ルールエンジンとは

ビジネスにおける意思決定を支援。 ビジネスにおける意思決定を支援。 変わり続けるビジネス環境にも即応します。変わり続けるビジネス環境にも即応します。
ビジネスをとりまく複雑で多様な業務知識の見直しに、 ビジネスをとりまく複雑で多様な業務知識の見直しに、 迅速かつ柔軟に対応できるシステムが、ルールエンジンです。迅速かつ柔軟に対応できるシステムが、ルールエンジンです。
ビジネスにおける意思決定を支援。
変わり続けるビジネス環境にも即応します。
ビジネスをとりまく複雑で多様な業務知識の見直しに、
迅速かつ柔軟に対応できるシステムが、ルールエンジンです。

ルールエンジンの概要

ルールエンジンは、業務知識をルールベースとして蓄積することで、高度な意思決定の自動化を実現するシステムです。人が持つ知識をシステムに組み込むことで、知識の運用と活用をサポートします。

<図1.ルールエンジンとは>

また、ルールエンジンの導入は、ビジネスフローとビジネスルールの分離をもたらします。一般的なシステムはビジネスフローとビジネスルールが混在しがちですが、ルールエンジンはビジネスルールを一元管理することができるので、ビジネスルールの変更に素早く対応できます。

<図2.ビジネスフローとビジネスルールの分離>

ルールエンジンの特徴

ルールエンジンの導入による3つの効果

効果1.業務知識の組織資産化

ルールエンジンの利用は、属人化を防ぎ、業務知識の可視化と組織資産化を実現します。業務知識の組織資産化により、事業の継続と発展を確実なものとし、お客様の企業価値を向上させます。

<図3. 業務知識の可視化>

効果2.ビジネススピードの加速化 

業務知識を、普段業務で使っている言葉を使い、表形式に可視化して管理することにより、ユーザー部門における理解が深まります。また、メンテナンス性に優れているため、業務知識の頻繁な変更に対応可能なシステムを構築できます。


<図4. 業務知識表のメンテナンスによるビジネススピードの加速化>

効果3.業務品質の改善

ルールエンジンにより、業務知識をそのままシステムに活用できるため、業務知識をあらゆる場面で再利用し、業務品質を改善できます。例えば、業務知識の欠如による誤りの発生などの、手戻りコストを削減することができます。

<図5. 業務知識の取り込みと再利用性>

ルールエンジンの適用分野

最も典型的な適用分野は、ビジネスにおける「高度な意思決定・判断基準を担う領域」です。例えば、金融業界においては、ルールエンジンを用いて保険加入審査、新商品の開発における不整合チェックを行っています。また、何千万件の顧客情報と料金プランの管理が必要な情報通信サービスでも、ルールエンジンの適用で業務要件の変更に強い体制が構築されているなど多業種で活用されています。
弊社ルールエンジン「NaU DSP」では、より「高度な意思決定・判断基準を担う領域」に適用することが行えます。

弊社ルールエンジン「NaU DSP」 についてはこちらのページよりご覧いただけます。
NaU DSP


AIにおけるルールエンジンの位置づけ

AIブームにおけるルールエンジン

近年のAIブームは、第3次AIブームと呼ばれており、機械学習やディープラーニングの手法が注目されています。ルールエンジンは、それらと同等のAIにおける一手法であり、第2次AIブームにおける主役でした。第3次AIブームでは、ルールエンジンは「推論型AI」や「協調型AI」と呼ばれ、その役割と利点が再評価されています。

ルールエンジン

人間の知識を人力で抽出し、ルールベースに可視化された形式で格納します。蓄積された知識はシステムにおいてそのまま活用されるため、システムから得られた結論の出典は明瞭に説明できます。

知識の活用は、新たな知見の発見につながります。仮説を立てることで、知識を増やすこともできます。発見等により増えた知見もルールベースに追加できます。知見の増加により、業務知識の改善ができます。 また、知識は得られた領域だけでなくその他の領域においても、再利用できます。しかし、人間の知識に依存するため、人間が明確な知識を持たない場合や抽象的な知識しか存在しない場合に、適用が困難なことがあります。

