JP2020173742A

JP2020173742A - 情報処理装置、情報処理方法及びプログラム

Info

Publication number: JP2020173742A
Application number: JP2019076761A
Authority: JP
Inventors: 智市川; Satoshi Ichikawa; 彰男堀; Akio Hori
Original assignee: Mitsubishi Research Institute Inc
Current assignee: Mitsubishi Research Institute Inc
Priority date: 2019-04-15
Filing date: 2019-04-15
Publication date: 2020-10-22
Anticipated expiration: 2039-04-15
Also published as: JP6875445B2

Abstract

【課題】モデルを利用してある結果を予測する場合において、その結果が出てきた理由を利用者が容易に理解できる情報処理装置、情報処理方法及びプログラムを提供する。【解決手段】情報処理装置は、複数の要素判別モデルを生成する要素判別モデル生成部１１と、要素判別モデルのモデル要素を用いて総合判別モデルを生成する総合判別モデル生成部１５と、要素判別モデルに対象顧客データを適用することで要素判別結果を出力し、モデル要素と当該モデル要素の要素判別結果とを総合判別モデルに適用することで総合判別結果を出力する出力部８０と、を有する。【選択図】図１

Description

本発明は、モデルを利用してある結果を予測する情報処理装置、情報処理方法及びプログラムに関する。

従来から、人工知能機能の活用が試みられており、研究分野も多岐に及んでいる。一例として、特許文献１では、音声が入力される入力部と、入力部に入力された音声を解析する音声解析部と、音声解析部によって解析された音声に基づき、説明変数を生成し、該説明変数ごとに重み付けする重みを生成する人口知能機能を有するスコアリング最適化サーバであって、説明変数と重みとに基づき音声モデルを構築する算出生成部と、該算出生成部で構築された音声モデルを記憶するデータベースとを有するスコアリング最適化サーバが開示されている。

特開２０１８−１９４５９０号

人工知能機能を活用した場合には、説明変数と重みを最適化することで優れたモデルを生成でき、その結果として優れた予測結果を得ることができる。しかしながら、利用者としては、何が原因でそのような結果が出てきたのかを理解できない。

本発明は、モデルを利用してある結果を予測する場合において、その結果が出てきた理由を利用者が容易に理解できる情報処理装置等を提供する。

本発明による情報処理装置は、
複数の要素判別モデルを生成する要素判別モデル生成部と、
前記要素判別モデルのモデル要素と当該モデル要素の要素判別結果を用いて総合判別モデルを生成する総合判別モデル生成部と、
前記要素判別モデルに対象顧客データを適用することで要素判別結果を出力し、モデル要素と当該モデル要素の要素判別結果とを総合判別モデルに適用することで総合判別結果を出力する出力部と、
を備えてもよい。

本発明による情報処理装置において、
総合判別モデル生成部は、前記要素判別モデルのモデル要素と当該モデル要素の要素判別結果だけを用いて総合判別モデルを生成してもよい。

本発明による情報処理装置において、
要素判別結果は確率情報であり、
前記総合判別モデル生成部は、前記要素判別モデルのモデル要素と当該モデル要素に対する確率情報を用いて総合判別モデルを生成し、
前記出力部は、前記要素判別モデルのモデル要素と当該モデル要素における確率情報を総合判別モデルに適用することで総合判別結果を出力してもよい。

本発明による情報処理装置において、
前記要素判別モデルのモデル要素は複数の個別要素を含み、
前記モデル要素に含まれる個別要素のうち上位の個別要素を選択する選択部と、
前記選択部によって選択された個別要素と当該個別要素に対する係数とを用いて文章を作成する文書作成部と、
を備えてもよい。

本発明による情報処理装置において、
前記選択部は、予め定められた閾値以上の寄与度が認められるモデル要素に含まれる個別要素だけを選択してもよい。

本発明による情報処理装置において、
前記要素判別モデル及び前記総合判別モデルは融資に利用されるモデルであり、
前記出力部は、対象顧客データを各要素判別モデルに適用した融資に関する要素判別結果と、対象顧客データを総合判別モデルに適用した融資に関する総合判別結果とを出力してもよい。

本発明による情報処理装置において、
前記要素判別モデル生成部は人工知能機能を用いて前記要素判別モデルを生成し、
前記総合判別モデル生成部は統計モデルからなる総合判別モデルを生成してもよい。

