↔ ドラッグしてめくる
動画はありません。
Pentum_Graphは、非構造化情報を自動的に取得し、グラフ上で関連付け、永続的かつ自然言語で問いかけ可能な情報空間へ変換する方法を研究しています。
Pentum_Graphは、非構造化情報を自動的に取得し、グラフ上で関連付け、永続的かつ自然言語で問いかけ可能な情報空間へ変換する方法を研究しています。
最初の研究対象は、公開されているYouTube動画です。動画は映像・音声・言語・時間情報を含む複雑な非構造化データです。
動画を自動処理してノードとして表現し、検出された関係をエッジとして接続します。これにより、元のプラットフォームから独立した情報構造を構築します。
グラフ → 関係・文脈・クラスター
タイムライン → 特定の文脈を時間軸で表示
ExoSeek → 接続経路をたどるグラフベース検索
情報源 → 情報源とその対応関係
研究対象はYouTubeに限定されません。最終的には、異なる情報源・データ形式から得られる情報を、出典を保持したまま一つのグラフに統合することを目指します。
長期的な構想は、ユーザーごとのパーソナル情報空間です。
例えばユーザーが「Baseball」という関心領域を指定すると、まず関連する人物、組織、大会、出来事、関係性からテーママップと初期情報状態を構築します。
その後は継続的に、
検索 → 取得 → 分析 → 分類 → 関連付け → 評価 → 更新 → 提供
を行います。
新しい情報は単に保存されるのではなく、既存の情報状態との関係から評価されます。何が新しいのか。何が変化したのか。どのエンティティが影響を受けるのか。どのような新しい関係が生じたのか。既知の情報を裏付けるのか、それとも新しい出来事なのか。
グラフは、情報・関係・出典・文脈・時間的変化を保持する永続的な情報モデルになります。
LLMは、このグラフへの自然言語インターフェースです。情報を継続的にモデル自体へ「学習」させるのではなく、質問に応じてグラフから必要な文脈を動的に取得します。
自律システム = 情報取得・更新
Graph = 記憶・構造・文脈
LLM = 解釈・推論・対話
研究上の中心的な問いは、
継続的に取得される非構造化情報から、自動的に更新され、自然言語で問いかけ可能な個人の情報状態を構築できるか？
というものです。
ユーザーがPentum_Graphに伝えるのは、まず「Baseballに興味がある」という関心です。
システムはそこから選手、チーム、リーグ、大会、試合、移籍、負傷、成績などの主要エンティティと関係を調査し、テーマの初期構造を構築します。
関心 → テーママップ → 基礎情報 → 継続的観測 → 新情報 → 既存情報との関連付け → Graph更新
例えば、ある選手が別のチームへ移籍した場合、それは単独の記事として保存されるのではありません。
選手、旧所属チーム、新所属チーム、リーグ、契約、関連する人物、過去の出来事、情報源、発生時刻などと結び付けられ、既存の情報状態が更新されます。
複数の情報源から同じ出来事が報じられれば、それらも同一の文脈に関連付けることができます。
時間の経過とともに、単なる情報の集合ではなく、Baseballについて継続的に変化する情報状態が形成されます。
ユーザーはその状態に対して、例えば、
と自然言語で問いかけることができます。
つまり、目的は新しい検索エンジンやフィードを作ることではありません。
関心領域を継続的に観測し、情報を構造化・関連付け・更新し、その蓄積された情報状態そのものを問いかけ可能にすること。
これがPentum_Graphで検証している考え方です。
動画はありません。