6/23 生成AIの平均的な正解を超えるテキスト分析

生成AIの平均的な正解を超えるテキスト分析

～ VOC分析と特許分析を事例とした意思決定に資する透明性あるインサイト ～

講師

(株)アナリティクスデザインラボ　代表取締役　博士(工学)　野守 耕爾 氏
【専門】データサイエンス（統計解析、確率モデル、テキストマイニングなど）

早稲田大学大学院 創造理工学研究科 経営システム工学専攻 博士後期課程修了。博士（工学）。人間工学を専門領域とし、人間の行動モデルの開発を研究。日本学術振興会 特別研究員DC2に採用。産業技術総合研究所 デジタルヒューマン工学研究センターに入所。子どもの行動と傷害予防をテーマとした研究に従事。人工知能やテキストマイニングを応用することで、子どもの行動の確率モデルや傷害予測モデルを開発し、データサイエンス技術を習得。その後、デロイトトーマツグループ デロイトアナリティクスに入所。これまで習得した技術の実務応用を展開し、データサイエンティストとしてビッグデータを活用したビジネスコンサルティングに従事。あわせて、ビジネスの課題解決に有用な分析技術の研究開発も推進。テキストマイニング、トピックモデル（PLSA）、ベイジアンネットワークを統合し、テキストデータに潜む因果構造をモデル化することで、意思決定に資するインサイトを導出する独自のテキスト分析手法「Nomolytics」を開発し、特許登録。2017年に株式会社アナリティクスデザインラボを設立。代表取締役。企業のデータ分析から意思決定を支援するコンサルティング事業を展開し、VOC分析や特許分析などテキストデータ分析のプロジェクトを多数実施。新たな分析技術の研究開発も継続し、Nomolyticsの拡張技術を特許登録。学会では、人工知能学会 全国大会優秀賞、日本マーケティング学会 マーケティングカンファレンス ベストペーパー賞、日本人間工学会 大島正光賞（最優秀論文賞）など受賞。

セミナー趣旨

　生成AIが業務で当たり前に使われる今、その限界や違和感に気づき始めている現場も増えてきています。生成AIは高精度に「平均的な正解」を出力する一方で、意思決定に必要な「透明性のあるインサイト」を必ずしも提供できるわけではありません。データ分析においても生成AIによる自動化が期待されていますが、実際は生成AIだけでは到達できない分析があります。例えば、毎日実施する分析や定型レポートなど、効率性重視の業務では、平均的な正解を高精度かつ高速に出力する生成AIは非常にマッチします。一方で、現場の意思決定や重要な投資に直結する分析では、スピードだけでなく分析の質やプロセスの透明性も求められ、現場が納得できることが重視されます。特に競合他社も当然生成AIを使っている前提では、生成AIの平均的な正解では得られないインサイトをいかに獲得できるかが競争優位の鍵になります。

　本講演では、文章で構成されるテキストデータの分析を対象として、生成AI単体では到達できない分析をどのように実現するかについて、理論編と実践編と応用編に分けて解説します。理論編では、テキストデータの分析の基礎となる自然言語処理技術について、特に生成AIの基盤となるLLM（大規模言語モデル）に至るまでの各種技術について体系的に解説します。また、生成AIの得意な分析と限界を指摘しながら、生成AIだけでは困難な分析を実現する技術も解説し、それをアレンジして私が開発した分析手法「Nomolytics」についてご紹介します。Nomolyticsは、テキストデータからトピックを抽出し、それらが持つ因果関係を構造化することで、意思決定に資する要因と効果を可視化する手法です。技術的には、テキストマイニング、PLSA、ベイジアンネットワークを統合的に応用したものです。

　実践編では、そのNomolyticsをVOC（Voice of Customer）と特許文書のデータに適用した分析事例をご紹介し、実務における具体的な活用方法を解説します。VOC分析では、主に顧客の声を生かして業務改善や商品企画を検討することを目的とした分析です。今回は、旅行の口コミを分析対象とした事例ですが、顧客の生の声から、顧客が求めるモノやサービスの在り方を探るための分析アプローチとしてご紹介します。特許分析では、技術のトピックや競合他社の動向を把握したり、用途と技術の関係を分析して技術の新規用途などを探索します。更に応用編では、特許分析の事例を対象に、よりディープなインサイトを獲得するために開発した拡張技術をご紹介し、その実務的な有効性を解説します。

　本講演では、テキストデータの分析に生成AIを導入したものの、期待していた成果が得られていない、分析に違和感を感じる、現場で納得のいく意思決定が進まない、そのような課題を感じられている方々に新たなヒントをご提供できればと思います。

セミナー講演内容

１．はじめに

＜理論編＞
２．AI領域における自然言語処理技術の体系
　2.1 自然言語処理技術の分類と整理
　2.2 前処理技術
　2.3 トピックモデル
　2.4 深層学習モデル
　2.5 大規模言語モデル

３．生成AIの適用可能性と限界
　3.1 AI技術の分類（理解系・識別系・生成系）
　3.2 テキスト分析における生成AIとテキストマイニングの比較
　3.3 生成AIの得意な分析と限界
　3.4 現場が理解し考える分析の意義

４．理解系AIを応用したテキスト分析
　4.1 テキストマイニングの課題
　4.2 単語をトピックに類型化するPLSA
　4.3 因果関係を構造化するベイジアンネットワーク
　4.4 三位一体で意思決定に資するインサイトを分析するNomolytics

＜実践編＞
５．Nomolyticsを適用したVOC分析の事例
　5.1 温泉旅行に関する口コミデータ
　5.2 分析プロセスの全体像
　5.3 トピックの抽出
　5.4 トピックのスコアリング
　5.5 地域と観光客の特徴分析と活用
　5.6 満足度の要因分析と活用
　5.7 NomolyticsによるVOC分析のまとめ

６．Nomolyticsを適用した特許分析の事例①
　6.1 風・空気に関する特許文書データ
　6.2 分析プロセスの全体像
　6.3 トピックの抽出
　6.4 トピックのスコアリング
　6.5 出願年×トピックによるトレンド分析
　6.6 出願人×トピックによる競合分析
　6.7 用途×技術の関係分析＜その１＞～用途⇒技術の関係～
　6.8 用途×技術の関係分析＜その２＞～技術⇒用途の関係～
　6.9 Nomolyticsによる特許文書分析のまとめ

７．Nomolyticsを適用した特許分析の事例②
　7.1 電気自動車に関する特許文書データ
　7.2 トピックの抽出
　7.3 出願年×トピックによるトレンド分析
　7.4 出願人×トピックによる競合分析

＜応用編＞
８．ディープなインサイト獲得を実現するNomolyticsの拡張技術
　8.1 インサイト獲得で求められるトピック抽出
　8.2 あるターゲットに特化したトピックを抽出するPCSA
　8.3 PCSAを適用した特許分析事例
　8.4 頻度によらない個性的なトピックを抽出するdifferential PLSA
　8.5 differential PLSAを適用した特許分析事例

９．Nomolytics×生成AIで効率化・高度化する分析

10．おわりに

　　□質疑応答□

※満席・日程終了などで参加が難しい場合は、下記「お問い合わせ」ボタンより再開催のリクエストを承っております