本発明による情報処理方法は、
要素判別モデル生成部によって、複数の要素判別モデルを生成する工程と、
総合判別モデル生成部によって、前記要素判別モデルのモデル要素と当該モデル要素の要素判別結果を用いて総合判別モデルを生成する工程と、
前記要素判別モデルに対象顧客データを適用することで要素判別結果を出力部によって出力する工程と、
モデル要素と当該モデル要素の要素判別結果とを総合判別モデルに適用することで総合判別結果を出力部によって出力する工程と、
を備えてもよい。

本発明によるプログラムは、
情報処理装置にインストールされるプログラムであって、
前記プログラムがインストールされた情報処理装置は、
複数の要素判別モデルを生成する要素判別モデル生成部と、
前記要素判別モデルのモデル要素と当該モデル要素の要素判別結果を用いて総合判別モデルを生成する総合判別モデル生成部と、
前記要素判別モデルに対象顧客データを適用することで要素判別結果を出力し、モデル要素と当該モデル要素の要素判別結果とを総合判別モデルに適用することで総合判別結果を出力する出力部と、
を備えてもよい。

本発明の一態様によれば、総合判別結果が出された理由をモデル要素に分類して出力でき、利用者が当該理由を容易に理解できる。

本発明の第１の実施の形態による情報処理装置の概略ブロック図本発明の第１の実施の形態による情報処理の流れの一例を示した図本発明の第１の実施の形態による情報処理装置によって出力される内容の一例を示した図本発明の第１の実施の形態による情報処理装置の一例を示した概略ブロック図本発明の第１の実施の形態による情報処理装置の別の例を示した概略ブロック図本発明の第１の実施の形態による情報処理装置のさらに別の例を示した概略ブロック図本発明の第１の実施の形態におけるモデル構築過程の一例を示した図本発明の第１の実施の形態におけるモデル適用過程の一例を示した図本発明の第２の実施の形態による情報処理装置の概略ブロック図本発明の第２の実施の形態におけるモデル構築過程の一例を示した図本発明の第２の実施の形態におけるモデル適用過程の一例を示した図本発明の第２の実施の形態において文書を作成する過程の一例を示した図

第１の実施の形態
《構成》
本実施の形態の情報処理装置はあらゆる分野で利用できる。本実施の形態では金融の分野を用いて説明するが、これに限られることはない。情報処理装置は金融機関に設置されてもよいし、金融機関以外の外部機関に設置されてもよい。本実施の形態の情報処理装置は、一つの装置から構成されてもよいし複数の装置から構成されてもよい。また、複数の装置から情報処理装置が構成される場合には、各装置が同じ部屋等の同じ空間に設けられる必要はなく、異なる部屋、異なる建物、異なる地域等に設けられてもよい。また、複数の装置から情報処理装置が構成される場合には、その一部を金融機関が所有及び／又は管理し、残りを外部機関が所有及び／又は管理してもよい。

図１に示すように、本実施の形態の情報処理装置は、複数の要素判別モデルを生成する要素判別モデル生成部１１と、要素判別モデルのモデル要素と当該モデル要素の要素判別結果を用いて総合判別モデルを生成する総合判別モデル生成部１５と、様々な情報を出力する出力部８０と、を有してもよい。要素判別モデル生成部１１及び総合判別モデル生成部１５はモデル構築部１０に含まれてもよい。出力部８０は、要素判別モデルに対象顧客データを適用することで得られる要素判別結果を出力してもよい。出力部８０は、対象顧客データに対するモデル要素及び当該モデル要素の要素判別結果を総合判別モデルに適用することで得られる総合判別結果を出力してもよい。

要素判別モデルは特定のモデル要素にどの程度合致するかを判別するためのモデルである。総合判別モデルはモデル要素の結果を用いて、総合的な観点から結果を判別するためのモデルである。一例としては、図２に示すように、情報を収集して形成された統合データに対して後述する要素判別モデル適用部３１によって要素判別モデルを適用することで要素毎の要素判別結果を出力する。また、モデル要素及び当該モデル要素の要素判別結果に対して後述する総合判別モデル適用部３２によって総合判別モデルを適用することで総合判別結果を出力する。

