DENDRAL (G検定)

1. 定義と概要

DENDRALとは、有機化学者が未知の化合物の構造を決定する作業を支援するために開発された、コンピュータープログラムです。1965年にスタンフォード大学で、エドワード・ファイゲンバウム、ブルース・ブキャナン、ジョシュア・レーダーバーグ、カール・ジェラッシらによって開発されました。

質量分析（物質を構成する分子やイオンの重さを測定し、その物質が何かを推定する分析手法）で得られたデータと、化学の専門家が持つ知識を組み合わせます。これにより、未知の有機化合物（炭素を骨格として構成される化学物質の総称）がとりうる分子構造の候補を推定します。

世界初のエキスパートシステム（特定の専門分野の知識をルールとして組み込み、専門家のように判断するプログラム）と位置づけられることが多いプログラムです。

DENDRAL以前のAI研究では、汎用的な探索・推論の手法で幅広い問題を解こうとする路線が中心でした。しかし複雑な現実の問題に対しては、汎用的な手法だけでは実用的な性能が出ないという壁に突き当たっていました。

DENDRALは対象を有機化学という特定分野に絞り込み、化学者カール・ジェラッシが持つ経験則をルールとしてプログラムに組み込むという発想を採用しています。

設計面では、知識ベース（専門家の知識やルールをコンピューターが扱える形でまとめて蓄積したデータの集まり）と推論エンジン（知識ベースに蓄積されたルールを使って、実際に結論を導き出す処理の仕組み）を分離した点も特徴です。この設計思想は、特定分野に特化したエキスパートシステムという潮流を切り開きました。

2. 試験対策ポイント

G検定では、DENDRALが1965年にスタンフォード大学でエドワード・ファイゲンバウムらによって開発された、世界初のエキスパートシステムとされるという、開発年・開発機関・開発者の組み合わせが論点になります。

目的は質量分析データから未知の有機化合物の分子構造を推定することであり、対象分野が化学（自然科学）である点は、医療診断を対象とするMYCINとの際立った違いです。

DENDRALの処理は、Plan（計画）・Generate（生成）・Test（テスト）という3段階からなります。化学的な制約に基づいて候補を絞り込むのが計画、あり得る分子構造を網羅的に列挙するのが生成、実測データと照合して検証するのがテストです。この処理手順自体が、DENDRALの仕組みを理解するうえでの中心的な柱になります。

また、知識ベースと推論エンジンを分離するという設計思想は、後続のMYCINなど多くのエキスパートシステムに引き継がれました。

一方で、専門家が持つ経験や勘をルール化する知識獲得のボトルネック（専門家の暗黙知を聞き取ってルールとして書き出す作業に時間と手間がかかるという課題）は、エキスパートシステム全般の限界として第2次AIブームの停滞と結び付けて語られます。DENDRALとMYCINは、こうした関連用語とあわせて整理しておきたいテーマです。

3. 関連概念との比較・相違点

MYCINとの最大の違いは、対象領域と開発時期にあります。両者の違いを軸ごとに並べます。

比較の軸	DENDRAL	MYCIN
対象領域	有機化合物の構造推定	感染症の診断と抗生物質の処方推奨
開発時期	1965年に始動	1970年代前半
扱うデータ	質量分析による客観的な数値	曖昧さを含む患者の症状
不確実性の扱い	決定論的な手順で候補を絞り込む	確信度係数で確からしさを数値化

MYCINを開発したのは、スタンフォード大学のブルース・ブキャナンとエドワード・ショートリフらです。ブキャナンは両プロジェクトに関わり、DENDRALの設計思想をMYCINへと橋渡ししました。

不確実性の扱い方が分かれたのは、扱うデータの性質が違うためです。DENDRALの質量分析データは比較的客観的な数値情報であり、決定論的な手順（Plan-Generate-Test）に沿って構造候補を絞り込んで検証します。

これに対してMYCINは、結論がどの程度確からしいかを数値で表す確信度係数（ある診断や結論がどの程度確からしいかを数値で表す、MYCINが導入した不確実性の表現方法）という仕組みを新たに導入しました。同じ知識ベースと推論エンジンという構造を持ちながら、確からしさの表現でアプローチが分かれました。

知識の獲得方法という観点では、機械学習（データからパターンを自動的に学習するAIの手法）との違いも見えてきます。DENDRALやMYCINのようなエキスパートシステムは、専門家への聞き取りを通じてルールを人手で記述する必要があり、知識獲得のボトルネックが課題となりました。

これに対して機械学習は、データそのものから自動的にパターンを学習する点が異なります。人手による知識の記述からデータ駆動へという流れは、AIの歴史における大きな転換点のひとつです。

4. ビジネス・実務での活用シナリオ

創薬や素材開発の分野では、質量分析やスペクトルデータから化合物の構造を推定するというDENDRALの発想が生きています。現在のマテリアルズインフォマティクス（材料開発にデータ解析やAIを活用する分野）が進める、AIによる未知物質の構造解析を支援する取り組みに、この発想が通じています。専門知識とデータ解析を組み合わせるという考え方の原型として位置づけられます。

知識ベースと推論エンジンを分離するというDENDRALの設計思想は、現在の企業システムにおけるルールエンジン（審査基準や業務ルールを判定ロジックから切り離して一元管理する仕組み）にも通じています。審査基準がたびたび改定される業務であっても、ルールと処理の仕組みを分けておけば、基準側だけを更新すれば済むという発想です。

熟練者の暗黙知をルール化し、形式知（言葉やルールとして誰にでも共有できる形にした知識）に変換するというアプローチを、DENDRALは採用しています。この考え方は、ベテラン社員の退職に伴う技能伝承やマニュアル整備といった、現代の人材育成の課題にも通じるものとして言及されます。専門家の判断基準を言葉にして残す取り組みは、DENDRALが化学者の経験則をルール化した発想と根は同じです。

5. 要点まとめ

• DENDRALは1965年にスタンフォード大学でエドワード・ファイゲンバウムらが開発した、質量分析データから未知の有機化合物の構造を推定するプログラムで、世界初のエキスパートシステムとされます。
• 処理はPlan・Generate・Test（計画・生成・テスト）の3段階からなり、知識ベースと推論エンジンを分離する設計は後続のエキスパートシステムに引き継がれたものです。
• 医療診断を対象に確信度係数で不確実性を扱うMYCINとの対比、および専門家の知識を人手で記述する知識獲得のボトルネックが、DENDRALを理解するうえでの重要な論点です。

6. 確認問題