この章では、ドメインの専門家が上から全体を見てオントロジーを作る方法と、その方法に関係する初期の記号AIの歴史を扱います。講演者は、過去のエキスパートシステムが規模を大きくできなかった経験を紹介します。その後、ニューラルネットワークへ向かった流れを、現在のエージェントとオントロジーを組み合わせる提案につなげます。
This chapter covers how domain experts can build an ontology by looking at a domain from the top down, as well as the history of early symbolic AI connected with this approach. The speaker describes how earlier expert systems failed to scale. He then connects the shift toward neural networks to the current proposal to combine agents with ontologies.
トップダウンとは何か
What Does Top-Down Mean?
講演者が示すトップダウン（top-down）の手順は、次の順番です。まず、ドメイン専門家（domain expert）が集まり、対象の領域で何が起きているかを分析します。次に、重要なエンティティ（entity）を見つけて名前を付けます。その後、それぞれのエンティティが持つプロパティ（property）と、エンティティどうしの関係（relationship）を定義します。
The top-down procedure presented by the speaker follows this order. First, domain experts come together and analyze what is happening in the target domain. Next, they find and name important entities. After that, they define the properties of each entity and the relationships between entities.
これは、単にデータベースの表をいくつか作る作業ではありません。専門家が、その組織の領域をどのような概念で捉えるかを、共有できる形にするモデリングの手順です。つまり、最初に語彙と関係の枠組みを考え、その枠組みに沿って後のデータや推論を理解できるようにします。
This is not simply the task of creating several database tables. It is a modeling process in which experts make their view of an organization's domain shareable in a structured form. In other words, they first design a framework of vocabulary and relationships, so later data and inferences can be understood within that framework.
購買の領域を例にする
Using a Purchasing Domain as an Example
講演者は、購買注文（purchase order）、顧客、顧客担当者を、モデルに含められるエンティティの例として挙げます。専門家は、たとえば「この購買注文はどの顧客に関係するか」「その顧客担当者は誰か」「各対象にはどのような情報があるか」を整理します。ここで重要なのは、これらが講演で使われた例だということです。すべての組織が同じスキーマを使う、という意味ではありません。
The speaker names a purchase order, a customer, and a customer representative as examples of entities that could be included in a model. Experts organize questions such as, “Which customer is this purchase order related to?”, “Who is that customer's representative?”, and “What information does each item have?” The important point is that these are examples used in the talk. It does not mean that every organization uses the same schema.
この整理によって、エージェントが扱う領域の構造が明示されます。たとえば「顧客担当者」という役割を、単なる名前の文字列ではなく、顧客と関係する種類のエンティティとして定義できます。すると、後でエージェントが提案した情報や操作が、その領域の考え方に合っているかを確認しやすくなります。これは、この章のモデリング方法から、講演全体の検証の議論へつながる点です。
This organization makes the structure of the domain handled by an agent explicit. For example, “customer representative” can be defined not as a mere name string but as a type of entity related to a customer. Then it becomes easier to check later whether information or an operation proposed by an agent fits the domain's way of thinking. This is the connection from the modeling method in this chapter to the discussion of validation in the talk as a whole.
記号AIとのつながり
Connection to Symbolic AI
講演者は、このトップダウンの考え方を、1980年代のエキスパートシステム（expert system）や記号AI（symbolic AI）の仕事と結び付けます。エキスパートシステムは、専門家の知識を明示的な規則や構造として表し、その規則を使って問題を解こうとするシステムです。ここで、トップダウン・モデリングは知識を整理する方法であり、エキスパートシステムはその時代のAIのアプローチです。両者は関係しますが、同じものではありません。
The speaker connects this top-down way of thinking with the work on expert systems and symbolic AI in the 1980s. An expert system represents expert knowledge as explicit rules or structures and tries to solve problems by using those rules. Here, top-down modeling is a way to organize knowledge, while an expert system is an AI approach from that period. They are related, but they are not the same thing.
