Pega Process AI の予測をケースに組み込む判断|適応モデルと決定ルールの使い分け

ケースの振り分けや優先度づけを「予測に任せるか、ルールで決め切るか」は、多くの実装で迷う分岐点です。本記事では Pega Process AI の予測をどこに、どう組み込むべきかを、モデル選定・フォールバック設計・運用監視の観点から整理し、実装者が具体的に判断できる形にまとめます。

結論から:予測は「Prediction Studio で作り、ケースから呼び出す」。振り分けロジックをフローに直書きしない

ケースの振り分け、優先度づけ、承認要否の判定——こうした「判断」を Pega で実装するとき、多くのチームが最初に迷うのが「この判断を予測(AI)に任せるか、それとも決定テーブルのような静的ルールで決め切るか」という分岐です。

結論を先に言います。

予測を使うと決めたなら、その予測は Prediction Studio で作成・管理し、ケースはそれを「呼び出す」構成にする。判断の中身(どの入力でどう振り分けるか)をフローや Activity に直書きしてはいけない。 そして予測を使うかどうかは、「説明可能性・規制対応が要るか」「パターンが複雑で成果を計測できるか」で決める。

Prediction Studio に判断を寄せておけば、モデルの再訓練や入れ替えをケースフローに一切触れずに行え、精度の監視も 1 か所に集約できます。ケース側は、ライフサイクルの中に置いた Decision(決定)ステップから予測を参照するだけの構成になります(Pega の公式ドキュメントでも「ケースタイプの決定ステップがケース管理予測を利用する」と説明されています)。逆に振り分けロジックをフローへ直書きすると、ルール変更のたびにケースタイプを改修することになり、AI の強み(学習して勝手に賢くなる)を殺してしまいます。本記事では、この判断を具体的な分岐に分解します。

判断の分岐:予測に任せるか、ルールで決め切るか

まず「そもそも予測を使うべきか」を決めます。ここを外すと、後段のモデル選定やフォールバック設計がすべて無駄になります。

予測とルールの使い分け判断フロー 完全な説明可能性・規制対応が必須なら静的ルール。不要かつパターンが複雑で成果を計測でき学習データやフィードバック経路があるなら予測を使い、予測でも傾向値(propensity)のしきい値とフォールバックを設計する判断フロー図。 この判断ロジックをどう実装する? ① 完全な説明可能性・規制対応が 必須か? いいえ ② パターンが複雑で成果を計測でき、 学習データ/フィードバック経路がある? はい 予測(Prediction) Prediction Studio で作成し、ケースから呼び出す 静的ルール (決定テーブル等) ①=はい または ②=いいえ はい いいえ 予測を選んでも、傾向値のしきい値と決定論的フォールバックを必ず設計する
図:規制・完全な説明可能性が必須なら静的ルール。不要かつ複雑で計測可能・学習データがある領域だけ予測に任せ、予測でも傾向値(propensity)のしきい値とフォールバックを設計する。

静的ルールが正解になる領域

判断の根拠を完全に説明でき、規制・監査に耐える必要があるなら、決定テーブルなどの静的ルールを選びます。融資可否や与信の一次判定、コンプライアンス上「なぜその結論になったか」を後から厳密に再現・説明しなければならない判断がこれにあたります。静的ルールは同じ入力に対して常に同じ結論を返す決定論的な仕組みなので、根拠の説明とテストが容易です。

予測が効く領域

一方、入力の組み合わせが多く、人手でルールを書き切れないほど複雑で、かつ判断の良し悪しを結果で計測できるなら予測の出番です。解約の起こりやすさ、対応の緊急度、次に案内すべき最適な選択肢——こうした「経験を積むほど精度が上がる」性質の判断は、静的ルールで固定するより予測に任せたほうが成果が伸びます。

ただし予測は確率的で、モデルが学習するほど出力も変化します。なお「予測=説明できない」わけではありません。Pega は予測の説明可能性にも手当てを持ち、モデルの透明性ポリシー(T-Switch™ で業務課題ごとに透明性の下限を設定。モデルは透明度 1〜5 で評価され、規制の厳しい与信・回収などは高い透明性を要求)、透明性の高いモデル(スコアカード)、個々の判定根拠を示す Explainable AI(ローカル/グローバル説明)を備えます。それでも「同じ入力なら常に同じ結論」を厳密に保証したい・監査で完全に再現したい判断は、確率的でかつ学習で出力が動く予測より、静的ルールの方が扱いやすい——ここが実務上の線引きです。

適応モデルと静的モデル、どちらで作るか

予測を使うと決めたら、次は Prediction Studio でどの種類のモデルを土台にするかを選びます。Pega では予測を支えるモデル(predictive model)を、稼働中に自己学習する**適応モデル(Adaptive)と、履歴データで事前訓練する静的モデル(Static)**に大別します。押さえるべき軸は 2 つ、学習に使えるデータがあるかと、結果(正解)を後から回収する経路があるかです。

