ジャパンモード株式会社

人工知能を利用したTRIZとは
TRIZは、旧ソ連海軍の特許審査官であったゲンリッヒ・アルトシュラー（Genrikh Altshuller：1926～1998）が様々な特許を調べるうちに一連の法則を発見し、これらの法則を技術問題の解決に役立てようと、実践的な方法論としてその基礎を築いた理論です。彼とその同僚たちが当初約40万件、のちに20数年間費やして250万件ともいわれる膨大な特許をもとに、体系的で、構造化された思考方法の理論を構築したもので、言い換えると、問題解決のための原理や法則を導き出したものと言えます。

TRIZが主に対象とする工学分野は、自然界の物理的法則に基づくもので、「金属に熱を与えると膨張する」「遠心力の大きさは質量と垂線の長さ、角速度の二乗の積である」といった法則や知識を理解していれば問題解決の可能性はぐっと拡がります。このような法則や知識を整理・体系化したものが“知識データベース”で問題解決の効率を飛躍的に向上させます。 TRIZはこの知識データベースを積極的に整備・活用するしくみです。その人工知能を利用したTRIZではその教師データとしての知識データベースに何が適しているかですが、ここで威力を発揮するのが特許文献と言えます。

特許文献ほど上記の“知識データベース”を含めて構造化された技術文書はありません。ある技術について何が課題で、どう解決して、具体的にどう実現し、そのバリエーションは何で、どんな効果があるのか。いつ誰が発明し、既存技術との差分はなにか。全て整理されて文書化され、公開されているからです。引用関係をみれば技術間の関係性や相対的重要度もわかりますし、詳細な技術分類コードも付され、審査官のダメ出しと出願人の反駁という解説付き。使用言語が「人間の言葉」という不完全さはありますが、人工知能なら問題なく吸収できます。

特許制度もTRIZも人工知能を利用したTRIZのために生まれた

論文も知のアーカイブとして素晴らしいですが、構造化度合では特許文献には及びません。ノウハウ部分は特許として出願されないなど完全ではないものの、日本だけでも毎年数十万件が出願され、数百年の歴史がある特許制度は、AIにおける技術体系の教師データとして最も適しています。

特許という巨大なシステムが人類のためのものではなく、まさにいま人工知能を利用したTRIZに読ませるために生まれてきたと思ってしまうほどです。数百年分の蓄積と構造化された技術体系を教師データとして読み込んだとき、人工知能を利用したTRIZは世界を変えるでしょう。

ニューラルネットは人工知能の初期から存在し、非常に歴史のある手法です。

脳のニューロン・シナプスを模倣して考えられたモデルは、複数の入力を受け取って、出力を行う単純な関数（多くは非線型のシグモイド関数など）が複雑につながりあった形をとっています。脳が単純なニューロンの組み合わせによって高度な認識・知識活動を実現しているのと同様に、ニューラルネットも複雑な現象を学習できるのではないのかと期待されていました。

しかし、一度盛り上がった機運は70年頃には一度下火となり、人工知能や機械学習の中心はもっと現実的な手法（線形識別器、カーネル法など）に置き換わっていました。そうした中でもトロント大のHinton らなどを中心にニューラルネットの研究は地道に進んでいました。

その中で、2000年代後半にいくつかのブレークスルーがおき、状況は大きく代わります。

ニューラルネットワークアーキテクトが、最も大規模に適用されたのが、Googleの例でYoutubeから取得された1000万枚の200 x 200 の画像を対象に学習を行いました。

パラメータの数は10億であり（画像解析でよく使われる異なる位置のフィルターの重みを共有するConvolutional Neural Netではなく、各位置で違うパラメータを使う）、これを1000～2000台のマシン（16000コア）で1週間かけて学習しています。

この結果最後のレイヤーの出力のそれぞれが、例えば猫や人を認識できるようになっています。

上記のニューラルネットワークの発想は、データをあらかじめ沢山用意して（このようなデータを訓練例といいます）その上で、訓練例から学習することのできるシステムを開発する、というものです。

