創業2年でEV発表、ソニー・ホンダモビリティが挑む車内対話AIの共同開発

会話の速さを最優先に据えた設計が、この取り組みの土台にあります。車内のエッジ側で会話をやり取りし、その内容を常時接続のインターネット経由でAzure Cosmos DBへ蓄積して次の応答に使う構成は、応答の遅れが会話の自然さを直接損なうという判断から逆算されたものと考えられます。エッジ側とクラウド側では設計の勘所が異なり、開発初期には視点の違いから意見のぶつかり合いも起きています。その摩擦を一つのチームとして詰め切った過程こそが、低いレイテンシーという譲れない条件を両者の共通言語に変えた場面だったのではないでしょうか。

音声認識と意図理解を別々の課題として切り分けた進め方も効いています。聞き取りの土台には複数社の音声認識エンジンを比較したうえで認識率の高いAzure AI SpeechのEmbedded Speechが選ばれましたが、聞き取れても「これ止めて」が音楽なのか動画なのか車の機能なのかを判別する問題は残ります。この意図理解には、Azure Machine Learningを用いた学習用データセットと評価用パイプラインの整備をマイクロソフトのデータサイエンティストとエンジニアが担い、ソニー・ホンダモビリティ側のAIモデル開発と組み合わせる分担が採られました。評価の仕組みを先に用意する順番は、精度の議論を担当者の感覚から切り離す効果を持ったと見ています。

会話の材料を音声の外へ広げた発想は、この事例ならではの工夫です。車に搭載したカメラやセンサーのデータを取り込み、「夕日がきれいですね」のようにエージェントの側から話しかけられるようにしたことで、話題が偏るという壁に正面から手が打たれました。生成AIの進化の速さを織り込み、AIモデルを柔軟に変更できるシステム構成にした点も見逃せません。数週間スパンで目標を決めてやりきるスクラム開発の採用も、正解が最初から存在しない対話品質を扱ううえで、計画どおりに作ることより試して直すことを優先した選択と読めます。