【Drools】NLUを用いて非構造化データをルールエンジンで扱えるようにする

ルールエンジン×AIは結構使い古されているネタな気もしますが、Droolsでの例がなかったので書いてみようかと。

ルールエンジンの扱うデータ
NLUを用いたデータの構造化
サンプルコード
終わりに
参考

ルールエンジンの扱うデータ

ルールエンジンは、「〇〇という条件をみたすデータがあれば、✕✕という処理をする」というルールを蓄積し、入力データに対してルールに基づいた一連の処理を行うことのできる技術です。
業務ルールに関する処理を一元管理できるなどのメリットがあります。

ただ、ルールエンジンも内部で動いているのはプログラムのため、In/Outのデータは構造化されている必要があります。
ルールエンジンの保持するルールは、以下のような形式となります。

	「人」データの項目「年齢」を指定の値と比較する	「飲み物」データを生成し、項目「名前」を指定の値にする
20歳以上ならビールが飲める	人.年齢 >= 20	飲み物.名前 = "Beer"
20歳未満ならジュースにする	人.年齢 < 20	飲み物.名前 = "Orange Juice"

これはルールエンジンが、

• 「人」データには項目「年齢」が存在すること
• 「人」データの項目「年齢」は、数値と比較できること
• 「飲み物」データには項目「名前」が存在すること
• 「飲み物」データの項目「名前」には文字列が設定できること

ということを前提に動いていることを指しています。
人間が思うままに書いたフリーフォーマットのデータを扱うことは、ルールエンジンの苦手とするところです。

NLUを用いたデータの構造化

ここでNLU(Natural Language Understanding)の出番です。
NLUは自然言語(普段我々が使用している言葉)の意味を分析するAI技術です。

人が書いたテキストデータをうけて、いくつかのカテゴリに分類分けしたり、文章を書いた人間の感情を分析したりできます。

今回の記事では、テキストデータをNLUを用いて構造化し、ルールエンジンに投入することを考えてみます。

サンプルコード

題材

あなたがSaaSを提供する会社の顧客サポート担当になったとします。
利用ユーザからポストされるレビューコメントを一つ一つ確認して、今後の開発やマーケティングに役立てることを考えています。
レビューの分析は以下のような流れで行います。

• レビューに込められた感情が、「ネガティブな感情」「ポジティブな感情」「ニュートラル(中立)」のいずれに当たるのか判断する
• レビューから導き出した感情と顧客情報をもとに、下記表のルールに基づいて優先順位を決定する
• 優先度の高いレビューから順に内容を精査し、必要に応じて関係部署(開発チーム等)への連携を行う

	レビューの感情	ユーザの契約期間	優先順位
長期顧客_ネガティブ	ネガティブ	2年以上	5
長期顧客_ニュートラル	ニュートラル	2年以上	2
長期顧客_ポジティブ	ポジティブ	2年以上	3
短期顧客_ネガティブ	ネガティブ	2年未満	3
短期顧客_ニュートラル	ニュートラル	2年未満	1
短期顧客_ポジティブ	ポジティブ	2年未満	2

サンプルなので適当なルールになっていますが、実業務ではユーザの課金状況やアプリの使用頻度などもルールの判断条件に使えるかと思います。

ここで、ユーザレビューの感情を分析するのはNLUの仕事です。
レビューはフリーフォーマットのデータなので、まずNLUによってルールエンジンが扱いやすいデータに変換します。
続く優先順位付けの手続きでは、NLUが判定した感情と顧客情報をもとに、ルールエンジンで優先順位を決定します。

アプリ構成

題材で感情分析を行う部分については、Azure AI サービスを使用します。
(かつてCognitive Servicesと呼ばれていたもののようです。2023/9/30現在公式ドキュメントでは「Azure AI サービス」となっています)

レビューの感情と顧客情報から優先順位を判断する部分は、DroolsのRule Unitという仕組みを用いて実現します。
構成としては以下の図のようになります。

Azure AI サービスを用いた感情分析

Azure AI サービスは、自然言語処理・画像検出・音声分析などのAI技術をAPIとして呼び出すことのできるAzureのサービスです。
今回は言語に関するAPIを呼び出し、レビューコメントの感情分析をさせてみます。

AiApiClient.java

public class AiApiClient {

    public AnalyzedReviewComment analyzeComment(String comment) {

        // get token from env
        String key = System.getenv("AZURE_CREDENTIAL_KEY");
        String endpoint = System.getenv("AZURE_ENDPOINT");

        // set up api client
        AzureKeyCredential credential = new AzureKeyCredential(key);
        TextAnalyticsClient textAnalyticsClient = new TextAnalyticsClientBuilder()
            .credential(credential)
            .endpoint(endpoint)
            .buildClient();

        // analyze comment
        DocumentSentiment documentSentiment = textAnalyticsClient.analyzeSentiment(comment);
        System.out.println("======Analyze comment======");
        System.out.println("negative:" + documentSentiment.getConfidenceScores().getNegative());
        System.out.println("neutral:" + documentSentiment.getConfidenceScores().getNeutral());
        System.out.println("positive:" + documentSentiment.getConfidenceScores().getPositive());
        System.out.println("===========================");
         
        return new AnalyzedReviewComment(
                comment
                , documentSentiment.getConfidenceScores().getNegative()
                , documentSentiment.getConfidenceScores().getNeutral()
                , documentSentiment.getConfidenceScores().getPositive()
            );
    }
    
}

上記コードでは、Azure SDKを用いてAzure AIサービスのAPIを呼び出しています。

AzureのAPIからは、送信したテキストに含まれる「ネガティブ」「中立」「ポジティブ」の感情がどの程度かを数値で受け取ることができます。
この数値をもとに、ルールエンジンのInputとなるオブジェクトを生成しています。

