大学連携とAI研究 ── 移動空間AIに必要な文脈理解・推薦・エッジAIの考え方

移動空間で使えるAIをつくるには、画面デモだけでは足りません。

飛行機、船舶、鉄道、ホテル、地域。移動と滞在の現場では、通信が不安定になり、情報が分断され、利用者の目的も刻々と変わります。ここで必要になるのは、LLM、文脈理解、推薦、エッジAI、説明可能性、利用者行動の評価を、サービス体験としてどう組み合わせるかという設計です。

MarsLinkは、大学・AI研究者との連携を通じて、移動空間AIに必要な考え方を検討しています。本記事では、CabinTimeとJourney Intelligence Platformを支える技術的な論点と、今後検証していくべき視点を整理します。

移動空間AIは、通常のWeb AIより難しい

Web上のAIサービスは、安定した通信、広い画面、即時検索、クラウド処理を前提にしやすい領域です。

一方、移動空間AIは条件が違います。

機内・船内・山間部・離島では通信が不安定になる
利用者は移動中で、長い入力や比較に時間を使いにくい
到着時刻、天気、混雑、運行情報が変化する
目的が観光、出張、接待、家族旅行、インバウンドで変わる
事業者が持つ公式情報と外部データが分断されている
AIの提案理由が見えなければ、利用者も事業者も信頼しにくい

つまり、移動空間AIでは、生成AIに現場制約、データ設計、UI、説明可能性、行動評価を重ねる必要があります。

設計視点1：文脈理解

移動AIで最初に必要なのは、利用者が置かれている文脈を読むことです。

同じ「羽田到着後に食事をする」でも、友人との食事なのか、商談後の接待なのか、家族旅行なのかで、良い候補は変わります。Google評価が高い店でも、騒がしい口コミが多ければ接待には向かない場合があります。雨が強ければ、徒歩距離や地下動線の有無が重要になります。

文脈理解では、次の情報を組み合わせます。

現在地、到着予定、移動手段
目的、同行者、時間制約
天候、混雑、運行・運航情報
口コミ本文、評価、価格帯、営業情報
避けたい体験、好み、過去の選択傾向

LLMは、口コミや自然文の要約、目的の理解に強みがあります。一方で、現在時刻、交通、天気、位置関係のような構造化データは、LLM任せにせず別の処理として扱う必要があります。

設計視点2：Context-aware Recommendation

推薦AIというと、「あなたへのおすすめ」を想像しがちです。しかし、移動空間で必要な推薦は、ECサイトや動画サービスの推薦とは異なります。

移動中の推薦では、人気や広告順位よりも、目的、時間、場所、交通、天候、口コミ文脈、利用者の避けたい体験を重ねて候補を評価します。

評価すべき指標

文脈適合度
移動負荷
時間リスク
天候影響
混雑影響
会話しやすさ
価格帯の適合
利用者が避けたい条件との一致

「薦める」だけでなく、「避けるべき候補」を理由つきで出すことも重要です。移動中の失敗は、行かなければ起きなかった不満として現れるためです。

設計視点3：Journey Graph

移動AIでは、店舗や観光地の一覧に加えて、移動の流れそのものを扱う必要があります。

MarsLinkでは、空港、駅、港、ホテル、飲食店、観光地、イベント、天気、交通、利用者の目的を、移動の流れとして結びつける考え方をJourney Graphと呼んでいます。

Journey Graphは、地図データを超えて、移動と滞在の意味を扱います。

出発地から目的地までの経路
到着後の行動候補
移動中に取得できる情報
事業者が提供できる公式情報
利用者の目的と制約
過去の選択とフィードバック

これらをつなぐことで、AIは「人気の場所」から一歩進み、「今の移動文脈で判断すべき候補」を提示しやすくなります。

設計視点4：エッジAIとクラウドAIの分担

移動空間では、通信の安定性にばらつきがあります。機内、船内、山間部、離島、トンネル、混雑した駅では、クラウドAIだけに頼る設計は不安定になります。

そこで重要になるのがエッジAIです。

すべてのLLM処理をローカルで行う設計に寄せすぎる必要はありません。接続できる時にクラウドで最新情報を取得し、通信が弱い時にはローカルのEdge Nodeが必要な情報を保持し、最低限の判断支援を続けるハイブリッド構成が現実的です。

設計上の問いとしては、次のようなものがあります。

どのデータをローカルに持つべきか
どの処理をクラウドに任せるべきか
通信が戻った時にどう同期するか
古い情報をどう表示するか
不確実な情報をどう扱うか

CabinTimeは、こうした通信制約のある移動空間にJourney AIを導入する初期パッケージとして、現在、設計・開発を進めています。

設計視点5：説明可能性と信頼

AIが「この候補を薦める」「この候補は避けた方がいい」と提示するなら、理由まで示す必要があります。

移動中の判断では、利用者は短時間で納得する必要があります。事業者側も、AIがどの情報を根拠に提案したのかを理解できなければ、現場に導入しにくくなります。

MarsLinkでは、この説明可能性をAssurance Layerとして考えています。

なぜ薦めるのか
なぜ避けるのか
どの情報が根拠か
どの条件が不確実か
いつ更新された情報か
最終判断は人間に残っているか

AIは人間の判断を前提に、人が安心して判断できる状態をつくります。

設計視点6：意思決定モデルとしての評価

MarsLinkのTechnologyページでは、移動の意思決定支援を、観測指標から潜在変数を推定して判断へつなぐ構造方程式モデル（SEM）として整理しています。

これは、単に「おすすめが当たったか」を見るためではありません。移動中の判断では、目的適合、体験リスク、到達リスク、安全リスクのような複数の要素が絡みます。

たとえば、次のような観測指標があります。

雨雲、降水確率、風、海況
到着予定時刻、遅延、乗り換え、待ち時間
口コミに含まれる騒音、席間、混雑、接客
徒歩距離、屋根付き動線、タクシー待ち
利用者の目的、同行者、避けたい体験

これらを、判断に影響する潜在要因として整理し、推奨・回避・保留・要確認という形へ変える。今後の検証では、この構造がサービス体験としてどのように受け取られ、実際の行動にどう影響するかを確認していく必要があります。

大学連携の意味

移動空間AIには、実装だけでなく、外部の知見を取り入れながら設計を磨く姿勢が必要です。

LLMの活用、推薦、行動分析、言語、観光、地域、交通、UI評価。これらは一社だけで閉じるより、研究者や現場と一緒に問いを立て、実装と検証を往復する方が強くなります。

MarsLinkは、大学・AI研究者との連携を通じて、移動AIに必要な学術的な視点と実装現場の視点を接続していきます。

現在のフェーズ

CabinTimeおよびJourney Intelligence Platformは、現在、開発・共同検証フェーズです。移動空間で本当に使えるAIを検証している段階です。

MarsLinkは、大学・AI研究者、航空会社、船舶事業者、交通事業者、自治体、地域事業者とともに、移動空間AIの技術と評価方法を一歩ずつ磨いていきます。

関連リンク