集合知と 社会システムのレジリエンスnama/Top/InvitedTalk/12-3-27.pdf2012/03/27 ·...
Transcript of 集合知と 社会システムのレジリエンスnama/Top/InvitedTalk/12-3-27.pdf2012/03/27 ·...
0 - 豊田中央研 ’12.3.5
集合知と社会システムのレジリエンス
(resilience)
生天目 章
防衛大情報工学科
www.nda.ac.jp/nama
1 - 豊田中央研 ’12.3.5
概要
1.社会システム論の潮流
2.マルチエージェントシミュレーションの実際
3.群知能と集合知
4. ネットワーク制御
5.社会システムのレジリエンス
6. その他のトピックス
2 - 豊田中央研 ’12.3.5
<システム論の萌芽>
一般システム理論 (ベルタランフィ(L.Bertalanffy)オーストリア生物学者)
<システム論の発展>
(1)人間の行為モデル (パーソンズ(T.Parsons)アメリカ社会学者) (2)最適化モデル (パレート(V. Pareto)イタリアの経済学者) (3)サイバネティクスモデル (ウィナー(N. Wiener):アメリカの数学者)
(4)自己組織化モデル (5)オートポエシス(マトゥラナ(R.Maturana),ヴァレラ(J.Varela):チリ出身
の生理学者
(6) ルーマンの社会学 ( ルーマン (N. Luman):ドイツの社会学者)
<最近の潮流> ・社会:複雑適応系(オームロッド(P. Ormerod)
・社会:ネットワークとしてとらえる (クリスタキス(N. Cristakis)アメリカの医学者)
社会のシステム論的なとらえ方
3 - 豊田中央研 ’12.3.5
RetailInventory
Desired Wholesaler Inventory
Wholesaler Sales Forecast
WholesalerInventory
DistributorInventory
Retail OrdersRetail Sales Forecast
Desired Retail Inventory
Wholesaler OrdersDistributor Orders
Distributor Sales Forecast
Desired Distributor Inventory
Distributor Shipments Wholesaler ShipmentsFactory Shipments Retail Sales
Retail Inventory Coverage
Facing Fill Rate
Wholesaler Inventory CoverageDistributor Inventory Coverage
RetailWholesalerDistributorFactory
システム・ダイナミクス(フォレスター)Supply Chain: MIT Beer Games
社会のとらえ方:システム思考
4 - 豊田中央研 ’12.3.5
ブルウィップ効果(Bullwhip Effect)
Lee et al., 1997, Sloan Management Review (P & G)
5 - 豊田中央研 ’12.3.5
ブルウィップ効果の解決方法
衛星を使った情報伝達
・集中意思決定
・情報共有
6 - 豊田中央研 ’12.3.5
マルチエージェントとサプライ・チェイン
E x e c u tiv e C o m m u n ity (S tra te g y F in d e r)
S u p p ly C h a in C o m m u n ity
(D ra g o n C h a in )
P ro d u c t io n C o m m u n ity
(L iv in g F a c to ry )
P r ic in g A g e n t
In v e s tm e n t A g e n t
A u c tio n A g e n t
B id d in g A g e n t
C o n tra c t in g A g e n t
F a c to ry A g e n t
D is t r ib u to r A g e n t
W h o le sa le r A g e n t
R e ta ile r A g e n t
E -M a rk e tp la c e C o m m u n ity
(e B A C )
7 - 豊田中央研 ’12.3.5
サプライ・チェインは,なぜ難しいのか?
複雑性 不確実性
両方あると最適化は難しい!
・需要の変動
・価格変動
・売れ筋商品の獲得ゲーム
・ロットサイズ
最適意思決定とブルウィップ効果
8 - 豊田中央研 ’12.3.5
マルチエージェントシミュレーションの実際
•N=20とし、400人のエージェント
•各コーナーは、反対側と連結しており、社会はトーラス状
•各エージェントは、近傍8人と繰り返しゲームをする
…相互作用(対戦)
N
N
局所的相互作用
<個と全体の基本問題>
•個の最適性 vs 全体最適性
•平等性(公平性) vs 効率性(最適性)
9 - 豊田中央研 ’12.3.5
マルチエージェントシミュレーションの例じゃんけんゲーム
(1)個人最適性:(ナッシュ均衡解) 勝つ,あるいは負けない方法を学べるか?(2)全体最適性:(パレート最適解)(3)効率性と平等性の関係は?
