AI & Database Lab (AIDBL)
AI・データベース研究室

In advancing our research, we clarify the following perspectives and explore them through iterative cycles of discussion and implementation.

研究を進めるにあたり、本研究室は次の観点を明確化し、議論と実装を反復しながら探求します。

Necessity of Designing Original Core Computations 独自の中核計算の設計の必要性

When applying standard AI algorithms, discussion often tends to focus on improving accuracy by increasing the quantity and quality of training data or by switching among model families. However, when viewed in light of a domain’s goals, the essential questions are different: Is the computational model appropriate? Is the computation itself semantically valid? Are the decisions explainable? How can constraints, context, and safety be incorporated? How can black-box behavior be avoided? Applying existing methods is only a starting point for problem solving; new value creation becomes possible only when you design original core computations that are aligned with the intended purpose.

代表的なAIアルゴリズムの適用では、学習データの量や質、計算モデルの違いによる精度向上に議論が偏りがちです。しかし具体領域の目的に照らすと、計算モデルは妥当か、計算自体の意味的な妥当性、判断結果の説明可能性、制約・文脈・安全性をどう組み込むか、ブラックボックス化をどう回避するかが本質となります。既存手法の適用は課題解決の出発点に過ぎず、目的に整合した独自の中核計算を設計してはじめて、新たな価値創造が可能となります。

What Is a System Architecture? システムアーキテクチャとは

A system architecture is a design principle that defines the elements constituting a system (modules, data, computation, inputs/outputs, communication) and specifies their relationships, boundaries, and responsibilities so that the system as a whole achieves its objectives. At its core is making explicit the correspondence between data structures (operands) and algorithms (operators)—that is, specifying which data are transformed by which procedures and how.

Moreover, it provides a framework in which complex processes are decomposed hierarchically into isomorphic subproblems, and the same function (procedure) is invoked recursively, thereby extending local computational rules consistently to the overall computation. Therefore, rather than designing ad hoc solution functions for each individual problem, it is essential to design an original data model and core computation that align with the domain’s objectives and reflect its constraints and context.

システムアーキテクチャとは、システムを構成する要素（モジュール、データ、計算、入出力、通信）と、それらの関係・境界・責務を定義し、全体として目的を達成するための設計原理です。中核は「データ構造（オペランド）」と「アルゴリズム（オペレータ）」の対応を明確化し、どのデータをどの手続きで変換するかを規定する点にあります。

さらに、複雑な処理を同型の部分問題へ階層的に分解し、同一の関数（手続き）を再帰的に呼び出すことで、局所の計算規則を全体の計算へ一貫して拡張する枠組みを与えます。したがって、個別課題ごとに解法関数をアドホックに設計するのではなく、具体領域の目的に整合し、制約・文脈を反映した独自のデータモデルと中核計算を設計することが不可欠です。

What Is a Knowledge Base? 知識ベースとは

A knowledge base is an information resource that systematizes expert knowledge—such as concepts, definitions, causal relationships, procedures, constraints, and context—into forms that computers can reference, reason over, and verify (e.g., ontologies, knowledge graphs, rules, constraint specifications, probabilistic models).

Unlike approaches such as neural networks that learn regularities from large-scale data and form internal representations (implicit knowledge), a knowledge base makes explicit what counts as knowledge and enables the rationale and meaning to be traceable. This makes it possible to design core computations that balance data-driven inference with goals, constraints, safety, and explainability.

知識ベースとは、専門家が持つ概念・定義・因果関係・手順・制約・文脈などの知識を、計算機が参照・推論・検証できる形（例：オントロジ、知識グラフ、ルール、制約条件、確率モデル）で体系化した情報資源です。

ニューラルネットワークのように大量データから規則性を学習して内部表現（暗黙知）を形成する方法と異なり、知識ベースは「何を知識とみなすか」を明示し、根拠や意味を追跡可能にします。これにより、データ駆動の推定と、目的・制約・安全性・説明可能性を両立させる中核計算の設計が可能となります。

Difference Between Problem Solving and New Value Creation 課題解決と新たな価値創造の違い

Problem solving is the practice of identifying phenomena that are shared within a domain as “problems,” analyzing their causes, and providing solutions within the existing framework of goals, constraints, and evaluation criteria. In other words, it focuses on resolving what practitioners already recognize as issues.

