人が世界を理解するように因果関係をAIの意思決定に導入するノーコード技術のcausaLensが51.8億円調達

今回は「人が世界を理解するように因果関係をAIの意思決定に導入するノーコード技術のcausaLensが51.8億円調達」についてご紹介します。

関連ワード （事前、企業、表現方法等） についても参考にしながら、ぜひ本記事について議論していってくださいね。

本記事は、TechCrunch様で掲載されている内容を参考にしておりますので、より詳しく内容を知りたい方は、ページ下の元記事リンクより参照ください。

今日までの人工知能の最も一般的なアプリケーションの1つは、過去のデータで訓練されたアルゴリズムを使って予測を行い、将来の結果を判断するというものである。しかし、普及が必ずしも成功を意味するわけではない。予測AIは、結果につながる多くのニュアンス、コンテキスト、因果関係の推論を除外する。一部の人たちが指摘しているように（そして私たちが見てきたように）、これは予測AIが生み出す「論理的な」答えがときとして悲惨なものになることを意味している。causaLens（コーザレンズ）というスタートアップは、因果推論（causal inference）技術の開発を行っている。この技術は、AIベースのシステムにニュアンス、推論、因果関係の知覚能力を導入する上でデータサイエンティストを必要としない、ノーコードのツールとして提供されており、この問題を解決できると同社は考えている。

causaLensのCEOで共同創業者のDarko Matovski（ダーコ・マトフスキー）氏は、AIが「人間が世界を理解するように世界を理解し始める」ことを目指していると語る。

同社は米国時間1月28日、このアプローチが初期にある程度成功し、1年前にステルス状態から脱して以来収益が500％成長したことを受けて、4500万ドル（約51億8000万円）の資金調達を行ったことを発表した。これはラウンドの「最初のクロージング」と表現されており、引き続きオープンで、規模拡大のポテンシャルを秘めていることを示唆している。

Dorilton Ventures（ドリルトン・ベンチャーズ）とMolten Ventures（モルテン・ベンチャーズ、Draper Esprit［ドレイパー・エスプリ］からブランド名を変更したVC）がこのラウンドをリードし、以前からの支援者であるGeneration Ventures（ジェネレーション・ベンチャーズ）とIQ Capital（IQキャピタル）、そして新たな支援者としてGP Bullhound（GPブルハウンド）も参加した。情報筋によると、ロンドンに拠点を置くcausaLensは、同ラウンドで約2億5000万ドル（約287億8000万円）と評価された。

causaLensの現在の顧客やパートナーには、ヘルスケア、金融サービス、政府機関の他、多岐にわたる業界の組織が名を連ねている。こうした組織は、成果に到達する過程において、AIベースの意思決定だけではなく、より多くの因果関係のニュアンスを取り入れる目的で、同社の技術を活用している。

この仕組みの実例を挙げると、同スタートアップのパートナーの1社であるMayo Clinic（メイヨー・クリニック）は、causaLensを使って癌のバイオマーカーを同定している。

「人間の身体は複雑なシステムであり、基本的なAIパラダイムを適用することで望みどおりのパターンや相関関係を見つけることは可能ですが、成果を得ることはできません」と、同スタートアップのCEOで創業者のDarko Matovski（ダルコ・マトフスキー）氏はインタビューで語っている。「ですが、因果関係の手法を応用して、相違する身体がどのように機能するのかを理解すれば、ある組織が別の組織にどのような影響を与えるのか、その本質をより深く理解することができます」。

関連するすべての変数を考慮すると、それは人間にとって、あるいは人間のチームにとっても、計算することはほぼ不可能なビッグデータの問題である。しかしコンピューターにおいては、対処すべき必要最低限のものと位置づけられる。これは癌の治療法ではないが、この種の研究は、関与する多くの組み合わせに応じた多様な治療法を検討する上で、意義のある一歩である。

causaLensの技術は、ヘルスケア分野でも、あまり臨床的ではない形で応用されている。世界有数の経済大国に属する公衆衛生機関（causaLensはそれについて公表を控えている）は、同社のCausal AIエンジンを使用して、特定の成人が新型コロナウイルスのワクチン接種を躊躇している理由を特定し、その人たちを参加させるためのより良い戦略を考案した（ここでは複数の「戦略」が運用上の細目となっている。対象者によってさまざまな理由を含む複雑な問題であるということに要点がある）。

金融サービスのような領域の他の顧客は、causaLensを使って、ローン評価などの分野における自動化された意思決定アルゴリズムに情報を与えている。従来のAIシステムは、過去のデータのみを使って意思決定にバイアスを導入するものであった。一方ヘッジファンドでは、causaLensの活用により、市場のトレンドがどのように発展して投資戦略に反映されるかについてより深い洞察を得ている。

