生成 AI を活用した toitta 切片分類機能の裏側 / Inside toitta's AI-Based Factoid Clustering

by https://speakerdeck.com/pokutuna

Slide 1

Slide 1 text

高性能な AI を使うだけじゃない！生成 AI を活用した toitta 切片分類機能の裏側 id:pokutuna 2024/10/24 はてな生成AI×新規事業の挑戦 1

Slide 2

Slide 2 text

id:pokutuna ● toitta の AI 周辺担当 ● 2013 新卒入社 ➡ 受託開発 ➡ 広告配信・データ基盤 ➡ 新規事業アイコン 2

Slide 3

Slide 3 text

アジェンダ ● 切片分類(グルーピング)機能とは ● グルーピング処理の流れ ● 生成 AI を利用する上での工夫 3

Slide 4

Slide 4 text

4 toitta の機能

Slide 5

Slide 5 text

Slide 6

Slide 6 text

書き起こし & 話者分離 6 話者判定と分離話者の判定と分離を⾃動で⾏います。段落分割で⻑時間のインタビューによる書き起こしも⾒やすくします。佐々木さん佐藤さん

Slide 7

Slide 7 text

切片の抽出 7 インタビュイーの発話を中心に切片化

Slide 8

Slide 8 text

切片グルーピング 8 佐々木さん佐藤さん

Slide 9

Slide 9 text

toitta の機能 ● 書き起こし & 話者分離音声認識技術・言語モデルを利用 ● 切片の抽出生成 AI による抽出・要約・加工 ● 切片グルーピング生成 AI による要約・クラスタリング 9

Slide 10

Slide 10 text

toitta の機能 ● 書き起こし & 話者分離音声認識技術・言語モデルを利用 ● 切片の抽出生成 AI による抽出・要約・加工 ● 切片グルーピング 👈 ここの話生成 AI による要約・クラスタリング 10

Slide 11

Slide 11 text

11 切片グルーピング

Slide 12

Slide 12 text

12 佐々木さん佐藤さん "近い"切片をまとめる

Slide 13

Slide 13 text

13 佐々木さん佐藤さんタイトル & サマリを付加

Slide 14

Slide 14 text

親和図法を支援 ● 切片を付箋に書く ● 似た切片をまとめる ● まとまりの関係性を可視化 14 羽山祥樹. "KA法（本質的価値抽出法）の手順と実例「資格試験を受ける人のモチベーションの価値マップ」". https://www.ﬁgma.com/community/ﬁle/1142124393231568930 , (2024-10-18)

Slide 15

Slide 15 text

15 佐々木さん佐藤さん

Slide 16

Slide 16 text

16 佐々木さん佐藤さん切片まとめるところまで ● 特定手法に特化しない ● 次の分析ステップを楽にする ○ 分析作業は慣れたツールで

Slide 17

Slide 17 text

17 どのようにグルーピングするか?

Slide 18

Slide 18 text

全体の流れ 18

Slide 19

Slide 19 text

AI にお願い ● 「これらを分類してまとめて」 ● 一見よさそうな出力は得られるが... ○ 入出力の一貫性・網羅性がいまいち ○ 粒度の調整が効かない ○ トップダウン的分類になりがち 19

Slide 20

Slide 20 text

「近い」切片とは? ● 定義が難しい ● 作業者・状況によって違う ● 切片テキストを利用しようとしたが... 20

Slide 21

Slide 21 text

21 例: 引っ越しインタビュー

Slide 22

Slide 22 text

22 例: 引っ越しインタビュー収納に関する話

Slide 23

Slide 23 text

切片の拡張 ● 前後の発話から分類用の拡張切片を生成 ● 意図・感情・行動・ニーズを拾って短く作文 ● 各切片に対して実行 (100~200回/インタビュー) 23 話者は、収納スペースが不足していると感じ壁面を活用している。キッチンに突っ張りでフェンスを作りフライパンをかけている。拡張

