24

18:35 - 19:19

モデルのループだけではない、複数のフィードバックループ

この章では、モデルを調整するためのループだけでは、本番のエージェントを十分に改善できない理由を説明します。発表では、モデルループに加えて、アプリを実際に使って試すループと、マーケットプレイスから学ぶループが紹介されます。これらの異なる情報をエージェントへ戻すには、共通の進め方が必要です。

まず、モデルループを見る

モデルループの中心は、オフラインの人間ラベルとエージェントの出力を合わせることです。たとえば、本番データから定期的にサンプルを取り出し、人間が決められたガイドラインでラベルを付けます。そして、その同じデータでエージェントを動かし、人間の判断とのずれを調べます。

この比較は、ドリフト(データの条件やシステムの振る舞いが変わり、以前の調整が合わなくなること)を見つけるために役立ちます。ずれが見つかったら、どの部分に問題があるかを診断し、プロンプトやエージェントの設定を調整します。調整後は、ゴールデンデータで再び評価し、ガードレールを満たした場合だけ出荷します。

例:モデルループが答える問い

モデルループが主に答えるのは、「このエージェントは、人間が望む振る舞いに近づいているか」です。ここで使う人間ラベルは大切な基準ですが、完全に誤りがないと決めつけるものではありません。ラベルの作り方やデータの代表性も、評価結果を左右します。

アプリを使って試すループ

次に、プロダクトの利用から得られるフィードバックがあります。発表では、ドッグフーディング(自分たちのチームが実際のアプリを使って試すこと)によって、モデルの評価データだけでは見つけにくい問題を探します。音声認識ではこの言葉が断片的に聞こえますが、文脈から、ここでは dogfooding を指すと考えます。

このループは、正式な公開の前にも、公開後にも使えます。利用者や社内チームは、結果に対して「良い」「悪い」のような反応を示したり、自由なコメントを書いたりできます。こうした反応は、単なる苦情の記録で終わらせず、どのエージェントのどの振る舞いを直すべきかを考える材料にします。

補足すると、同じ画像でも、オフライン評価では合格しているのに、アプリの画面では不自然に見えることがあります。実際の利用から得た反応をエージェントの設定やプロンプトの改善へ戻せば、テスト用データだけでは見えなかった問題にも対応できます。

図:このスライドは、モデルループに加えて、ドッグフーディングループとマーケットプレイスループがあることをまとめています。

補足:図は、評価をモデルの内部だけで完結させず、実際のアプリ利用と本番のマーケットプレイスからもフィードバックを受け取る考え方を直接示しています。音声で述べられた具体的な収集方法や、図にないすべてのループまでは示していません。

本番のマーケットプレイスから学ぶループ

マーケットプレイスループは、実際の本番結果を見ます。たとえば、利用者が料理をカートに入れてから、注文を完了するまでのコンバージョン(行動が次の段階へ進む割合)を含む、マーケットプレイスの品質や健全性を追跡します。これは、画像の見た目だけでなく、プロダクト上の結果も確認するということです。

全体の数字だけでは、問題のある利用者群が隠れることがあります。そこで、地域、端末、料理の種類などで結果を分けて調べます。この「スライスして見る」方法により、ある地域では改善している一方、別の料理では悪化している、といった違いが見えます。その結果を使い、セグメントごとに設定を調整します。ただし、発表では改善率や実験の因果効果などの数値は示されていません。

3つのループは、同じものではありません

  • モデルループ:新しい人間ラベルとエージェントの出力を比べ、ドリフトを検出して調整します。
  • プロダクト/ドッグフーディングループ:アプリを実際に使ったときの反応やコメントから、利用上の問題を見つけます。
  • マーケットプレイスループ:本番の品質、健全性、コンバージョンをセグメント別に見て、設定を改善します。

ループが増えると、共通の仕組みが必要になる

3つのループは、入力する情報も、見つけたい失敗も異なります。人間ラベルは明示的な正解に近い情報です。アプリのコメントは、利用者が感じた具体的な問題を含みます。本番のコンバージョンは、個別の画像への直接的な評価ではなく、システム全体の結果です。それでも、すべてを別々の一回限りのスクリプトにすると、調整方法や安全確認がばらばらになります。

補足として、共通のインターフェース(異なる仕組みが同じ形式で情報を渡すための境界)を用意すると、各ループを同じ流れに乗せやすくなります。まずフィードバックを受け取り、問題を整理し、関係するエージェントや設定を見つけ、修正を提案します。その後、ベンチマークとガードレールで確認してから、変更を本番へ出します。発表はこの内部形式を詳しく示していないため、ここでの説明は設計上の補足です。

次に登場する診断器

この共通化の問題を解くため、次の章では診断器(diagnoser)が登場します。診断器は画像を編集する別のエージェントではありません。複数のフィードバックループから情報を受け取り、システムを振り返り、どのエージェントまたは設定を最適化すべきかを特定し、修正を適切な場所へ送る、より高いレベルの仕組みです。つまり、モデルループだけを強くするのではなく、異なる現場の信号を同じ改善サイクルへ接続します。

まとめ

モデルループは、人間が付けたラベルとのずれを使ってドリフトを直します。しかし、本番のエージェントは、アプリを使った人の反応やマーケットプレイスの行動結果からも学ぶ必要があります。複数のループを追加するほど、個別の処理ではなく、フィードバックを診断・調整・安全確認へつなぐ一般的なワークフローが重要になります。

100% スペースキーとドラッグで移動 | Ctrl/Cmdとホイールで拡大縮小