Agent A
S1
(Rock)
1
Agent B S2
(Scissor)
S3
(Paper)
S1
(Rock)
S2
(Scissor)
S3
(Paper)
1
1
1
1
1
-1
-1
-1
-1
-1
-1
0
00
00
0
10 - 豊田中央研 ’12.3.5
格子上でのゲーム:進化多様性に関する基礎研究
: Rock
: Scissor
: Paper
•R + P→2P (Paper wins)
• P + S→2S (Scissors win)
• S + R→2R (Rock wins)
R,S,Pがニッチを形成し共存
進化ルール:勝者は敗者にとって代わる Agent A
S1
(Rock)
Agent B
1
S2
(Scissor)
S3
(Paper)
1-10S1
(Rock)
S2
(Scissor)
S3
(Paper)
1
1
1
1
-1
-1
-1
-1
-1
0
00
00
11 - 豊田中央研 ’12.3.5
戦略選択ルールの定義(記憶長2)
#22
#12
#02
#21
#11
#01
#20
#10
#00
相手自分次回にとる戦略
前回の戦略 戦略選択ルールの定義:
前回(前々回)の自分と相手の戦略の組み合わせから、次にとる戦略を決定
0:Rock, 1: Scissor, 2: Paper #: 0, 1 or 2
ルールの数:
683,1939 =
エージェントは、より良いルールを求めて進化学習をする
12 - 豊田中央研 ’12.3.5
ルールの学習
自然淘汰に基づく進化(レプリケータダイナミクス)
-優れた戦略は生き残り、劣ったものは淘汰される.
R + P→2P、P + S→2S、S + R→2R
ーナッシュ均衡解に収束し,全体最適解は実現しない.
パレート最適解:λ > ナッシュ解での利得の和:2(λ+1)/3
共進化
-優れたルールの一部を取り入れ,新しいルールを作り出す
不確実性の導入:ルールで定められた戦略を選択する際に、小さな確率で戦略の選択を誤る
13 - 豊田中央研 ’12.3.5
シミュレーション結果(λ=10)
3.04
誤り率:0%
4.81
誤り率:10%
3.99
2.94
• 誤り率10%:平均利得が向上し、パレート最適解に近づく
• 最大利得と最小利得の格差が小さくなる
Agent A
S1
Rock
10
Agent B S2
Scissor
S3
Paper
S1
Rock
S2
Scissor
S3
Paper
10
10
10
10
10
0
0
0
0
0
0
1
1
1
1
1
1
最大利得
平均利得
最小利得
最大利得
平均利得
最小利得
ナッシュ均衡解: 3.6
パレート最適解 : 5
14 - 豊田中央研 ’12.3.5
エージェントは、どのようなルールを学習したか?
タイプ1
タイプ2
126
76
タイプ3
タイプ4
58
54
40
19
17
10
タイプ5
タイプ6
タイプ7
タイプ8
同じルールをもつエージェントの数
2 2 2 0 2 1 1 0 2
00 01 02 10 11 12 20 21 22
2 2 2 0 2 1 1 0 0
1 2 2 0 2 1 1 0 2
1 2 2 0 2 1 1 0 0
2 2 2 0 0 1 1 0 2
1 2 2 0 0 1 1 0 2
2 2 2 0 0 1 1 0 0
1 2 2 0 0 1 1 0 0
• 400人のエージェントのカップリングルールは8タイプに集約された.
• 8つのタイプの間に共通性がみられる.
λ=10、誤り率:10%のとき
15 - 豊田中央研 ’12.3.5
学習したルールとエージェントの配置関係
各ルールがうまく分散して存在している
16 - 豊田中央研 ’12.3.5
エージェントはどのような相互作用を学習したのか?
1. 同じタイプのエージェント同士の相互作用では、吸収状態は引き分けであり、低い利得しか獲得できない
2. 異なるタイプのエージェント同士の相互作用では、相関関係のある勝ちと負けを繰り返すことで、効率的かつ平等
に利得を獲得できる
同じルールをもつエージェント同士の相互作用
(タイプ1VSタイプ1)
異なるルールをもつエージェント同士の相互作用
(タイプ1VSタイプ2)
17 - 豊田中央研 ’12.3.5
:交通システムや銀行の取引システムなど,巨大で複雑な社会シ ステムを設計し,マネージメントしていくことは,非常に困難.:設計者が全体像を描いて設計する従来の方法には限界がある.
