カット オーバー クライテリア。 今日僕はIT用語で人を殺そうと思う

今日僕はIT用語で人を殺そうと思う

カット オーバー クライテリア

はじめに 人工知能(AI)によるシンギュラリティ(技術的特異点)の予測がされているが、すでに人工知能は産業界だけでなく一般社会生活でも利用され、その領域が拡大していることで、人工知能をテストするニーズが高まっている。 しかし、人工知能をテストする技術が確立されているかといえば、信頼がおける革新的なテスト技術は現在のところ見当たらない。 人工知能のテストをいかに考えればよいのか、テストエンジニアの知見を用いて考えてみる。 ただし、前提として人工知能のテストを論じる場合には、「Testing for 人工知能」か「人工知能 for Testing」、つまり「人工知能をテストする」のか「人工知能でテストする」のかを明示する必要があるが、今回は、「Testing for 人工知能」としテスト対象を人工知能としたケースについて述べる。 株式会社ベリサーブ 品質保証部 技術フェロー 佐々木 方規 ところで、テストを実現させるには、マクロな視野(俯瞰的に人工知能を捉えること)とミクロな視点(人工知能を細分化すること)を両立させる必要がある。 そこで、テストベースとして理解を深めるために、数名のテストエンジニアと議論を行ったが、人工知能を定義することの難しさが浮き彫りになった。 さらに人工知能の特徴は、利用する学習データの質に依存すると考える。 企業がビジネスをデジタル化するデジタルトランスフォーメーション(DX)の流れは、幅広く人工知能が利用されるであろう。 また、CDOは、企業のビジネスを加速させるため、自社のビジネスに IoT や人工知能を利用する取り組みを積極的に行っている。 人工知能をテストするためには、これらのステークホルダーのニーズに応える必要がある。 オラクルは、実在する(ベンチマーク用の)システム、他のソフトウェア、ユーザマニュアル、個人の専門知識の場合があるが、コードであってはならない。 JSTQB ソフトウェアテスト標準用語集(日本語版)Version 2. J02より• 人工知能の歴史を振り返る すでに人工知能は社会生活のさまざまなシーンでみられるようになってきている。 スマートフォンの音声認識や Google の「RankBrain」など人工知能ベースのアルゴリズムがインターネット検索で実用化されており、高度な自動運転への適用も進んでいる。 人工知能に対して造形を深めるために、少しだけ人工知能の歴史を振り返ってみる。 第1次ブームでは、コンピューターによる「推論」「探索」が中心であり、自然言語処理や機械翻訳の研究は進められたが、定理証明などの単純な問題しか扱えなかったため、社会の実環境での利用にはほど遠く、次第にブームが過ぎていった。 1980年代に入ると人工知能は、第2次ブームとなった。 人工知能に与える情報を形式化することで、専門分野の知識を取り扱うエキスパートシステムが登場した。 しかし情報の形式化を人が行わなければならず、膨大な情報を取り扱うことができないため、活用範囲を限定せざるを得なかった。 2000年代に入ると、インターネットが爆発的に普及し、携帯電話でデータ通信ができるようになったことに伴い、人工知能が「ビッグデータ」を活用することになる。 ここで注目されたのが機械学習(Machine Learning)であり、学習に人の介在を減らすことに成功した。 また、学習した知識から特徴的な要素を人工知能が自ら学習する深層学習(Deep Learning)も注目された。 第3次の人工知能ブームの到来であり、現在に至っている。 第1次、第2次が一過性のブームに終わった背景として、社会が要求する人工知能への期待が高く、現実との乖離が大きかったことが原因と推論されている。 これらを背景に人工知能のテストでも、現実と乖離がないことを追及していく必要がある。 何を対象とするのか、要求元とテスト担当者間でテストについての合意形成をすることが重要である。 