モデル要素の決定は、人間の専門家が経験的に分類して決めてもよいし、データに要因が明確に入力されている場合はそれをそのまま利用してもよい。既に取得されているデータに判別結果に対する理由やコメントが記入されている場合には、その文章を用いてカテゴリーに分類するようなクラスタ分析を行ってもよいし、得られるデータそのものからクラスタ分析を行ってもよい。情報処理装置にはパソコンの端末やタブレット等の入力部２１０（図１参照）から情報が入力されるようになってもよい。

総合判別モデル生成部１５は全てのモデル要素を用いて総合判別モデルを生成してもよい。ただし、これに限られることはなく、総合判別モデル生成部１５は一部のモデル要素を用いて総合判別モデルを生成してもよい。総合判別モデル生成部１５は、要素判別モデルのモデル要素と当該モデル要素の要素判別結果だけを用いて総合判別モデルを生成してもよい。ただし、これに限られることはなく、要素判別モデルのモデル要素と当該モデル要素の要素判別結果に加えて、別の要素を用いて総合判別モデルを生成してもよい。この別の要素は予め把握されている特定要素に限定されてもよい。

要素判別結果は確率情報であってもよく、対象案件が各要素にどの程度当てはまるかを表す数値であってもよい。モデル要素と当該モデル要素における確率情報とを総合判別モデルに適用することで総合判別結果を出力するようにしてもよい。総合判別結果とは最終的な判別結果であり、その結果と結果の信頼度が出力してもよい。図３では、総合判定として「承認９２．３％」という結果が示され、その下に、モデル要素毎に、その確率が示されている。図３に示されている例では全体として高い要素がなく、要素７及び要素３が多少認められる程度であるが、その総合判定の結果として「承認」という結果が高い信頼性をもって判別されたことが示されている。モデル要素の各々は要素判別モデルに対応している。「承認」という結果を出すかどうかは予め定められた「判断基準値」と比較することで判断されてもよい。

対象案件ごとに識別情報（ＩＤ等）がつけられており、当該識別情報に基づいて対象案件を検索できるようになってもよい（図３参照）。

要素判別モデルのモデル要素は複数の個別要素を含んでもよい。後述する図１２に示される態様では、モデル要素３の中に「過去X年間にU発生件数Z」「過去X年間での連続U発生月数Z」等といった個別要素が含まれていることが示されている。モデル要素に含まれる複数の個別要素の内容と結果に基づいて、要素判別モデルが生成されることになる。

要素判別モデル及び総合判別モデルは融資に利用されるモデルであってもよい。融資対象は個人であってもよいし法人であってもよい。この場合には、出力部８０は、対象顧客データを各要素判別モデルに適用した融資に関する要素判別結果と、対象顧客データを総合判別モデルに適用した融資に関する総合判別結果とを出力するようにしてもよい。図３は融資判定結果を示したものであり、総合判定としては融資を「承認」することが示されている（なお「承認」しない場合には「否認」という結果が出力されてもよい。）。このように融資に関するモデルの場合には、入力される情報としては、氏名、住所、職業、勤務先区分、勤務先、勤務先業種、職種、年収、借入希望額等を含む「申込情報」、「信用情報」等を挙げることができ、モデル要素としては「審査対象外」、「人物疑義」、「事故延滞」、「返済負担」、「収入安定性」、「他社借入状況」等の要素を用いてもよい。「審査対象外」とは当該融資の対象外となっていないかの要素であり、「人物疑義」とは例えば返済予定がないのに融資を申し込んでいるかどうかという要素であり、「事故延滞」とは例えば延滞件数、延滞月数、延滞期間等のブラックリストへの該当性である。

要素判別モデル生成部１１は人工知能機能を用いて要素判別モデルを生成してもよい。総合判別モデル生成部１５は人工知能機能を用いて総合判別モデルを生成してもよい。ただし、これに限られることはなく、要素判別モデル生成部１１及び総合判別モデル生成部１５は統計モデルからなる総合判別モデルを用いてもよい。一例であるが、統計モデルを用いた場合には１０程度の採用変数と採用変数に対する係数が利用されることになり、人工知能機能を用いたモデルでは１００〜１０００程度の採用変数と採用変数に対する係数が利用されることになる。