社会の営みと集合知(1)
18 - 豊田中央研 ’12.3.5
社会の営みと集合知(2)
ネットワーク社会とグローバル化
: 見知らぬ人々がネットワークで結合され,目的や情報を共有し合うことで,協調し合う機会が増大しつつある.
多くの人々の力がうまく結集されることで,社会や組織は円滑に,そして効率的に運営される.
多くの人々の力を結集するには全体として知性を生み出す必
要があり,全体の知性を集合知という.
19 - 豊田中央研 ’12.3.5
全体の動きを指示するリーダー的な存在がなくても,個々に行動ルールをもって動作する多くの個体の集団に,餌を効率的に獲得したり,天敵から身を守るための集団としての知恵が生まれるとき,
一般に“群知能”という.具体的には(1)蟻の餌集め(2)蟻塚,すなわちアリがコロニー形成に見られる知恵(全長が1センチ程度のアリは,オーストラリアやアフリカ では10メートル以上の高さの蟻塚を作る)(3)バクテリアや細菌のコロニー(4)鳥,魚,動物の群れ形成
アリ,鳥,魚の群れ行動に複雑システムの制御に役立つ知恵 やヒントが隠されているのではないか?
群知能
20 - 豊田中央研 ’12.3.5
同期現象
同期現象
• 複数の振動子(振動するもの一般)が相互作用により同じ周期になる現象(蔵本 2007)
• 同期が生まれるまでの速さは,ネットワーク構造が影響
•ホタルの発光(Buck 1988)
•コオロギ鳴き声(Sismond 1990)
•心筋細胞の信号(Peskin 1975)
•拍手(Nedaら 2000)等
21 - 豊田中央研 ’12.3.5
ホッケの渦状の行動に隠されている知恵
共通の餌場を知っている.餌場に最短経路で急行して,餌を独り占めするような行動はとらない他の仲間との群れ行動を優先しながら,時々餌場に指向するような行動をとる
渦状の形態,すなわち球面体の群れパターンは,大規模なホッケ集団が群れを形成するうえで最適なパターンになっている
22 - 豊田中央研 ’12.3.522
近傍のエージェントの
中心の方向へ近づく.
Cohesion近傍のエージェントから
離れる.
近傍のエージェントの平均速度に
速度(向き)を合わせる.
"Steering Behaviors For Autonomous Characters",Game Developers Conference
個々のエージェントに簡単な3つの行動ルールを与える⇒ 近傍のエージェントどうしの局所的な相互作用⇒ 全体として,群れ行動が創発
Separation Alignment
C.W.Reynolds(1999)
Boidsモデル(1)
23 - 豊田中央研 ’12.3.5
蔡(2002)
Reynolds(2000)
目的:映像美の追求
Reynolds(1986)
生物の群れ行動多数の映画やゲーム等で利用
Boidsモデル(2)
24 - 豊田中央研 ’12.3.5
群知能の例:餌場へ向かう
群れ行動をとりながら,餌場へ指向させると
• 群れが団子状態になります.すべてが同じ目的地に向かうためです.そして,餌場付近で振動するような群れ行動になり,現実と合わない
• そこで,餌場に向かうことを時々思い出すというルールに変更すると,餌場を中心に楕円運動になり,現実のホッケの群れに似てくる
餌場
群れ行動
餌場への指向
(CSAルール)
25 - 豊田中央研 ’12.3.5
初期位置
餌場
進行方向
軌跡
なぜホッケの群れは渦状の軌道を描くのか?