そして興味深いことに、自動運転輸送の世界に新たな顧客の波が現れているかもしれない。これは、人間の推論の欠如によって分野の進歩が妨げられてきた領域の1つである。

「どれほど多くのデータが自律システムに送られても、それは歴史的な相関関係にすぎません」とマトフスキー氏はこの課題について語っている。同氏によると、causaLensは現在、2つの大手自動車会社と同社の技術の「数多くのユースケース」について協議を進めているが、その中でも特定のユースケースとして「世界がどのように機能するかをシステムが理解する」ような自動運転に注目しているという。「それは、赤信号や停車中の車に関連する相関ピクセルだけではなく、その車が赤信号で減速することでどのような結果が生じるのかも考慮したものです。私たちはAIに推論を導入しています。自動運転において、Causal AIは唯一無二の希望です」。

AIを仕事で使用している人たちが、システムをできる限り正確にしたいと考えるのは当然のことのように思える。それは、そもそもなぜCausal AIによる優れた改善がAIアルゴリズムや機械学習に組み込まれていないのかという疑問を抱かせる。

初期の段階において、推論や「なぜ」と返答することの追求を優先していなかったわけではないとマトフスキー氏は説明する。「人々は長い間、科学の中で因果関係を探求してきました。ニュートンの方程式は因果を示すものであると主張することもできます。それは科学において極めて基本的なことです」。しかしAIの専門家たちは、機械にそれを教える方法を解明できなかったのである。「それは難しすぎました」と同氏は語る。「アルゴリズムとテクノロジーが存在していませんでした」。

同氏によると、その状況は2017年あたりから変化し始めたという。それは研究者らが、AIにおける「推論」や因果関係の表現方法について、既存の成果への貢献を示す信号を発見する（過去のデータを使って成果を決定するのではなく）ことに基づいて検討し、それに立脚したモデルを構築するという初期アプローチを発表し始めた時期である。興味深いことに、これはマトフスキー氏が言及している、仕事をするために大量のトレーニングデータを取り込む必要がないアプローチである。causaLensのチームは、博士号にかなりの比重が置かれている（同スタートアップはここで本格的にドッグフーディング［事前に自身で有用性を確かめる］を実践したといえるかもしれない。チームを編成する際に5万人の履歴書を検討している）。そしてこのチームは、そのバトンを受け取って、それで走り続けてきた。「以来、指数関数的な成長曲線を描いています」と同氏は語っている（その詳細はこちらで確認できる）。

AIに依存する大規模プロジェクトで因果推論の進歩を活用する方法を検討しているのは、causaLensだけではない。Microsoft（マイクロソフト）、Facebook（フェイスブック）、Amazon（アマゾン）、Google（グーグル）など、AIに多額の投資をしている大手テック企業もこの分野に取り組んでいる。スタートアップの中では、Causalis（コーザリス）も特に医薬とヘルスケアでCausal AIを使う機会に焦点を当てており、Oogway（ウーグウェイ）は消費者向けのCausal AIプラットフォームを構築しているようである。これらはすべて、特定の商用、そしてより一般的なユースケースの両方をカバーする、より広範で大規模な当該技術市場が開拓される機会を示している。

「AIは、現実世界におけるポテンシャルを実現するために、因果推論に向けた次のステップを踏み出さなければなりません。causaLensは、Causal AIを活用して介入をモデル化し、機械駆動型の内省を可能にした最初の企業です」とDorilton VenturesのDaniel Freeman（ダニエル・フリーマン）氏は声明で述べている。「このワールドクラスのチームは、本格的なデータサイエンティストの心を掴む洗練性と、ビジネスリーダーに力を与えるユーザビリティを備えたソフトウェアを開発しました。Dorilton Venturesは、次のステージでcausaLensをサポートすることに大きな喜びを感じています」。

「どの企業もAIを採用するようになるでしょう。単に採用できるからではなく、採用する必要があるからです」とMolten Venturesの投資ディレクターであるChristoph Hornung（クリストフ・ホルヌング）氏は付け加えた。「私たちMoltenは、因果性がAIのポテンシャルを引き出すために必要となる重要な要素であると確信しています。causaLensは、最適なビジネス上の意思決定へとデータを変換する能力が証明されている、世界初のCausal AIプラットフォームです」。

画像クレジット：Andriy Onufriyenko / Getty Images

【原文】

One of the most popular applications of artificial intelligence to date has been to use it to predict things, using algorithms trained with historical data to determine a future outcome. But popularity doesn’t always mean success: Predictive AI leaves out a lot of the nuance, context and cause-and-effect reasoning that goes into an outcome; and as some have pointed out (and as we have seen), this means that sometimes the “logical” answers produced by predictive AI can prove disastrous. A startup called causaLens has developed causal inference technology — presented as a no-code tool that doesn’t require a data scientist to use to introduce more nuance, reasoning and cause-and-effect sensibility into an AI-based system — which it believes can solve this problem.

CausaLens’s aim, CEO and co-founder Darko Matovski said, is for AI “to start to understand the world as humans understand it.”

Today the startup is announcing $45 million in funding after seeing some early success with its approach, growing revenues 500% since coming out of stealth a year ago. This is being described as a “first close” of the round, meaning it’s still open and potentially going to grow in size.

