「二重振り子」という物理現象をご存じでしょうか。

一見すると単純な振り子ですが、棒の先にもう一本の振り子をつないだだけで、その軌跡は驚くほど複雑になります。

ほんのわずかに初期条件が違うだけで、数秒後には全く異なる軌跡を描きます。

1. 法則は完全に決まっている
   ニュートン力学の運動方程式に従っており、ランダムに動いているわけではありません。初期条件が同じなら、理論上は必ず同じ軌道になります。
2. 初期条件に極端に敏感
   例えば、最初の角度が0.000001°違うだけでも、しばらくすると全く異なる動きになります。この性質を「初期値鋭敏性」と呼びます。
3. 長期予測は事実上不可能
   現実には角度や速度を無限の精度で測定できません。そのわずかな測定誤差が時間とともに指数関数的に増幅されるため、長時間先の状態は予測できなくなります。

つまり、

• 短時間：高精度に予測可能
• 長時間：事実上予測不能

となります。

物理法則は完全に分かっているにもかかわらず、長時間先の動きを正確に予測することは極めて困難です。

このような現象は「カオス」と呼ばれます。

しかし、ここで一つ疑問があります。

予測できないことは、本当に解析できないことなのでしょうか。

現代のAIやデータサイエンスは、「未来を予測する」ことに大きな価値を置いています。

需要予測、株価予測、疾病予測、事故予測…。

もちろん重要な技術です。

しかし、現実世界には予測そのものが難しい対象が数多く存在します。

• 気象
• 金融市場
• 生体反応
• 人間の行動
• 細胞の状態遷移

これらは複雑な要因が相互作用する「複雑系」です。

未来の一点を正確に当てることは難しい。

それでも私たちは、「何も分からない」と言うでしょうか。

私は、そうは思いません。

たとえ軌跡は予測できなくても、その軌跡全体には構造があります。

どの領域に滞在しやすいのか。

どのような形状を形成するのか。

どこで状態が切り替わりやすいのか。

そこには、データそのものが持つ”構造”が存在しています。

私は近年、この「構造そのもの」を解析対象にすることが、これからのデータサイエンスの重要な方向性ではないかと考えています。

未来の一点を当てることよりも、

データがどのような世界を形成しているのかを理解する。

その発想です。

DSA＋DAGとの関係で考えると

従来の解析では、

• 「将来どこに行くか（軌跡）」を予測しようとします。

しかし二重振り子では、

• 軌跡そのものは予測困難です。

一方で、

• どのような状態空間を形成しているか
• どの領域を頻繁に通るか
• どのような構造的特徴を持つか

といった分布や構造には規則性があります。

これはDSA＋DAGが目指している

個々のデータ点ではなく、データ分布の構造を解析する
という発想と非常に近いものがあります。

つまり、

• 軌跡（Trajectory）は予測できなくても、
• 構造（Structure）は解析できる。

という考え方です。

AIは急速に発展しています。

しかし、「予測できること」と「理解できること」は必ずしも同じではありません。

予測精度が高くても、なぜその結論に至ったのかが分からないことがあります。

一方で、予測が難しい現象であっても、構造を理解することはできるかもしれません。

科学が知りたいのは、未来を当てることだけではありません。

現象を理解すること。

そこに新しい発見があります。

「予測不能」と「解析不能」は同義ではありません。

むしろ、予測が難しいからこそ、構造を理解する価値が生まれます。

私は、これからのデータサイエンスは「予測中心」から「構造理解中心」へと少しずつ軸足を移していくのではないかと感じています。

二重振り子は、そのことを静かに教えてくれる、とても美しい現象なのです。

【ワールドカップの熱狂から考える、平均では見えない“チームの構造”】

ワールドカップ盛り上がってますね。観ていると、改めてサッカーは「戦略のスポーツ」だと感じます。

リードした状態での終盤。
監督は守備的な選手を投入します。

実況では「守備を固めにきました」と言われます。
観ている側も、感覚的には分かります。

しかし、実際にはこういうことが起きます。

守備固めをしたはずなのに、急に押し込まれる。
攻撃的な選手を入れたはずなのに、チャンスが増えない。
中盤が間延びして、前線と最終ラインが分断される。
一人の名選手が止められた瞬間に、チーム全体が機能しなくなる。