しかし、テスト対象が人工知能の場合は、期待値を示すテストオラクルを用意することが困難である。 そもそも期待値など存在しないのではないかと考えている。 同じプロダクトの人工知能を利用しても、与えた学習データそのものや、そのデータの与え方で結果が異なる。 また、人工知能の利用者にとっては、人工知能からのアウトプットは想定した期待値のみを求めていない。 例えば検索処理であればヒット率の高い結果の順位よりは、検索者自身が本当に知りたい情報を求めている。 これらの検索結果は、検索者自身が気づいていない暗黙的な場合もある。 検索者自身が人工知能の推論結果を得ることで、本当に求めていた結果が想像していたものと異なったことに気が付くこともある。 これらはカットオーバー時のクライテリアだけを求めるような現在のテストの技術では対応が難しく、人工知能の特性に合わせたテストの進め方を構築していく必要がある。 (参照 図. さらに回答者によりこれらの定義に違いも見られた。 これら人工知能の定義の曖昧さもテストの課題と考えられる。 そこでイメージを形成しやすくするために人工知能の特徴的な行為を見ながら、本稿で取り扱う人工知能を絞り込んでみる。 それらはコンピューターであり、ロボットであり形態はさまざまであるが共通している点がある。 それは、人と人工知能がパートナーとして共存している点である。 本項では人工知能搭載システムは人の能力を補完していると考えて、人工知能搭載システムを知るために人をモデルに整理を行う。 現在の人工知能搭載システムは多くの技術によって構成され支えられているが、その必要でかつ代表的な技術をいくつかに分類してみる。 しかし、基本的に人工知能搭載システムの認識は、データによる分類となる。 例えば、人は猫の写真を見せると猫と認識するが、人工知能搭載システムは学習データから同じ特徴を持つデータ群を抽出するにすぎない。 これらの認識には人の記憶にあたるビックデータなどからの学習データに大きく依存する。 特に組込み製品に搭載されている人工知能はリアルタイム性が求められ、人を介在せずに制御が行われることも多い。 人工知能搭載システムが司ることは人と酷似しているが、得手不得手がある。 McCarthy and P. HayesSome philosophical problems from the standpoint of artificial intelligence, Machine Intelligence, vol. 4, pp. 463-502 1969 プロダクトとしての人工知能だけでなく 社会基盤のインフラとしての人工知能 高度な人工知能がさまざまなビジネスシーンで利用されることは、人が責務を持って判断してきたことを人工知能が変わって行うこと、そして社会がこれらの意思決定を受け入れる環境が整備されることが重要であると考える。 現在では、自動運転技術(運転支援技術)により交通事故が減少している。 すでに自動車保険の料率に運転支援システム搭載車両の有無が適用されている。 近未来で自律した高度な自動運転車が町中を走行していることは容易に想像ができる。 こうした環境下で事故が発生した場合に、社会が人工知能を冷静に受け入れるだけの状況になっている必要がある。 事故が発生した場合には、徹底的に事故解析しプロダクトとして人工知能の改善が図られ、社会に人工知能への落胆を生じさせてはならない。 社会的不安は人工知能への期待を衰退させ、第3次ブームの終焉につながる。 人工知能をテストすることは、社会的に影響を与えるリスクの検討もテストエンジニアに求められてくると感じている。 これらはプロダクトとしての人工知能をテストするだけでなく、人工知能と共存する環境まで考える必要がある。 人工知能に対する社会的な成熟度が向上することも必要であるが、テストエンジニアは人工知能の正しさでなく、人工知能によって操作された結果や導き出されたものの受け入れやすさを確認することが重要であると考える。 