オントロジー(Ontology)
1. 概要
オントロジー(Ontology)とは、特定のドメインに存在する概念(Concept)と概念間の関係、およびそれらが守るべき制約・規則を人間と機械が共有できるように明示的・形式的に規定した仕様(Specification)である。T. Gruberはこれを「共有された概念化(Conceptualization)に対する明示的な仕様(An explicit specification of a conceptualization)」と定義したが、これはある世界を見る共通の観点を曖昧さなく機械が処理可能な形で約束しておいたものを意味する。
情報システムが組織・機関の境界を越えて連携し始めると、同じ用語を異なる意味で用いたり(同音異義)、異なる用語を同じ意味で用いたり(異音同義)する問題がデータ統合の根本的な障害として浮上した。例えばあるシステムの「顧客」と別のシステムの「取引先」が同じ実体を指すかを人間が一つ一つ解釈してマッピングせねばならず、この過程はコストが大きく誤りも多かった。関係型スキーマはデータの構造(Structure)は規定するがその意味(Semantics)は担えないため、意味を機械が理解し推論させようとする要求が蓄積された。オントロジーはまさにこの空白、すなわち「データが何を意味するか」を形式論理で確定し、機械が解釈・推論・検証できるようにしようとする必要性から登場した。
直接的な契機は2000年代初頭にTim Berners-Leeが提唱したセマンティックウェブ(Semantic Web)のビジョンである。ウェブ文書を人間だけでなく機械も「理解」させ、自動問合せ・統合・推論を実現しようとする構想の中で、その意味層の中核的な骨格としてオントロジーが位置づけられた。近年では大規模言語モデル(LLM)のハルシネーションを抑制し推論の根拠を提供するニューロシンボリック(Neuro-Symbolic)なアプローチと、ナレッジグラフのスキーマとしてオントロジーが再び注目され、単なる分類体系を超えて説明可能AIの基盤知識として改めて脚光を浴びている。
オントロジーが備えるべき望ましい特徴としては、一般に明確性(Clarity、用語定義の曖昧さの除去)、一貫性(Coherence、公理間の矛盾の不在)、拡張性(Extensibility、既存定義を壊さずに概念を追加)、最小存在論的コミットメント(Minimal Ontological Commitment、必要以上に世界を断定しない)が挙げられる。これらはGruberが提示した設計原則であり、オントロジーが特定の応用に従属せず複数のシステムが共有・再利用できる知識資産となるための条件である。すなわちオントロジーの目的は、一つのシステムのデータモデルを超えて、組織・ドメイン全体が合意する意味の「共通語」を立てることにある。
2. オントロジーの構成要素と全体構造
オントロジーは大きくクラス(Class、概念)、インスタンス(Instance、個体)、プロパティ(Property、関係・特性)、およびそれらに論理的制約を付与する公理(Axiom)から構成される。クラスは「人」「将軍」のように同じ性質を持つ個体の集合を抽象化した概念であり、インスタンスは「李舜臣」のようにそのクラスに実際に属する具体的な個体である。プロパティは個体を他の個体とつなぐ関係(ObjectProperty、例: 指揮する)か、個体に値を付与するデータ特性(DatatypeProperty、例: 生年)であり、公理は「すべての将軍は人である」「一人の人は一つの生年のみを持つ」のように必ず真でなければならない制約を宣言し、推論と一貫性検証の根拠となる。
flowchart TB
O["オントロジー(Ontology)"] --> C["クラス/概念(Class)"]
O --> P["プロパティ(Property)"]
O --> A["公理/制約(Axiom)"]
O --> I["インスタンス(Instance)"]
C -->|subClassOf| C2["上位・下位概念の階層(Taxonomy)"]
P --> OP["オブジェクトプロパティ(ObjectProperty)"]
P --> DP["データプロパティ(DatatypeProperty)"]
A --> R["規則・制約(domain/range, cardinality)"]
I -->|rdf:type| C
上の構造においてクラス階層(Taxonomy)は「is-a」関係で概念を上位・下位に組織した骨格であるが、オントロジーは分類体系(Taxonomy)や統制語彙(Thesaurus)と異なり任意の意味的関係と形式論理の公理まで担う点で表現力が本質的に高い。まさにこの公理層が「格納されていない事実も論理的に導けるか」を左右し、オントロジーを単なる用語辞典ではなく推論可能な知識モデルへと格上げする。
