LLM支援型論理ルール学習：時系列異常検知における人間の専門知識の拡張

TL;DR（結論）

アマゾンのサプライチェーンにおける膨大な製品数の異常検知を効率化するため、人間の専門知識を大規模に拡張する新しいフレームワークが提案されました。従来の教師なし学習手法ではビジネス文脈の反映が難しく、一方で人間による手動の分析や大規模言語モデル（LLM）の直接的な運用には、コストや遅延、非決定性といった実用上の大きな課題が存在していました。 本手法は、マルチモーダルLLMを用いたデータのラベル付け、LLMによる論理ルールの自動生成と反復的な最適化、そしてビジネス上の解釈性を高めるルールの拡張という3つの段階で構成されています。特に、LLMを「セマンティックな勾配」として利用し、ルールの振る舞い分析に基づいて論理構造を修正する仕組みを導入することで、機械学習のような体系的な学習プロセスを実現しています。 実験の結果、提案手法は従来の教師なし学習を精度と解釈性の両面で上回り、LLMを直接運用する場合と比較して、低コストかつ低遅延で決定論的な結果を提供できることが確認されました。これにより、ブラックボックスではない透明性の高いルールを本番環境にデプロイすることが可能となり、専門家による検証や修正も容易な、実用的な異常検知システムが構築されました。

なぜこの問題か

サプライチェーン管理において、時系列データの異常検知は、コストのかかる混乱やサービスの低下を未然に防ぐための重要な役割を担っています。特にアマゾンのような大規模な環境では、数億もの個別製品（ASIN）について、週単位の指標を継続的に監視し、在庫の最適化や需要の異常を特定することが不可欠です。しかし、この規模での異常検知には、既存の手法では解決できないいくつかの根本的な課題が存在していました。 第一に、従来の統計的手法や教師なし学習（Isolation Forestなど）は、データのパターンのみに依存しており、ビジネス上の文脈やドメイン知識を考慮することができません。例えば、在庫切れ率が急激に低下することは、業務上の改善を意味しますが、パターンベースの手法では歴史的な傾向からの逸脱として異常と判定されてしまうことがあります。また、個別製品のデータは非常に変動が激しく、安定したパターンを学習することが困難であるため、従来のモデルでは自然な変動と真の異常を区別することが難しいという問題がありました。 第二に、これらの手法は「ブラックボックス」としての性質が強く、なぜそのデータが異常と判定されたのかという根拠を提示できません。…

核心：何を提案したのか

本研究では、LLMを本番環境で直接推論に使うのではなく、人間の暗黙的なドメイン知識を「明示的で解釈可能な論理ベースの記号ルール」へと変換するための架け橋として活用する、新しいフレームワークを提案しました。…

続きはログイン/プランで閲覧できます。