要素判別モデル生成部１１では大量の情報を処理することから、機械学習を行う人工知能機能を用いることが有益である。他方、総合判別モデル生成部１５では、限られた数のモデル要素を用いることから、情報量としてはそれほど大きなものとはならない。このため、高い正確性を実現しつつ比較的簡易な構成を採用するという観点からすると、要素判別モデル生成部１１は人工知能機能を用いてモデルを生成するが、総合判別モデル生成部１５は統計モデルを生成するようにしてもよい。

なお、統計モデルとしては、回帰分析手法（線形回帰分析及びロジスティック回帰分析を含む。）を利用してもよいし、決定木手法（CART、CHAID、ID3、C4.5といった学習アルゴリズム手法を含む。）を利用してもよい。人工知能機能を用いる場合には、ディープラーニング手法を用いてもよいし、ランダムフォレスト、SVMやGBDT等の多様な機械学習手法を用いてもよい。

図４における「入力」で示されるように、判別対象となる案件に関する判別に関連するデータが入力される。この際、書類から人間が入力してもよいし、他のシステムから電子的に入力データが入力されてもよいし、インターネット等のネットワーク経由で入力データが取得されてもよい。

入力された案件データが案件データベース６１に記憶される。案件データベース６１は、リレーショナルなデータベースではなくファイルシステムであってもよい。案件データベース６１には、これから判断を行うために入力された新規の案件に加え、過去の判断で用いた過去の案件情報が保持されてもよい。

入力された案件に応じ、当該案件に関連する情報を他のデータベースから取得し、案件データベース６１に記憶されてもよい。この他のデータベースは、内部関連情報データベース６３を有してもよいし、外部情報データベース６４を有してもよい。図１に示す記憶部６０は、案件データベース６１、後述する分析統合データベース６２、内部関連情報データベース６３及び外部情報データベース６４を含んでもよい。

案件データベース６１内の情報がモデル適用部３０によって要素判別モデル及び総合判別モデルに適用され、その結果が出力部８０によって出力される（図４の「出力」参照）。モデル適用部３０による出力結果はディスプレイに表示されてもよいし、書類として印字されてもよいし、他のシステムに電子的に出力されてもよい。なお、モデル適用部３０は、図１に示すように、要素判別モデルを適用する要素判別モデル適用部３１と、総合判別モデルを適用する総合判別モデル適用部３６とを有している。

図４の案件状態管理部９０では、前述した、入力、案件データベース６１への記憶、モデル適用、出力等の工程についてのデータの状態を管理してもよい。案件状態管理部９０は、例えば、あるプロセスが終了すると次のプロセスにデータを渡すように、データの状態（ステータス）をワークフローとして管理してもよい。

案件データベース６１の一定期間の過去のデータを取得し、分析統合データベース６２としてもよい。分析統合データベース６２は、案件データベース６１からだけでなく、更に古いデータ等を保有する他のシステムからのデータも保有してもよい。この分析統合データベース６２を用いてモデル構築部１０が要素判別モデル及び総合判別モデルを構築してもよい。モデル構築部１０によって構築された要素判別モデル及び総合判別モデルがモデル適用部３０において適用されることになる。

図５に示すように、要素判別モデル及び総合判別モデルとは異なる第三判別モデルを適用する第三判別モデル適用部３５が設けられてもよい。第三判別モデルは従前から用いられている統計モデルであってもよい。この場合には統計モデルに案件データが適用された結果が出力部８０（図１参照）によって出力されてもよい。この第三判別モデル適用部３５はモデル適用部６０の一部を構成している。この態様を採用した場合には、従前から用いられている統計モデルによる結果と要素判別モデル及び総合判別モデルを用いた結果とを比較することができ、従前の結果との比較を行うことができる。運用の初期段階では、第三判別モデルと、要素判別モデル及び総合判別モデルの両方を用いてもよいが、ある程度時間が経過した時点で、第三判別モデルの利用を停止し、要素判別モデル及び総合判別モデルだけを利用するようにしてもよい。

なお、統計モデルを用いた場合の説明能力は人工知能機能を用いたモデルを用いた説明能力よりも低くなることが一般的であり、人工知能機能を用いたモデルの説明能力の基準値が例えば８５〜９０程度であるのに対して、統計モデルを用いた場合の説明能力の基準値は例えば７０程度となる。

