「ミラさんの行動、いつも予測できないですね」
由紀がつぶやいた。
ミラは静かに微笑んだ。
葵が興味を持った。「予測モデルを作ってみたの？」
「いえ、でも何となく。パターンが見えない気がします」
「それは面白い観察だ」葵がノートを開いた。「機械学習では、予測モデルを構築する。でも、全てをモデル化できるわけじゃない」
「モデル化できないもの？」
「ある。モデルは過去のデータから学習する。でも、全く新しいパターンは予測できない」
由紀が考えた。「ミラさんは、過去のパターンに従わない？」
ミラが紙に書いた。「Out of distribution」
葵が頷いた。「分布外データだ。訓練データの範囲外にいる」
「それって、良いことですか？」
「視点による」葵が説明した。「機械学習の世界では、分布外データは問題だ。モデルは信頼性を失う」
「でも、人間では？」
「個性と呼ばれる。予測不能な部分が、その人らしさを作る」
由紀がノートに書いた。「予測可能性と個性は、トレードオフ？」
「ある意味でね。完全に予測可能な人は、モデル化しやすいが、驚きがない」
ミラが別の紙を見せた。「Surprise is information」
「その通り」葵が確認した。「情報量は、予測外の度合いで決まる。予測通りなら、情報量はゼロだ」
由紀が尋ねた。「じゃあ、ミラさんは高情報量の人？」
「そうかもしれない。でも、それだけじゃない」
「どういうこと？」
葵は図を描いた。「予測モデルには、バイアスとバリアンスがある」
「バイアス？」
「モデルの仮定による偏り。もし人を『朝型』『夜型』に分類するモデルなら、その枠に収まらない人を捉えられない」
「ミラさんは、その枠の外？」
「可能性がある。もっと複雑なモデルが必要かもしれない」
ミラがゆっくり言った。「Models simplify. People are complex」
葵が深く頷いた。「モデルは単純化の道具だ。でも、単純化しすぎると、本質を失う」
由紀が理解した。「だから、完璧な予測モデルは作れない？」
「作れない。特に人間については。人は学習し、変化し、文脈に応じて行動する」
「機械学習モデルは？」
「データが多ければ、かなり正確になる。でも、未知の状況には弱い」
由紀が尋ねた。「じゃあ、私たちも予測不能なんですか？」
「部分的にはね。でも、陸と比べると、由紀はかなり予測可能だ」
由紀が笑った。「それって褒めてます？」
「中立的な観察だ。予測可能性は、信頼性と一致する。でも、創造性とはトレードオフかもしれない」
ミラが新しいメモを見せた。「Predictable = boring?」
「いや」葵が否定した。「予測可能性にも価値がある。安定性、信頼性。これらは重要だ」
由紀が考えた。「でも、少しの予測不能さも必要？」
「バランスだ。基本的には予測可能で、時々予想外。それが心地よい」
「どうしてですか？」
「完全に予測可能だと、飽きる。完全に予測不能だと、不安になる。適度な不確実性が、興味を保つ」
ミラが微笑んだ。
葵が続けた。「情報理論的には、エントロピーの話だ。低すぎても高すぎてもダメ。適度な複雑さが理想だ」
由紀がノートを見返した。「じゃあ、ミラさんのエントロピーは高い？」
「観測者による。ミラ自身には、一貫したパターンがあるかもしれない。でも、私たちにはそれが見えない」
ミラが紙に書いた。「Different perspective, different model」
「深い」葵が感心した。「同じ人でも、見る角度で異なるモデルになる」
由紀が尋ねた。「じゃあ、真のモデルは存在しない？」
「おそらく。モデルは常に近似だ。現実は、どんなモデルより複雑だ」
「でも、モデルは役に立つ？」
「もちろん。不完全でも、理解の道具になる。大切なのは、モデルの限界を知ることだ」
ミラがゆっくり言った。「I am more than any model of me」
葵が静かに頷いた。「全ての人がそうだ。私たちは、どんなモデルよりも豊かだ」
三人は夕暮れの教室で、予測モデルの限界について語り合った。
人は、数式や統計に収まらない。
その予測不能さこそが、人間らしさかもしれない。