「専門家の頭の中の知識を、どうやってコンピュータに移すか」。この一見地味な作業こそが、かつてAI開発の最大の壁になりました。本記事では、第2次AIブームの主役だったエキスパートシステムを例に、知識獲得のボトルネックをやさしく解説します。
📖 ひと言でいうと
知識獲得のボトルネックとは、AIに知識を教え込もうとしても、人間の専門家が持つ知識をルールとして取り出す作業が難しく、そこがシステム開発全体の詰まり(ボトルネック)になってしまう問題です。
身近な例でいえば、ベテラン寿司職人に「シャリの握り加減を言葉にしてください」と頼む場面を想像してください。職人は完璧に握れるのに、「手の感覚としか言いようがない」と答えるでしょう。できることと、それを言葉やルールで説明できることは別物なのです。AIに知識を与える現場でも、まったく同じ壁が立ちはだかりました。
🖼 1枚でわかる知識獲得のボトルネック
📘 対策テキストの説明
知識のデータベースを構築するためには、専門家・ドキュメント・事例などから知識を獲得する必要がある。ドキュメントや事例から知識を獲得するためには自然言語処理や機械学習という技術を利用することで取得可能であるが、最大の知識源である人間の専門家の知識は暗黙的であるため獲得は難しい場合が多い。そこで専門家が持つ知識を上手にヒアリングするインタビューシステムなどの研究が行われた。知識を共有する方法や再利用する方法も問題になり、そうした問題を解決するために意味ネットワークやオントロジーなどの研究が活性化した。
この説明のポイントは、知識の入手ルートが3つ挙げられていることです。ドキュメント(文書)と事例からの獲得は、自然言語処理や機械学習である程度自動化できます。ところが、いちばん価値のある知識源である「人間の専門家」だけは自動化が効きません。専門家の知識は暗黙的、つまり本人も明確に意識しないまま使っている知識だからです。
そこで「上手に聞き出す」ためのインタビューシステムが研究され、さらに集めた知識を共有・再利用する仕組みとして意味ネットワークやオントロジーの研究が活発になった、という流れを押さえておきましょう。
🔍 しっかり理解する
なぜ「ボトルネック」と呼ばれるのか
ボトルネックとは、瓶の細い首の部分のように、全体の流れを制限してしまう箇所のことです。1970〜80年代に注目されたエキスパートシステムは、「専門家の知識をif-then形式のルールとして蓄え、推論エンジンで答えを導く」という構成でした。推論エンジン(考える仕組み)は比較的うまく作れたのに、肝心の知識を集めてルール化する工程だけが人手頼みで、時間もコストも膨大にかかりました。ここが全体の進捗を決めてしまうため、「知識獲得のボトルネック」と呼ばれたのです。
暗黙知という壁
専門家の知識の多くは暗黙知です。医師が患者の顔色から「何かおかしい」と感じ取る判断、熟練工が音の変化で機械の異常に気づく感覚などは、本人ですら「なぜそう判断したのか」をルールの形で説明できません。
さらに、がんばって聞き出してルール化しても、次の問題が待っています。
- ルール同士が矛盾していないかの検証が難しい
- 例外(「ただし〜の場合は別」)が際限なく増える
- ルールが数千件規模になると、追加・修正のたびに影響範囲の確認が大変になる
こうした知識の保守・共有・再利用の問題意識から、概念同士の関係を整理する意味ネットワークや、概念体系を明示的に記述するオントロジーの研究が活性化しました。
知識獲得の流れとつまずきポイント
図の2番目、「知識の獲得」の工程がボトルネックです。ここが詰まると、どれだけ優れた推論エンジンがあっても知識ベースが育たず、システム全体が実用になりません。
AIブームの歴史との関係
知識獲得のボトルネックは、第2次AIブーム(知識の時代)が失速した大きな要因のひとつとして語られます。「知識さえ与えれば賢くなる」という期待でエキスパートシステムが盛んに作られたものの、知識を与える作業そのものが人手では追いつかないと分かってきたのです。逆にいえば、現在の機械学習・ディープラーニングは「人間がルールを書くのではなく、データから機械が自分で規則性を学ぶ」というアプローチで、この壁を部分的に回避したと位置づけられます。
💡 具体例で考える
医療エキスパートシステムの知識ルール化
感染症の診断を支援するエキスパートシステムを作る場面を考えます。医師にヒアリングすると「発熱と特定の検査値がそろえば菌Xを疑う」といったルールは取り出せます。しかし実際の診断では、患者の年齢、既往歴、地域の流行状況、さらには「何となく重症感がある」という経験的な直感まで総合しています。知識エンジニア(専門家から知識を聞き出してシステム化する技術者)が何十回インタビューを重ねても、この総合判断を漏れなくルール化するのは困難でした。1本のルールを追加すると別の症例で誤診が出る、という修正の繰り返しになり、開発が停滞します。これが知識獲得のボトルネックの典型的な現れ方です。
Cycプロジェクト — 常識を全部書き出す挑戦
もうひとつ有名な例が、1984年に始まったCyc(サイク)プロジェクトです。「水はこぼれる」「人は死ぬと生き返らない」といった人間の常識を片っ端から人手で記述し、巨大な知識ベースを作ろうという壮大な試みでした。しかし常識の量はあまりに膨大で、プロジェクトは数十年たった今も完成していません。人手による知識獲得がいかに終わりの見えない作業か、を示す象徴的な事例です。
⚠️ よくある誤解・紛らわしい用語
- 「知識をたくさん集めること自体が目的」ではない — 問題の核心は、集める工程が難しくて全体が止まること。特に暗黙知の言語化が壁になります。
- フレーム問題との混同 — フレーム問題は「関係ある情報だけを選び出せない」という情報選択の問題。知識獲得のボトルネックは「そもそも知識をシステムに入れられない」という入力側の問題です。
- シンボルグラウンディング問題との混同 — こちらは「記号(言葉)と実世界の意味が結びつかない」問題。知識を書き込めても、その記号が現実と接地しているかは別の議論です。
- 意味ネットワーク・オントロジーの位置づけ — これらはボトルネックの原因ではなく、知識の共有・再利用の問題を解決するために活性化した研究です。因果の向きを逆に覚えないようにしましょう。
📝 試験でのポイント
- 「最大の知識源は人間の専門家だが、その知識は暗黙的で獲得が難しい」という対策テキストの因果関係がそのまま正誤問題になりやすいポイントです。
- ドキュメント・事例からの獲得には自然言語処理や機械学習が使える、という対比(自動化できる知識源とできない知識源)を選ばせる形式が想定されます。
- インタビューシステム・意味ネットワーク・オントロジーが「知識獲得・共有・再利用の問題への対策として研究された」という対応関係を問う問題に注意しましょう。
- フレーム問題・シンボルグラウンディング問題など、同じ節の「AIの難問」群と定義を入れ替えた誤答選択肢が定番です。
📚 まとめ
- 知識獲得のボトルネックは、知識ベース構築に必要な知識の獲得、特に専門家の暗黙知の獲得が難しく、開発全体の詰まりになる問題です。
- 第2次AIブームのエキスパートシステム開発で顕在化し、ブーム失速の一因となりました。
- 対策としてインタビューシステムが研究され、知識の共有・再利用のために意味ネットワークやオントロジーの研究が活性化しました。
- 現在の機械学習は「データから自動で学ぶ」ことで、この壁を部分的に回避するアプローチだと理解しておきましょう。