(1) 円軌道を描く理由:共通の目的地を指向している
(2) 球面体の運動: 速度及び位置情報の整合(合意(コンセンサス)を取る上で最も最適な形状(パターン)である
26 - 豊田中央研 ’12.3.5
群制御
・ 自律ビークルの航行制御
・ 人や生物の集団での移動の制御
車両の自動縦列走行
艦船の自動陣形航行 無人航空機の編隊飛行
災害時の避難誘導 家畜の誘導
27 - 豊田中央研 ’12.3.5
複雑ネットワーク:カスケード現象
ネットワークがもつ二つの顔(カスケー
ド現象)の定量化
(1)正の側面(ネットワークが生み出す相乗効果)
:少ない努力で大きな効果が生み出せる
(2)負の側面(ネットワークによる負の連鎖反応)
:小さな過失が大きな失敗を招く
28 - 豊田中央研 ’12.3.5
リスク(負荷)共有とカスケード故障の制御
29 - 豊田中央研 ’12.3.5
感染モデル( SIR モデル)
• Susceptible: 感染していない状態
• Infected: 感染している状態
• Recovered: 治癒している状態
感染確率: p 治癒率: q
c(p/q) λ>
感染割合
λ= p /qλ c
Active phase
閾値現象:感染爆発の条件
ランダムネットワーク: λ c =1/<κ>スケールフリーネットワーク: λ c = <κ> /<κ2>
<κ>:平均次数
Virus death
相対的感染率
30 - 豊田中央研 ’12.3.5
最適なネットワークの設計
RegularRegular RandomRandom
Scale freeScale freeSmall worldSmall world
HOTHOT
・・・
31 - 豊田中央研 ’12.3.5
ネットワーク構造に着目した制御
2
4
1
3
5
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
=
0001000111010011100101110
A
nλλλ ≥≥≥ 21対称行列の固有値: 実数値
隣接行列
( )Aλ/1(p/q) 1> 感染爆発!!
感染拡大の最小化:最大固有値 の最小化( )Aλ1
λ c =1/
情報伝播の最大化:最大固有値 の最大化( )Aλ1
( )Aλ1
ランダムネットワーク: λ c =1/<κ>スケールフリーネットワーク: λ c = <κ> /<κ2>
32 - 豊田中央研 ’12.3.5
最適なネットワーク構造(1)
• 拡散の最小化
• リスク共有:次数(<k>)の最大化
><−+−= kNAF /)1()1/()(1 ωωλ
ω=1
適応関数の設定(最小化問題)
隣接行列の最大固有値 の最小化( )Aλ1
木構造 ω=0.8 ω=0.7
λ1=3.8<k>=3.6 λ1=4.9
<k>=4.7
λ1=2.3<k>=2.3
33 - 豊田中央研 ’12.3.5
最適なネットワーク構造(2)
)1/()1()(/ 1 −><−+= NkAF ωλω
ω=0.1 ω=0.5 ω=0.9
λ1=3.61λn=-3.61
D=46α=1.98
λ1=3.79λn=-3.79
D=50α=1.98
λ1=8.43λn=-3.41
D=48α=1.98
ω=1
λ1=100.0λn=-1.98
D=2α=98.98
ω=0.92
λ1=8.18λn=-2.96
D=14α=2.52
ω=0.95
λ1=10.27λn=-2.98
D=11α=2.88
ω=0.98
λ1=14.2λn=-3.21
D=9α=3.8
• 拡散の最大化(商品や情報の拡散)
最大固有値 の最大化
• 次数の制約:次数(<k>)の最小化
( )Aλ1
適応関数の設定(最小化問題)
全連結
34 - 豊田中央研 ’12.3.5
ネットワーク制御:コンセンサス問題
ネットワーク結合されたシステムの分散制御
(1)ネットワーク構造の性質を利用した制御
(固定型ネットワーク上での制御)
(2)ネットワーク構造の制御
(可変型ネットワーク上での制御)
[01]: Olfati-Saber 2007
Source: Olfati-Saber 2007 [C1]
35 - 豊田中央研 ’12.3.5
コンセンサス(合意)問題
各エージェントの内部状態
系のダイナミクス:内部状態の分権型適応
コンセンサスの実現
離散時間表現
( )Tni txtxtx )()()( =
1)(lim)()())()(()( α=−=−=∞→
∈∑ txthentLxtxtxtxatxif
tNjijiji
i
∑=i
ixn
)0(1α
( )( ) )()()()(
)()()()1(
kxLIkLxkx
kXkxakxkxiNj
ijij
εε
ε
−=−+=
−+=+ ∑∈
)()1( kPxkx =+
Δ<<−= /10 εε LIP Δ=最大次数