A. クラスと階層(Taxonomy)
クラスはドメインの概念を抽象化した集合であり、subClassOf(包含)関係で上位・下位階層を形成する。「人 ⊃ 軍人 ⊃ 将軍」のように階層を定義すれば、「李舜臣」が将軍のインスタンスであるという事実だけから、彼が軍人であり人であるという事実が自動的に継承・推論される。これは重複格納を減らしデータの一貫性を保証する中核的な仕掛けである。
階層設計が重要な理由は、継承構造こそが推論の骨格だからである。クラス階層が精緻であるほど下位概念への問合せが上位概念の知識を自動的に活用し、例えば「すべての軍人の所属を照会せよ」という問合せが将軍・兵士など下位クラスのインスタンスまで一度に包含する。逆に階層が誤って設計されると継承がかえって誤りを伝播させるため、「is-a」関係が真か(「将軍は必ず軍人か」)を厳密に吟味し乱用しないのが原則である。
ただし階層設計はドメイン専門家の世界観を反映するため、過度に深い階層は保守を難しくし、過度に浅い階層は推論の有用性を低下させる。実務では上位概念(Upper Ontology、例: BFO・DOLCE)を再利用して階層の上段を標準化し、下位ドメインのみを新規設計する方式で設計品質と相互運用性を同時に確保する。医療オントロジーがBFOを上段として採用し、異なる医療オントロジー間の整合性を高めたのが代表的な事例である。
B. プロパティ(関係と特性)とその制約
プロパティは個体を世界に結ぶ「動詞」に相当する。オブジェクトプロパティは個体-個体をつなぎ(指揮する)、データプロパティは個体-値をつなぐ(生年 = 1545)。プロパティには定義域(domain)・値域(range)の制約を付与して「指揮するの主体は人、対象は戦艦」のように用法を制限し、対称性・推移性・逆関係のような論理的性質を宣言できる。
プロパティの論理的性質は単なるメタデータではなく、それ自体が新たな事実を生み出す推論規則である。例えば「祖先」を推移的(transitive)プロパティとして宣言すれば、「Aの祖先がBでBの祖先がC」のとき「Aの祖先がC」という事実が推論器(Reasoner)によって自動的に導出される。逆関係(inverseOf)を宣言すれば「親」から「子」が自動生成され、対称(symmetric)プロパティである「配偶者」は一方向のみ入力しても反対方向が含意される。このように明示的に格納しない事実を規則で補う能力が、オントロジーが格納容量を節約しつつ完結的な知識を保つ原理である。
このようにプロパティの論理的性質を精緻に宣言することがオントロジーの推論力を決定し、制約が不十分であれば誤ったデータが濾過されず知識の信頼性が崩れる。逆に過度に強い制約は正当なデータまで非一貫と判定し運用を難しくするため、ドメインの実際の規則と例外を綿密に調査して公理の強度を調整する均衡感覚が知識工学者の中核的な力量である。
C. 公理と一貫性
公理はドメインで必ず真でなければならない制約を形式論理で明示したものである。「男性と女性は互いに素(disjoint)」「すべての注文は正確に一人の顧客を持つ(cardinality)」のような公理は、データ入力時に矛盾を検出する無矛盾性検証(Consistency Checking)の根拠となる。ある個体が男性でありながら同時に女性クラスに属すると記述されると、推論器は互いに素の公理を根拠にグラフが非一貫(Inconsistent)であると報告する。
公理のもう一つの役割は、個体の所属を推論して分類することである。OWLは必要十分条件(equivalentClass)でクラスを定義できるため、例えば「子を持つ人は親である」という公理があれば「子の関係が入力された個体」を推論器が自動的に親クラスへ分類する。設計者が一つ一つ型を指定しなくても規則だけで個体が適切な概念に帰属するもので、これは規則ベースの自動タグ付け・カテゴリ化の強力な基盤となる。
これは関係型DBの制約条件(CHECK・FK)よりはるかに表現力の高い意味水準の検証であり、データ品質を宣言的に保証する手段である。ただし公理が増えるほど推論コストと設計難度がともに高まるため、「必ず機械が推論・検証せねばならない規則」のみを公理へ昇格させ、残りは文書化として残す節制が保守性を左右する。
D. インスタンスと知識ベース(A-Box/T-Box)
オントロジーは概念・関係・公理を規定するスキーマ層(T-Box, Terminology)と、実際の個体の事実を担う事実層(A-Box, Assertion)に区分される。T-Boxは「将軍は人である」という概念知識を、A-Boxは「李舜臣は将軍である」という個別の事実を担う。この分離は設計上重要であり、スキーマ(T-Box)は比較的安定的に再利用される一方、事実(A-Box)は絶えず追加・更新されるためである。
