予測AIから「最適な打ち手」を導く　～予測AIと最適化AIを組み合わせる方法～

2026-08-17（更新：2026-08-17）

AI・OR・最適化 DX シミュレーション最適化

はじめに

予測 AIは、すでに多くの現場で「未来を見積もる」ための道具として使われています。たとえば、「広告費を増やしたら売上はどう変わるのか」「価格を変えたら需要はどの程度動くのか」といった問いに対して、予測モデルは予測値を返します。

一方で、実務で本当に知りたいのは「予測結果」そのものではなく、「では、どの意思決定を選べばよいのか」です。ここに、予測 AIだけでは埋めにくいギャップがあります。

目次[非表示]

1.はじめに
2.予測AIの活用課題

2.1.試行錯誤
2.2.判断の不確かさ

3.予測結果から最適な入力を求める
4.予測AI×最適化AIの原理

4.1.予測AIの原理
4.2.最適化AIの原理
4.3.予測AIと最適化AIの組み合わせ

5.予測AI×最適化AIの適用例
6.まとめ
7.伊藤忠テクノソリューションズのAI最適化の取組み

予測AIの活用課題

予測 AIを意思決定に使おうとすると、現場では大きく 2つの壁にぶつかります。ひとつは「試行錯誤が前提になりやすい」こと、もうひとつは「その判断が本当に最適なのか分かりにくい」ことです。

試行錯誤

予測モデルは、基本的には「入力を与えると出力を返す」順方向の仕組みです。そのため、最適な入力を探すには、候補を入れては結果を見て、また候補を変えるという試行錯誤になりがちです。

“ 価格設定 →売上予測 →利益計算 →うまくいかなければ、価格設定からやり直し。”

判断の不確かさ

いくつかの候補の中で良さそうな案を選べたとしても、それが本当に最適解なのかを定量的に説明するのは簡単ではありません。特に、価格・在庫・配送能力など複数の制約条件が絡む業務では、この不確かさが意思決定のボトルネックになります。

“ もっと良い価格設定があったのでは？”

こうした状況では、「予測結果から逆算して、最適な入力を提示してくれるモデルがあればよいのに」と考えるのは自然です。しかし、この逆算モデルを別途作るアプローチには、いくつかの現実的な難しさがあります。

予測結果から最適な入力を求める

本項では、「望ましい結果から、その結果を生む入力を推定するモデル」を逆算モデルと呼びます。考え方としては魅力的ですが、実装・運用の観点では負担が大きくなります。

順方向モデルとは別に、逆方向のモデルを学習する必要があります。つまり、学習データの設計、学習、検証、運用監視がほぼ二重に必要になります。モデル更新頻度が高い業務では、迅速な改善サイクルの足かせにもなります。

GPUを含むインフラコストの負担も増えます。近年は GPUリソースの需要が高く、学習回数やモデル数が増えるほど、コスト面の影響は無視しにくくなります。

そもそも逆問題は一意に解けない場合があります。同じ売上を達成する価格や販促条件が複数存在することもあるため、逆モデルで安定した推定が難しいといったリスクもあります。

予測AI×最適化AIの原理

ここで発想を変えます。逆算用の新しい AIモデルを作るのではなく、既存の予測モデルを「数式」として扱い、その上で最適化計算を行います。つまり、予測 AIが持っている入出力関係を制約や目的関数に組み込み、「目的関数をもっともよくする実行可能な入力」を計算で求めるアプローチです。

予測AIの原理

深層学習を例にすると、予測モデルは入力層、中間層、出力層から構成されます。中間層は複数重なることが多く、入力された情報を段階的に変換しながら最終的な予測値を出力します（図 1）。

入力層のデータ（x11～x13：「説明変数」とも呼ばれる）に対して、計算を繰り返し、予測対象となる値（y1～y3：「目的変数」とも呼ばれる）を計算します。

例えば、xは販売価格、地域、時期など、yは販売個数の予測値などを表します。

図1深層学習モデルのイメージ図

中間層では、重み付き和と活性化関数によって値を変換します（図 2）。

このとき、重みwや切片bをデータから決める行為が「学習」と呼ばれます。

図2深層学習モデルの中間層のイメージ図

最適化AIの原理

最適化 AIでは、業務課題を「決定変数」「制約条件」「目的関数」という 3つの要素に分解し、計算可能な形に定式化します。これは、ビジネス上の意思決定を数学的に扱える形へ落とし込む作業です。

決定変数
最適化によって求めたい値です。たとえば、価格、出荷量、在庫配分、広告予算などが該当します。

制約条件
必ず守るべきルールです。たとえば、在庫上限、予算上限、配送能力、価格の上下限などを数式で表します。

目的関数
最大化または最小化したい指標です。利益を最大化する、コストを最小化する、需要充足率を最大化する、といった形で定義します。

予測AIと最適化AIの組み合わせ

予測AIと最適化AIを組み合わせるポイントは、予測モデルをブラックボックスのまま試行錯誤に使うのではなく、最適化問題の一部として扱うことです。予測AIの説明変数のうち、価格、出荷量、広告予算など意思決定者が変更できる変数を、最適化の決定変数として扱います。地域、時期、天候など変更できない変数は、所与の条件として固定します。また、予測AIの目的変数を目的関数や制約条件に組み込みます。

深層学習モデルを最適化AIの数式として表現すると、以下のようになります。

決定変数
入力層の変数 x ₁ _p に加えて、各中間層の変数 x _nm 、および各層で活性化関数を適用する前の値 a_nm、出力層の変数 y_mを決定変数として扱います。ただし、最適化によって業務上求めたいのは、価格や出荷量などに対応する入力層の変数です。中間層・出力層の変数は、予測モデルの計算過程を数理最適化モデル内で表現するために導入します。

制約条件
各層の値は、予測モデルで学習済みの重み w_nmpと切片 b_nmを用いて、次のように表します。

　

また、最終層 L の出力を予測値 x_Lmとして扱います。

目的関数
目的関数では、予測モデルから得られる出力値を用いて、最適化によって最大化または最小化したい指標を定義します。目的関数の数式は、利益を最大化したいのか、コストを最小化したいのか、需要充足率を高めたいのかといった、実現したい内容によって変わります。ここでは例として、最終層から得られる複数の予測値を合計し、その合計値が最大となるような入力層の値を求めます。

注意：利益最大化と在庫削減など複数の目的がある場合、一般にはひとつの解がすべての目的で最良になるとは限りません。そのため、重み付けによってひとつの指標にまとめる、目的に優先順位を設ける、またはパレート最適解を提示して意思決定者に選択してもらう、といった方法を用います。