「深層学習」では十分な効果が出せない理由とは？　－　TOMASのコンセプトその2

運送業においてAIを用いて自動配車を行おうとした場合、AIの深層学習の「教師データ」は、配車マンの過去の配車実績データとなります。

配車マンが教師なので、仮にＡＩエンジンが100％完璧な学習が出来たとしても、教師である配車マンの実績を超える成果を出すことは出来ません。

そして100％完璧な学習が出来たとしても、深層学習は学習した業務のルールが少しでも変われば一から学習をやり直す必要があります。

AI将棋やAIチェス、AI囲碁などは、ルールが変わらないからこそ深層学習で強くなることができます。

もし将棋で相手から取った駒を、自分の駒として使えなくなったり、相手の陣地にたどり着いたら裏返って強くなるルールが無くなってしまったらどうでしょう？

今までの学習は全く意味がなくなり新たなルールでの棋譜をすべて覚えなおさないといけなくなります。

例えば運送業では配送経路の途中に新たな高速道路が出来たり、道路の制限速度が変わったり、スクールゾーンが出来るだけで、全ての学習は一からやり直しになります。

お客様の配送先の住所が変ったり、トラックの制限重量が変ったりと配送に関わるルールは山ほど存在し、常に変化し得るものであるだけに、深層学習ではうまくいかないのです。

TOMASはお客様毎に異なる制約事項を考慮しながら、あらゆる配送の組合せの中から最も効率的（移動距離が短い or 移動時間が短い or 最も利益率が高い）な配送スケジュールを選択する「進化した数理計画法」を用いたAIエンジンを構築しているので、ベテランの配車マンと比べて120％の効果を実現することも可能となるのです！