人工知能の役割や責務をテストするという考え方 ~捉え方とアプローチ~ 次に具体的にテストする時の考え方を示す。 極端ではあるが、人工知能として構成されるプロダクト全体をブラックボックスとして考えてみた。 処理の方法や構造が全く不明なブラックボックスのテストは IPO(Input Process Output)を利用して考える。 ブラックボックスでは Process(処理)は単なる変換処理とするが、その処理結果の Output(期待値)が人工知能では不定となる。 (図1) 図2. テスト視点の人工知能のイメージ これらを利用シーンで考えると、莫大な学習データから人工知能に推論を行わせる時、利用者が推論可能な結果だけであれば人工知能の利用価値は低い。 供給者はプロダクトの利用シーンを考え、利用者が利用価値を決める。 プロダクトの例を挙げて説明してみる。 お掃除ロボットの役割は人に代わって掃除することにあるが、責務としては人が掃除した場合と同等か、人に変わって掃除することでなんらかの価値をあたえることにある。 お掃除ロボットでは、効率よく掃除するために、掃除を行う範囲やホームベース(待機や充電などするための位置)を学習する。 学習データを利用することでさまざまなレイアウトにも対応でき、さらには無作為に掃除をすることがなくなる。 家具などを移動した場合も学習データを自立的に変更して掃除を可能にしている。 お掃除ロボットの場合は、掃除の順序を正確にトレースして実施することは価値にはならない。 人が掃除する場合でも、一方向でなく逆方向など、違う方向から掃除するときれいに掃除ができる。 学習データを利用して、できるだけ同じルートを通らないことで、異なる方向から掃除を可能にしている。 (図3) 図3. 配置を記憶することで、掃除する方向を変える 決められた処理を動作することが期待されているのでなく、人の手を介さず掃除を完了することが責務として期待されている。 製品(プロダクト)として人工知能のテストを考えた時は、ほとんどの場合、従来のテストプロセスやテスト技法を用いればよい。 しかし、人工知能の学習と推論を利用しているシステムとしてテストを考えた場合は、ユースケースシナリオの考慮を避けては通れない。 ユースケースシナリオには、人工知能が学習データを伴うことで成長することを考慮する必要がある。 成長のしかたは、利用シーンごとに異なり特定することは難しくテストを困難にする。 これら成長するシステムに対して、処理や振る舞いでなく役割と責務を定義するアプローチ方法を提案した。 これは人工知能の推論結果を期待値として扱うのではなく、受け入れられるかを判定することになる。 これらは繰り返し行われるインクリメンタル開発に近い。 しかし、インクリメンタル開発と大きく異なる点は、カットオーバーされた人工知能のシステムは、開発が継続して行われているとは限らない点である。 つまり開発期間中に将来の学習内容での変化を想定したテストが必要となる。 スパイラルフレームモデルは、学習データを段階的に成長させるように一連のユースケースシナリオを少しずつ変化させながら繰り返して行う。 一度に学習データを与えるのでなく、適切に分割した学習ゴールにしたがって成長過程の確認を行う。 開発中のテスト期間に成長過程を確認することで、学習データおよび学習方法の良し悪しを確認する。 いままでは、仕様に定義されていたフューチャや機能が満足していることがテストの目的であった仕様ベースのテストが主流で、フューチャや機能の期待値は仕様に定義され不変であった。 この考え方では学習したことによって変化する期待値をテストで考えることは困難である。 また、人工知能が人に代わって知的作業を行うことは社会生活が大きく変化することを意味する。 システムや製品のテストでは、利用者と供給者の関係を中心とした閉鎖的な環境条件であった。 人工知能や IoT でのビッグデータなどの利用は、システムの利用者以外とのつながりもあり、社会システムとしてオープンな環境条件を考慮しなければいけない。

