SNS

ITmediaによれば、 川上量生氏が全額出資するPOPOPOは7月15日、コミュニケーションサービス「POPOPO」の提供を9月17日に終了すると発表した。「今後の事業環境やサービスの最適化を総合的に検討した結果」という。 サービス開始からわずか半年での幕引きである。 POPOPOが半年でサービス終了に至った要因は数多く指摘できるが、最も根本的な問題は「通話相手の不在」、すなわちコールドスタート問題の克服に失敗したことだ。双方向のコミュニケーションサービスは、当然ながら対話する相手が存在しなければ成り立たない。 さらに、このコールドスタート問題と、数千〜数万円という高額なアバター用アイテム（ホロスーツ）の販売というビジネスモデルは、絶望的に噛み合っていなかった。 サービス開始時のインタビューにおける関係者の発言には、根本的な違和感がある。 「でも、試作アプリでアバターの動きをつけてしゃべってみると、やっぱり気持ちいいんです。開発ミーティングもPOPOPOのプロトタイプで行っているんですが、たまにアプリがバグって使えない時にGoogle Meetでやると、つまらなくてガッカリするんです」 GACKT氏が配信しているところに、ひろゆき氏が入ってきて通話し、その様子を一般の人が見る――といった、音声SNS「Clubhouse」でかつて起きたような著名人同士の交流を起こし、ユーザーを集めていくイメージだ。 そもそも、かつて一世を風靡した音声SNS「Clubhouse」自体がブームを継続できず、急速に過疎化していった過去がある。そのビジネスモデルを今さら踏襲すること自体に無理があったと言わざるを得ない。 著名人を起用した配信やキャンペーンは、初期のトラフィックを集める呼び水にはなっても、サービスの永続性には寄与しない。ユーザー同士が自発的に繋がり、コミュニティが自律的に形成される仕組みがなければ、待っているのは過疎化とサービス終了である。 新規サービスが直面する「誰もいない」という最初の崖（First Cliff）を、POPOPOは最後まで突破できなかった。 そして、この崖からの転落は、ユーザーにとって極めて不条理な結果をもたらす。購入された数百円から数万円に及ぶホロスーツは、サービス終了とともにすべて無に帰す。これらはソーシャルゲームの「ガチャの副産物」ではなく、その世界で身につけるために明示的に購入されたデジタルアセットであるにもかかわらずだ。 悪い意味で、POPOPOの幕引きは、コンテンツの価値ではなく集金効率のみを追求し、短期間でクローズしていく日本式のモバイルゲーム（いわゆるガチャ課金型ゲーム）と同様の不誠実さを感じさせる。

AIでSNS等の情報を集約すればそれが「民意」なのか？ なか2656氏が"AIでSNS等の情報を集約すればそれが「民意」なのか？“で纏めているので、考えてみる。結論を先に言ってしまうと、それは民意らしき何かであっても、民意ではない。私は法的ではなく技術的な側面から見て行こう。 AIによる集約 AIによる、要約と言うのは単純なText-to-textのタスクである。つまり、SNSからExtractされたテキストの羅列からそれに続く何らかのテキストを作る行為だ。 問題は、モデルの傾向は適正なのかと、seedの影響と言う二つの側面があり、そのアウトプットは民意なるものを適正にアウトプットしたものとは到底言えないと言える。 民意とは何か そもそも、民意とは何だろうか、数だろうか密度だろうか、おそらく、何れでもない。民主主義における合意は多数決とイコールではない。民主主義における多数決とは合意できないときのフォールバックルートに過ぎない。 従って、少数の意見でも、細大漏らさず、拾い上げなくては民意たりえないのは明白である。そして、そんなことは現状のAIモデルでは不可能だ。そもそも、何が拾われて、何が拾われないかはブラックボックスであり決定すらもない。つまり、透明性が絶対的にない。 従って、少なくとも、民意なるものの抽出には適正とは言い難い。 透明性のある抽出 従って、現実問題を言えば、旧来型のテキストマイニングの方がまだ、この場合はマシである。問題はあっても、透明性がある。つまり、単純にテキストを形態素解析して単語レベルでカウントする。全部を列挙すれば失われる情報はないはずである。共起分析もいいだろう。 AIと異なり、従来型のテキストマイニングは文脈の理解ができるわけではなく、感情の理解もできないが、民意」のように、透明性と説明責任が求められる領域においては、単なる効率性だけでなく、手法の妥当性や信頼性も考慮する必要がある。つまり、なぜ、そのアウトプットが出たのか説明できないようでは有用性を有害性は上回るリスクが否定できない。 まとめ AIによるSNS情報の集約は、世の中のトレンドや大まかな意見の傾向を把握するには有用かもしれませんが、それを「民意」と呼ぶには、ご指摘の通り、技術的な側面から見て多くの課題が残る。 Appendix なか2656氏の記事が2050東京戦略（案）のブロードリスニングを参照しているので、これを解析する。なお、この解析は東京都の公開しているコードを参照してのものである。 分析の概略 この分析は図示すると以下のような流れになっている。 graph TD A[1. データ取得] --> B(2. 埋め込みベクトルへの変換) B --> C[3. 次元削減] C --> D[4. クラスタリング] データ取得で何らかの方法で、SNSからポストを取得し、それをOpenAIのGPT系の何れかの埋め込みモデルで埋め込みベクトルに変換する。これにより、例えば、 2050年代の東京では、中学生や高校生の始業時間を遅らせてほしいです。思春期の子供たちは夜型の脳になるため、朝早くからの授業では頭がついていけないそうです。 のようなコメントは、\( [1,2,3,4] \)のような多次元のベクトルに変換される。これを次元削減して、2次元のベクトルに縮約する。これは二次元の平面上に表示するためだ。この分析ではアルゴリズムとしてUMAPが使用されている。 これを、クラスタリング手法によって、幾つかのグループにまとめる。東京都のコードではスペクトラルクラスタリングとHDBSCANが併用されている。 正確には HDBSCANによって、密度の高い領域を、クラスターとして抽出して、スペクトラルクラスタリングで最終的なクラスタを作成している。そして、クラス数はコードを読む限り6とハードコードされている。 モジュール 方法 Embedding GPT系埋め込みモデル ベクトル縮約 UMAP クラスタリング HDBSCAN クラスタリング Spectral Clustering ラベリング CountVectorizer 分析の問題 あるべき分析の戦略 データ分析の代表的なフレームワークである、CRISP-DMによれば、以下のような流れで分析は進めるべきとされている。 graph TD A[1. ビジネス理解] --> B(2. データの理解) B --> C[3. データ準備] C --> D[4. モデリング] D --> E[5. 評価] E --> F[6. 実装] プロンプトはどこから来たのか この分析で作成に使ったと思われるプロンプトが開示されている。 ...