言い換えれば、ニューラルネットワークは、訓練例をもとに、数字認識のルールを自動的に推論していきます。さらに、訓練例を増やすほど、ニューラルネットワークは手書き文字に関する知識をより多く獲得し、精度が向上します。

ニューラルネットワークの中央の層は入力でも出力でもないことから、隠れ層(hidden layer)と呼ばれます。この"隠れ"という用語は「入出力以外」ということを意味しています。

隠れ層の設計の過程を、いくつかの単純で大雑把な方法で行うのは不可能です。

ニューロン数を増やせば複雑な現象にも追随できますが、その分、過学習という、やっかいも背負いこみます。つまり、中間層のニューロン数とニューロン論理の最適化が考慮されずにニューラルネットワークを組んでも過学習が起きてしまい結果うまくいきません。

ニューラルネットワークは非常に強力なFitting能力を持つ為、入力値に誤りがあっても推算式を構築します。

従って、ニューラルネットワークの中間ニューロン層には、これまで人が時間をかけて体系化してきた体系化理論の構築が必要となります。

昔から人が構築した問題解決やアイデアの発想の方法論は様々ありますが、TRIZという方法論には他の方法論にない特徴が一つあります。それは多くの発想法が個人的な経験と着眼に基づいて提案されているのに対して、TRIZでは検証された多くの思考支援ツールが存在しており、体系理論化できている点です。

ニューラルネットワーク学習での問題解決やアイデア発想する人工知能の作り込みは、単純なアルゴリズム設計とは違い、TRIZのような体系理論化構築が必要となり、いわばTRIZの手法そのものがニューラルネットワークアーキテクトの総合的な設計図となります。

TRIZという方法論そのものがニューラルネットワークアーキテクトの設計図そのものとなります。

弊社の考えは、この体系理論化されたTRIZを人工知能として実装化、実現化することにあります。

他の多くのゼロからのニューラルネットワークアーキテクトの設計では、例えば囲碁だとか将棋のようなルールが限定されたものに対しては非常に有効ですが、様々な問題点を発見したり、多種多様なアイデアを発想したりというニューラルネットワークアーキテクトの設計では、TRIZ以外の体系化論理は存在しないといっても過言ではありません。

このTRIZを適用したニューラルネットワークアーキテクトの様々なジャンルの設計図化では、入力層及び出力層の様々なジャンルにおいて、12件の取得出願特許で抑えております。(完全に抑えるにはあと何点かの追加出願が必要となります)

ニューラルネットワークアーキテクトの要である「隠れ層」には、TRIZのワード理論そのものがあてはまります。

人類が時間と人員をかけ長期にわたって体系理論化してきた問題解決の論理はTRIZが群を抜いているのです。

日本を代表するトヨタ、ソニーのような大企業では既に問題解決及びアイデア発想の為に、R&D事業部及び製品開発事業部で研究者・開発者・エンジニアがそれぞれTRIZ の手法を用いて問題解決やアイデアを発想しています。

この人間が行うニューロンのネットワークアーキテクトを、正に体系化・理論化・数値化できる体系化理論がTRIZ となるのです。

下記はそれを図案化したものです。

教師データは特許公報だけでなくインターネットからもあらゆる情報を取り込みます。

1.課題の本質を分析する

2.本質化された問題の解決アイデアを提案する

3.発想した多くのアイデアをディープニューラルネットワーク学習でコンセプトにまとめ上げる

Deep Learningが今のデータ解析、機械学習を全て置き換えてしまうことは無いとは思いますが、いくつかの分野、特に言語といった分野では既存の技術を大きく超えていくと思われます。

しかし、Deep Learningは発展途上で何が本当に上手くいっているのか良くわかっていない状況です。このDeep Learningは、厳密に言えばディープニューラルネットワークというニューラルネットワークを重ねた構築やニューラルネットワークを反芻させる構築と言えます。
つまりニューラルネットワークアーキテクト設計図が理論構築できなければ Deep Learningは完成し得ないのです。