人はいかにして 確率的な挙動を 受け入れていくのか

以下イベントの登壇資料です

VPoE/CTO/CDOと語る、AI時代のデータサイエンスリーダーのキャリアと組織づくり
「データサイエンスリーダーのキャリアガイド」が出版記念イベント
https://lycorptech-jp.connpass.com/event/379328/

Transcript

1. 人はいかにして 確率的な挙動を 受け入れていくのか エムスリー株式会社 VPoE 河合 (@vaaaaanquish) 2026/01/24 VPoE/CTO/CDOと語る、AI時代のデータサイエンスリーダーのキャリアと組織づくり
2. エムスリー株式会社 VPoE Google Developer Experts (AI/ML) 高専→大学→Sansan→Yahoo!→M3 ロボコン → 強化学習/連合学習/DNN LightGBM、XGBoost、Package Managerなど Python/Rust周辺でOSSコミッター @vaaaaanquish
3. エムスリーが事業展開している国の数 17 カ国 (※) 全世界の医師におけるエムスリー会員の割合 50 %以上 (※) 全世界で医師会員合計 650 万人以上 (※) 日本の医師のエムスリー会員率 90 %以上 (※) 2025年7月時点 医療情報プラットフォーム 導入数No1電子カルテ 待ち時間ゼロの病院DXアプリ 国内最大級医師相談サイト エンジニアが開発/運用しているプロダクト数 40 以上 (※) エムスリー株式会社について
4. 『LLMは機械語を読み書きするようになるか』 最近の話題 https://x.com/ohnuki_tsuyoshi/status/2008417245555552476 インターネットでは 様々な意見が見られた 皆様はどう思いますか？
5. 『LLMは機械語を読み書きするようになるか』 私の答え https://x.com/ohnuki_tsuyoshi/status/2008417245555552476 LLMが機械語を読み書きする（バイナリを生成 する）（中間表現を獲得する）（システムコー ルを実行する）（コンパイラを代替する）（適 切にバイナリオブジェクトを紐づける）はあり 得るかもしれないしそうでないかもしれない 6割なさそう4割イノベーションの可能性がある 結論や結果はもとより 確率的挙動を考えることの課題が つまった非常に良い議論の題材であった
6. プログラムがコンピューターを動かすまで https://ja.wikipedia.org/wiki/機械語 https://disassemble-channel.com/compile-flow/ https://ja.wikipedia.org/wiki/アセンブリ言語
7. 確率的挙動 効率 速度 精度 LLMでは機械語を読み書きする 精度が出ないのではないか 『決定的挙動のコンパイラの再現』 という意味では綺麗なデータセットを 無限に用意できる分野 自然言語→機械語のE2Eは （機械学習的には）面白い課題であり 中長期で大幅に改善する可能性が高い 確率的挙動のサイクロン
8. 補足：世の中綺麗なデータセットというものは多くない 1万4000件！？ ImageNetのラベルエラーを除外してモデルを評価したら、精度が爆上がりした件 - Qiita → 『決定的な変換を再現』するタスクはML分野としては一般的 　まず再現を試して学習済みモデルとする、アナロジー的横展、ノイズラベルに拡張する…等
9. 確率的挙動 効率 速度 精度 現状でも十分高速なコンパイラを 超える必要はあるか CV分野、NLP分野も十分高速化した 精度/効率とのトレードオフではなかった buildに10分以上かかる分野では 1分で99％LLMができるなら 得られる効能がある 『手元ではLLM buildして 本番はコンパイラに任せる』等 確率的挙動のサイクロン
10. https://x.com/AIatMeta/status/1806361623831171318 補足：Meta LLM Compiler • Meta社より論文/オープンモデルが公開 (2024) ◦ 実際の最適化を再現するよう学習 ◦ 中間表現(IR)、アセンブリ言語、最適化手法を理解 ◦ コードサイズ最適化 ▪ 本来数時間から数日かかる Autotuning(最適化オプション探索)を 1~10sec程の推論速度、精度77％で再現 ◦ 逆アセンブル ▪ x86_64、ARMのアセンブリコードをLLVM-IRに 戻すタスクで45%成功、14%は完全一致