この区分は記述論理の推論サービスが二つの層をそれぞれ扱う点でも意味を持つ。T-Box推論は概念間の包含・同値・充足不能(unsatisfiable)を検査してスキーマ自体の健全性を検証し、A-Box推論は個別個体の所属と事実の一貫性を判定する。大規模システムではA-Boxが数十億トリプルに肥大するため、重いT-Box推論は設計・配備時点に実施しておき、運用中は軽い問合せ応答のみを処理する形で推論コストを時間軸に分散する設計が一般的である。
ナレッジグラフはしばしばA-Boxを大規模に蓄積した成果物であり、その上にオントロジー(T-Box)が意味と推論規則を供給する関係として理解できる。したがって「ナレッジグラフを構築する」という課題は、事実を集める作業(A-Box)とその事実を解釈・検証する規則を定義する作業(T-Box)を分離して取り組まねばならず、後者をおろそかにすればデータは積み上がるが推論・検証が不可能な「意味のないグラフ」にとどまる。
3. セマンティックウェブスタックとオントロジー表現言語
オントロジーを機械が処理するには標準化された表現言語が必要である。W3Cはデータの識別・構造・意味を階層的に積み上げるセマンティックウェブスタックを標準化し、その上でオントロジーはRDFSとOWLで記述される。
flowchart TB
subgraph STACK["セマンティックウェブの階層構造"]
direction TB
L1["URI/IRI · 文字(識別・エンコーディング)"]
L2["RDF(トリプル: 主語-述語-目的語)"]
L3["RDFS(クラス・プロパティの階層)"]
L4["OWL(形式論理・制約・推論)"]
L5["SPARQL(問合せ) · Reasoner(推論)"]
L1 --> L2 --> L3 --> L4 --> L5
end
RDF(Resource Description Framework)はすべての事実を主語-述語-目的語のトリプルに還元し、グローバル識別子(URI)で個体を一意に指し示すデータモデルである。RDFS(RDF Schema)はその上でクラスとプロパティの階層(subClassOf・subPropertyOf)とdomain・rangeを定義する軽量な語彙層である。OWL(Web Ontology Language)は記述論理(Description Logic)に基づき、互いに素・基数制約・プロパティの推移性・論理和/積など豊富な公理を表現できる本格的なオントロジー言語で、2004年に制定後2009年にOWL 2へ改定された。OWL 2は推論複雑度と表現力を異にするプロファイル(EL・QL・RL)を提供し、大規模な医療用語体系(EL)や大容量問合せ(QL)のように用途に合った計算特性を選択できるようにする。
| 区分 | RDFS | OWL(OWL 2) | 比較観点 |
|---|---|---|---|
| 理論基盤 | 単純なスキーマ | 記述論理(DL) | 表現力/推論可能性 |
| 表現可能な制約 | 階層・domain/range | 互いに素・基数・推移性・同値 | 意味の精密度 |
| 推論の深さ | 浅い(階層継承) | 深い(矛盾検出・分類) | 知識検証の水準 |
| 計算複雑度 | 低い | 高い(プロファイルで調節) | 性能トレードオフ |
表に見るようにRDFSは軽く速いが「互いに素」や「正確に一つ」のような精密な制約を表現できず深い推論が不可能である。逆にOWLは豊富な論理を支える代わりに推論コストが大きくなるため、表現力と性能の間でプロファイルによる折衷が設計の核心となる。すなわち「何を表現するか」ではなく「どの水準の推論をどのコストで引き受けるか」が実質的な選択基準である。
4. オントロジー構築方法論と推論
オントロジーは一度に完成するのではなく反復的(iterative)なライフサイクルで構築される。代表的にMETHONTOLOGYは仕様化→概念化→形式化→実装→保守の段階を、NoyとMcGuinnessの「Ontology Development 101」はドメイン・範囲の決定→既存オントロジーの再利用検討→中心用語の列挙→クラス階層の定義→プロパティ・制約の定義→インスタンスの生成という実用的な手順を提示する。共通の原則は再利用優先とコンピテンシー質問(Competency Question)に基づく範囲設定である。コンピテンシー質問とは「このオントロジーでどのような質問に答えられるべきか」をまず定義することで、例えば「特定の将軍が参戦した海戦の発生年は?」という質問が設計の完成度を検証する試金石となる。
flowchart LR
Q["コンピテンシー質問の定義(要求範囲)"] --> M["既存オントロジーの再利用検討"]