Dorilton Ventures and Molten Ventures (the VC that rebranded from Draper Esprit) led the round, with previous backers Generation Ventures and IQ Capital, and new backer GP Bullhound also participating. Sources tell us the round values London-based causaLens at around $250 million.

CausaLens’s customers and partners currently include organizations in healthcare, financial services and government, among a number of other verticals, where its technology is used not just for AI-based decision making but to bring in more cause-and-effect nuance when arriving at outcomes.

An illustrative example of how this works can be found in the Mayo Clinic, one of the startup’s partners, which has been using causaLens to identify biomarkers for cancer.

“Human bodies are complex systems, and so applying basic AI paradigms you can find any pattern you want, correlations of any sort, and you are not getting anywhere,” Darko Matovski, the CEO and founder of the startup, said in an interview. “But if you apply cause and effect techniques to understand the mechanics of how different bodies work, you can understand more of the true nature of how one part has an impact on another.”

Considering all of the variables that might be involved, it’s the kind of big data problem that’s nearly impossible for a human, or even a team of humans, to compute, but is table stakes for a computer to work through. While it is not a cure for cancer, this kind of work is a significant step toward starting to consider different treatments tailored to the many permutations involved.

CausaLens’s tech has also been applied in a less clinical way in healthcare. A public health agency from one of the world’s biggest economies (causaLens cannot disclose publicly which one) used its causal AI engine to determine why certain adults have been holding back from getting COVID-19 vaccinations, so that the agency could devise better strategies to get them on board (plural “strategies” is the operative detail here: the whole point is that it’s a complex issue involving a number of reasons depending on the individuals in question).

Other customers in areas like financial services have been using causaLens to inform automated decision-making algorithms in areas like loan evaluations, where previous AI systems were introducing bias into its decisions when using historical data alone. Hedge funds, meanwhile, use causaLens to gain better understandings how a market trend might develop to inform their investment strategies.

And interestingly, one new wave of customers might be cropping up in the world of autonomous transportation. This is one area where the lack of human reasoning has held back progress in the field.

“No matter how much data is fed into autonomous systems, it’s still just historical correlations,” Matovski said of the challenge. He said that causaLens is in conversations now with two major automotive companies, with “many use cases” for its tech, but one in particular is autonomous driving “to help the systems understand how the world works. It’s not just correlated pixels related to a red light and a car stopping, but also what the effect will be of that car slowing down at a red light. We are bringing reasoning into the AI. Causal AI is the only hope for autonomous driving.”

It seems like a no-brainer that those using AI in their work would want the system to be as accurate as possible, which begs the question of why the brilliant improvement of causal AI hasn’t been built into AI algorithms and machine learning in the first place.

It’s not that more reasoning and answering “why” weren’t priorities early on, Matovski explained — “People have been exploring cause and effect relationships in science for a long time. You could even argue Newton’s equations are causal. It is super fundamental in science,” he said — but it’s that AI specialists couldn’t understand how to teach machines to do this. “It was just too difficult,” he said. “The algorithms and technology didn’t exist.”

That started to change around 2017, he said, as academics started to publish initial approaches considering how to represent “reasoning” and cause and effect in AI based on finding signals that contributed to existing outcomes (rather than using historical data to determine outcomes), and building models based on that. Interestingly, it’s an approach that Matovski says does not need to ingest huge volumes of training data to work. CausaLens’ team is very heavy on PhDs (you could say that the startup really ate its dogfood here: it considered 50,000 resumes while assembling its team). And this team has taken that baton and run with it. “Since then, it’s been an exponential growth curve” in terms of discovery, he said. (You can read more about it here.)

As you might expect, causaLens is not the only player out there looking at how to leverage advances in causal inference in bigger projects that rely on AI. Microsoft, Facebook, Amazon, Google and other big tech players with substantial AI investments are also working on the field. Among startups, there is also Causalis focusing specifically on the opportunity of using causal AI in medicine and healthcare, and Oogway appears to be building a causal AI platform geared at consumers, a “personalised AI decision assistant” as it describes itself. All of this speaks to the opportunity to develop more and a pretty massive market for the technology, covering both specific commercial and more general use cases.

“AI must take the next step towards causal reasoning to meet its potential in the real world. causaLens is the first to leverage Causal AI to model interventions and enable machine-driven introspection,” said Daniel Freeman of Dorilton Ventures, in a statement. “This world-class team has built software with the sophistication to win over serious data scientists and the usability to empower business leaders. Dorilton Ventures is very excited to support causaLens on the next stage of its journey.”

“Every company will adopt AI, not just because they can, but because they must,” added Christoph Hornung, an investment director at Molten Ventures. “We at Molten are convinced that causality is the key ingredient that’s needed to unlock the potential of AI. causaLens is the world’s first causal AI platform with a proven ability to convert data into optimal business decisions.”

（文：Ingrid Lunden、翻訳：Dragonfly）