By contrast, new value creation begins by articulating a desirable future state (a vision) and reasoning backward from it to question the underlying “taken-for-granted” assumptions and common sense that frame the problem—such as goal setting, operational procedures, decision-making mechanisms, and modes of delivery. As needed, it also incorporates methods and technologies from other domains to redesign the rules and experiences of the domain. As a result, it goes beyond incremental improvement and can potentially transform the domain itself.

課題解決とは、ある領域で「問題」として共有されている事象を特定し、原因を分析して、既存の目標・制約・評価基準の枠内で解を与える営みです。すなわち、現場が課題と認識しているものを、解くことに主眼があります。

これに対し新たな価値創造とは、将来のあるべき姿（ビジョン）を描き、そこから逆算して、課題の前提となっている「当たり前」や「常識」（目的設定、業務手順、意思決定の仕組み、提供形態）そのものを問い直す営みです。必要に応じて他領域の方法や技術も取り込みながら、領域のルールや体験を再設計します。結果として、改善にとどまらず、領域全体を新しく作り変える可能性を含みます。

Why Interdisciplinarity Is Necessary 学際の必要性

Modern global challenges consist of interdependent factors spanning society, the environment, and technology; thus, understanding the whole picture and designing effective interventions are difficult using the knowledge or methods of a single discipline alone.

Accordingly, an interdisciplinary approach is required—one that defines problems across data science, engineering, the social sciences, and the humanities, and constructs solutions that integrate evaluation criteria, constraints, and stakeholders’ values.

Furthermore, emerging technologies such as AI, IoT, and digital twins stand at the forefront of this transformation. You must understand both the solutions enabled by these technologies and their societal impacts. In addition, to implement advanced solutions in society, it is essential to integrate technology into marketing strategies (e.g., value propositions, adoption design, diffusion models).

現代のグローバル課題が、社会・環境・技術にまたがる相互依存的な要因から構成され、単一分野の知識や方法だけでは全体像の把握と有効な介入設計は困難です。

したがって、データ科学、工学、社会科学、人文知を横断して課題を定義し、評価基準や制約、利害関係者の価値を統合した解決策を構築する学際的アプローチが求めらます。

さらに、AI、IoT、デジタルツインなどの新興技術は、この変革の最前線に位置し、解決策そのものと社会への影響の両面を理解する必要があります。加えて、先進的解決策を社会実装するには、技術をマーケティング戦略へ統合する視点が不可欠です。

Difference Between a Computational Method and System Implementation 計算方式とシステム実装の違い

A computational method is a design that defines the principles of computation: which algorithms (operators) are applied to which data structures (operands), and what is to be inferred, predicted, or optimized.

By contrast, system implementation is the work of concretizing that computational method by integrating software, data infrastructure, and devices so that it operates under real-world constraints (performance, reliability, security, operations, UI, communication).

計算方式とは、データ構造（オペランド）に対してどのアルゴリズム（オペレータ）を適用し、何を推定・予測・最適化するかという「計算の原理」を定める設計です。

一方、システム実装とは、その計算方式を現実の制約（性能、信頼性、セキュリティ、運用、UI、通信）下で動作させるために、ソフトウェア・データ基盤・デバイスを統合して具体化する作業です。

Effectiveness and Feasibility 有効性と実現可能性

Effectiveness is the extent to which a proposed method actually produces benefits for the specified objectives and tasks, demonstrating more desirable results than existing methods. Improvements are confirmed through evaluation metrics (accuracy, error, cost, time, user satisfaction, etc.).

Feasibility is the extent to which a proposed method can realistically be implemented and operated under practical constraints (data availability, computational resources, operational load, regulations, security, accountability, etc.). Even if a method is theoretically possible, feasibility is low if the required conditions are excessive.

有効性は、提案手法が、設定した目的・課題に対して実際に効果を生み、既存手法より望ましい結果を示す性質です。評価指標（精度、誤差、コスト、時間、満足度など）により、改善が確認できることを指します。

実現可能性は、提案手法が、現実の制約（データ入手性、計算資源、運用負荷、法規制、セキュリティ、説明責任など）を踏まえて、実装・運用できる見込みがある性質です。理論上可能でも、必要条件が過大なら実現可能性は低くなります。