と、各手法が置く前提の違い |
| 深掘り | HUMAN+MACHINE | 人とモデルの役割分担、介入フローの設計 |
| 実践 | AI世界秩序 | データと実装速度を軸にした技術選定の時間軸 |
今の課題別に1冊だけ選ぶなら、こう考えるといい。
- モデル選択の根拠を聞かれて詰まる → マスターアルゴリズム
- PoCは通るのに本番運用で使われなくなる → HUMAN+MACHINE
- どこに投資すべきか判断材料がほしい → AI世界秩序
- 時間が1日しかない → マスターアルゴリズムの前半5章だけでも元が取れる
3冊とも実装の手順書ではない。だからこそ、コードを書く速度が上がった後に効いてくる。手が止まった時期に読むと、ちょうど刺さる。