SDKを用いてAzure AIサービスを利用するには、

• Azure アカウントの作成(無料アカウントで大丈夫です)
• Azure AIサービスの作成
• Azure AIサービスのクレデンシャルキーを取得し、アプリでロードできるようにする(今回は環境変数に設定しています)

が必要です。
詳細はAzureの公式ドキュメントをご参照ください。
当たり前ですが、クレデンシャルキーなどの機密情報は、コードにべた書きしないようにご注意ください！！

ルールエンジンで優先順位を判定

ここからは、RuleUnitを実装していきます。
RuleUnitについてはDroolsの公式ドキュメント、もしくは過去記事もご参照ください。

以下がRuleUnitのクラス(一部)です。
判定に必要な顧客情報(customer)、感情分析されたレビューコメント(analyzedReviewComment)、ルールの判定結果である優先順位(priority)を保持しています。

PriorityRuleUnit.java

public class PriorityRuleUnit implements RuleUnitData {
    
    private DataStream<Customer> customer;

    private DataStream<AnalyzedReviewComment> analyzedReviewComment;

    private SingletonStore<Priority> priority;
...

ルールの実態はDRLファイルに記載します。
一部抜粋したものを紹介しておきます。

Priority.drl

package org.example.azure.negaposirule.ruleunit;
unit PriorityRuleUnit;


rule "長期顧客_ネガティブ"
    when
        /customer[ contractPeriod >= 2 ];
        /analyzedReviewComment[ sentiment().equals("negative") ];
    then
        priority.set(new Priority(5));
end


rule "長期顧客_ニュートラル"
    when
        /customer[ contractPeriod >= 2 ];
        /analyzedReviewComment[ sentiment().equals("neutral") ];
    then
        priority.set(new Priority(2));
end

rule "長期顧客_ポジティブ"
    when
        /customer[ contractPeriod >= 2 ];
        /analyzedReviewComment[ sentiment().equals("positive") ];
    then
        priority.set(new Priority(3));
end

...

/analyzedReviewComment[ sentiment().equals("negative") ];の部分では、AnalyzedReviewCommentインスタンスのsentiment()メソッドを呼び出し、結果を判定に利用しています。

AnalyzedReviewComment.java

public record AnalyzedReviewComment(
    String comment
    , double negative
    , double neutral
    , double positive) {

    public String sentiment() {
        // Azure AIサービスで算出した感情分析の数値で最も点数が高いものを算出し、
        // negative, neutral, positiveのいずれかの結果を返す
        var sentimentMap = new HashMap<String, Double>();
        sentimentMap.put("negative", this.negative);
        sentimentMap.put("neutral", this.neutral);
        sentimentMap.put("positive", this.positive);

        String maxKey = sentimentMap.entrySet().stream()
            .max((entry1, entry2) -> entry1.getValue().compareTo(entry2.getValue()))
            .get()
            .getKey();

        return maxKey;
    }
}

ルール呼び出し部分のコードは以下です。
PriorityRuleUnitインスタンスを生成し、判定に必要なデータを投入しています。
RuleUnitInstanceのfire()メソッドで、ルールを実行させています。
最後にRuleUnitのクエリという機能を使って、判定結果のデータを取得しています。

DecisionService.java

public class DecisionService {

    public Priority decidePriority(Customer customer, AnalyzedReviewComment comment) {
        PriorityRuleUnit priorityRuleUnit = new PriorityRuleUnit();
        RuleUnitInstance<PriorityRuleUnit> instance = RuleUnitProvider.get().createRuleUnitInstance(priorityRuleUnit);

        priorityRuleUnit.getCustomer().append(customer);
        priorityRuleUnit.getAnalyzedReviewComment().append(comment);

        // execute rule 
        instance.fire();

        // get result by query
        Priority priority = null;
        var queryResult = instance.executeQuery("FindPriority").toList();
        if (queryResult.size() == 1) {
            priority = (Priority) queryResult.get(0).get("$p");
        }
        instance.close();

        return priority;
    }
    
}

メインロジック

Mainクラスは以下です。
契約期間が2年(長期顧客)の太郎さんが「UIが少しわかりづらいです。」という批判的なレビューをコメントをしたとします。

Main.java

public class Main {

    public static void main(String[] args) {
        var customer = new Customer("Taro", 2);

       // call API to analyze comment
        String reviewComment = "UIが少しわかりづらいです。" ;
        AiApiClient ac = new AiApiClient();
        AnalyzedReviewComment analyzedReviewComment = ac.analyzeComment(reviewComment);
    
        // decide the priority 
        DecisionService ds = new DecisionService();
        var priority = ds.decidePriority(customer, analyzedReviewComment);

        System.out.println(priority);
    }
}

実行結果は以下のようになります。

======Analyze comment======
negative:0.95
neutral:0.05
positive:0.0
===========================
Priority[value=5]

negative:0.95とあるように、当該レビューの感情はネガティブなものと判定されています。
優先度は、長期顧客のネガティブなコメントなので、5と判定されています。

終わりに

今回はNLUとルールエンジンとを組み合わせた題材を紹介しました。
自然言語処理以外にも、他のAI技術とも組み合わせることでルールエンジンがさらに便利になっていきそうと感じました。

本当は今話題のOpenAI API(GPT)での題材にしようと思っていたのですが、無料クレジットの有効期限がきれてしまい。。
ボツになったプロジェクト

参考

Azure AI Language公式ドキュメント

Drools公式ドキュメント

紹介したコードの全量はこちら