onPanda、AI調整データ作成時間半減

研究の概要

中国のAI研究者らのチームは2026年9月、大規模言語モデル(LLM)の応答を効率的に修正・アノテーションするツール「onPanda」を発表した。従来のアノテーション作業は、人間が不適切な応答全体を手作業で書き直す「後編集」方式が主流であり、時間とコストがかかる上、モデル本来の出力分布から乖離したデータが生成されやすいという課題があった。

onPandaは、応答を読みながら最初に不適切と判断したトークン(単語の断片)の位置を特定し、モデルが提示する候補語から選ぶか自由入力で修正するだけで、その後の生成をモデルに再開させる「特定・修正・継続」のループを採用する。研究チームが実施した小規模な比較実験では、従来の手作業による後編集と比べ、アノテーションに要する時間の中央値が​52%削減​されたと報告されている。生成される最終応答の大部分は依然としてモデル自身が生成したトークンで構成されるため、モデルの元のサンプリング分布を保った「オンポリシー」データとして、教師ありファインチューニング(SFT)や選好データの構築に適しているとされる。さらに、修正の記録は不適切箇所の正確な位置情報と、修正前後の対比データを自然に提供する。研究チームはonPandaで作成したデータセット「Panda-CVL」とベンチマークも公開した。

しくみをやさしく

onPandaの仕組みは、トークン単位での修正を行うことで、従来の後編集方式に比べて作業効率を大幅に向上させるものである。具体的には、ユーザーが不適切なトークンを特定し、候補から選択または自由に修正することで、モデルに再生成を促す。このプロセスにより、修正されたデータはモデルの特性を保持しつつ、正確性を向上させることができる。これにより、アノテーション作業の時間が大幅に削減され、結果としてコストの圧縮が期待される。

ビジネスへの示唆

LLMや対話AIを開発・運用する企業にとって、アノテーション工程は継続的な品質改善の要でありながら、最もコストのかさむ工程の一つである。onPandaのような仕組みは、AI開発企業のデータアノテーション部門、機械学習エンジニアリング部門、品質保証(QA)部門における作業時間とコストを直接的に圧縮しうる。

具体的な業務インパクトとしては、以下が挙げられる。

• ​カスタマーサポートAI​: 応答品質の逐次修正により、誤回答率や顧客満足度(CSAT)の改善サイクルを短縮することが可能である。
• ​金融・医療などの高規制業界​: コンプライアンス上不適切な出力箇所をトークン単位で特定・修正でき、監査対応の証跡管理が容易になる。
• ​AIエージェント開発​: 外部ツール連携やタスク実行の軌跡(トラジェクトリ)にも応用でき、業務自動化エージェントの学習効率向上に寄与する。

アノテーション時間の半減は、モデル再学習の反復サイクル(イテレーション)を早め、製品化までのリードタイム短縮に直結する。人件費が高いアノテーション業務のコスト構造を見直す契機ともなり得る。自部署で該当する業務は何か、いま誰がどれだけ手をかけているかを考えることが重要である。特に、アノテーションにかかる時間やコストを見直すことで、業務の効率化が図れる可能性がある。

現場での導入イメージ

仮に導入支援に入るなら、以下のようなステップで進めることが考えられる。

1. ​棚卸し​: 現在のアノテーションプロセスを詳細に分析し、どの部分に手間がかかっているかを明確にする。目指す到達点は、無駄な作業を洗い出し、改善の余地を特定することである。

2. ​差し込み先の設計​: onPandaを既存のツールや業務フローにどのように組み込むかを検討する。新たなツールを増やさない現実解を目指し、業務の中での自然な流れを作ることが重要である。

3. ​小さく試す（PoC）​: 小規模な試験運用を通じて、onPandaの効果を検証する。この段階の目指す到達点は、実際の業務における効果を確認し、必要な調整を行うことである。

4. ​運用と横展開​: 試験運用の結果をもとに、全社的な運用に移行する。目指す到達点は、業務全体での効率化を実現し、他の部門への展開を図ることである。

これらのステップを経て、最終的にはアノテーション作業の効率化とコスト削減を実現することを目指す。

今後の展望

今回の成果は小規模な統制実験に基づくものであり、大規模な商用データセットや多様な言語・ドメインでの再現性検証が今後の課題となる。それでも、アノテーション効率化とオンポリシー性の両立という着眼点は、生成AIの継続的改善を競争力の源泉とする企業にとって、開発体制の見直しを迫る材料となりそうである。今後は日本語を含む多言語対応や、社内ナレッジベースと連携した業界特化型アノテーション基盤への展開が注目される。