不確実性下における逐次意思決定のための深層学習：基礎、枠組み、フロンティア

要旨: 人工知能（AI）は、予測にとどまらず、複雑で不確実かつ動的な環境における意思決定を支援する方向へ、ますます進展しています。この変化は、長年にわたり不確実性のもとでの逐次意思決定に対して概念的および方法論的な基盤を提供してきたオペレーションズ・リサーチ／マネジメントサイエンス（OR/MS）との自然な交差を生み出します。同時に、フィードフォワードのニューラルネットワーク、LSTM、トランスフォーマー、深層強化学習などの深層学習における近年の進歩は、データ駆動型のモデリングの範囲を拡大し、大規模な意思決定システムに関する新たな可能性を切り開いています。本チュートリアルは、不確実性のもとでの逐次意思決定のための深層学習に関して、OR/MSを中心に据えた視点を提示します。その中核となる前提は、深層学習は最適化の代替としてではなく、それを補完するものとして価値がある、という点です。深層学習は適応性とスケーラブルな近似をもたらす一方、OR/MSは制約、リコース（代替的な行動）、および不確実性を表現するために必要な構造的な厳密さを提供します。本チュートリアルでは、主要な意思決定の基礎を概観し、それらを現代AIにおける主要なニューラルアーキテクチャと結び付け、学習と最適化を統合するための先導的アプローチについて議論します。また、サプライチェーン、ヘルスケアおよび疫病対応、農業、エネルギー、自律運用といった領域における、新たに顕在化しつつある影響も強調します。より広い意味では、これらの発展を、予測中心のAIから意思決定能力を備えたAIへ向かうより大きな移行の一部として位置づけ、統合型の学習--最適化システムの次世代を形作るうえでのOR/MSの役割を示します。