Pinterestの技術ブログが2026年10月9日に、利用者が「いま何を成し遂げようとしているか」をAIで推定する仕組みを公開しました。行動ログを読んで、「モダンな農家風キッチン」「家庭菜園（レイズドベッド）」のような目的の名前（ブログの言う「ジャーニー」）を書き出す、ファインチューニングした40億パラメータ（4B）の小型モデルです。結果は、メールのクリックやプッシュ通知の開封に使われています。
先に、書かれていないことを分けます。成果の数字は、旧方式との比較でメールのクリック1.1%増・プッシュ開封1.3%増（米国・カナダの実験）が中心です。この1.1%と1.3%が相対の増加か、割合そのものの増加かは、ブログに書かれていません。利用者の増加（日次・週次・月次）も「増えた」とあるだけで数字はなく、費用や、推定したジャーニーが何割当たっているかの数字もありません。この記事では、確認できる構成と、数字の読み方を分けて整理します。
何をAIに任せたのか
対象は、通知やおすすめの出し分けに使う「目的の推定」です。ブログによると、ジャーニーは「利用者の関心・意図・文脈が、ある時点で重なったもの」で、数週間から数か月、複数のセッションにまたがります。たとえば「夏服」は関心ですが、「8月に出る夏の結婚式に何を着るか決める」はジャーニーです。1人が同時に5つ（キッチンの改装・家庭菜園・サワードウ・…）を持つこともある、と書かれています。
狙いは、「いま押した1枚」ではなく、「やり遂げようとしている目的」に合わせることです。キャビネット、カウンタートップ、バックスプラッシュのPinが、1つのキッチン改装なのか、別々の話なのか、ただの雑音なのかを見分けられれば、何を探し、通知に何を書き、いつ送らないかまで変わる、とブログは書いています。出力は分類ラベルではなく、本人が見て分かる具体的な名前の、短い順位付きリストです。
旧方式（クラスタリング）と、うまくいかなかった点
- ▸最初の方式は、段階を重ねた仕組みだった。検索語やPinの注釈からキーワードを取り出し、埋め込みで階層的にまとめ（各まとまりがジャーニー候補）、上位のキーワードで名前を付け、ランク付けと重複の抑制をし、「いつまでも続く関心か、一時的か」「続いているか終わったか」を決まりで分けた。最初の人手の例は数百件だった
- ▸この旧方式でも効果はあった。関心ベースの通知と比べて、メールのクリック率が88%、プッシュ開封が32%、アンケートの好意的な回答が23%上がったと書かれている
- ▸ただし、誤りが積み重なった。キャビネットとカウンタートップとバックスプラッシュが3つのジャーニーに割れる（断片化）、まとまりが崩れると「Art」「Recetas」「Shopping」のような無意味な名前に戻る、数回のミーム画像や有名人のクリックが上位を占める、という3つが挙げられている
- ▸言語の壁もあった。旧方式は英語の注釈の語彙から名前を付けるため、スペイン語などの利用者向けの名前を作れなかった、とある
ブログで確認できるアーキテクチャ（4つの部品と1つの流れ）
- ▸入力（プロンプト）：固定に近いプロフィール（性別・言語・国・年齢の範囲）、本人のボード名、時系列の行動ログを1つにまとめる。行動は検索・保存・いいね・クリック・コメント・非表示の小さな語彙にそろえ、検索と保存を最も強く、非表示は「反対の証拠」として入れる。日付と行動ごとにまとめてトークンを節約し、直近360日・最大150件を読む
- ▸生成モデル：ファインチューニングした40億パラメータのモデル（Qwen3ベース）が、1回の呼び出しでジャーニー名を厳密なJSONで返す。設定は温度0・推論トークンなし・出力は最大300トークンで、毎回同じ読み方になる（再現できる）ようにしている。1人あたり約12件まで、各1〜5語、利用者の言語で出す
- ▸後処理：文字列以外を捨て、大文字小文字を無視して重複を除き、最初に出たものを残す。生成がたまに文章を返しても、利用者の個別化が丸ごと落ちないよう、防御的に解釈するとある
- ▸保存と利用：ユーザーごとの順位付きリストを保存し、通知の送信時に読む。ジャーニー名が検索クエリになり、埋め込み検索でPinを引き、既存のPin順位モデルで並べ替える。最近通知したジャーニーは出にくくし、本人が「いいえ」と答えたものは抑える。そのうえで通知の仕組みが、送るかどうかと経路を決める
- ▸旧方式は残してある：クラスタリングは、最初の仕組みとして正しかったとし、いまも代替（フォールバック）として残っている。本番は「LLM優先」の位置づけ