図６に示すように、案件データベース６１の情報等がＡＰＩ送受信等を利用する送受信部を介して分析統合データベース６２、モデル構築部１０及びモデル適用部３０に送信されてもよい。また、モデル構築部１０及びモデル適用部３０からの情報が送受信部を介して出力部８０等によって受信されるようにしてもよい。この態様を採用した場合には、金融機関等に導入されている既存のシステムや業務に大幅な変更を加えず、外部に設けられたシステムを利用することで、モデル構築及びモデル適用を行うことができる。

《方法》
本実施の形態の情報処理装置を用いた情報処理方法について説明する。なお、上記と重複することになるので簡単に説明するに留めるが、上記「構成」で述べた全ての態様を「方法」において適用することができる。

図７に示す情報収集工程Ｓ１では、対象となる事象に関する過去の観測データを取得してもよい。一般的に対象となる事象に関する観測データは複数の種類のデータから構成される。場合によっては、対象となる事象に関するデータが無いようなデータ種類も存在するが、そのような場合でもデータが無いことが情報であるため、データが無いという状態でデータを取得してもよい。

結果取得工程Ｓ２では、対象となる事象の過去の判断結果データを取得してもよい。上記の観測データに判断結果を結合し、事象ごとに過去の観測データと判断結果が結合したデータを作成してもよい。

分析統合データ作成工程Ｓ３では、複数の種類の観測データと判断結果データを一つに統合しまとめてもよい。なお、本実施の形態では、この一つに統合されたデータを分析統合データと呼んでいる。

変数加工工程Ｓ４では、分析統合データに含まれている複数のデータ項目に対し、演算処理を行い説明変数としてもよい。例えば、年齢を１０歳ごとに区切り年齢階層としたり、職業を定義されたカテゴリーに適用したりする等してもよい。後述するモデル評価の結果を受けて、モデル構築工程Ｓ４では変数加工も行われる。

判別モデル生成工程Ｓ５では、要素判別モデルと総合判別モデルがそれぞれ構築されてもよい。

モデル評価工程Ｓ６では、構築した統計判別モデルによって、過去の観測データがどの程度正しく判別結果を説明できているかに対し評価関数を計算し、当該モデルの評価を行ってもよい。

変数加工工程Ｓ４では、説明変数や係数を変更して、再度、要素判別モデル及び／又は総合判別モデルを構築してもよい。変数加工工程Ｓ４、判別モデル生成工程Ｓ５及びモデル評価工程Ｓ６が多数回繰り返して行われ、最適な要素判別モデル及び総合判別モデルを構築するようにしてもよい。

情報収集工程Ｓ５１では、過去の観測データではなく、これから自動判別を行いたい観測データを取得してもよい。複数の種類の観測データが存在するため、すべての関連データを取得してもよい。

対象統合データ生成工程Ｓ５２では、複数の種類の観測データを一つのデータに統合してもよい。本実施の形態では、このデータを対象統合データと呼ぶ。対象統合データは、一つの対象についての様々な観測データをひとまとまりにしたデータとなっている。

変数計算工程Ｓ５３では、対象統合データに含まれている複数のデータ項目に対し、演算処理を行い説明変数としてもよい。

モデル適用工程Ｓ５４では、当該対象に関わる説明変数に対して、要素判別モデル及び総合判別モデルを適用し、当該対象の判定値を算出してもよい。

モデル適用工程Ｓ５５では、判定値と事前に設定されている「判断基準値」を比較し、その結果によって判別結果としてもよい。

モデル適用工程Ｓ５６では、対象となる事象に対して、各要素判別結果とともに総合判別結果を出力してもよい。

《効果》
次に、上述した構成からなる本実施の形態による効果であって、未だ説明していないものを中心に説明する。

複数の要素判別モデルを生成し、要素判別モデルのモデル要素と当該モデル要素の要素判別結果とを用いて総合判別モデルを生成し、要素判別モデルに対象顧客データを適用することで要素判別結果を出力し、モデル要素と当該モデル要素の要素判別結果とを総合判別モデルに適用することで総合判別結果を出力する態様を採用する場合には、総合判別結果が出された理由をモデル要素に分類して出力できる。

