- PPEは自然言語のクエリからデータ収集・特徴量設計・モデル学習・評価までを自動化する研究機能
- CDC健康指標など米国のデータで手動パイプラインを上回る精度（R² 76.8% vs 60.0%）を達成
- ナイジェリアの食料安全保障やDRCのエボラ流行予測でも精度向上を確認
発表内容と背景
Google Researchは2026年8月27日、地理空間データの予測モデルを自動で構築する「プラネタリー・プレディクション・エンジン（PPE）」を発表しました。これは自然言語のクエリを入力すると、データの検索からモデルの学習・評価までを一貫して実行する実験的な研究機能です。Googleの地球観測イニシアチブ「Earth AI」の一部として開発されています。
従来、こうしたモデル構築は専門チームが数週間かけてデータ収集・整形や特徴量設計を行う必要がありました。特に人道的危機への迅速な対応が求められる場面では、この時間的コストが大きな障壁になっています。既存のAutoMLやLLMエージェントは前処理済みの表形式データを前提としており、地理空間ワークフローには十分対応できていませんでした。
3段階で構成される自動パイプライン
PPEは、LLMが各段階を制御する3つのモジュールで構成されます。第1段階では、クエリを地理的な制約条件（空間解像度や時間範囲など）に変換し、Data CommonsやGoogle Earth Engineなどのリポジトリから関連データを自動取得します。不足するデータは政府機関や学術リポジトリをリアルタイムに検索します。
第2段階では、取得した統計データと、Population Dynamics Foundation Models（PDFM）やAlphaEarthが生成する埋め込み表現を融合します。この際、「Feature Gate」と呼ばれる機構が、ターゲットリーケージを引き起こす可能性のある変数を自動的に排除します。第3段階では、線形回帰や勾配ブースティング決定木、ニューラルネットワークなど複数のモデルを比較し、過学習を防ぐ仕組みを備えた上で最適なモデルを選びます。
複数領域での精度向上
評価では、米国の公衆衛生指標や自然災害リスク指標、ナイジェリアの食料安全保障、コンゴ民主共和国のエボラ流行予測など、多様なタスクで効果を確認しました。例えばCDCの健康指標21種では、手動パイプラインの平均R² 60.0%に対し、PPEは76.8%を達成しています。
ナイジェリアの食料安全保障を州レベル（ADM1）から地域レベル（ADM2）へダウンスケーリングするタスクでは、精度が31.5%から66.1%へと倍増しました。エボラのリアルタイム流行予測では、将来の発生地域を特定するRecall@10が83.3%に達し、従来のベイズモデルの約73%を上回っています。
現時点での限界と今後の課題
PPEはあくまで実験的な研究機能であり、実運用に向けてはまだ検証の余地があります。特に、モデルがどのようなデータ根拠で予測を下したのかという説明可能性や、出力バイアスの管理が今後の課題とみられます。
また、記事では今後の拡張として、衛星画像のマルチモーダル基盤モデルなど対応データソースを増やす計画が示されています。ただし、具体的な提供時期やAPIとしての一般公開については未定です。
| タスク | 従来手法 | PPE |
|---|---|---|
| CDC健康指標21種 | 60.0% | 76.8% |
| FEMA自然災害リスク | 60.0% | 64.9% |
| 社会的脆弱性指標 | 58.6% | 66.2% |
| ナイジェリア食料安全保障（ADM2） | 31.5% | 66.1% |
| DRCエボラ発生予測（Recall@10） | 73% | 83.3% |
PPE effectively reduces the time needed to build complex planetary prediction models from weeks that include manual data engineering to mere minutes that result in autonomous insight.
PPEは、複雑な惑星規模予測モデルの構築に必要な時間を、手動データエンジニアリングを含む数週間から、自律的な洞察が得られるわずか数分へと効果的に短縮します。
今後の見通し
今後の見通しとしては、PPEが実用的なプラットフォームへ成長するかは、追加のベンチマーク結果や実際の人道支援における導入事例が明らかになるかどうかにかかっているとみられます。また、対応するデータソースや基盤モデルの拡張により、予測タスクの範囲が広がる可能性があります。一方で、モデルの説明可能性や信頼性、データバイアスへの対処が実運用には不可欠であり、これらの研究が進められるかが鍵になるでしょう。
日本の開発者・IT企業にとっての意味
日本のIT企業や開発者にとって、PPEは地理空間データを使った予測モデルを低コストで試せる可能性を示しています。自治体の防災計画や農業支援、物流の需要予測など、専門知識が不足している分野でも自然言語でモデル構築ができるようになれば、業務効率や意思決定の速度が向上するかもしれません。一方で、利用するデータの入手可能性やプライバシー、計算資源の管理、海外プラットフォーム依存などの考慮点もあり、実際に業務へ採用する際には技術検証が欠かせないと言えます。
気になる点
- PPEは一般公開されていますか？
- 現時点では実験的な研究機能として発表されており、一般公開や商用利用に関する詳細は公表されていません。Google Researchのブログで技術内容が紹介されている段階です。
- 既存のAutoMLと何が違うのですか？
- 一般的なAutoMLは前処理済みの表形式データを入力としますが、PPEはデータの発見・取得・クリーニングから自動で行います。自然言語のクエリから地理空間モデルを構築できる点が特徴です。記事中では、これにより数週間かかっていた作業が数分に短縮されると報告されています。
- 日本国内のデータでも利用できますか？
- 記事では特定の地域限定とは明記されていませんが、対応データソースはData CommonsやGoogle Earth Engineなどの国際的なプラットフォームが中心です。日本での利用に関する具体的な実証例や制約は現時点では公表されていません。
用語解説
- PPE
- 地理空間データの予測モデルを自動構築するGoogle Researchの実験的機能。
- 基盤モデル
- 大量データで事前学習されたAIモデル。転移学習などに使われる。
- 特徴量
- 機械学習モデルへの入力となるデータの表現。
- リーケージ
- 学習時に本来利用できない未来情報や正解情報が混入すること。
- R²
- 決定係数。予測の当てはまりの良さを示し、1に近いほど良い。
- Recall@10
- 上位10件の予測に正解が含まれる割合。リコールの指標。
出典
Planetary prediction engine: Automating global models via Earth AI
https://research.google/blog/planetary-prediction-engine-automating-global-models-via-earth-ai
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する