知識表現型AI：ルールベースの「専門家システム」による車両診断技術

知識表現型AI（Symbolic AI）は、通常「ルールベースのAI」として知られるアプローチであり、AI発展初期の主要なパラダイムの一つです。その基本理念は明確で、人間の専門家の知識を機械が理解できる形式とルールに変換し、論理的推論によって問題を解決することです。

この手法の特徴をより深く理解するために、「車両の故障診断」を事例として取り上げ、知識表現型AIの仕組み、利点、そして限界について考察します。

一、知識表現型AIによる車両診断の仕組み

知識表現型AIの本質は 「知識の符号化＋ルールに基づく推論」 です。車両の故障診断において、このプロセスは経験豊富な整備士が「直感的に判断する方法」を、機械が実行可能な「ロジック命令」へ翻訳するようなものです。つまり、手順が明確で、結果が追跡可能であり、透明性が高いという特徴があります。

1. 第一步：知識の符号化 —— 診断症状を機械語に変換

整備士は「視覚・聴覚・触覚」によって問題を把握しますが、知識表現型AIではこれらの主観的な情報が明確な変数として定義されることで、機械による正確な認識が可能になります：

• engine_start：エンジンの起動状態（True / False）
• fault_light：故障警告灯の点灯状況（True / False）
• abnormal_noise：異音の有無（True / False）
• 診断結果も同様に記号化され、例えば：
• battery_dead（バッテリーの低下）
• ignition_fault（イグニッション故障）
• belt_loose（ベルトの緩み）

この段階では、整備経験を数値タグとして構造化し、主観的な判断を標準化された入力に変換します。これが知識表現型AIの基礎です。

2. 第二步：推論ルールの構築 —— 経験をIF-THEN文法に落とし込む

知識表現型AIの中心は、人間が作成した明示的なルールセットです。これは、整備士の口頭での経験（例：「エンジンが回らない、灯りがつく、異音なし→バッテリーが切れている」）を、論理的に整理した形で表現したものです：

ルール1：IF engine_start=False AND fault_light=True AND abnormal_noise=False → THEN battery_dead  
ルール2：IF engine_start=False AND fault_light=False AND abnormal_noise=False → THEN ignition_fault  
ルール3：IF engine_start=True AND fault_light=True AND abnormal_noise=True → THEN belt_loose  
ルール4：IF engine_start=True AND fault_light=False AND abnormal_noise=True → THEN exhaust_leak  

これらのルールは一般的な故障ケースを網羅しています。システムはユーザー入力に対応するルールを検索し、即座に診断結果を出力します。学習機能を持たず、単純なマッチングで動作するという特徴があります。

3. 実際の動作例（Pythonコード付き）

def diagnose_vehicle():
    print("=== 車両故障診断システム（知識表現型AI）===")
    
    # ユーザーからの入力を取得し、真偽値に変換
    engine_start = input("エンジンが起動しますか？（True/False）").strip().lower() == "true"
    fault_light = input("故障警告灯が点灯していますか？（True/False）").strip().lower() == "true"
    abnormal_noise = input("異音が聞こえますか？（True/False）").strip().lower() == "true"
    
    # 預められたルールに基づいて診断
    if not engine_start and fault_light and not abnormal_noise:
        result = "診断結果：バッテリーの低下\n対処案：バッテリーの電圧を確認し、劣化している場合は交換してください"
    elif not engine_start and not fault_light and not abnormal_noise:
        result = "診断結果：イグニッション故障\n対処案：イグニッションスイッチの接続を確認し、必要に応じて交換してください"
    elif engine_start and fault_light and abnormal_noise:
        result = "診断結果：エンジンベルトの緩み\n対処案：整備店でベルトを締め直すか、摩耗したベルトを交換してください"
    elif engine_start and not fault_light and abnormal_noise:
        result = "診断結果：排気系の漏れ\n対処案：排気管の接続部を確認し、漏れ箇所を補修してください"
    else:
        result = "診断結果：既存ルールに一致するものがありません\n対処案：専門整備士に相談してください"
    
    print("\n=== 診断結果 ===")
    print(result)

