データ変化に強いAIへ 新理論と分析ツール登場

AI（人工知能）は、私たちが普段使っているスマートフォンや、自動運転車など、様々な場面で活躍しています。しかし、AIが学習したデータと、実際に使われるときのデータが大きく違うと、AIの性能が落ちてしまうという課題がありました。

例えば、AIが「猫」の画像をたくさん学習したとします。でも、いざ実生活でAIに「猫」を見せようとしたら、それは「犬」だった、というような状況です。あるいは、猫の画像ばかり学習したのに、テストでは「猫」ではなく「犬」の区別を求められる、といったことも考えられます。このように、AIが学習したときと、実際に使われるときのデータの「状況」が変わってしまうことを「分布シフト」と呼びます。これはAI開発における大きな壁の一つです。

これまで、この分布シフトの問題を解決しようとする研究はたくさん行われてきました。しかし、多くの場合、学習データとテストデータの「状況」が似ていることを前提としていました。そのため、データの状況が大きく変わってしまうと、AIの性能がどれくらい落ちるのかを正確に分析するのが難しかったのです。特に、予測したい「対象」そのものが変わってしまう「概念シフト」が起きると、さらに分析が複雑になります。

今回、ある研究チームが、この問題を解決するための新しい理論を発表しました。彼らは、数学の「輸送理論」という考え方を使いました。これは、ある場所から別の場所へ「モノ」を運ぶときの効率を考えるような理論です。この理論を応用して、AIの学習データとテストデータの「特徴」（例えば、画像の色や形など）が変わる「共変量シフト」と、「予測したい対象」が変わる「概念シフト」を、まとめて一つの枠組みで捉えられるようにしました。これにより、データの状況が大きく変わっても、AIの性能がどれくらい落ちるのかを、より正確に予測できるようになりました。

さらに、この新しい理論をもとに、分析ツール「DataShifts」も開発されました。このツールを使うことで、AI開発者は、分布シフトが起きてもAIがうまく機能するように、より効果的な開発を進めることができるようになります。AIが様々な状況で、もっと賢く、正確に判断できるようになるための、大きな一歩と言えるでしょう。