【ITニュース解説】Sensing Comes Before the Model
2026年10月12日に「Dev.to」が公開したITニュース「Sensing Comes Before the Model」について初心者にもわかりやすく解説しています。
ITニュース概要
地球観測システム開発では、モデル精度より法律やデータの所有権といったビジネス要件から「何を感知するか」を決める。モデルはその後検討され、場合によっては不要なこともある。ライセンスやハードウェア選定も初期設計で重要な要因となる。
ITニュース解説
システムエンジニアを目指す皆さんにとって、新しいITプロジェクト、特にAIを活用するシステム開発と聞くと、まず「どんな最新の機械学習モデルを使おうか?」と考えるかもしれません。しかし、今回紹介する地球観測プロジェクトに関する記事は、その一般的な考え方に一石を投じています。記事の核心は、「モデルの選定よりも前に、どのようなデータを、どのようにして集めるか(『センシング』と呼びます)を決定することが、プロジェクトの成功にとって非常に重要である」という点です。
この記事では、パキスタン、サウジアラビア、米国における3つの農業・地球観測システムの事例を通じて、この考え方を具体的に示しています。これらのプロジェクトでは、モデルの精度といった技術的な指標よりも、法律で許されている範囲、センサーがデータを収集しに戻ってくる頻度、そして最終的に誰がそのデータや分析結果を所有するのか、といった「非技術的な制約」が、センシングの意思決定において最も優先されています。さらに驚くべきことに、これら3つのプロジェクトのうち2つでは、最終的に機械学習モデルが全く採用されなかったという結果になっています。
具体的な事例を見てみましょう。 一つ目は、パキスタンの農業データダッシュボード「Field Ledger」です。このシステムは12種類の対象に関するデータを扱いますが、モデル登録にはモデルが一つも記録されていません。なぜなら、このシステムの主な要件は、データの集計、詳細なドリルダウン分析、そしてレポート作成であり、これらの目的のために「検証された」機械学習モデルが必要とはされなかったからです。将来的な予測モデルの導入は検討されていますが、それは初期段階での成果に基づいて判断される「今後の検討課題」と位置づけられ、設計当初から組み込まれることはありませんでした。このシステムでは、新しいセンシングを一切行わず、農家がすでに持っている既存のセンサーデバイスからデータを読み込むだけで運用されています。
二つ目は、米国の「Baseline」というシステムです。これは、一度のフライトで4バンド(赤、緑、青、近赤外)のオルソ画像(歪みが補正された空中写真)とLiDAR(レーザー光線を使った精密測量技術)データを16種類の対象について取得します。このシステムもモデル登録は空でした。その理由は非常に明確で、「機械学習モデルの層が全く望まれなかった」からです。このプロジェクトでは、植生分析のような作業は、システムを運用する組織の専門スタッフが、彼らが普段から使い慣れているツールを使って行うことになっています。つまり、AIに頼るのではなく、人間の専門知識と既存のプロセスが最も効率的だと判断されたのです。モデルが不要なため、モデルのライセンス管理やその費用も発生せず、データや分析結果の所有権はサービス契約に基づいて決定されます。
三つ目は、サウジアラビアの「Fodder Watch」で、これは3つの中で唯一モデルを使用するシステムです。14種類の対象について、「RF-DETR」という検出モデルと、「Chronos-2」という予測モデルの2つが導入されています。これらはどちらもオープンソースライセンス(Apache 2.0)で提供されており、このライセンス条件がモデル選択の重要な要素でした。ライセンスの問題については後述しますが、ここではモデルが導入されたものの、その選択過程が非常に慎重であったことがわかります。このシステムでは、Sentinel-2衛星の光学データとSentinel-1衛星のレーダーデータ、さらにLandsat衛星のアーカイブデータなど、複数のセンシング源を活用しています。
このように、モデル登録が空であることは、決して設計上の欠陥ではありません。むしろ、それはプロジェクトの要件と制約に基づいた、意図的な設計上の決定の結果なのです。これは、システム間のデータ連携や、複雑なデータの集約・分析といった部分がプロジェクトの主要な課題であり、機械学習のような「学習するコンポーネント」がなくても、それらの課題を解決できると判断されたことを示しています。つまり、すべての問題解決にAIモデルが必要なわけではない、ということです。