例えば図３に示す態様では、７つの要素判別モデルが生成されており、７つの要素判別モデルに対象顧客データを適用することで各要素判別モデルにおける要素判別結果が出力されている。より具体的には「要素１：13.9%、要素２：14.4%、要素３：35.4%、要素４：11.3%、要素５：12.7%、要素６：25.5%、要素７：41.7%」という要素判別結果が出力されている。そして、次に７つのモデル要素と、当該モデル要素の７つの要素判別結果を総合判別モデルに適用することで「92.3%」という確率及び当該確率による「承認」という総合判別結果が出力されている。したがって、この態様によれば、ある対象者について「92.3%」という確率の結果、「承認」であるという結論に加え、要素１が13.9%で寄与し、要素２が14.4%で寄与し、要素３が35.4%で寄与し、要素４が11.3%で寄与し、要素５が12.7%で寄与し、要素６が25.5%で寄与し、要素７が41.7%で寄与しているというモデル要素の寄与具合も把握することができる。

ＡＩを用いて結果だけを出力する態様では、以下のような不都合が生じ得る。
・モデル構築に利用するデータ（学習データ）が十分な数用意できない場合、過去に存在した特殊な事象が拡大解釈されて非現実的な判断が行われる可能性を払拭することが出来ず、判断の結果が現実的なものか非現実的なのかを判断理由によって確認することが出来ない。
・AIで作成したモデルが統計的に有意であっても、人間が個別案件単位に結果を見てAIの判別結果に納得することが出来ない特殊なケースがある。この時に判断の理由がわからないと、少数でも判断に誤りがあることを理由として、全体として安心して任せることが出来なくなり、システムが利用されなくなる。
・顧客や内外の関係者に対して、なぜその案件にその判別を行ったのか説明できない。この案件にはこのような特徴があるのに、それをきちんと見て判断したのか、と問われた時に、簡潔に判断の理由を説明できない。
・なぜその案件にその判別を行ったのか説明できないため、事後に内部・外部監査に対応が出来ない。または監査において判断の妥当性を証明できない。事故が発生した時の原因追及が不可能となる。

これらの不都合を解消するために（つまり結果を構成する理由を把握するために）、結果を出力するモデルとは別に理由ごとにモデルを構築し、当該モデルへの適用を見て結果を構成する理由を出力することも考えられる。しかしながら、この態様では、要素判別結果と総合判別結果とが独立して出力され、要素判別結果以外の外部要因も寄与することから、総合判別結果への要素判別結果の寄与度を確実には把握できない。他方、要素判別モデルのモデル要素と当該モデル要素の要素判別結果だけを用いて総合判別モデルを生成し、それ以外の要素を用いて総合判別モデルを生成しない場合には、外部要因が入る余地が存在せず、総合判別モデルがモデル要素に基づいて１００％構築されることになる。この結果、総合判別結果を要素判別結果に基づいて出力でき、総合判別結果に至った理由を要素判別結果に正確に関連付けることができる。

全てのモデル要素（図３に示す態様では７つのモデル要素全て）を用いて総合判別モデルを生成する場合には、予め定めたモデル要素の全てを用いて総合判別結果を得ることができる。但し、状況に応じて、一部のモデル要素を用いて総合判別モデルを生成するようにしてもよい。また、全てのモデル要素を用いて総合判別モデルを生成するが、総合判別結果を得る段階では一部のモデル要素と当該モデル要素の結果だけを用いてもよい。この場合には、用いないモデル要素の要素判別結果は総合判別結果に反映されないこととなり、総合判別結果を構成するモデル要素の正確な寄与率（寄与の程度）を把握することはできないが、利用したモデル要素の相対的な寄与率（寄与の程度）を把握することはできる。

要素判別モデル及び総合判別モデルが融資に利用されるモデルである場合には、融資の場面で本実施の形態を利用することができる。融資を行う際に、ある人物に融資を行った理由が問題となることがあるが、従来から用いられている態様では、当該ある人物に融資を行った理由としてはモデル適用の結果が良かったためであるとしか回答できない。またモデルを構築するのは金融機関とは異なる外部機関であることが一般的であり、外部機関の生成するモデルを理由もなく１００％信じることには問題がある。そのため、仮に人工知能機能を用いたモデルで融資審査を行っても、その結果を鵜呑みすることができず、金融機関の担当者が個別にも判断を行っているような実情がある。これに対して、本実施の形態によれば、モデル適用の結果が良かったということに加え、どの要素が影響して当該ある人物への融資が決定されたかを把握することができる。このため、金融機関での融資審査を効率的に行うことができる。