M --> T["クラス・プロパティ設計(T-Box)"]
T --> AX["公理・制約の宣言"]
AX --> INST["インスタンスの投入(A-Box)"]
INST --> RSN["推論器の実行(Reasoner)"]
RSN -->|非一貫の発見| T
RSN -->|分類・推論結果| USE["問合せ・活用(SPARQL)"]
推論(Reasoning)はオントロジーの価値を実現する段階である。ProtégéのようなツールでHermiT・Pellet・ELKのような推論器を走らせると、明示されていない上位・下位関係を自動分類(Classification)し、公理に違反する事実を非一貫として検出し、問合せに対して含意された(entailed)事実まで含めて答えを返す。一つ留意すべき前提は、オントロジーが開放世界仮説(Open World Assumption, OWA)に従う点である。すなわち「明示されていない事実は偽ではなくまだ分からないもの」とみなすため、関係型DBの閉世界仮説(なければ偽)に慣れた設計者が「データにないから違反」と期待すると推論結果が直観と食い違うことがある。この違いを理解しなければ公理設計が意図どおりに動作しない。
5. 類似概念の比較とナレッジグラフとの関係
オントロジーは分類体系・シソーラス・データモデルとしばしば混同されるが、表現力と目的において明確に区分される。分類体系(Taxonomy)は「is-a」階層のみを、シソーラス(Thesaurus)は同義語・関連語水準の関係のみを扱う一方、オントロジーは任意の意味関係と形式論理の公理まで担って機械推論を支える。この違いが重要な理由は、公理のない分類体系は「検索語拡張」程度に用いられるが、公理のあるオントロジーは「矛盾検出」と「含意推論」という質的に異なる能力を提供するからである。
| 区分 | 分類体系 | シソーラス | オントロジー | 中核的な違い |
|---|---|---|---|---|
| 関係の種類 | is-a | 同義・関連 | 任意の意味関係 | 表現範囲 |
| 公理/制約 | なし | 微弱 | 形式論理 | 推論可能性 |
| 機械推論 | 不可 | 限定的 | 可能 | 検証・含意 |
| 代表的用途 | 分類・ナビ | 検索拡張 | 統合・推論・検証 | 活用の深さ |
ナレッジグラフ(Knowledge Graph)との関係は特に頻繁に出題される。ナレッジグラフが個体と関係を大規模に蓄積したデータ(A-Box)であるなら、オントロジーはそのデータが従うべき意味規則とスキーマ(T-Box)に相当する。喩えるならオントロジーは「文法」であり、ナレッジグラフはその文法で書かれた「文の集合」である。したがって両者は競合関係ではなく相互補完的であり、Google・Amazonなどは大規模なナレッジグラフの品質と推論力をオントロジーで裏打ちする。実際にナレッジグラフにオントロジーが結合されてこそ「格納されていない事実の推論」と「矛盾データの自動検出」が可能となる。
ただし実務では表現力と規模のトレードオフのため、両者の結合水準を調整する。数十億トリプル規模の産業用ナレッジグラフは完全なOWL推論を常時実施することが難しく、中核の公理のみを軽量オントロジー(RDFS+)で保ち、重い検証はバッチで回す折衷を取る。逆に医療・法律のように精密性が命の領域は規模を犠牲にしても豊富なOWL公理を適用する。このように「データ(ナレッジグラフ)と規則(オントロジー)をどの比率で結合するか」がアーキテクチャ設計の実質的な争点であり、正解はドメインの精密度要求とデータ規模によって変わる。
6. 深化: 最新動向と産業適用事例
オントロジーの最新の流れはLLMとの結合で最も際立つ。LLMは膨大な知識を柔軟に生成するが事実をでっち上げる(ハルシネーション)弱点があり、オントロジーは精密だが知識を自動拡張しにくい。そこで両者を結合するニューロシンボリックなアプローチが台頭しており、LLMが非定型テキストからトリプル候補を抽出するとオントロジー公理で検証・精製してナレッジグラフに投入し、逆に問合せ時にはオントロジーに基づく推論結果をLLMの根拠(Context)として注入しハルシネーションを抑制する。GraphRAGが代表的な応用で、オントロジーが提供する概念階層が検索範囲を意味的に拡張・制約し、回答の事実性と説明可能性を高める。
