ホワイトボックスAIとブラックボックスAI
AIが様々なシステムで活用される昨今、なぜその判断・推定結果を導き出したのか説明できないケースがあります。
AIと言えば有名なディープラーニングがありますが大量のデータからコンピュータ自らが知識を獲得することを最大の特徴とし画像認識や分類を行う業務で成果をあげています。
しかし、その結果に至った根拠を説明できないことがAI（ディープラーニング）のブラックボックス問題の一つとして懸念されています。そこで、現在注目が集まっているのが、判断・推定結果に至るプロセスが説明可能になっている 『ホワイトボックスAI 』です。
一般的に、AI活用では自然言語の文章を構造化し大規模に集積したコーパスを使用します。
ブラックボックスAIの課題がこちらです。
課題１：コーパスでは単語の類似性と関連性を区別できない
（ブレーキとアクセル：関連はあるが、真逆機能）
課題２：コーパスでは単語の曖昧さを十分には考慮できない
課題３：コーパスに依存が基本
課題４：ニューラルネットワークの限界
課題５：ディープラーニングではコストが無限にかかる
課題６：説明責任が果たせない、安心感がない、改善向上が困難（ブラックボックス AI の３大課題）
ファクタ検出エンジン（FDE）
自然言語処理のホワイトボックス AI
・ディープラーニングでは、確率計算をベースにするためビッグデータを必要とします。
・ファクタ検出エンジンは、日本語の構文的ルールに基づきプログラムされていますので、ビッグデータを必要としません。
ファクタ検出エンジン（FDE）の３つの応用
（対話）コールセンターなどのFAQシステム
（検索）大量の文書から意図情報を抽出
（分析）アンケート、twitterなどから情報を抽出して分析
＊対話・分析・検索は次のように同時に使われることもあります
・対話内容を分析して、シナリオに反映する
・検索した結果を分析する
（対話）コールセンターなどのFAQ
「回答が用意されていて、質問を分析するタイプ」。質問文の分析をファクタ検出エンジンが行います。
（対話）質問文と回答文の簡易マッピング
目的は「質問文から回答文が検索できる」
（検索）大量の文書から情報を抽出
大量の営業レポートから重要な情報を抽出することができます。
（分析）一つ一つの文書を自動で評価
大量の文書を自動的に評価することが可能になり、改善点や需要の変化などを把握することができるようになります。
（検索・分析）知識データの応用が見えてくる
膨大なデータを収集・整理し、分析することで、データから新たな知見や洞察を得ることができるようになり、それに基づいた問題解決や価値創造が可能になります。