これは単に「守備力が上がった」「攻撃力が上がった」という平均値だけでは説明できません。

ここで重要になるのが、チームの“水準”と“構造”を分けて考えることです。

水準とは、攻撃力や守備力がどれだけ高いかです。
これは平均値や合計値である程度見ることができます。

一方、構造とは、その力がチーム内でどのように分布しているかです。

同じ平均守備力でも、チームの中身はまったく違います。

全員が均等に守備へ貢献しているチーム。
一人の名センターバックに大きく依存しているチーム。
守備ブロックと攻撃ブロックに割れ、中盤が空洞化しているチーム。

平均値だけを見れば、どれも同じ「守備力」に見えるかもしれません。

しかし、現実の試合ではまったく違う意味を持ちます。

·  均衡型（正規）：全員が中庸に守備貢献。1人欠けても崩れない。頑健。

·  集中型（偏り）：一人の名CBが全部背負い、残りは薄い。平均は同じでも、その一人を消されれば即崩壊。単一障害点。

·  分極型（２峰性）：守備ブロックと攻撃ブロックに割れ、中盤が空洞。守れるが攻守の遷移が壊れている。つまり、同じ平均でも、勝ち方も崩れ方も違うのです。

これが、私がDSAで見ようとしている世界です。

DSAは、単に「強いか弱いか」を見るものではありません。
平均値の裏側にある、分布の偏り、集中、分断、構造的な脆さを捉えるための考え方です。

サッカーで言えば、選手交代は単なるポジション変更ではありません。

その交代によって、チーム全体の構造がどう変わったのか。
守備は本当に頑健になったのか。
それとも、前線の保持力を失い、かえって押し込まれる構造を作ったのか。
攻撃力は上がったのか。
それとも、中盤の接続が壊れ、攻撃機会そのものが減ったのか。

ここを見なければ、采配の本当の意味は分かりません。

これはビジネスにも通じます。

企業も同じです。

平均的な営業力が高く見えても、実は一部のエースに依存しているかもしれません。
開発力が高く見えても、特定の人材に知識が集中しているかもしれません。
組織全体は強そうに見えても、部門間が分断され、攻守の切り替えができない状態かもしれません。

平均値は、分かりやすい。しかし、平均値は構造を隠します。ワールドカップの試合を観ていると、そのことがよく分かります。

「なぜ守備固めをしたのに失点したのか」
「なぜ攻撃的交代をしたのに攻められなかったのか」
「なぜ強いはずのチームが、ある瞬間から崩れたのか」

そこには、平均では見えない構造があります。DSAが目指しているのは、その構造を可視化することです。

同じ平均、違う構造。
同じ戦力、違う崩れ方。
同じチーム力、違う勝ち方。

サッカーは、それを最も直感的に教えてくれる教材かもしれません。ワールドカップで盛り上がる今だからこそ、改めて思います。本当に見るべきなのは、スコアだけではありません。平均値だけでもありません。その裏側にある、チームの構造です。

サッカーはさらに進んでいる

近年のサッカーでは、

• xG（Expected Goals）
• xA（Expected Assists）
• VAEP
• xT（Expected Threat）
• トラッキングデータ
• 選手位置データ
• パスネットワーク
• プレス分析
• スペース分析

