データ中心のAI（DCAI：Data-Centric AI）とは？：AI・機械学習の用語辞典

用語「データ中心のAI」について説明。性能を向上させるために、モデルやアルゴリズムを改善する「モデル中心」のアプローチではなく、機械学習ライフサイクル全体を通じてデータを改善する「データ中心」のアプローチの方が大切だとする、AIの開発方法に関する考え方を指す。

[一色政彦，デジタルアドバンテージ]

連載目次

用語解説

　データ中心のAI（DCAI：Data-Centric AI）とは、従来通りのモデルやアルゴリズムを偏重するアプローチよりも、データに焦点を当てたアプローチの方が大切であるとする、AIの開発方法に関する考え方である。

　この考え方の根拠として、たとえ比較的少ないデータ量であったとしてもクリーン（Clean）で高品質なグッドデータ（Good Data）の方が、ノイズの多い（Noisy）ビッグデータ（Big Data）よりも良い性能を発揮することが示されている（図1）。

図1　クリーンなGood DataがノイズありのBig Dataに勝る事例（Andrew Ng氏のスライドから引用、一部を加工）
500件のデータ中に12％のノイズ（＝間違った／矛盾した教師ラベル）がある。このとき、ノイズをクリーンアップ（修正）することは、このグラフの正解率を見ると、別の500件の新規データを集めること以上の効果を持つことが示されている。

　現状のAI／機械学習の分野では、ベンチマークとなるデータセットを固定した上で、より良い性能を発揮するように「機械学習モデル」とそのハイパーパラメーターを調整して改善する。

　こういった現状に異議を唱えているのが、データ中心のAIなのだ。むしろ機械学習モデルを固定した上で、より良い性能を発揮するように「データ」を収集／エンジニアリングして改善すべきという考え方である。こうしてデータに重点を置く場合、

• データの収集や前処理： データはどう定義してどう収集すればよいか？
• 訓練から検証： モデル性能を向上させるにはデータの修正がどれくらい必要か？
• デプロイと運用： 概念／データドリフト（＝概念やデータの変化による性能劣化）を追跡するためにはどのデータが必要か？

というように、機械学習プロジェクトのライフサイクル全体を通して体系的にデータの品質を管理する必要がある。つまりデータ中心のAIではMLOpsが重要となる（図2）。

図2　常に高い品質のデータを確保するためにはMLOpsが重要（Andrew Ng氏のスライドから引用、画像は自作）

　データ中心のAIは、米国時間で2021年3月24日に開かれた「A Chat with Andrew」というオンラインイベントにおいて、DeepLearning.AIのAndrew Ng（アンドリュー・ン）博士が「MLOps: From Model-centric to Data-centric AI」というスピーチを行ったことに端を発する。

　その後、AI／機械学習の業界全体から大きな注目を集め、トップカンファレンスのNeurIPSで「NeurIPS Data-Centric AI Workshop」というワークショップが開催されたり、DeepLearning.AIが「Data-Centric AI Competition」というコンペティション（競技大会、以下ではコンペ）を開催したりと、2021年中はさまざまな活動が見られた。特にコンペは面白く、Kaggleなど通常のコンペでは固定のデータセットを使ってより良い性能を発揮する「機械学習モデル」を作ることを競うが（＝モデル中心の考え方）、この「データ中心のAIコンペ」では固定の機械学習モデルを使ってより良い性能を発揮する「データ」に改善することを競った（＝データ中心の考え方）。

　データ中心のAIは、（2022年2月現在では）まだまだ研究領域としても新しいホットな分野で、情報はあまり多くない。データ中心のAIの基本的な概念は、まずは上記のオンラインイベントのYouTube動画「A Chat with Andrew on MLOps: From Model-centric to Data-centric AI」から学ぶのが一番良いだろう。セッションスライドのPDFファイルが、DeepLearning.AIが公開するリソースからダウンロードできる。また、上記のワークショップの講演内容を含む「Data-centric AI Resource Hub」というサイトが公開されている（※2022/02/21追記）。

「AI・機械学習の用語辞典」