前述したように、要素判別モデル生成部１１が人工知能機能を用いてモデルを生成しつつ、総合判別モデル生成部１５が統計モデルを生成する態様を採用した場合には高い正確性を実現しつつ比較的簡易な構成を採用することができるが、利用される要素判別モデルの数の上限値を１０〜２０とする場合には、モデルの説明能力の基準値を８５〜９０程度とすることができ、人工知能機能だけを用いてモデルを構築した場合と同程度の正確性を実現できる。

第２の実施の形態
次に、本発明の第２の実施の形態について説明する。

本実施の形態では、図９に示すように、モデル要素に含まれる個別要素のうち上位の個別要素を選択する選択部１１０が設けられている。上位とは寄与している寄与度（寄与割合）の大きいことを意味し、例えば上位３〜１０の個別要素を選択部１１０が選択してもよい。この選択は人為的に行われてもよいし、クラスタリング分析によって行われてもよい。選択部１１０によって選択された個別要素と当該個別要素に対する係数とを用いて文章を作成する文書作成部１２０が設けられている。文書作成部１２０は日本語で文書を作成してもよいが、これに限られることはなく、英語、中国語等の様々な言語で文書を作成してもよい。その他については、第１の実施の形態と同様であり、第１の実施の形態で採用したあらゆる構成を第２の実施の形態でも採用することができる。

図１０に示される態様では、判別結果理由文章に関わるモデル構築工程Ｓ１０、Ｓ１１及びＳ１２が設けられている。

理由取得工程Ｓ１０では結果に至った理由に関する結果理由記述データが取得される。そして、分析統合データ作成工程Ｓ３において、当該結果理由記述データも含めた分析統合データが生成される。

文書モデル生成工程Ｓ１１では文書作成部１２０において文書生成モデルが生成される。文書モデル評価工程Ｓ１２では文書生成モデルを適用した結果の評価が行われる。文書モデル生成工程Ｓ１１及び文書モデル評価工程Ｓ１２は、精度の高い文書生成モデルが構築されるまで繰り返し行われてもよい。変数加工工程Ｓ４において変数加工が行われた場合には、その結果は、文書モデル生成工程Ｓ１１において反映されることになる。

図１１に示される態様では、判別結果理由文章に関わる文書生成モデル適用工程Ｓ６０が設けられている。文書生成モデル適用工程Ｓ６０では文書生成モデルに対象データを適用することで当該結果に行った理由を説明する文章が自動で作成されることとなる。

モデル要素に含まれる個別要素のうち上位の個別要素を選択し、選択された個別要素と当該個別要素に対する係数とを用いて文章を作成する態様を採用してもよい。この場合には、利用者は総合判別結果に至る理由をより容易に認識することができる。

図１２では、一例として、要素３に含まれる個別要素として「過去X年間にU発生件数Z」「過去X年間での連続U発生月数Z」等といった内容が示されている。これらの結果を用いて、主要素による理由の文書生成モデルが生成される。そして、この文書生成モデルに対象案件を適用することで、「U要因あるが一時的で軽微」という文書が生成されたり、「過去重度W発生あり」という文書が生成されたりする。そして、複数のモデル要素に含まれる個別要素を用いて全体的な文書が作成され、図１２では「年齢X属性X属性X問題なし、U要因あるが一時的で軽微、・・・、AA問題なし」という文書が生成される態様が示されている。融資モデルの場合には例えば「年齢X職業Yで年収Z問題なし、延滞あるが月超えのみ軽微、・・・、融資A円問題なし」という文書が生成される。

文書生成で用いられるモデル要素は閾値以上の寄与が認められるものに限定されてもよく、仮に寄与率２５％以上のモデル要素を用いるという態様を採用した場合には、図１２に示す態様では、要素３、要素６及び要素７に含まれる個別要素が利用されて全体的な文書が生成されることになる。このような態様を採用することで、寄与度の高いモデル要素だけを用いて文書が作成されることから、個別要素を抽出する処理を簡略化しつつも、精度の高い理由を用いた説明が可能となる。ただし、このような態様に限られることはなく、選択部１１０は、モデル要素に含まれる個別要素のうち寄与度の高い個別要素をモデル要素のカテゴライズとは無関係に選択してもよい。