産業現場の成熟した事例も豊富である。医療分野のSNOMED CTは35万以上の臨床概念をOWL ELで記述した世界最大級のオントロジーで、異なる病院EMRの診断用語を意味的に統合して相互運用性を実現する。生命科学のGene Ontology(GO)は遺伝子機能を標準概念で記述し、世界中の研究データを横断分析可能にし、製造・エンジニアリングでは産業データ標準(例: 資産管理シェル、デジタルツインの意味モデル)にオントロジーが用いられ異機種設備データを統合する。金融分野ではFIBO(Financial Industry Business Ontology)が金融商品・取引の意味を標準化し、規制報告とリスク統合に活用される。これらの事例の共通点は、「大規模・異機種・長期運用」の環境で意味水準の標準化が統合コストを画期的に削減したという点である。
予想される出題方向としては、① オントロジーとナレッジグラフの関係(T-Box/A-Box)、② セマンティックウェブスタックとOWL推論、③ LLMハルシネーション抑制のためのオントロジーベースRAG(GraphRAG)、④ 公共・医療データ統合における相互運用性確保の戦略などが有力である。答案作成時には「分類体系と何が異なるか(公理・推論)」を軸に表現力の違いを明確に示すのが高得点のポイントである。特に開放世界仮説と推論器の動作を事例で説明すれば、単なる暗記を超えて概念を内在化したことを示せるため識別力が高い。
7. 考慮事項および示唆点
- 表現力と性能のトレードオフ: OWLの豊富な公理は推論力を高めるが計算複雑度を急増させる。ドメインの推論要求を分析してOWL 2プロファイル(EL・QL・RL)やRDFS水準を適正に選択し、全数推論が不要な領域は問合せ時の部分推論でコストを制御する戦略が必要である。
- 構築・保守コストとガバナンス: オントロジーはドメイン専門家と知識工学者の協業が必須であり、組織の世界観が変わればスキーマが揺らぐ。上位オントロジーと公開標準(SNOMED・FIBOなど)を再利用し、変更履歴・バージョン・承認手続きを備えたオントロジーガバナンスを確立して長期的な一貫性を確保せねばならない。
- 開放世界仮説(OWA)の理解: 閉世界に慣れた設計者は「データになければ偽」を期待するが、オントロジーはそうではない。無矛盾性検証が必要な箇所にはSHACLのような形状制約(Shape Constraint)を併用して閉世界的な検証を補完するなど、仮説の違いを設計に反映せねばならない。
- LLM時代の役割再定義と連携技術: 生成AIが知識生成を一部代替する局面で、オントロジーは「事実の根拠と制約を供給する信頼層」として価値が再定義されている。ナレッジグラフ・GraphRAG・説明可能AI・データスペース(データ主権型共有)との連携の中でオントロジーを「意味インフラ」として位置づける戦略的観点が技術士に求められる。
- 相互運用性と標準採用: 組織内部の最適化のみを狙った閉鎖型オントロジーは結局また別のサイロを生む。ドメインの国際標準を基準とし、URI・名前空間の設計を慎重に行い、外部知識との接続(Linked Data)の可能性を最初から確保することが長期の投資効率を左右する。
- 品質評価と進化管理: オントロジーは一度構築すれば終わる成果物ではなく、ドメインの変化に合わせて進化する資産である。コンピテンシー質問の充足度・論理的一貫性・概念カバレッジなど定量・定性指標で品質を周期的に評価し、変更が既存の推論・問合せに及ぼす影響を回帰検証して「壊れない進化」を保証する体系が運用の成否を分ける。
参考資料
- W3C, "OWL 2 Web Ontology Language Document Overview (Second Edition)" — https://www.w3.org/TR/owl2-overview/
- W3C, "RDF 1.1 Concepts and Abstract Syntax" — https://www.w3.org/TR/rdf11-concepts/
- T. Gruber, "A Translation Approach to Portable Ontology Specifications" (1993) — https://tomgruber.org/writing/ontolingua-kaj-1993
- N. Noy, D. McGuinness, "Ontology Development 101" — https://protege.stanford.edu/publications/ontology_development/ontology101.pdf
- Protégé (Stanford) — https://protege.stanford.edu/
一言まとめ: オントロジーはドメインの概念・関係・公理を機械が処理可能な形式論理で明示した共有仕様であり、RDF・RDFS・OWLのセマンティックウェブスタック上で記述論理推論を提供してデータ統合・一貫性検証・説明可能AIを可能にし、ナレッジグラフのスキーマ(T-Box)かつLLMハルシネーションを抑制する信頼層として再浮上している。