Slide 24

Slide 24 text

Text Embedding 24 ● 文章の意味を反映したベクトル表現 ○ 意味が近いテキストは近くなる ● 拡張した切片の Embedding 表現を得る ○ Vertex AI のクラスタリングに適した Emb を利用話者は、収納スペースが不足していると感じ... [0.179, 0.187, … 0.205]

Slide 25

Slide 25 text

次元削減&クラスタリング 25 ● UMAP で低次元へ削減 ○ 高次元だとクラスタリングが働きにくい ● HDBSCAN でクラスタリング ○ 今回の用途に使いやすい ○ 密度ベース・形状の変化に柔軟 ○ クラスタ数決めなくて良い

Slide 26

Slide 26 text

切片のクラスタリング 26 :クラスタなし使い始めたきっかけブコメについてあとで読む機能通知機能はてなスターエンジニアの情報収集

Slide 27

Slide 27 text

拡張切片の出力の調整 27 ● 良いクラスタリングができるように調整 ● 文の体裁を統一 ○ ❌「インタビューでは」「〜と言っていました」 ○ ⭕「話者は (背景や理由) (行動) をした。」に統一 ● 固有名詞を避ける ○ 共通すると過剰に類似度が高くなる ○ キーワードでグルーピングしたいわけではない

Slide 28

Slide 28 text

タイトル & サマリ 28 ● クラスタごとにタイトル & サマリを生成 ○ 切片 & 拡張した切片を入力 ○ 話者の行動に着目した説明を生成

Slide 29

Slide 29 text

全体の流れ 29

Slide 30

Slide 30 text

30 生成 AI を利用する上での工夫

Slide 31

Slide 31 text

活用の工夫 31 ● 切片の拡張 ○ 簡単なタスクに落とし込む・必要な情報だけ与える ● グループ化 ○ 従来からある手法の活用 ● タイトル & サマリの生成 ○ 多段階の処理でユーザに見せる品質に整える

Slide 32

Slide 32 text

簡単なタスクに分解する 32 ● 高度な推論能力がなくてもいい形に分解 ○ 明確なタスク & 必要な情報だけ与える ● 切片拡張では切片ごとに実行 ○ 1インタビューで 100~200 回実行 ○ モデルの賢さ依存を下げる・出力を安定させる ● モデルを使い分ける ○ コスト・速度に優れる Gemini 1.5 Flash を利用

Slide 33

Slide 33 text

Gemini 1.5 Flash 33 Artifact Analysis "Gemini 1.5 Flash (Sep '24): API Provider Benchmarking & Analysis" https://artiﬁcialanalysis.ai/models/gemini-1-5-ﬂash/providers , (2024-10-18)

Slide 34

Slide 34 text

既存手法と組み合わせる 34 ● Embedding & クラスタリング ○ 昔からある手法 ○ 結果も(相対的に)安定する ○ 実装を見れる・説明性もある

Slide 35

Slide 35 text

多段処理で品質を保つ 35 ● ユーザーに見せるテキスト品質 ○ 敬体に統一・テキストの長さの調整 ○ デザイン意図から特定の文字数に収めたい ● 一度にまとめてやらない ○ タイトル&サマリの生成 → 敬体に統一・文字数調整 ● Gemini 1.5 Pro を利用

Slide 36

Slide 36 text

例: テキスト長の調整 36 グループサマリ文字数指示:110文字程度

Slide 37

Slide 37 text

課題 37 ● 評価の難しさ ○ 求めるグルーピング結果が定まっていない ○ 定量的な指標に落ちていない ● 調整を繰り返し定性的に評価 ○ 一対比較「A と B のどっちがいい?」

Slide 38

Slide 38 text

38 まとめ

Slide 39

Slide 39 text

39 ✅ 切片分類機能とは ✅ グルーピング処理の流れ ✅ 生成 AI を利用する上での工夫 ● 簡単なタスクに落とし込む ● 従来からある手法と組み合わせる ● 多段階の処理で品質をコントロール

Slide 40

Slide 40 text

hatena.co.jp/recruit 40 40

Slide 41

Slide 41 text

ご質問や感想は #hatenatech にお願いします発表後ご質問をピックアップする場合がございます #hatenatech 41