Weitere ähnliche Inhalte
Mehr von Michitaro Okano (16)
ゴール指向要求分析における不確かさの考察 ~ IoT・AIのケース ~
- 2. はじめに:要求分析
• 要求分析:要求を抽出し、要求仕様を作成
– 要求の抽出方法の1手法:ゴール指向要求分析
• ゴール:望ましい状態/意図を含んでいる
• 意図を含まない事実:ドメイン知識・システム固有情報
– ゴール指向要求分析の1手法:KAOS
• KAOSの手順
– 最終的な目標をトップゴールとして挙げる
– トップゴールをいくつかのゴールに分ける
– 最終的に、1人または1システム(エージェント)が、達成可能
なレベルまで詳細化する=末端のゴールが要求・期待になる
• 詳細化の手法は明確になっていない
– 今までの研究
トップゴール
は多くの人
が関わる
2
制約に
- 9. AIの場合の不確かさ
• AIのシステム構築
– モデルの決定
• 目的変数、説明変数の候
補、モデルの候補
– 学習するためのシステ
ムの構築
– 機械学習の実施
• 十分な精度の機械学習
モデル:学習済みモデル
– 学習済みモデルを用い
て、実運用=推論
• 不確かさ
– モデルの正しさ
• 目的変数の妥当性
• 説明変数は妥当性
• 機械学習手法は妥当性
– 学習済みモデルの妥当性
• 他学習結果を利用:転移学習
– 人やモノの認識:万人共通
– 売上予測:人により見解相違
• 環境変化:追加学習の必要
9
- 10. 不確かさに対する対応
• 対応-3種類
– (1)不確かさは問題にならないほどにして、不確かさ
はないものとみなす
• 不確かさの低減/リスク低減:従来も研究されている
– (2)(設計上の不確かさ)一部実装してみる
• リアルオプション/アジャイル/PoC
– (3)不確かさがあるものとして対処する=ゴールは
達成するときもあるが、達成しないこともある
• 確率的に扱う→期待値とエラーのどちらが問題か?
• 複数の手法を用いて、不確かさを低減→OR分解
– 多数の手法を用いて、結果を合議する(アンサンブル)
» 答えの正しさ:ビザンチン将軍問題?
– 人が介在する:どこに介在するのが効果的か?
10