11. 確率的挙動 効率 速度 精度 決定的挙動でパフォーマンスの良い コンパイラに対し LLMでやる必要性 エネルギー効率、資本的理由 人類は全CPUアーキテクチャに 最適な仕組みを未だ持っていない ブラックボックス化 ≒ 全体効率の向上 　　→ 最適化技術の進化 　　→ 自由なハードウェア開発の発展 　　→ バイナリ解析技術の発達 確率的挙動のサイクロン
12. 補足：最適化、ML、統計な人の感覚的理解と議論 https://x.com/kazuho/status/2009029862166778277 https://x.com/chokudai/status/2009157135083688452 The New Compiler Stack: A Survey on the Synergy of LLMs and Compilers https://arxiv.org/abs/2601.02045 などのサーベイを読んでも どんな問題設計/入出力にすると 全体として/機械学習タスクとして良いのか等 まだまだ議論が多い
13. 確率的挙動 効率 速度 精度 AIを扱うということは 確率的挙動を中心に相互に働く 精度 / 速度 / 効率 がそれぞれ十分以上になった時 に真に”良い”ものになるか を考える事が重要 確率的挙動のサイクロン
14. • 決して否定できない分野 ◦ 私自身『そんな既に効率の良い決定的な変換を学習させても意味なくない？』と思っていた ものが『今機械学習界隈で持て囃される一要素』と成った案件は多々ある • とはいえ現状 ◦ 自然言語とソースコード、コンパイラ、機械語、実行ファイル が適切な抽象度を持ち、柔軟に高低を行き来し、十分高速で良い感じに扱えている ◦ 何を入力・出力にして、どのような精度だったら、何に使えるのかまだ微妙に分かりづらい （人類の真の課題はコンパイラなのかリンカーなのかハードなのかソフトなのか…） ◦ 工学的にも工夫の余地が大規模とまでいかない分野（と勝手に認識してしまっているかも） （当然分野の人をリスペクトしているし、ロボコン出身なのでアーキテクチャ最適な機械語 やアセンブリがポンと出てこない業界も好きだし、Web屋としてそうじゃない業界も好き） ◦ →　総合して6~7割くらいは否定的な感情　 個人的にはとても良い、好きな議論
15. • 誰かや何かの否定ではなく、そもそも原理原則として難しい部分がある • 物理的には全ての物事が連続的、確率的な中で動いており 一定のラインを超えると決定的挙動が勝り受け入れられるとも言える ◦ 太陽フレアで皆さんの PCは確率的に落ちる中で使っているとも言える ◦ 初期のインターネットも初期の C言語も使い物にならないと言われていた ◦ 自動車整備工場も人の目視を中心としていたが確率的な AI+人に変わっていった ◦ イーロン・マスクがTwitterを買収した時は意味不明だと言われていた • 『成功した時のdiffが大きい』ものには谷がある ◦ 精度、速度、効率が十分に向上し、谷を超えるプロダクト /プロジェクトにより空気が変わる さておき、議論を見ていて思う 『確率的挙動を人間が受け入れるのは結構難しい』
16. ロボット工学の森政弘先生が提唱した「人が人に近いロボットに嫌悪感を抱く谷」 まさに『LLMコンパイラ議論』は谷の中で議論が盛り上がった、と言える 今、多くの分野がAIによって不気味の谷の前後を彷徨っている 不気味の谷 https://ja.wikipedia.org/wiki/不気味の谷現象 ※森先生：私も尊敬する偉大な先生の1人です
17. • アーリーであれ アーリーに挑戦し、アーリーをリスペクトする • 神の一手を担え 人類が受け入れた/受け入れそうという空気を察し、 最高のタイミング、最高のプロダクト /プロジェクト 最高の体験をモデルで実現する • スペシャリストであれ タイミングを予見し、説明責任と歴史と未来を背負う 深く広い知識を持つスペシャリスト、リーダーで在り続ける 創り手であれ 具体と抽象 そして何より目の前の課題
18. • 『機械学習のプロジェクトが上手くいかない理由』 ◦ 理解して貰えない、運用が大変、評価が難しい、データが集まらない …etc ◦ よく語られるが、多くが表面的な事象 • 本質的には『人類が確率的挙動を受け入れるのは難しく、その現在と未来を見 据え、最高の体験と最高のタイミングを見計らい、説明責任を負いながら創る事 ができるプロフェッショナルもまた少ない 』ほぼ全てここに収束する 機械学習、データサイエンスPJが難しい理由に通づる 確率的挙動を扱える至高の領域に踏み入ろう 杏寿郎、お前もデータサイエンスリーダーにならないか…？
19. そう、俺達にはこの本がついている！