36 - 豊田中央研 ’12.3.5
ネットワークの最適化
The weighted adjacency matrix W=(wij)
∑∑ ≠≠=
ij jiji ij ww
))()(()()1( txtxwtxwtx iNi
jijiiiii
−+=+ ∑∈
)()1( tWxtx =+
•固定型ネットワーク
LIW α−= )}()(/{2 2 LL nλλα +=
•可変型ネットワーク
)}(),(max{ 2 WW nλλ − を最小にする W
ADL −=
37 - 豊田中央研 ’12.3.5
ラプラシアン行列
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛
−−−−−−−−−−−−
=−=
44434241
34333231
24232221
14131211
daaaadaaaadaaaad
ADL
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
=
00
00
434241
343231
242321
141312
aaaaaaaaaaaa
A
隣接行列 次数行列
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
=
44
33
22
11
000000000000
dd
dd
D
ラプラシン行列
⎪⎩
⎪⎨⎧
≠
==
∑)(0
)(
ji
jiad j
ijij
2
4
1
3
5 ⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
=
0001000111010011100101110
A
• 例:
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
−−−−
−−−−−
−−−
=
10010031110120111031
01113
L
38 - 豊田中央研 ’12.3.5
ネットワークの混雑指数
混雑度指数:λ(ρ)• 1つの経路にパケットが生成する確率:
• 1個のノードの入力パケット量:
• 各ノードの出力パケット量:1
• 各ノードの平均キューの長さ:
• ネットワーク全体のキューの長さ
)1( −nnρ
∑∈
−−
−=Ni i
i
nn
nn
)1(1
)1()( βρ
βρρλ
)1(1
)1(
−−
−
nn
nni
i
βρ
βρ
)1()1( −=×
− nnnni
iβρβρ
ρ;ネットワークのパケット生成率
βi:iノードのBetweenness
※Littleの法則より
Queue
39 - 豊田中央研 ’12.3.5
最適ネットワーク:混雑の最小化
← 小 大 →
LT SH SS
HT R
↑
低
高
↓ MH MS OS C
パケット発生率
(ネットワーク負荷)
リンク総数(設計コスト)
Multi Star
Line Like Tree
Single Star
Complete
40 - 豊田中央研 ’12.3.5
情報ネットワークの複雑な挙動
Internet throughput
自己相似性
0.00
0.10
0.20
0.30
1000
020
000
3000
040
000
5000
060
000
7000
080
000
9000
010
0000
1100
0012
0000
1300
0014
0000
1500
0016
0000
1700
0018
0000
1900
0020
0000
>2000
00
Time
Prob
abili
ty
grid job completions
予期しない動作メタ安定性
distribution of call types inwireless cells
synchronization among Internet routers
相転移
外生的要因:ネットワーク構造や外部の故障内生的要因:ユーザーの利用上の変化
41 - 豊田中央研 ’12.3.541
システム挙動:内生的要因と外生的要因
内生的要因:相互作用
全体の挙動:外生及び内生的要因が複雑に絡み合うことで決まる
外生的要因:連結された他システムの変化
42 - 豊田中央研 ’12.3.5
Millennium Bridge(ミレニアムブリッジ)
:2000年のミレニアム事業として、ロンドン市はテムズ川南側(バンクサイド)を再開発:オープニング当日,想定外の横揺れにより破壊:約18か月後に再開通
43 - 豊田中央研 ’12.3.5
設計上の考察
•人々の歩行速度:1秒間に2ステップ (2hertz)
• 歩行者の足が着地する度に,わずかな力(重力)が橋の右側あるいは左側に加わる
•人々の歩行はランダムな運動とみなすことができ,橋の右側ま と左側に加わる力は相殺される.