次の

株式会社IHI様

カット オーバー クライテリア

ベンダーに「問題ない」と言われるプロジェクトほど怖いものはない---。 民営・分社化対応プロジェクトを率いた日本郵政公社の間瀬朝久理事常務執行役員は、こう言い切る。 約40年のIT部門での経験から、「プロジェクトにおける問題の多くは、意思疎通に原因がある」と分析。 「ベンダーが萎縮せず意見を言えるようにするのはCIOの役目だ」と話す 郵政民営化のシステム対応は、開発が間に合うかが国会で議論されるなど、社会の注目を集めました。 システム責任者として、どう感じましたか。 適切な表現ではないかもしれませんが、民営・分社化はIT部門に日を当てたところがあります。 それまではIT部門なんて内部で全く目立ちませんでした。 突然、表舞台に立たされたわけですから、正直戸惑いました。 正常に動いている限り、経営者や業務部門がシステムの存在を意識することはありません。 注目が集まるのはトラブルが起きたときです。 何かあった際に、何でこんなことができてないんだ、考えも及ばなかったのか、と言われるわけです。 システム開発の目的やリスクを社内外に伝えていくのは、IT部門あるいはCIOにとって、とても大切なことだと思います。 システムは、開発が終われば完成ということではありません。 不具合などのリスクが潜んでいる可能性はあるし、事務リスクもある。 2007年10月に向けた暫定対応プロジェクトでは、社内外にこのような状況を説明することの重要性を改めて実感しました。 あまり上手にできたとは思っていませんが…。 全社にまたがるPMOを初めて設置 郵政公社には約100のシステムがあり、暫定対応では63システムを改修したそうですね。 プロジェクト全体の整合性はどう確保しましたか。 これだけのプロジェクトを並行で進めるのは初めてでした。 それまでは、大規模なプロジェクトが重ならないようにしていたのです。 そもそも、郵政公社のIT部門は、貯金、保険、郵便などの事業単位で縦割りになっていました。 社内に横串を刺してシステム開発プロジェクトを一元管理する組織はなかったのです。 そこで、暫定対応プロジェクトでは、「CPMO(本誌注:民営化プロジェクト推進室)」を設けました。 毎週金曜日に関係者50人程度を集めて、進捗や課題について情報共有する手法です。 CPMOには、IT部門だけでなく業務部門も参加しています。 プロジェクトを走らせながら、業務とシステム双方の問題を洗い出し、解決策を考えました。 CPMOのなかで、貯金、保険、郵便、局会社、共通と5つの大きなチームを作り、それぞれのチームが配下のシステムに責任を持ってもらうことにしました。 全体の状況はCPMOで集約します。 開発に参加しているITベンダーやコンサルタントなどもCPMOに入ってもらいました。 このような全社にまたがるプロジェクト管理組織を作ったのも、過去には例がありません。 CPMOでは、どのように進捗を管理しましたか。 毎週の会議に加えて、各システムとも3カ月単位で「カットオーバー・クライテリア(本番移行の判定基準)」を設けました。 切り替え準備ができているかどうかを「見える化」するのが狙いです。 最大のヤマ場は2007年1月末でした。 この段階で、開発途中のシステムも含め、10月までに完成できるかどうかを判断しなければならなかった。 10月に間に合わない場合は、3月1日までに民営・分社化の延期を申請することが、郵政民営化法の附則第三条で決まっていたのです。 撮影:中島 正之 個別のプロジェクトを振り返って成否の分かれ目はどこにありましたか。 全体的な傾向として、貯金の勘定系システムのように歴史のあるシステムはうまくいきました。 開発体制やプロジェク トの推進ルールが固まっていましたから。 一方で、新しいシステムほど遅延しました。 人事、財務、あるいは再構築に臨んだ郵便システムなどです。 システム化の歴史が浅いので、プロジェクト管理ルールから作らなければならなかった。 人事や保険など、貯金システム出身の間瀬さんにとって未経験のプロジェクトを管理する際に、特に留意したことは何ですか。 IT部員とベンダーの会議にできる限り参加しました。 開発現場に入るのが私のやり方でしたので、初めてのプロジェクトでも、そのスタイルを貫きました。 私自身が現場育ちですから、現場に入らないと進捗状況などをつかみにくいのです。 悪いことが起きると、問題の核心に関する情報は上がってこない。 最前線にいなければ、プロジェクトが火を噴くまで気付かないものです。 特にメンバーの顔色を見れば問題があるかどうか、すぐ分かります。 ベンダーやパッケージ製品、開発手法は違っても、システム開発でやるべきことは一緒です。 システムを企画して開発して、運用まで持っていくということです。 この基本を忠実に守りました。 部下とベンダー双方の言い分を聞く とはいえ、これだけ大規模なプロジェクトだと、局所的に火を噴いたところがありまんでしたか。 もちろんありました。 そういう場合は、そのプロジェクトのメンバーに何が問題なのかを直接聞きます。 原因の多くは、IT部員とITベンダー双方の意思疎通にある。 私は両者の間に入って、双方の言い分をしっかり聞くように心がけました。 特にITベンダーが萎縮しないように配慮しました。 課題はITベンダーから上がってくるものなのです。 ですが、問題が起きてITベンダーが萎縮すると重要な意見が上がってこなくなります。 ITベンダーに「何も問題ありません」と言われるプロジェクトほど、怖いものはありません。 >> 日本郵政公社 理事常務執行役員 間瀬 朝久(ませ・ともひさ)氏 岐阜県立益田高校卒業後、1965年郵政省入省。 木曽福島郵便局長を経て貯金局電子計算計画課に異動。 以後、約40年にわたり、システム関連の業務に従事する。 主任システム計画官などを経て2003年4月、日本郵政公社郵便貯金事業本部システム企画部長。 2004年7月、執行役員金融総本部情報システム本部長。 2005年4月から現職。 1946年4月生まれの61歳 (聞き手は,桔梗原 富夫=日経コンピュータ編集長,取材日:2007年8月22日).

