「モデル」という言葉を聞くと、生成AIや機械学習のモデルを思い浮かべるかもしれない。
けれど、このサイトで扱う「モデル」は、それだけではない。
人は現実で起きていることを、そのまま理解しているわけではない。
何かを観測し、過去の経験や知識と結びつけ、「おそらく、こういうことなのではないか」という説明を作る。
私は、その現実を理解するために一時的に置いている説明構造も、モデルとして扱うことにした。
そして重要なのは、モデルを作ることよりも、そのモデルを現実に戻したときに何が起きるかだった。
このサイトでいう「モデル」とは何か
たとえば、仕事の中で問題が起きたとする。
「スキルが不足しているからだ」
「情報共有が足りないからだ」
「教育が必要なのではないか」
私たちは、観測した出来事から何らかの説明を作る。
しかし、それは現実そのものではない。
あくまで、現時点で観測できている情報から作った暫定的な説明である。
新しい事実が見つかれば、その説明は崩れるかもしれない。
別の場所から観測すれば、まったく違う構造が見えるかもしれない。
だから問題なのは、モデルが間違っていることではない。
現実と合わなくなったモデルを、それでも保持し続けること。
このサイトでは、その状態からモデルをどう変えていくのかを扱っていく。
AIを使うことで、答えが増えた
生成AIによって、答えを得ること自体はかなり簡単になった。
技術的な説明を求める。
文章を要約する。
コードを生成する。
アイデアを出す。
複数の選択肢を比較する。
以前なら時間をかけて調べていたことでも、AIに問いかければ短時間でそれらしい答えが返ってくる。
ところが、実際にその答えを現実へ持っていくと、うまくいかないことがある。
前提が違う。
組織の状況が違う。
受講者の理解度が違う。
使える時間が違う。
そもそも、最初に設定した問題そのものが違っていた。
つまり、AIが生成した答えと現実との間には距離がある。
私は次第に、その距離そのものに興味を持つようになった。
AIと現実を往復する
現実で何かが起きる。
そこを観測する。
違和感や問題をAIとの対話へ持ち込む。
分解する。
変数を取り出す。
構造として整理する。
そこから仮説を作る。
しかし、そこで終わらせない。
作った仮説を、もう一度現実へ戻す。
実際に仕事で使ってみる。
人に説明してみる。
教育で試してみる。
データを見る。
別の事例と比較する。
すると、仮説と現実が一致しない部分が出てくる。
そのとき、「AIが間違っていた」でも、「今回は例外だった」でもなく、
自分が保持していたモデルの方を疑ってみる。
この操作を、このサイトでは「モデル更新」と呼ぶ。
モデル更新の基本構造
現在、私はモデル更新を次のような流れとして捉えている。
観測 → 分解 → 構造化 → 仮説 → 検証 → 反証 → 更新
ここで重要なのは、一直線の工程ではないということだ。
現実へ戻した結果によって、もう一度観測から始まる。
現実を観測する。
何が変数で、何が固定条件なのかを分解する。
それらの関係を構造として整理する。
「こう説明できるのではないか」という仮説を置く。
現実へ戻して検証する。
成立しなかった部分を見る。
必要なら仮説を捨てる。
条件を追加する。
変数を増やす。
境界を書き直す。
そして、新しいモデルを置く。それも正解ではない。
現時点の観測結果を、比較的よく説明できている暫定モデルにすぎない。
新しい観測によって、また壊れる可能性がある。
モデル更新を考えるための三つの点
この過程を考える中で、特に重要だと考えているものが三つある。
観測点
制御点
責任分界点
観測点――どこから現実を見るのか
観測点とは、現実のどこを見るのかということだ。
たとえば研修で、受講者が課題を解けなかったとする。
結果だけを見れば、「課題を解けなかった」という事実が残る。
しかし、観測する場所を変えると情報は変わる。
正解できたか。
どこで手が止まったか。
どんな仮説を立てていたか。
AIに何を質問したか。
AIの回答をどう解釈したか。
同じ出来事でも、観測点によって見える構造は違う。
つまり、モデルを作るときには結果だけでなく、
「どこから観測したモデルなのか」も残す必要がある。
そして観測点を決めるということは、同時に観測していない領域が生まれるということでもある。
モデルには、作られた時点ですでに境界がある。
制御点――どこを動かせるのか
問題が見えたからといって、すべてを変えられるわけではない。
教材は変えられるかもしれない。
課題の難易度も変えられる。
説明する順番も変えられる。
AIへの指示方法も変えられる。
一方で、受講者が過去に積み重ねてきた経験そのものは変えられない。
市場環境や組織構造など、自分の権限では動かせないものもある。
ここを分けずに考えると、正しそうだが実行できない解決策が生まれる。
だから、
どこを動かせるのか。
どこから先は動かせないのか。
を分ける。
観測できることと、制御できることは同じではない。
責任分界点――どこまでを扱うのか
もう一つ必要なのが責任分界点である。
たとえば、受講者が理解できなかった。
それをすべて教材の問題とすることもできない。
逆に、すべて受講者の能力の問題とすることもできない。
教材。
講師。
学習環境。
事前知識。
本人の行動。
組織からの支援。
複数の要因が存在する。だからモデルを作るときには、「このモデルでは、どこまでを扱うのか」という境界が必要になる。
これは責任を避けるための境界ではない。自分が変更できる領域と、別の主体や条件によって成立している領域を区別するための境界である。
責任分界点を置くことで、そのモデルが説明しているものと、説明していないものが見える。
三つの点は固定されない