  • 適応モデル(Adaptive) — 稼働しながら、実際の結果(応答)を 1 件ずつ取り込んで逐次自己学習していくモデルです。Adaptive Decision Manager(ADM)が支える仕組みで、まとまった過去データが手元になくても走り出せます(傾向値は最初 0.5=五分五分から始まり、応答が集まるにつれて調整されます)。そのぶん「予測 → 結果を記録 → 学習」というフィードバック経路が回っていることが前提になります。経路がなければ、いつまでも賢くなりません。
  • 静的モデル(Static) — 蓄積済みの履歴データで事前に訓練して作るモデルです。Pega 内蔵のスコアカードや、PMML/H2O などで外部訓練したモデルの取り込み(Google Cloud AI・AWS SageMaker など外部プラットフォーム参照も含む)がこれにあたります。過去の入力と結果がラベル付きで十分にあるときに向き、訓練済みモデルとして安定して振る舞う一方、環境が変わったら再訓練で更新する運用になります。

言い換えると、過去データが乏しくても結果を回収できるなら適応モデル、良質な履歴データが既にあるなら静的モデル、というのが素直な出発点です。

なお Pega のケース管理予測では、設定に応じて Prediction Studio が適応モデルまたはスコアカードを予測の土台として自動生成します(外部で訓練済みのモデルを取り込むことも可能)。スコアカードは透明性が高く説明しやすいので、説明可能性を残しつつ予測を使いたい場面の受け皿になります。

判断ポイント適応モデル静的モデル
学習の仕方稼働中に結果から逐次自己学習履歴データで事前に訓練
必要なもの予測→結果を回すフィードバック経路ラベル付きの十分な履歴データ
コールドスタート走り出せるが最初は精度が低い訓練済みなので初期から一定精度
環境変化への追随継続学習で自動追随しやすい再訓練で更新する運用
向く場面選択肢が変わり続ける・結果が早く返る傾向が安定・過去実績が豊富

Process AI で利用できるモデルの種類や機能構成は、Pega Platform の版やライセンスによって異なります。実際に選べるモデル種別や設定項目は、対象とするプラットフォーム版の公式ドキュメントで必ず確認してください。本記事の判断軸は版に依存しない考え方の整理です。

予測を安全にケースへ組み込む 3 つの設計

予測を「呼び出す」構成にしただけでは本番運用に耐えません。予測は確率的で、しかも時間とともに劣化します。組み込みの品質は、次の 3 点をどこまで設計したかで決まります。

1. 傾向値(propensity)のしきい値で低確度の予測を止める

予測は結果を確率で返します。Pega ではこの値を propensity(傾向値) と呼びます。傾向値は「その結果が起きる予測確率」で、応答が集まる前は 0.5(五分五分)から始まります。傾向値が低い予測をそのまま自動処理に流すと、誤った振り分けや誤判定を量産しかねません。そこで、一定の傾向値を超えたときだけ予測結果を採用する propensity threshold(傾向値のしきい値) を設けます。Pega の公式チュートリアルでも、たとえば「専門家の関与なしに解決できる傾向値がしきい値を超えるケースだけ通常フローに流し、下回るケースは専門家へ回す」という形でこのしきい値が使われています。しきい値未満のときにケースが宙に浮かないよう、次の「フォールバック」とセットで設計するのが鉄則です。

2. 決定論的なフォールバック経路を用意する

予測の傾向値が低いとき、モデルがまだ学習途上(コールドスタート)のとき、あるいはモデル自体が一時的に応答しないとき——こうした場合でもケースは前に進まなければなりません。そのために、予測に頼らない決定論的な代替経路を用意します。典型的には「既定の担当キューへ回す」「静的ルールで暫定判定する」「人手のレビューへエスカレーションする」といった、確実に着地する経路です。前節の「しきい値を下回ったら専門家へ回す」も、まさにこの決定論的フォールバックの一例です。

この設計を怠ると、モデルの調子が悪い日にケースが滞留し、業務が止まります。予測を組み込むということは、予測が使えないときの振る舞いまで込みで設計することだと考えてください。

3. フィードバックとチャンピオン/チャレンジャーで劣化を監視する

予測モデルは「作って終わり」ではありません。実際の結果を記録して予測と突き合わせるフィードバックの仕組みがないと、モデルが今どれだけ当たっているのかすら分からなくなります。特に適応モデルは、この結果の記録そのものが学習の燃料なので、フィードバック経路は必須です。

さらに、市場や顧客行動が変わればモデルの前提はずれていきます(ドリフト)。これを検知・是正するために、現行モデル(チャンピオン)と候補モデル(チャレンジャー)を並走させ、成果を比較しながら入れ替えを判断する運用を組みます。チャンピオン/チャレンジャーは母集団の一部にランダムでチャレンジャーを当て、成績を見ながら少しずつ比率を上げていく仕組みで、Pega の MLOps プロセスの一部として使われます。フィードバックとチャンピオン/チャレンジャーの仕組みが無いと、予測は時間とともに静かに劣化します。