では、これらのプロジェクトでセンシング方法がどのように決定されたのでしょうか。その理由は、モデルの「精度スコア」とは全く異なる側面が重視されています。 「Fodder Watch」では、光学チャンネルとしてSentinel-2衛星が選ばれました。これは、外部の処理に依存せず、作物の種類を識別するために必要な特定の設備(センターピボット)を識別できる解像度(10メートル)と再訪周期(5日ごと)を持つためです。さらに、レーダーチャンネルとしてSentinel-1衛星が使われている理由は、その地域では「雲」ではなく、「塵や霞」が光学センサーの性能を妨げる真の障害となるため、これらを透過できるレーダーによる補完が不可欠であると判断されたからです。 「Baseline」では、有人航空機を使ったセンシングが採用されていますが、これは「無人機からのデータは認めない」という要件が最初からあったためです。また、LiDARセンサーの精度は、単なる技術的な数値だけでなく、GNSS(全地球測位システム)による位置情報、補正源、そして検証プロセス全体によって保証されるべきだという要件がありました。 「Field Ledger」に至っては、前述の通り、新規のセンシングを全く行わず、農家の既存センサーデバイスを読み込むだけで運用しています。
同じ分野の3つのシステムでありながら、センシングの範囲が、複数の衛星や航空機を使った高度なものから、全く新しいセンシングを行わないものまで多岐にわたるのが特徴です。この多様性こそが、センシングは単なる技術選定ではなく、プロジェクトの「要件」に基づいて下される重要な意思決定であるということを強く示唆しています。
モデルのライセンスも、単なる事務手続きではなく、設計上の重要な制約として機能します。「Fodder Watch」の事例では、当初検討された高性能なモデル(RF-DETR XLおよび2XL)が、Roboflowのプラットフォームモデルライセンス下にあったため、最終的に採用されませんでした。その理由は、「使用分野の条件が、サウジアラビア王国におけるモデルの学習済みパラメータ(ウェイト)の所有権を損なう可能性があった」からです。つまり、データの主権や所有権という国家レベルの要件が、モデル選択を左右したのです。もしモデルを先に選び、後からこのようなライセンス条件や主権に関する要件を考慮していたら、設計全体をやり直すという大きな手戻りが発生していたでしょう。
ハードウェアの選択に関しても同様のことが言えます。「Fodder Watch」では、モデル実行のために特定の高性能グラフィックカード(L40Sクラス)が1枚必要とされました。このハードウェアを3年間自社で所有する場合と、AWSのようなクラウドサービスでレンタルする場合のコストが比較されていますが、最終的な決定はコストだけではありませんでした。クラウドレンタルオプションには「王国以外での提供」という条件が付帯しており、データ検出結果が自国の主権下にあることがプロジェクトの目的であるため、たとえ安価であっても国外のクラウドサービスは選択肢にすらなりませんでした。これは、要件がすでに排除している選択肢がどれほどの費用がかかるかを示すものに過ぎない、とされています。
これらの事例から、プロジェクト設計における本当の順序が見えてきます。 まず第一に、「法律や運用者によって、何をセンシングすることが許されるのか」という制約を明確にします。 次に、「そのセンシングによって、どれくらいの頻度で、どれくらいの解像度のデータが得られるのか」という特性を把握します。 そして、「その取得されたデータが、解決したい問題に対してどのような『対象(オブジェクト)』として認識され、処理されなければならないのか」を具体的に定義します。 これら全てのステップを終えて初めて、「学習モデル(機械学習モデル)が本当に必要なのか、それとも他の方法で解決できるのか」という問いにたどり着くのです。もしモデルが必要だと判断されたならば、最後に「どのようなライセンスのもとで、誰のハードウェア上で実行されるのか」を決定します。
このように、機械学習モデルの選択は、プロジェクト設計において4番目に検討されるべき事項であり、そして3つの事例のうち2つでは、そもそも決定事項にすらなりませんでした。つまり、モデルはプロジェクトの中心ではなく、あくまで必要な場合にのみ導入される「ツール」の一つに過ぎないのです。
これらの設計事例と関連資料は、クリエイティブ・コモンズ 表示4.0 国際 ライセンス(CC BY 4.0)のもとで公開されており、誰でも再利用することができます。システムはCodeNinja Praxisというツールで設計され、オブジェクトモデルはHyper Ontologyにインポートされる形で公開されています。操作の詳細も具体的な名称ではなく、その機能的な役割(クラス)で記述されています。