Technology
移動空間の判断を、扱えるシステムにする。
MarsLinkの技術は、検索結果を生成するためのものではありません。天気、口コミ、混雑、運行情報、利用者の目的、事業者の制約を統合し、人と組織が判断できる状態へ変換するための技術です。
Decision stack
MarsLinkの中核は、情報ではなく判断のループです。
01
Context
位置、時間、目的、制約、天候、混雑、地域情報を読み取る。
02
Recommend
選ぶ理由、避ける理由、代替案をその場の文脈で提示する。
03
Act
保存、共有、ルート確認、持ち物、候補比較など、次の行動へつなげる。
04
Assure
根拠、権限、ログ、更新履歴を残し、人が確認できるAIにする。
05
Learn
閲覧、保存、選択、来訪、フィードバックを次の判断品質へ戻す。
Decision model (SEM)
散らばった指標から潜在的なリスクと適合度を推定し、人が安全に決められる判断へ変え、結果を学習する。
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）として設計しています。単なる入出力ではなく、測定モデル（指標→構成概念）と構造モデル（構成概念→判断）の二段で扱い、結果を学習として戻します。
The model · 定式
Journey AIの意思決定モデルを、式で表す。
上の図の各段——観測指標 → 潜在変数 → 判断 → 学習——を、構造方程式（SEM）として記述すると、次のようになります。
- 観測指標 X
- 経路・配車・運行・天気・口コミ/接遇・SNS報道・営業時間（各々が別サービスに分散）。
- 調整変数 c（moderator）
- 目的・同行者・好み・締切。
- 較正重み wᵢ
- 情報源の信頼性（SNSの増幅補正など）。
- 測定モデル
- ξⱼ = Σ λⱼᵢ · (wᵢ xᵢ) · m(c)。潜在変数 ξ₁ 目的適合 / ξ₂ 体験リスク / ξ₃ 安全リスク / ξ₄ 到達リスク。
- 構造モデル
- D = β₁ξ₁ − β₂ξ₂ − β₃ξ₃ − β₄ξ₄ → 推奨 / 回避 / 安全（最終決定は人間）。
- 学習（閉ループ）
- 実測の結果 y が、重み w とローディング λ を更新する。
体験リスク（ξ₂）という中心変数
私たちが最も重視するのは ξ₂ 体験リスク です。命に関わる事故（ξ₃ 安全リスク）は稀ですが重大。一方で、雰囲気・接遇・サービス品質が目的に合わず、せっかくの時間とお金を無駄にする「体験の失敗」は、頻度が高く見過ごされてきました。Journey AIは、良い候補を出すのと同じだけ、この体験リスクを下げることを目的にします。
注記：本図・式は構造の妥当性を示す概念モデル（conceptual SEM）であり、推定済みのパラメータを表すものではありません。
Theoretical foundations
モデル要素と、先行研究の対応。
本モデルの各要素は、確立した研究と一対一で対応します。知覚リスク理論・状況認識理論・文脈考慮型推薦・SEM方法論——4本の系譜を、移動の意思決定支援に統合しています。
| MarsLinkのモデル要素 | 裏付けとなる理論 | 主要文献 |
|---|---|---|
|
体験・安全・到達リスク ξ₂ · ξ₃ · ξ₄ |
知覚リスクの多次元構造（performance＝体験／psychological＝体験／physical＝安全／time＝到達）。「time risk＝期待を満たさず時間が無駄になる」は、到達・体験リスクそのもの。 | Roehl, W. S., & Fesenmaier, D. R. (1992). Journal of Travel Research, 30(4), 17–26. ↗ |
|
状況認識ループ Context → 較正 → 判断 → Learn |
状況認識：知覚→理解→予測。SAは意思決定とは別の内部モデルであり、予測が次の知覚を形づくる——これが学習の閉ループに対応する。 | Endsley, M. R. (1995). Human Factors, 37(1), 32–64. ↗ |
|
横断統合・個人最適化 Integrate · Personalize |
文脈考慮型推薦（CARS）＋情報過多。時間・天候・位置などの文脈で過多を緩和し、個人に最適化する——情報の分断を解く設計の根拠。 | Renjith, S., Sreekumar, A., & Jathavedan, M. (2020). Information Processing & Management, 57(1), 102078. ↗ |
|
測定＋構造モデル CFA → ξ → D |
指標→潜在（測定モデル）と、潜在→判断（構造モデル）の二段構成。SEMはツーリズム研究の標準的な方法論。 | Nunkoo, R., Ramkissoon, H., & Gursoy, D. (2013). Journal of Travel Research, 52(6), 759–771. ↗ |
結論。 知覚リスク理論・状況認識理論・文脈考慮型推薦・SEM方法論——4本の系譜を統合し、移動の意思決定支援に適用した正統な概念フレームです。
※ 本表は理論的対応の提示です。実証（指標の操作化、CFAによる測定モデルの確認、パス推定、適合度の評価）は今後の検証課題とします。
Architecture
Context Graphから、Action-readyな提案へ。
旅行アプリのように候補を並べるのではなく、現実の移動文脈を構造化し、選ぶ理由、避ける理由、運用上の制約まで含めて提案します。
Context Graph
便、航路、現在地、到着時刻、天候、混雑、店舗、口コミ、料金帯、利用者文脈を、移動中の判断単位として結びます。
Recommendation and Avoidance
おすすめだけでなく、接待に不向きな騒がしい店、雨の日の徒歩動線、混雑リスクなど、避けるべき選択も整理します。
Human-in-the-loop Operations
AIが勝手に決めるのではなく、事業者や利用者が理由を確認し、承認、除外、更新できるワークフローを前提にします。
Assurance and Governance
提案理由、データ更新、権限、ログ、監査可能性を扱い、将来の運航、防災、レジリエンス支援へ拡張できる基盤にします。
Principles
AIは、旅を決めるのではなく、判断できる状況をつくる。
Human judgment first
最終判断は人間に残します。AIは選択肢、理由、代替案、注意点を提示します。
Small enough to act
移動中に見られる量、選べる量、事業者が運用できる量まで情報を絞ります。
Offline-aware by default
機内、船内、地下、山間部など、通信が不安定な環境でも最低限の判断材料を保つ設計にします。
Evidence before automation
自動化を急がず、まず根拠、ログ、承認、フィードバックを蓄積し、信頼できる判断支援を育てます。
Origin
ITM 伊丹
Destination
HND 羽田
Weather radar
東京湾側に雨雲
ETA
18:10
Progress
63%
ALT
34,000ft
Offline-aware
通信が不安定な移動空間を前提にする。
航空機や船舶では、常に高速通信を前提にできません。CabinTimeは、事前配信、ローカル表示、軽量な更新、到着後の再接続を想定した体験設計を検証します。
Hard problems
優秀なAIエンジニアが解くべき難問。
Fragmented signals
天気、交通、口コミ、地域、運用情報を、同じ判断単位で扱う。
Personal context
接待、家族旅行、短時間滞在など、目的ごとに良い選択と悪い選択を変える。
Operational constraints
事業者の更新、承認、提携先、除外理由、責任範囲をUIとモデルに組み込む。
Decision lineage
なぜ提案したか、誰が確認したか、何が変わったかを追える状態にする。
Next
技術は、体験から鍛える。
MarsLinkは、実際の移動空間で使われるCabinTimeを起点に、Journey AI、Mobility Intelligence、AIガバナンスの基盤を段階的に拡張します。