AIによる炭素管理と聞くと、複雑な現場を一度に説明してくれるように感じるかもしれません。私はまず、どのような判断を支援するモデルなのかを尋ねてみることをお勧めします。『炭素削減を実証する技術とソリューション』第8章では、メタン予測モデルの機能と利用できる範囲を区別します。故障を見つけるモデルと排出量を推定するモデルでは、答える問いが異なるからです。
本書でまず区別しておきたいことです
警報を評価するときは、警報が出た事例だけでなく、見逃された異常も確認するとよいでしょう。警報がなかった区間も調べなければ、見逃しを推定できないからです。担当者が実際に対応できる水準かどうかもあわせて見ます。利用範囲を外れる入力があった場合にどうするかも決めてください。出力に制限を表示したり、人に引き継いだりする手順が必要になることがあります。AIによる判断支援と削減量の外部検証では、目的と責任が異なる点も覚えておいてください。
機能の確認。安全用ガス検知器のバンプテストは、ガスを導入してセンサーの応答と警報機能を確認する手順であり、定量校正の代わりにはなりません。研究用メタン分析器では、メーカーの手順に従ったゼロ・スパン確認、漏れ確認、回収率試験など、目的に応じた点検を実施します。機能点検に合格したという事実だけで、排出量測定の正確性が保証されるわけではありません。
削減量には、測定のトレーサビリティと計算の追跡可能性の両方が必要です。測定値は、文書化された校正連鎖と不確かさを通じて基準に結び付けます。活動データと排出係数・モデルは、出典、バージョン、適用条件を通じて最終結果まで追跡します。すべての削減量が直接測定だけから得られるわけではありません。確認者は計算を再現できるかに加え、使用したデータと方法が主張に適しているかも確認する必要があります。
現実的な発展の道筋は、濃度の観測と基準排出率の測定をあわせて蓄積し、換気・気象・頭数・飼料の情報を結び付けることである。モデル開発に使わなかった農場と期間で予測誤差を評価し、適用範囲を明記する。同時観測データが増えても、代表性に乏しい場合や共通の偏りがある場合には、モデルの信頼性が自動的に高まるわけではない。
センサーを比較する際は、測定範囲と分解能、他のガスに対する交差感度、応答時間、ドリフトをあわせて確認します。温度・湿度・粉じんなどの環境条件と校正要件も検討する必要があります。小さな濃度差を見分ける必要がある場合、装置の表示単位と不確かさが目的に適しているかを、製品と運用モードごとに確認します。センサー原理の名称だけでは、これらの条件を代替できません。
AIは、異常の兆候を候補として検出したり、定められた条件下で短い欠測を推定したり、複数の変数間の関係を探索したりするために活用できます。データ整理や品質点検、報告書の草案作成を支援することもあります。機能ごとに目的と失敗時のコストは異なるため、すべてを同じ性能指標で評価してはなりません。どの入力と前提から結果を作成したかを明らかにし、推定値を直接観測値と区別する必要があります。
現場ではこのように見てみるとよいでしょう
センサーが通常と異なる値を示す状況を想像してみましょう。AIは点検すべき候補を知らせることができます。しかし、その警報だけで装置の故障が確定したり、削減実績が立証されたりするわけではありません。担当者が確認した結果と実際に取った措置を記録してこそ、モデルが業務にどのように役立ったかを検討できます。
AIは観測データを整理し、欠測値を推定できます。その価値は推定である事実を隠すことではなく、どのデータと前提に基づき、どの範囲まで信頼できる値を作ったのかを明らかにすることにあります。
評価データはまず分割する。同じ農場の隣接する時刻のデータを無作為に混ぜると、現場の反復パターンを記憶した性能を、新しい農場に対する性能と誤認する可能性がある。将来の運転予測が目的なら時間順に、別の農場への展開が目的なら農場単位で分割する。モデル選択に使った検証データと最終的な性能確認に使うデータを区別し、前処理と欠測補完も学習データで定めた規則に従って実行する。
AIの評価資料は、利用目的に応じて分ける。将来の運転状態を予測するなら時間順の分割を、別の農場に展開するなら農場単位の分割を検討する。モデル選択に使うデータと、最後の性能確認に使うデータも分ける。単純な基準モデルと比較し、平均誤差だけでなく、農場・季節ごとの偏りや失敗条件も確認しなければ、実際の利用範囲を説明できない。
投資を検討するとき、あわせて尋ねてみましょう
投資を検討する際は、AIという名称よりも、従来の方法と比べて何を改善したのかを尋ねるとよいでしょう。警報を多く出すことが目標なのか、重要な異常の見逃しを減らすことが目標なのかも定める必要があります。現場の対応要員や誤警報の費用まであわせて考えると、利用できる条件がより明確になります。
データの来歴が不十分だと、確認者は数値が作られた過程を追跡しにくくなり、利用目的によってはデータの受け入れが制限されることがある。元データと修正履歴の保存期間は、適用制度・契約・個人情報の要件を確認して決める。保存が必要なデータを無断で上書きしてはならないが、すべてのデータを無期限に保存することを原則とするわけでもない。
最後に、プライバシーとデータの権利がある。農場データは個体情報、生産実績、財務情報と結び付く可能性がある。削減検証の目的を超えて金融・保険・マーケティングに再利用すれば、農場の信頼を失う。第1章で触れたように、信頼を失えばデータの品質も同時に失う。目的の限定、個別の同意、アクセス権の段階的な設定、異議申し立ての手続きが、技術的なセキュリティと同じくらい重要な理由である。この設計は第12章の契約に関する議論と政策提言12で具体化する。
本を閉じる前に考えておきたい問いです
AIの役割を限定して説明しても、その可能性が狭まるわけではありません。むしろ、何を任せ、何を人が確認する必要があるのかが分かります。モデルの出力、実際の判断、措置の結果をあわせて記録してみてください。
著者紹介
イ・ボンジュンは、西江大学校の技術経営大学院（MOT）を修了。Infitron Co., Ltd.で7年、Honeywellで20年、ガス計測分野に27年間従事し、サービスエンジニア、技術営業、チャネル管理の業務を担当した。現在はAI Safety Korea Co., Ltd.の創業者として、センサー・AI・データ分析を活用した畜産メタンモニタリングと測定・報告・検証（MRV）の仕組みを研究している。