<図5. 推論型AI>

機械学習型AI

大量の事象(ログ)から規則性を見出すことで、人間の知識に依存せずに知識を得ます。このため、人間が明確にできないような曖昧な知識をもシステムに取り込めます。ただし、得られた知識は可視化されないため、得られた結論に対する明瞭な説明が困難です。ログから知識を自動的に抽出するため、学習対象とするログの変更により状況に応じた結論が得られます。しかし、ログの整備が必要であり、また、人間が持つ知見を活かすことが困難なため、知識の再利用が困難です。

<図6. 機械学習型AI>

ルールエンジンと機械学習型AIの優位点・考慮点

ルールエンジンと機械学習型AIには、下表のように異なる優位点、考慮点があります。

ルールエンジン機械学習型AI
優位点・判断結果について理由を説明可能
・業務知識の追加・変更が可能
・業務上の知識・経験をまとめる必要がない
・人にない視点で結論を導き出せる
考慮点・判断基準の組織的な共通認識が必要
・妥当な知識を得るためには十分な業務分析が必要
・学習するために大量のデータが必要
・前提が変化した場合、再学習データが必要
・判断結果について理由を説明不可

協調型AI

現在、機械学習型AIの研究開発は米国・中国が先行しています。両国は大規模データを学習できる利点を持っています。しかし、不特定のユーザーから収集された大規模データは特定の専門分野への適用は難しい側面があります。
日本では大規模データの収集については両国に比べると困難ですが、先進的な技術を持った製造業などの競争力のある業界に特化した良質なデータの収集できる現場を持っています。また、これらのデータをいかす熟練者を多く抱えています。先進的な分野では、結果について信頼性が求められるため根拠を説明可能でなければなりません。今後、日本では熟練者の裏付けがある実社会での運用に耐えうる人間と協調できる実社会型/人間協調型AIが求められます。

<図8. 「日本型AI」に向けた取組みの必要性>

このため、実社会型/人間協調型AIは、人の知識をルールエンジンと機械学習型AIを適切な使い分け、場合に応じた同時活用が必要です。

<図9. 機械学習とルールエンジンの活用モデル>

RPAにおけるルールエンジンの役割

RPAとルールエンジンの関係

RPA(Robotic Process Automation)は、ルールエンジンやワークフローエンジンを使用しながら業務処理の自動化を実現するツールです。RPAにおいて、ルールエンジンは、業務に出現する意思決定の自動化に貢献します。

ルールエンジンの果たす役割

現在のRPAは、3段階における自動化のクラス1にあたる、定型業務の自動化を目指しています。クラス2にあたる一部非定型作業の自動化や、クラス3にあたる高度な自律化は、高度な意思決定を伴う業務の自動化が対象です。

クラス1のRPAは、意思決定に関わらない範囲の業務を対象としているため、ルールエンジンを使用しないか、搭載していても低機能ルールエンジンです。今後、RPAがクラス2,3を目指して高度化するとされており、RPAにおいては高機能ルールエンジンが重要な役割を果たすようになります。

<図10. RPAとルールエンジン>

RPAの課題

RPA(クラス1 )は急速に普及してきましたが、一方で「導入後の課題」も浮き彫りになってきました。複雑な業務においては業務フロー・手続きを変更できる人が限られ属人化し、統制の取れないロボットが問題になっています。
属人化の原因は3つあげられます。

①業務フロー全体が管理されていない

②RPAにおける手続きの再利用性が低い

③体系的に業務知識を扱う仕組みがない

RPAにおけるルールエンジンの活用

知識ベース(ルールベース)をRPAに組み合わせることで、業務フロー、手続き、判断のどの観点においても管理が行えるようになります。


<図12. RPAとルールエンジンの活用モデル>

RPAへのルールエンジン活用による効果

RPAにルールエンジンする効果は以下のように3つがあり、RPAへのルールエンジンの活用は業務効率化にとどまらず業務改革が可能にします。

RPA適用業務間の業務フローを知識ベースで管理

②ルールに基づきRPAの手続きを自動生成

③業務知識をルールエンジンで管理

弊社ルールエンジン「NaU DSP」 についてはこちらのページよりご覧いただけます。
NaU DSP