などが利用されています。特にxGは有名で、「そのシュートが何％で得点になるか」

を推定します。今では欧州トップクラブも代表チームも、トラッキングデータとAIを活用する時代です。

ではDSAは何が違うのか

ここが重要です。現在のスポーツ分析の多くは、「価値評価」です。

例えば、

• この選手はどれだけ貢献したか
• このパスはどれだけ危険だったか
• このシュートはどれだけ入りやすかったか

を評価しています。

つまり、イベントの価値評価が中心です。

DSAが見ようとしているのは、「構造」です。

例えば、

• チームの守備力がどのように分布しているか
• 攻撃が一人に依存しているか
• 中盤が空洞化しているか
• 特定選手が単一障害点になっているか

という問いです。

xGとDSAの違い

例えば、AチームもBチームも平均xG = 1.8だったとします。現在の分析では、両チームとも同程度のチャンスを作ったと評価されます。

しかしDSA的には、

Aチーム

0.2
0.2
0.2
0.2
1.0

なら「エース依存」です。

一方、

Bチーム

0.36
0.36
0.36
0.36
0.36

なら「分散型」です。

平均は同じです。

しかし、

• 対策のされやすさ
• 怪我耐性
• 再現性
• 崩れ方

は全く違います。

ここがDSAです。

既存研究にも近いものはある

正直に言うと、DSAだけが唯一無二というわけではありません。

サッカーでは既に、

• ネットワーク分析
• フォーメーション分析
• チームコンパクトネス
• スペース支配分析
• トラッキングデータ解析

などがあります。

これらもチーム構造を見ようとしています。

しかし、これらは

パス
↓
ネットワーク

や

位置
↓
空間

を見ることが多い。

DSAは

能力
↓
分布構造
↓
脆弱性
↓
頑健性

を見る。

ここに違いがあります。

スポーツアナリティクスの世界から見ると、DSAは「新しい統計量」ではありません。

xGのような指標でもありません。むしろ、構造を読むための視点です。

だから私は、DSAの競争相手は

• xG
• WAR
• VAEP

ではなく、むしろ

• ネットワーク科学
• 複雑系
• レジリエンス工学
• システム科学

に近いと思います。

スポーツ分析そのものではなく、

「同じ平均でも構造が違う」という考え方を、医療、企業、AI for Science、スポーツに横断的に適用できることだと思います。

～従来手法を接続し、説明可能な科学的発見プロセスへ～

近年、AIの進歩は目覚ましいものがあります。

大量のデータからパターンを学習し、人間を超える精度で予測や分類を行う事例も珍しくなくなりました。研究開発、医療、金融、製造業、マーケティングなど、多くの分野でAIの活用が進んでいます。

しかし、その一方で重要な問いが残されています。

「AIは答えを出せるが、その答えはどのように発見されるのか？」

という問いです。

科学の本質は予測ではなく発見にある

従来の分析手法は、それぞれ明確な役割を担ってきました。

統計学は仮説を検証する。

機械学習は予測精度を向上させる。

異常検知は通常とは異なる事象を発見する。

クラスタリングは似た集団を分類する。

いずれも重要な技術です。

しかし現代社会が直面している課題は、単なる予測精度の向上だけでは解決できません。

私たちが本当に知りたいのは、

• なぜその結果が生じたのか
• どのような構造が存在するのか
• 何が本質的な要因なのか
• 次にどの仮説を検証すべきなのか

ということです。

つまり、

「答え」ではなく「問い」を発見する能力

が求められているのです。

分析技術は進化したが、発見プロセスは分断されたまま

現在の分析環境には多くの優れた技術があります。

データベース

統計解析

機械学習

生成AI

シミュレーション

可視化技術

しかし、それらは多くの場合、各論化されています。

データ取得はデータ取得

統計解析は統計解析

AIはAI

論文作成は論文作成

それぞれが独立した工程として扱われています。

結果として、

「データはある」

「分析結果もある」

「予測モデルもある」

にもかかわらず、

科学的発見へ至る道筋が見えない

という状況が生じています。

これは技術の不足ではなく、プロセス設計の問題です。

これから必要なのは技術ではなく接続である

未来の研究開発に必要なのは、新しい分析手法を一つ追加することではありません。

重要なのは、

既存手法をどのようにつなぐか

です。

データから構造を発見する。

発見された構造から仮説を生成する。

仮説を因果的に整理する。

検証可能な形に変換する。

再びデータで検証する。

その結果を意思決定につなげる。

この循環こそが本来の科学的方法論です。

しかし現実には、このプロセスは研究者個人の経験や勘に依存している部分が少なくありません。

DSA＋DAGが目指すもの

DSA＋DAGの本質は、新しい統計手法を提案することではありません。

また、AIと競争することでもありません。

目指しているのは、

「発見 → 理解 → 検証」

というAI時代のデジタルチェーンを再構築することです。

データの中から構造を見つける。

構造から仮説を生み出す。

仮説を因果的に整理する。

そして検証可能な問いへ変換する。

この流れを一つのフレームワークとして整理することで、分析結果を単なる数値や予測ではなく、知識へと変換することができます。

AI時代だからこそ求められる説明可能な発見

AIの能力が向上するほど、

「なぜその結論に至ったのか」

という説明の重要性は高まります。

予測精度だけを競う時代は、いずれ限界を迎えるでしょう。

その先に求められるのは、

• 発見できること
• 理解できること
• 説明できること
• 再現できること

です。

科学とは本来、ブラックボックスから答えを得る行為ではありません。

発見の過程そのものを共有し、再現可能にする営みです。

発見の民主化へ

もし科学的発見のプロセスを構造化できれば、その恩恵は一部の専門家だけに留まりません。

研究者だけでなく、

企業、

行政、

医療現場、

教育現場、

あらゆる意思決定の場面で活用できる可能性があります。

AIが答えを出し、

人間が問いを考える。

その間を埋める仕組みが必要です。

DSA＋DAGは、そのための一つの挑戦です。

それは単なる分析技術ではなく、

「AI時代の発見プロセスそのものを再設計する試み」

と言えるのかもしれません。

～教師あり学習と教師なし学習の視点から考える～

近年、AIによるデータ分析は急速に普及し、多くの分野で成果を上げています。しかし、データ分析には大きく分けて「教師あり」と「教師なし」という二つのアプローチが存在し、それぞれ得意とする役割が異なります。