# 診断システムを起動
diagnose_vehicle()

4. 実行例

=== 車両故障診断システム（知識表現型AI）===
エンジンが起動しますか？（True/False）False
故障警告灯が点灯していますか？（True/False）True
異音が聞こえますか？（True/False）False

=== 診断結果 ===
診断結果：バッテリーの低下
対処案：バッテリーの電圧を確認し、劣化している場合は交換してください

ルール1が完全に一致し、推論過程が明確に可視化されます。

二、知識表現型AIの主な特性（車両診断から見た本質）

1. 高い解釈性：各結論は特定のルールに遡ることができ、例えば「バッテリーの低下」は「エンジンが回らない＋灯りがつく＋異音なし」の条件により導かれます。
2. 人間の知識依存：ルールの品質は専門家の経験に依存しており、未カバーの組み合わせ（例：「エンジンが回らない＋灯りがつく＋異音あり」）に対しては対応できません。
3. 学習機能の欠如：一度定義されたルールは変更されず、新しいケースに対応するには人手による更新が必要です。
4. シンプルな明確な問題に適する：症状が少なく、論理が明確なタスクにおいては優れた性能を発揮します。例として、家電の故障や基本的な意思決定フローなどがあります。

三、知識表現型AIが主流から衰退した理由 —— 現代車両における課題

複雑なシステムにおいて、知識表現型AIは多くの課題に直面しています：

1. ルールの爆発：電気自動車には数百個のセンサーがあり、症状の組み合わせが指数関数的に増加します。すべてのパターンを網羅するルールを作るのは現実的ではありません。
2. 知識の移行困難：ガソリン車のルールは電気車にそのまま適用できません。また、家庭用車と商用車では診断ロジックが異なるため、それぞれのケースで新たなルールを書く必要があります。
3. 曖昧な情報への対応不足：現実では「時々灯る」「僅かな異音」などのケースが見られますが、知識表現型AIは明確な真偽値を前提とするため、不確実性に対応できません。
4. 保守コストの高さ：スマートドライビングや三電システムのような新技術が急速に進化する中、ルールの更新に膨大な専門知識と時間が必要となり、長期的には持続不可能です。

四、現代AI（ディープラーニング）との違い

ディープラーニングによる診断では、以下の点が異なります：

たとえば、ディープラーニングモデルは10万件の「センサーデータ＋故障ラベル」から、「特定の周波数の異音＋電圧の変動」と「モーター制御ユニットの故障」の関連性を自動的に学習できます。このような関係性は、人間の専門家がルールとして表現することは困難です。

五、まとめ：歴史的意義と現代への影響

知識表現型AIは、AIの「幼児期」の姿であり、知識を符号化し、論理的に推論するというアプローチは、医療診断や産業制御など多くの分野で成功を収めてきました。車両診断においては、まるで厳格なチェックリストに従う整備ロボットのように、ルールが明確であれば信頼性が高く、しかし現実の複雑さに直面すると限界があります。

現在は主流ではないものの、解釈性という側面は依然として重要な価値を持っています：

• ディープラーニングモデルの出力が妥当かどうかを評価するのに役立つ。
• リソースが限られている、または安全が重要なシンプルなシステム（家電の自己診断、基本的なアラートシステム）では、開発が速く、論理が明確なため依然として使用されている。

つまり、知識表現型AIは「舞台の主役」ではなくなっていますが、AIの発展における論理的基盤を提供し、今日の「解釈可能AI」（XAI）にも大きな示唆を与えています。「知る」ことの重要性を忘れずに、AIの進化を支えるのです。

結論：AIの進化は「新しいもので古いものを置き換える」ものではなく、異なるパラダイムが融合し合うプロセスです。知識表現型AIを理解することは、AIが「ルール」から「学習」へと移行する鍵を握るのです。