Google、自然言語から地理空間予測を自動化する「PPE」を発表

干ばつによる食糧難や感染症の急激な拡大に直面したとき、最大の障壁となるのは計算資源ではなく、データの収集にかかる膨大な時間です。

人口統計はある政府機関のサーバーにあり、衛星画像は別のプラットフォームに保管され、現地の市場価格はPDFの奥底に眠っています。専門チームがこれらを手作業で集め、前処理し、特徴量を整えてモデルを作るまでに何週間もかかり、その間に被害が拡大してしまうのが現実でした。

米Google Researchは8月27日、こうした課題を解決する実験的システム「Planetary Prediction Engine（PPE）」を発表しました。自然言語で指示を入力するだけで、地球規模のデータ探索からモデル構築、レポート生成までをわずか数分で自律完了させるAIシステムです。

数週間の作業を数分に縮める3段階アーキテクチャ

既存のAutoMLツールは整理済みのテーブルデータを扱うのは得意ですが、世界中に散らばる地理空間データを自ら探しに行くことはできません。

PPEはこの問題を解決するため、大規模言語モデル（LLM）が統括する3つの独立したモジュールで動作します。

第1段階は「インテリジェントな地理空間データの探索」です。自然言語のプロンプトを地理的・時間的制約に分解し、Google Earth EngineやData Commons、必要に応じてウェブ検索から関連データを自動取得します。

第2段階は「マルチモーダルデータの編成」です。統計データだけでなく、人口動態モデル「PDFM」や衛星画像解析モデル「AlphaEarth」などの基盤モデルの埋め込み表現を統合します。プロンプトのコンテキスト制限を避けるため、データ本体ではなく参照ハンドルを受け渡す設計です。

第3段階は「自動モデリングと予測」です。正則化線形モデル、勾配ブースティング木、多層パーセプトロン（MLP）の中から最適な手法を自動探索し、過学習を防ぎながら予測レポートを出力します。

実環境のベンチマークで専門家チームを凌駕

Googleはこのシステムを、人道支援や公衆衛生の実際の現場でテストしました。

米CDCの21項目の健康指標予測において、PPEは手作業の専門家パイプラインによる平均R²値60.0%を大きく上回る76.8%を記録しました。

データが極端に不足している地域でも高い威力を発揮しています。ナイジェリアの食糧安全保障予測では、粗い州レベルのデータから詳細な自治体レベルへのダウンスケーリングを行い、精度を従来の31.5%から66.1%へと倍増させました。

さらにコンゴ民主共和国でのエボラ出血熱流行のリアルタイム予測では、5週間の週次予測で新たに感染が発生した18区域のうち15区域を特定し、再現率83.3%を達成しました。これは最先端のベイズ統計モデルを10.3ポイント上回る精度です。

なぜ重要か

私たちが注目すべきなのは、モデルの自動選定そのものよりも、地理空間予測において最も泥臭く時間がかかっていた「データ発見とマルチモーダル統合」の自動化に成功した点です。

国連世界食糧計画（WFP）や現地の公衆衛生機関にとって、高度な予測モデルを構築するには専門のエンジニア部隊が不可欠でした。PPEは、現場の政策立案者が自然言語で仮説を投げるだけで、数分で実用レベルの洞察を得られる可能性を示しています。

統計的指標の解釈しやすさと、衛星画像などを読み解く基盤モデルの表現力を組み合わせたアプローチは、非常に理にかなっています。

ただし、PPEは現時点では初期の研究プロジェクトであり、一般公開されているわけではありません。また、現実世界の未公開データやオフラインの現場情報にどこまでアクセスできるかという課題は残ります。それでも、人道支援や気候変動対策のタイムラグを劇的に縮める一歩として、極めて意義深い取り組みです。