当時は、エキスパートシステムに大きな期待が集まり、投資も行われました。しかし、講演者の説明では、そのシステムは規模を大きくできませんでした。どの部分が、どの技術的な理由で失敗したのかについて、この講演の該当箇所では詳しく説明されていません。したがって、ここで確実に言えるのは、「規模を拡大できなかった」という講演者の報告と、その後にAI冬の時代（AI winter）が続いたという歴史の流れです。
At the time, expert systems attracted great expectations and received investment. However, according to the speaker, those systems could not scale. The relevant part of this talk does not explain in detail which technical reasons caused the failure. Therefore, the supported claims here are the speaker's report that they could not scale and the historical sequence in which an AI winter followed.
この話は、形式的な知識モデルが役に立たないという意味ではありません。むしろ、知識を人間が上から整理して規則にするだけでは、十分な規模で動くAIを作ることが難しい場合がある、という注意です。講演者は、初期の記号的な方法を完全な歴史として説明しているのではなく、現在の設計を考えるための経験として紹介しています。
This story does not mean that formal knowledge models are useless. Rather, it is a warning that it can be difficult to build AI that works at sufficient scale if people only organize knowledge from the top down into rules. The speaker is not presenting early symbolic methods as a complete history. He presents them as an experience for thinking about current designs.
ニューラルネットワークへの移行
The Shift to Neural Networks
講演者は次に、ニューラルネットワーク（neural network）へ向かった流れを説明します。初期には、ニューラルネットワークも十分な規模にすることが難しかった、と述べます。その後、NvidiaとGPUが使えるようになったことが、ニューラルネットワークを大きく動かす現在のAIの流れにつながった、という高いレベルの歴史を示します。
The speaker next explains the shift toward neural networks. He says that, at first, it was also difficult to make neural networks large enough. He then gives a high-level historical account in which the availability of Nvidia and GPUs led to the current AI movement, where neural networks can run at a large scale.
ここでの説明は、正確な年代や、ある出来事が別の出来事を直接起こした理由を詳しく再構成するものではありません。日本の未来世界に関するプロジェクト、Nvidia、GPU、ニューラルネットワークへの移行について、講演の手がかりは圧縮されています。そのため、この章では、記号的な方法の規模の問題から、ニューラルネットワークを使う現在のAIへ移ったという、講演者の大まかな物語として扱います。
This explanation does not reconstruct exact dates or in detail establish why one event directly caused another. The talk's cues about a Japanese future-world project, Nvidia, GPUs, and the transition to neural networks are compressed. For that reason, this chapter treats them as the speaker's broad narrative: the scaling problem of symbolic methods was followed by a move toward today's AI using neural networks.
過去をそのまま繰り返さない
Do Not Repeat the Past Exactly
この歴史が、講演全体の提案を準備します。現在のエージェントは、ニューラルモデルの柔軟な生成能力を使います。一方で、オントロジーや規則は、領域の概念、プロパティ、関係を明示し、提案された結果を確認するために使えます。したがって、提案は初期の記号AIへ単純に戻ることではありません。ニューラルモデルと、記号的な構造を組み合わせることです。
This history prepares the proposal of the talk as a whole. Current agents use the flexible generation ability of neural models. At the same time, ontologies and rules can make domain concepts, properties, and relationships explicit and can be used to check proposed results. The proposal is therefore not a simple return to early symbolic AI. It is a combination of neural models and symbolic structure.
この章の要点
Key Points of This Chapter
- トップダウン・モデリングでは、ドメイン専門家が領域を分析します。
- 専門家は、エンティティ、プロパティ、関係を順に共有モデルへ整理します。
- 購買注文、顧客、顧客担当者は、その手順を説明するための講演中の例です。
- 初期のエキスパートシステムは期待と投資を集めましたが、講演者は規模を拡大できずAI冬の時代につながったと述べます。
- 現在の方向は、ニューラルモデルの柔軟さだけに任せることでも、過去の記号システムだけに戻ることでもありません。オントロジーによる構造を組み合わせ、後でエージェントの提案を確認できるようにすることです。
- In top-down modeling, domain experts analyze a domain.
- The experts organize entities, properties, and relationships into a shared model in that order.
- Purchase orders, customers, and customer representatives are examples from the talk used to explain the process.
- Early expert systems attracted expectations and investment, but the speaker says that they failed to scale and this led to an AI winter.
- The current direction is neither to rely only on the flexibility of neural models nor to return only to symbolic systems of the past. It is to combine ontology-based structure so that an agent's proposals can be checked later.