そして、この違いを理解すると、DSA＋DAGが果たし得る役割も見えてきます。

教師あり学習とは何か

教師あり学習とは、あらかじめ「正解」が与えられている状態で学習する方法です。

例えば、

• 退院できたかできなかったか
• 製品を購入したかしなかったか
• 機器が故障したかしなかったか

といった結果が既に分かっている場合、その結果を説明する要因を探したり、将来を予測したりします。

現在のAIの多くは、この教師あり学習を得意としています。

大量のデータからパターンを学習し、高い精度で予測を行うことができます。

しかし、この方法には一つの前提があります。

それは、

「何を予測したいのかが最初から分かっている」

ということです。

教師なし学習とは何か

一方、教師なし学習では正解ラベルが存在しません。

分析者自身も、

• どのような集団が存在するのか
• どのような構造が隠れているのか
• どこに異常があるのか

を知らない状態からスタートします。

ここで重要になるのは予測ではなく、

「発見」

です。

例えば、一見同じように見える集団の中に、

• 複数の異なるサブグループが存在していた
• 一部だけ全く異なる挙動を示していた
• ある境界を超えると特性が急激に変化していた

といった構造が見つかることがあります。

教師なし学習は、未知の構造を発見するためのアプローチと言えます。

DSA＋DAGはどこに位置付けられるのか

DSA＋DAGは、教師あり・教師なしのどちらか一方だけに属するものではありません。

むしろ両者をつなぐ役割を持っています。

まずDSAによって、

• 分布の歪み
• 多峰性
• サブグループ
• 異常集団
• 閾値

などの構造を抽出します。

これは教師なし学習に近い考え方です。

その後、

「なぜその構造が生じたのか」

という因果仮説をDAGによって整理します。

さらに必要に応じて、

「その構造が実際に結果へ影響しているのか」

を検証していきます。

つまり、

構造発見 → 仮説生成 → 仮説検証

という流れになります。

AIとDSA＋DAGは競合ではない

では「AIとDSA＋DAGのどちらが優れているのか」というと、実際には両者は競合関係ではありません。

AIは、

• 高速な予測
• 自動分類
• パターン認識

を得意とします。

一方でDSA＋DAGは、

• データの構造理解
• 仮説生成
• 因果関係の整理

を得意とします。

言い換えれば、

AIは「答えを当てる技術」であり、

DSA＋DAGは「問いを見つける技術」です。

これから重要になるのは「発見の科学」

近年のAIは驚異的な進歩を遂げています。

しかし、どれほど予測精度が高くなったとしても、

「何を予測すべきか」

が分からなければ分析は始まりません。

未知の現象を発見し、新しい仮説を生み出すこと。

その仮説を構造的に整理し、検証可能な形へ落とし込むこと。

この部分は依然として人間の思考と科学的方法論が担う領域です。

DSA＋DAGは、単なる解析手法ではありません。

データの中に埋もれた構造を見つけ出し、仮説へ変換し、検証へつなげるための枠組みです。

予測の精度を競う時代から、

「何を発見できるのか」を競う時代へ。

DSA＋DAGは、そのための一つのアプローチとして位置付けることができるのではないでしょうか。

ループエンジニアリングはDSA+DAGにとって追い風です。

なぜなら、

プロンプトをうまく書く
ではなく、
AIが「実行→検証→修正」を回す仕組み自体を設計する

という発想です。最近の説明でも、AIエージェントを自律的に動かす「ループ」を設計する方法論として語られています。

ただし、ここに大きな問題があります。

AIが実行する
↓
結果を見る
↓
修正する
↓
また実行する

このループは強力ですが、何を正しいと判定するかが弱い。

つまり、AIが勝手に回り続けても、

相関を改善しているのか
予測精度を上げているのか
因果的に妥当な構造へ近づいているのか

が分からない。

ここにDSA+DAGが入ります。

AI-Ready Data
↓
DSA：分布構造を確認
↓
DAG：因果仮説を明示
↓
AI Agent：解析・検証・修正
↓
人間：妥当性判断
↓
再ループ

ループエンジニアリングは「回す技術」です。
DSA+DAGは「何を見ながら回すべきか」を与える技術です。

特にDAGは、AIエージェントに対して

この変数は交絡候補
これは媒介の可能性
これは結果変数
ここは介入可能
ここは調整してはいけない

という判断基準を与えられます。

なので将来的には、

Prompt Engineering
↓
Context Engineering
↓
Loop Engineering
↓
Causal Loop Engineering

のように進む可能性があります。

このときDSA+DAGは、単なる解析手法ではなく、AIエージェントが暴走せず、意味のある解析ループを回すための上流制御装置になります。

結論として、ループエンジニアリングの普及はDSA+DAGを不要にするのではなく、むしろ

ループを因果的に正しく回すためにDSA+DAGが必要になる

という方向に働くと考えています。