Google Researchが、自然言語での問いかけから地球規模の予測モデルを自動的に構築する実験的システム「Planetary Prediction Engine(PPE)」を発表した。専門的なデータエンジニアリングチームがいなくても、公衆衛生や食料安全保障といった分野で複雑な地理空間モデルを短時間で構築できるようにする狙いだ。

3段階のワークフローでモデルを自動構築

PPEは3つの段階を経てモデルを構築する。まず、自然言語のクエリを地理的な制約条件に翻訳し、Data CommonsやGoogle Earth Engineといった公開データリポジトリから関連データを検索する。次に、人口動態を扱う基盤モデル「Population Dynamics Foundation Models(PDFM)」と衛星画像の埋め込み技術「AlphaEarth」を統合し、データ漏洩を防ぐ「Feature Gate」という仕組みで候補となる変数を評価する。最後に、正則化線形モデルや勾配ブースティング決定木、多層パーセプトロンといった複数の手法を探索し、「Overfitting Guard Protocol」で過学習を防ぎながら最終的な予測モデルを組み上げる。

Googleは、この一連の処理によって「数週間かかっていた手動のデータエンジニアリングを数分に短縮する」と説明している。

専門家パイプラインを上回る精度

PPEの性能は複数の分野で従来の専門家によるパイプラインを上回った。米国の公衆衛生指標では平均決定係数(R²)が76.8%に達し、専門家パイプラインの60.0%を上回った。ナイジェリアの食料安全保障予測では、州レベルからより詳細な地方レベルへの超解像度化においてR²66.1%を記録し、専門家パイプラインの31.5%を大きく上回っている。コンゴ民主共和国(DRC)のエボラ出血熱流行予測では、週次予測で18の新規拡大地域のうち15地域を的中させ、Recall@10で83.3%を達成した。

危機対応の意思決定を加速

PPEが想定する用途は、慢性疾患の有病率推定といった公衆衛生分野から、飢餓地域の高精度マッピング、疾病発生の即時予測、自然災害リスク指数の予測、人口統計的な脆弱性評価まで幅広い。専門的なエンジニアリングチームを持たない人道支援機関や政策立案者でも、自然言語で問いを投げるだけで高精度な予測モデルにアクセスできるようになる点が、実務上の意味を持つ。

エボラ出血熱のような感染症流行や食料危機は、対応の初動が数日遅れるだけで被害規模が大きく変わる。データエンジニアリングの工程を数週間から数分に圧縮できれば、時間的制約の厳しい危機対応の現場において、より早い段階での意思決定を後押しする材料になる。