過去の案件の判断理由が人間の専門家によって判断理由の記述がなされており、その記述データが案件及びその結果と照らし合わせて参照することが可能な場合には、文章生成モデルは、当該文章と、主要素データ及び／又は変数データから適切な結果理由記述を自然言語で生成できるようなモデルとなってもよい。

過去の案件の判断理由記述データが存在しない場合や判断理由記述データが不足している場合には、判断理由をパターン化してテンプレートとして登録し、データ条件によってテンプレートを選択し、テンプレート中の必要部位に数値や文字を当てはめることも可能である。

上述した各実施の形態の記載及び図面の開示は、特許請求の範囲に記載された発明を説明するための一例に過ぎず、上述した実施の形態の記載又は図面の開示によって特許請求の範囲に記載された発明が限定されることはない。

１１要素判別モデル生成部
１５総合判別モデル生成部
８０出力部
１１０選択部
１２０文書作成部

Claims

複数の要素判別モデルを生成する要素判別モデル生成部と、
前記要素判別モデルのモデル要素と当該モデル要素の要素判別結果を用いて総合判別モデルを生成する総合判別モデル生成部と、
前記要素判別モデルに対象顧客データを適用することで要素判別結果を出力し、モデル要素と当該モデル要素の要素判別結果とを総合判別モデルに適用することで総合判別結果を出力する出力部と、
を備える情報処理装置。
総合判別モデル生成部は、前記要素判別モデルのモデル要素と当該モデル要素の要素判別結果だけを用いて総合判別モデルを生成する、請求項１に記載の情報処理装置。
要素判別結果は確率情報であり、
前記総合判別モデル生成部は、前記要素判別モデルのモデル要素と当該モデル要素に対する確率情報を用いて総合判別モデルを生成し、
前記出力部は、前記要素判別モデルのモデル要素と当該モデル要素における確率情報を総合判別モデルに適用することで総合判別結果を出力する請求項１又は２のいずれかに記載の情報処理装置。
前記要素判別モデルのモデル要素は複数の個別要素を含み、
前記モデル要素に含まれる個別要素のうち上位の個別要素を選択する選択部と、
前記選択部によって選択された個別要素と当該個別要素に対する係数とを用いて文章を作成する文書作成部と、
を備える請求項１乃至３のいずれか１項に記載の情報処理装置。
前記選択部は、予め定められた閾値以上の寄与度が認められるモデル要素に含まれる個別要素だけを選択する請求項４に記載の情報処理装置。
前記要素判別モデル及び前記総合判別モデルは融資に利用されるモデルであり、
前記出力部は、対象顧客データを各要素判別モデルに適用した融資に関する要素判別結果と、対象顧客データを総合判別モデルに適用した融資に関する総合判別結果とを出力する請求項１乃至５のいずれか１項に記載の情報処理装置。
前記要素判別モデル生成部は人工知能機能を用いて前記要素判別モデルを生成し、
前記総合判別モデル生成部は統計モデルからなる総合判別モデルを生成する請求項１乃至６のいずれか１項に記載の情報処理装置。
要素判別モデル生成部によって、複数の要素判別モデルを生成する工程と、
総合判別モデル生成部によって、前記要素判別モデルのモデル要素と当該モデル要素の要素判別結果を用いて総合判別モデルを生成する工程と、
前記要素判別モデルに対象顧客データを適用することで要素判別結果を出力部によって出力する工程と、
モデル要素と当該モデル要素の要素判別結果とを総合判別モデルに適用することで総合判別結果を出力部によって出力する工程と、
を備える情報処理方法。
情報処理装置にインストールされるプログラムであって、
前記プログラムがインストールされた情報処理装置は、
複数の要素判別モデルを生成する要素判別モデル生成部と、
前記要素判別モデルのモデル要素と当該モデル要素の要素判別結果を用いて総合判別モデルを生成する総合判別モデル生成部と、
前記要素判別モデルに対象顧客データを適用することで要素判別結果を出力し、モデル要素と当該モデル要素の要素判別結果とを総合判別モデルに適用することで総合判別結果を出力する出力部と、
を備えるプログラム。