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 ～
•Transferir como PPTX, PDF•
0 gostou•774 visualizações
ソフトウェアエンジニアリングシンポジウム2017(SES2017)のワークショップ２でのプレゼン資料です。
Recomendados
Mais conteúdo relacionado
Mais de Michitaro Okano
Mais de 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 ～
- 1. 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 ～ 筑波大学大学院 ビジネス科学研究科 岡野 道太郎 SES2017 WS2 1
- 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
- 3. はじめに：現在研究中の詳細化手法 • トップゴールをQ、現状をPとすると、ゴールは P→◇Qと表現できる：達成ゴール • P→◇Qの詳細化を２通りで考える – →（状態遷移の過程）を分解：マイルストーン分解 • P→M→Qと状態が遷移する場合、P→◇MとM→◇Qに 分解する：プロセスを分解する場合に適している – Q（結果の状態）を分解：要素分解 • Qが｛Q1,Q2,・・・Qn｝から構成される場合、P→◇Q１， P→◇Q2,・・・・, P→◇Qn， ｛Q1,Q2,・・・Qn｝→◇Qに分 割：データ構造などに着目する場合に適している 3
- 6. 要求分析での「不確かさ」への課題 • 要求分析で「不確かさ」を考慮しなければならな い場合の課題 – そもそも、ゴールが達成するかどうかわからない • ＡＩ：学習が終わり、適切な「学習済みモデル」ができれば ゴールは達成する→モデルが出来なければ？ • 過去のデータを元に、未来が確かに予測できるのか？ • 研究アイデア論文にて議論 – 不確かさが累積されると、ゴールがほど遠くなる • 画像認識（不確か）→認識したものを分類（不確か）→それ に基づき予測（不確か）・・・・ • 詳細化が進む＝（不確かな）ゴールが増える→不確かさが 累積され、ゴール達成が遠のく？ • ゴール達成のための詳細化を行うとゴールが遠のく？ 6
- 7. 今回扱う「不確かさ」について • 「不確かさの累積」について扱う • 「不確かさ」：ＩｏＴとＡＩの場合について考える – ＩｏＴの場合 • データ取得の不確かさ • 通信の不確かさ – ＡＩの場合 • モデルの正しさ – 目的変数・説明変数・手法 • 学習済みモデルの妥当性 – 環境の違い（転移学習／環境変化に伴う追加の学習） 7
- 8. ＩｏＴの場合の不確かさ • 不確かさが起きる可能性：異なる性質 – データ取得の不確かさ • 正確なデータが取れるとは限らない – 通信の不確かさ • 無線はつながらないこともある 8
- 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
- 11. 今後の課題 • 人が介在するとしたら、何処が効果的？ – AIレジの場合、画像識別か、商品の決定か – 人の知識も不確か • （不確かさがあるとき）詳細化すると、ゴールに 近づくのか – AIでなくても、詳細化しないほうが良い可能性もある →一括発注と分割発注 – 詳細化を行うより、複数の代替案を見つけたほうが ゴール達成に有利？→ＡＮＤ分解よりＯＲ分解 – もし、トップゴールから、要求までの詳細化ができるAI が出来たとしたら？ 11
- 12. 要求分析のAI化 • ゴール中の名詞、動詞を特徴ベクトルとして表現 – （１）上位ゴールを入力、下位ゴールを出力とし、各ゴー ル分割を機械学習し、推論させる – （２）上位ゴールを入力、分割方法を出力として機械学 習、その後、上位ゴールと分割方法を入力、下位ゴー ルを出力する機械学習を行う（２段階） – ※（２）は分割の理由がわかる。（１）は解らない • もし、この手法でゴールが機械学習できるのであ れば、トップゴールを提示すると、機械学習によっ て、要求分析が行える可能性がある？ – 機械学習可能な場合、人手で詳細化したほうがよいの か、機械学習による詳細化のほうが良いのか？ – 詳細化より、トップゴールの出し方のほうが重要？ 12
- 13. Ｑ＆Ａ 13
- 15. Ｑ２：何が「たしか」なのか？ • Ｑ：今回の提案で、「不確か」という言葉を連発し ているが、どういう状態になったら「確か」なの か？（不確かではないのか） • Ａ：ＩｏＴとＡＩで異なる – ＩｏＴ：想定している機能が、誤差なく想定通りに動く理 想状態が不確かではない状態 • ステークホルダーの意図は機能に盛り込まれているものと する – ＡＩ：ステークホルダーの意図が明確であるという理想 状態において、意図通りに動くこと • ＡＩが機能通りに動いているかというのは、わからない 15