そして、この三つの点も固定ではない。
観測を続けた結果、そもそも観測する場所が間違っていたと分かるかもしれない。
制御できないと思っていたものが、別の方法なら動かせると分かるかもしれない。
責任分界点そのものを引き直す必要が出るかもしれない。
つまりモデル更新とは、仮説だけを書き換えることではない。
何を見るのか。
どこを動かすのか。
どこまでを扱うのか。
その三つ自体も更新対象になる。
なぜ「正解」ではなく「暫定モデル」なのか
正解という言葉は、問いが固定されているときには非常に便利である。
しかし現実の問題では、問いそのものが固定されていないことがある。
たとえば、「社員にAIを使わせるにはどうすればいいのか」という問いを置いたとする。
最初は、AIの操作方法を教育すればよいと考えるかもしれない。
しかし実際に観測すると、ツールは使えているのに問題を設定できない人がいる。
そこで、「AI操作教育ではなく、問いを作る教育が必要なのではないか」とモデルが変わる。
さらに観測すると、問いを作れない以前に、「そもそも何を観測すればいいのか分からない」
という状態が見えるかもしれない。
すると今度は、「観測から仮説を生成するところまでを扱う必要がある」というモデルへ変わる。
最初のモデルが、すべて間違っていたわけではない。
見えていた範囲が狭かった。
モデル更新には、この認識範囲の拡張も含まれる。
AIはモデル更新を加速させる
AIの価値は、答えを生成することだけではない。
自分が持っているモデルを外に出し、別の角度から検討できることにもある。
別の説明はないか。
反例はないか。
どんな前提を置いているのか。
別の立場から見るとどうなるのか。
似た事例と何が違うのか。
AIとの対話によって、複数の仮説を同時に保持し、比較することが容易になった。
そして、自分の中にあったモデルを観測可能な対象として外へ出せるようになった。
これは大きい。ただし、AIとの対話だけではモデル更新は完了しない。
AIとの対話だけを続ければ、内部的には非常に整合したモデルを作ることもできる。
しかし、それが現実で成立するとは限らない。
実際に使えるのか。
他人にも成立するのか。
別の環境でも成立するのか。
成立しないなら、何が違うのか。
そこまで戻って初めて、モデルを検証できる。
AIは仮説生成と分解を加速できる。
しかし、モデルを壊す材料の多くは現実側にある。
私は現在、そのように考えている。
モデル更新は、考えを頻繁に変えることではない
モデルを更新するというと、新しい情報が入るたびに考えを変えることのようにも見える。
そうではない。
新しい事実が見つかったとき、現在のモデルで説明できるのか。
例外として扱えるのか。それとも、モデルそのものを変える必要があるのか。
それを検討する。
一つの反例だけでモデルを捨てる必要はない。しかし、反例が増えているのにモデルを
守り続ける必要もない。
重要なのは、モデルを保持することと、モデルに固執することを分けること。
現時点で最も説明力のあるモデルは保持する。
ただし、それを現実そのものだとは考えない。
このサイトで残したいもの
このサイトでは、完成した答えだけを残すつもりはない。
何を観測したのか。
最初にどんな仮説を置いたのか。
なぜそう考えたのか。
現実へ戻したとき何が起きたのか。
何によって反証されたのか。
その結果、モデルをどう変えたのか。
そこまで含めて残していく。
成功した方法だけを残すと、その方法が成立した条件が見えなくなる。
失敗した仮説や、認識を間違えた部分、成立しなかった条件も残すことで、第三者がモデルを検証できるようになる。
このサイトの目的は、私の考えを信じてもらうことではない。
第三者が、その考えがどのように作られたのかを追える状態にすること。
そして必要なら、「このモデルは違う」と壊せる状態にすることである。
教育へ変換できるのか
もう一つ、観測したいことがある。
ここで構造化した方法論を見た第三者、特に教育や技術に関わる人が、「これは教育へ変換できる」
と感じるのか。
方法論を説明できることと、その方法を他人が身につけられることは同じではない。
理解できる。
実践できる。
未知の問題にも転用できる。
この間には距離がある。
教育へ変換するなら、
何を観測させるのか。
どの程度の情報を与えるのか。
どこで仮説を作らせるのか。
いつ反証を入れるのか。
何を評価するのか。
そうした設計が必要になる。
だから、このサイトの記事そのものを完成した教材にするつもりはない。
その一歩手前、教育へ変換するために必要な構造が、第三者から見えるところまで説明する。
そこを一つの基準にしてみたい。
個人の経験から生まれた方法が、個人の経験を超えて利用可能な構造になるのか。
これも、このサイトで行う実験の一つである。
このモデル自体も更新される
ここまで書いた「モデル更新」という考え方自体も、完成したものではない。
現在までに観測してきたものから作った、現在のモデルである。
今後、AI教育を実際に行えば、成立しない部分が出るかもしれない。
技術教育へ適用すれば、別の変数が必要になるかもしれない。
別の領域へ持っていけば、観測点そのものが変わるかもしれない。
第三者から、自分では見えていなかった問題を指摘されるかもしれない。
そのときは、この「モデル更新」という考え方そのものを更新する。
ただし、過去の状態を消して完成版へ書き換えるのではなく、その時点で何を考えていたのかを残す。
この記事は、その最初の位置になる。
Model v0.1
現実を観測する。
分解する。
構造を作る。
仮説を置く。
現実へ戻す。
反証する。
そして、また更新する。
このサイトは、その履歴を残すための場所である。