Stream Reasoningアーキテクチャ(概要)

Stream Reasoningアーキテクチャ(概要)

Stream Resoning技術とはリアルタイムで、複数の、異種の、巨大な、必然的にノイズの多いストリームデータを用いて、極めて多数の同時ユーザーの意思決定プロセスをサポートするためにデータに意味づけを行うシステムとなる。

基本的な動作例を以下に示す。2の部屋(red-roomとblue-room)があり、(1)Aliceが時間T1にRed roomにいることをSensortagによってセンシング(Sensor:Redsensor、Room:RedRoom、Person:Alice、Time-stamp:T1)、(2)Bobが時刻T2にBlueRoomに入ったことをセンサーで検知(Person:Bob、ChecksIn:BlueRoom、Time-stamp:T2)、(3)フェイスブックの記録によりCarlは時刻T2にBobと一緒にいて(Person:Carl、With:Bob、time-stamp:T2)、Davidも時刻T3にElenaと一緒にRedRoomにいる(Person:David、IsIn:RedRoom、WIth:Elena、Time-stamp:T3)とする。

上記の状態を図示したものを以下に示す。

このような状態の中で例えば「今Aliceと同じ部屋にいる人は?」とか「Aliceの隣の部屋にいる人は何時からそこにいるのか?」等のフレキシブルな質問に対して答えを出せるようにしたものがStream Reasoningシステムの特徴となる。

このシステムの従来のDSMS/CEPシステムの相違点は、クエリに対する柔軟性にある。例えばここで登場する情報ソースはセンサータグと、チェックインを見るセンサー、及びフェイスブックの3つとなるが、従来のDSMS/CEPシステムでも、それぞれのセンサーのスキーマを固定すれば、決まった(固定した)クエリに対する答えを得ることはできる。しかしながら現実世界では、必要となるシチュエーション/コンテキストには様々なバリエーションがあり、その場その場でそれぞれに合わせた切り口でデータを利用する必要がある。

このような課題は、ある特定の目的だけにIOTを利用しようとしても、それらを設置する費用と得られる効果のバランスが取りにくいという、IOT技術がビジネスとして成り立ちにくいという課題とも関連する。

Stream Reasoning技術はこのような課題に対して、設置された様々なセンサーデータあるいは入手可能なデータ(SNS等)をフレキシブルに組み合わせて、オントロジー等のセマンティックウェブ技術を用いて様々なコンテキストに合わせたクエリーに対応させようという技術となる。

Stream Resoning技術として市販されているシステムは現在のところ存在せず、以下のような各種システムが報告されているのもとなる。

基本的な構成は大きく分けて以下の3つのものがある。

Data-Driven type (frontward reasoning)

Query-Driven type (query rewriting)

Query-Driven Type (backward reasoning)

次回以降、個別のStream Reasoningについての具体的な紹介を行う。

Chinoba

Chinoba

Intelligence as Relationship

Research Platform

founded by

Masao Watanabe

AI Systems Architecture
Decision Trace
Human–AI Coordination
Algorithmic Governance