第8章第四部10分

Phoenix ─ AIは何を見ているか

予測しているのは「あなたがどうするか」。投稿の良し悪しではない。

この章で分かること

点数の元になる予測を出しているのが「Phoenix」というAIです。よく誤解されますが、Phoenixは投稿の良し悪しを判定していません。「この閲覧者がこの投稿にどう反応するか」を予測しています。

どんなAIか

項目	値
種別	Transformer（非causal・候補分離マスク付き）
層数	8
埋め込み次元	2,560
履歴の長さ	1,022トークン
候補の長さ	64トークン
出力ヘッド	二値64枠＋連続8枠

モデルに入る「履歴」は、閲覧者の過去の体験の列です。1つの位置が「この人は、いつ、誰の、どの投稿を見て、何をして、何秒滞在したか」を表します。

位置の並べ方に工夫があります。最新の1件が常に同じ場所に置かれる設計（右アンカー）になっているため、履歴が10件の人でも1000件の人でも、「直近の1件」の扱いが揃います。

分類	中身
閲覧者	IDハッシュ・IPハッシュ・国・言語・緯度経度・インストール済みアプリ・性別・年齢
各体験	投稿IDハッシュ・著者IDハッシュ・投稿の古さ・タイムゾーン・現地時刻・意味コード
履歴のみ	その位置で起きた行動・滞在時間
候補のみ	（マルチモーダル埋め込みの枠はあるが、公開設定では無効）

これは重要です。「いいねが多いからAIが高く評価する」という直接の経路は、少なくとも公開されている設定にはありません。いいね数が効くのは、候補インデックスへの掲載条件（第3章）と新人枠の判定であって、予測そのものではありません。

本文の意味は「Semantic ID（意味コード）」という形で渡されます。マルチモーダルのエンコーダが本文・著者・メディア・カード・記事・引用元投稿をまとめてベクトルにし、それを6階層×256通りのコードに量子化したものです。

「アルゴリズムはすぐ学習するのか？」という質問への答えは、少し意外です。モデルの再学習を待つ必要はありません。

モデルは閲覧者の履歴を内部に持っていません。毎回のリクエストで、履歴の列が丸ごと渡されます。したがって数秒前のいいねも、次のリクエストの入力に含まれ得ます。

モデルは「あなたを覚えている」のではなく、「毎回あなたの直近を読み直している」。

モデル自体はKafkaのストリームで継続学習され、チェックポイントは配信側が30秒間隔で取りに行きます。学習と推論の両方が、かなり速く回っています。