44 - 豊田中央研 ’12.3.5
Millennium Bridge(ミレニアムブリッジ)の教訓
H. Shin (2008)
外生的リスク:システム外部からのショック
内生的リスク:システム内部で発し増幅されるショック(自己強化ループ)
システムリスク:外乱からの影響システミックリスク systemic risk:意図しない内部挙動
45 - 豊田中央研 ’12.3.5
人間行動と内的要因
社会動向調査からの情報入手
身近な人からの情報入手
口コミサイトからの情報入手
46 - 豊田中央研 ’12.3.5
内的要因が引き起こすカスケード現象
46
Cascade 現象:階段状に連続した滝
「次へとつなげること」
ラーメン屋A
ラーメン屋B
おいしいラーメンを食べた
い他者行動から確かな情報を入手しようとする,合理的な考え
-46-
47 - 豊田中央研 ’12.3.5
社会現象を生むメカニズムの理解:内生と外生的要因が絡み合う
日経平均株価の推移
0.0 10.0 20.0 30.0 40.0 50.0 60.0 70.0 80.0 90.0
100.0
1960 1970 1980 1990 2000
・・・y・ヲ・i%・j
西暦(年)
パソコン
乗用車
カラーテレビ
新製品の普及プロセス
48 - 豊田中央研 ’12.3.5
社会システムの制御
一部のノードを制御するだけで全体を制御
(一部の赤ノードを追加することで,全体を赤に変更する)
49 - 豊田中央研 ’12.3.5
社会システムのレジリエンス(1)社会システムのレジリエンス(1)
元の形に戻る回復力,弾力, 弾性, 復元力.ResilienceResilience::
しなやかさ
50 - 豊田中央研 ’12.3.5
社会システムのレジリエンス(2)社会システムのレジリエンス(2)
(京大:藤井研究室)
51 - 豊田中央研 ’12.3.5
Finding Mr. Right
Photo by Dieter Dresc
社会システムのレジリエンス社会システムのレジリエンス:個人と全体の関係(価値に絡む問題,個の最適性と全体の最適性):個人と全体の関係(価値に絡む問題,個の最適性と全体の最適性):規模の問題:規模の問題
52 - 豊田中央研 ’12.3.5
社会システム モデリングのロードマップ社会システム モデリングのロードマップ(1)(1)
(経済産業省分野横断型研究報告書平成21年3月)
53 - 豊田中央研 ’12.3.5
社会システム モデリングのロードマップ社会システム モデリングのロードマップ(2)(2)
(経済産業省分野横断型研究報告書平成21年3月)
54 - 豊田中央研 ’12.3.5
社会シミュレーションとCyber Physical System
島田俊郎編『システムダイナミクス入門』(日科技連、1994年)
M2M(Machine-to-MachineまたはMachine-to-Management):ネットワークに繋がれた機械同士が人間を介在せずに相互に情報交換し,自動的に最適な制御が行われるシステム
(総務省22.3)
55 - 豊田中央研 ’12.3.5
配送計画
スケジューリングロットサイズ決定
安全在庫配置在庫方策
ロジスティクス・ネットワーク設計
需要予測収益管理
56 - 豊田中央研 ’12.3.5
アップル社の成長戦略をどのように理解するか?
手元資金:8兆円株式時価総額: 41兆円1995年以降,株主配当なし(利益はすべて研究開発費に充当し,株主には株価上昇で還元)(ジョブズ流)
$500(24.3)
57 - 豊田中央研 ’12.3.5
Certain to WinBoyd’s OODA Loop as a business weapon
ボイドの OODA LOOP
58 - 豊田中央研 ’12.3.5
ImplicitGuidance& Control
Know whatto do
Act
And be able to do it
UnfoldingInteractionWithEnvironment
Action(Test)
Feedback
Decide
Decision(Hypothesis)
FeedForward
FeedForward
Feedback
While learning from the experience
Observe Orient
サプライ・チェーンとOODA LOOP
FeedForward
Observations
UnfoldingCircumstances
OutsideInformation
UnfoldingInteractionWithEnvironment
Quickly understand what’s going on
ImplicitGuidance& Control
59 - 豊田中央研 ’12.3.5
重要な構造とメカニズムは隠れて見えない
現象や事象
因果関係
構造とメカニズム
【複雑適応系】
• 適応エージェント• 相互作用• ネットワーク
60 - 豊田中央研 ’12.3.5
解析手法の分類
データ有り データ無し
モデル有り
Known Knows①交通渋滞②インターネット③気候変動•システムダイナミクス•ネットワーク解析
Unknown Knows①内省的なこと②創発現象
•シミュレーション
モデル無し
Known Unknown
•統計的解析
Unknown Unknown①ブラックスワン②残余のリスク③想定外
•シナリオプランニング