判断早見表

観点静的ルール予測(Process AI)
説明可能性・規制対応完全に満たせる透明性ポリシー・スコアカード等で対応可。ただし確率的で完全な決定論的再現は不向き
複雑なパターンへの追随手書きの限界がある得意
実装場所決定テーブル等のルールPrediction Studio(ケースの Decision ステップから呼び出し)
学習データが少ない影響なし適応モデルなら可、静的モデルは不利
運用の勘所ルールの保守傾向値しきい値・フォールバック・ドリフト監視
成果の計測必須ではない前提(フィードバックで学習・監視)

よくある失敗

振り分けロジックをフローに直書きしてしまう。 最も多い失敗です。「とりあえず動くから」と条件分岐をフローや Activity に埋め込むと、判断の変更がケースタイプの改修になり、学習で改善する余地も消えます。判断は Prediction Studio に寄せ、ケースは Decision ステップから呼び出すだけにします。

傾向値(propensity)のしきい値を無視して全件自動処理する。 予測の傾向値を見ずに結果を鵜呑みにすると、低い傾向値の誤判定がそのまま業務に流れます。しきい値を切り、下回ったら決定論的経路へ落とす設計を最初から入れます。

フォールバックを設計せず、モデル任せにする。 コールドスタートやモデル不調の日にケースが止まります。予測が使えないときの着地点を必ず用意します。

フィードバックを回さず、精度を測らないまま放置する。 結果を記録しなければ、モデルが当たっているのか外れているのか誰も分かりません。適応モデルに至っては学習すらできません。フィードバックとチャンピオン/チャレンジャーでドリフトを継続監視します。

規制対応が要る判断まで、無防備に予測にする。 「なぜその結論か」を厳密に説明する義務がある判断を、説明の手当てなく確率的な予測に委ねると、監査で立ち行かなくなります。原則はこの領域を静的ルールに留めること。どうしても予測を使う場合は、透明性ポリシーで透明性の高いモデル(スコアカード)に絞り、人手レビューを残すなどの手当てが要ります。

まとめ

  • 予測を使うなら Prediction Studio で作り、ケースは Decision ステップから呼び出すだけにする。振り分けロジックをフローへ直書きしない
  • 予測かルールかは、説明可能性・規制対応の要否と、パターンの複雑さ・成果の計測可能性で決める。完全な決定論的再現が要る判断は静的ルール、複雑で計測できる判断は予測
  • モデルは、過去データが乏しくても結果を回収できるなら適応モデル、良質な履歴データがあるなら静的モデル。ケース管理予測では適応モデルかスコアカードが土台になる
  • 組み込みの品質は、傾向値(propensity)のしきい値・決定論的フォールバック・フィードバックとチャンピオン/チャレンジャーの 3 点で決まる。予測が使えないときの振る舞いまで設計する
  • 利用できるモデル種別や機能構成は版・ライセンス依存。対象プラットフォーム版で必ず確認する

予測をケースへ組み込む判断は、「賢いモデルを作る」ことよりも「予測が外れる日・使えない日も業務が止まらない構成にする」ことが本質です。ここを設計の初期に決めておくことが、本番での安定運用と継続的な精度改善の土台になります。

関連リンク

このテーマの記事をまとめて読む: Pega の意思決定(CDH)と AI 用語は Pega 用語集 で引けます

関連記事

Pega 日時・タイムゾーン設計|DateTime と Date の使い分けと UTC 保存の落とし穴

「登録日が1日ずれる」「バッチの集計時刻が合わない」——多言語・多地域展開の Pega アプリで LSA が必ず直面するのが日時とタイムゾーンの設計だ。DateTime を UTC で保存し表示で現地時刻へ変換するモデルを理解せず、暦上の日付まで DateTime にしてしまうと、タイムゾーン変換で日付が前後する。プロパティ型の選択基準から整理する。

記事を読む

Pega ケース移行の設計判断|進行中ケースを移すか切替後に新規作成か

「旧システムの進行中案件をPegaへそのまま移せますか?」— レガシー移行で必ず出るこの問いに、LSAは安易に頷けない。過去フローの完全再現はほぼ不可能で、現在ステージと業務データの再現に絞るのが定石だ。本記事はオープンケース移行と切替後新規作成の分岐、SLA・アサインメント・監査履歴の扱い、段階移行とビッグバンの判断を、失敗例とともに整理する。

記事を読む

Pega 要件管理の設計|Specification とユーザーストーリーの使い分けと DCO の落とし穴

「要件はどこが正か?」——Pega では DCO で仕様(Specification)を直接キャプチャしてルールにリンクできる一方、Agile Workbench や Agile Studio ではユーザーストーリーとしてバックログ管理する。両方に書けば同期がズレ、DCO で作った仕様は放置されて化石化する。本記事は Specification とバックログの役割を分け、要件の SSOT をどう1つに定めるかという設計判断を扱う。

記事を読む

設計標準と設計レビューのご相談

判断の理由と適用範囲まで書いた設計標準をもとに、設計レビューと内製化を支援しています。