次の

株式会社IHI様

カット オーバー クライテリア

1-1.英語の「judgement」で「判定」を表現 「judgment」の発音は下記となります。 その他にも、「分別」、「裁判」、「判決」の意味でも使われます。 裁判や試合などの「判定」や、仕事上の審査など正式な「判定」に使う表現です。 個人的な意見で決めるのではなく、公正に「判定する」というイメージです。 動詞の「判定する」は 「judge(ジャッジ)」です。 しかし、「judge」は「裁判官」、「判事」、「審判者」など、 「判断を下す人」という意味の名詞でも使われるので注意が必要です。 「judge」単体でも「判定する」の意味で使えますが、 「deliver judgment」(判定を下す)という表現も使います。 1-2.英語の「decision」で「判定」を表現 「decision」の発音は下記となります。 「合格か不合格」、「勝ち負け」、「優良不良」の判定よりも、決断が伴う「判定」のニュアンスです。 「judgment」ほどかしこまっていないので、幅広く、日常的に使える表現です。 裁判官の「判定」でも「decision」を使うこともあります。 動詞の「判断する」は 「decide(ディサイド)」です。 「decision」を使って、 「make a decision」も「判定する」という意味で使う表現です。 「判定」の意味では「judgment」と「decision」が多く使われますが、契約書などでは次に説明する「determination」が使われることもあります。 1-3.英語の「determination」で「判定」を表現 「determination」の発音は下記となります。 「decision」に近い表現ですが、ビジネスライクで、堅い表現です。 動詞の「判定する」は 「determine(ディターミン)」です。 この他にも、ニュアンスや場面によって違う表現を使う場合もあります。 例えば、競技の審判などの「判定」は 「call」で、動詞形も「call」です。 2.「判定」に関連する英語表現 「判定」に関する様々な表現を見てみましょう。 「審判」:an umpire(アンパイヤー/野球)、a referee(レフリー/サッカーやボクシングなど)• 「レッドカード」:red card• 「イエローカード」:yellow card• 「(試験に)合格する」:pass(パス)• この他に「訴える」や「懇願する」の意味がある「appeal(アピール)」も使えます。 日本語でも、「審判にアピールする」と言いますね。 「bear(ベア)」は「持つ・利益を生む」などの意味もあります。 また「criteria(クライテリア)」は「基準」です。 まとめクイズ:「判定」の英語は基本を押さえる! 「判定」の基本単語は、ここで紹介した3つのうち先ずは「judgment」と「decision」の2つを覚えましょう。 日々行われる「判定」は「decision」が使われることが多いですが、裁判など正式で公平な「判定」では「judgment」を使うことが多いです。 「判定」の表現は、英語上級者でもどの単語をつかうか迷うことがありますので使いながら慣れていく感じで大丈夫です。 英会話の中で徐々にマスターしていきましょう! それでは、最後に次の問題を解いてみましょう! 【問題】• 「decision」を使った「判定する」の英語は?• 「judgment」を使った「判定を下す」の英語は?• 「判定負けする」の英語フレーズは?• 「全員一致の判定」の英語フレーズは?• 競技の審判などの「判定」の英語は? いかがでしたか? 今すぐ読んだ「判定」に関する英語でも、多少はてこずりますよね。 答えを確認して、徐々にでいいのしっかりマスターしましょう! 【解答】• make a decision• deliver judgment• lose by a desison• unanimous decision• call• 」 あなたもそんな悩みを一人で抱えていませんか? また、英語をマスターした人だけが知っている 「めちゃくちゃ簡単なカラクリ」があるということをご存知ですか? そのカラクリを知って、単純に実践したからこそ、偏差値40だった私が短期間で「英検1級」と「TOEIC満点(990)」を取得する英語力を身に付けることができました。 2つの資格とも一発取得です。 本来、英語は一番カンタンな言語です。 それにもかかわらず、私は日本人の9割以上の人が英語に苦しんでいるのが不思議でなりませんし、だからこそその苦痛をなくして、英語を勉強せずに楽しく上達できるようにしてあげたいと思っています。 今回は、英語が苦手な日本人が挫折せずに英語をマスターするための最短手法と具体的ステップについて、私が数万人に英語を教えながらブラッシュアップを重ねた 「学校教育とは180度違う完全ノウハウ」を 無料PDF(全71ページ)という形でまとめました。 ふつうのリスニングを禁止した方法から、言いたい事がパッと言える写真スピーキング法、暗記せずに2万単語以上がスグ出る手法、文法を一切勉強せずに語順マスターするゲームまで、ほとんどの日本人が知らないやり方です。 これが日本人の脳の構造上、必要かつ最短ルートで英語力を身につけるノウハウになります。 短期間で英語上達しなかった人は必ず見ておいてください。 机に30分も座れない・・・ テストは常に赤点(偏差値40)・・・ 英語とは無縁の人生だった・・・ そんな落ちこぼれの私でさえ短期間でマスター出来ましたし、多くの実践者が短期で結果を出してくれていることからも、 正しいステップで、勉強せずに、楽しみながら無料で英語をマスターするというのが最大のポイントです。 興味がある方に、 今だけ期間限定でPDF(全71ページ)を無料プレゼント中です。 このPDFを片手に、あなたの英語学習をより加速させてあなたの望みを叶えていただければ、私にとって一番嬉しいことです。

次の