ブログが強調しているのは、「段階を重ねたパイプラインを、1回の生成にまとめた」点です。キーワード抽出・埋め込み・クラスタリング・名前付けの別々のモデルがなくなり、1つのモデルがログを読んで答えを書きます。その代わり、これまで重みやしきい値に入っていた方針が、プロンプトの文章に移った。ランクの順序（検索・保存＞コメント＞いいね＞クリック＞非表示）、「無関係な話題を混ぜない」「1回きりの外れ値は捨てる」「裏付けのないジャーニーは作らない（空でもよい）」といった決まりです。ブログは、プロンプトの変更をモデルのコードと同じ審査にかけ、「公開」と同じ扱いにしていると書いています。
大型モデルから、小型モデルへ（蒸留）
- ▸先生役は大型モデル：大型の最先端モデルは追加の訓練なしでも筋の通ったジャーニーを作れるが、数億人に定期的に回すには高すぎる。そこで、先生として「行動履歴と、質の高い正解のジャーニー」のペアを作らせた。先生の出力は、最終回答の前に追加の推論トークンを使わせたほうが良くなったとある（先生のモデル名は書かれていない）
- ▸生徒はQwen3：0.6B・1.7B・4B・8Bの4サイズを、SFT（教師あり微調整）とLoRA（全部ではなく小さな差分だけを学習する方法）で訓練した
- ▸例を増やしても伸び続けない：品質は最初の数千件で急に上がり、その後はほぼ止まった。似た例を足すより、難しい統合の例や多言語の例のように、多様で質の高い例を選ぶほうが効いた
- ▸4Bを選んだ理由：0.6Bと1.7Bは速いが、難しい例で関連性と一貫性が落ちた。試した中で品質と処理量の釣り合いが最も良かった4Bが本番の生徒になった
配信の規模と、安全のための線引き
- ▸規模：「数億人」を採点する、バッチ処理だが応答の速さも求められる仕事。アルゴリズムを変えたときは全体を更新し、普段は最近動いた利用者だけを毎日追加で処理する
- ▸配信の構成：NVIDIA DynamoをvLLMのデコード用ワーカーの前に置き、L40S GPUで動かす。PagedAttention・連続バッチ・プレフィックスキャッシュなどを使い、オフラインで回すよりオンライン配信のほうがスループットが高かった。本番ではおよそ100GPUで毎秒約775件、中央値約1.2秒、p95約3.0秒
- ▸最も効いた節約は、GPUではなかった：各利用者を最後に推定した日を記録し、数日以内に処理した人は飛ばした。ジャーニーは1時間ごとには変わらず、変わらないものを再計算するのは最も無駄な費用だ、とある
- ▸失敗時：デコードに失敗したら、その人だけやり直し、途中までのリストは保存しない。空だが正しいJSONは成功として扱う。支えられるジャーニーがない日は、「Art」のような一般的な名前を送るより、何も送らないほうがよいという考え
- ▸敏感な属性を推定しない：入力のキーワードは通知用の内容フィルターを通してからプロンプトに入れ、出力のジャーニー名も、そのフィルターと生成コンテンツの安全フィルターを通す。健康状態・政治・宗教・性的指向・性自認・人種などに関する話題は、推定も対象にもしないよう指示する
- ▸入力の最小化と対象外：年齢は低めの区分にまとめ、誕生日ではなく大まかな人生段階だけを渡す。EEA・スイス・英国の18歳未満は、現地の法律のため、まだ対象外
効果の測り方と数字
「利用者の本当の目的」には正解ラベルがありません。ブログは、観察から因果の検証まで、3段階で確かめたと書いています。
- ▸同じ利用者での並べて比較：旧方式と新方式の出力を、同じ行動ログで並べて見る。うまくいった例と、正直な失敗（「スパム・キムチ炒飯」と書くべきところを「家庭料理」と広げすぎた、十分に支えられた副次的な関心を落とした）の両方を残している
- ▸根拠つきの診断：別の言語モデルが、出てきたジャーニーを「見えている文脈との関連」「ログからの裏付け」「重複のなさ」「粒度」で採点する。最も重要なのは裏付けで、ログにない名前は、本人がクリックしそうでも失敗とする
- ▸オンライン実験：旧方式を対照にして、米国・カナダの利用者へ段階的に展開した。メールのクリックが1.1%、プッシュ開封が1.3%増え、サイト全体の複数の指標でも統計的に有意な改善があった。その後の多言語の海外展開でも方向は同じで、2つの実験を出したあと、日次・週次・月次のアクティブ利用者が増えたとある
数字の読み方（当サイトの見方）
- ▸「88%・32%・23%」は旧方式の数字で、新方式の成果ではありません。関心ベースの通知と比べた値で、新しいLLM方式は、旧方式を対照にした別の実験で測られています
- ▸「1.1%」と「1.3%」は、旧方式との差です。ブログは「lifts of 1.1% / 1.3%」と書くだけで、相対の増加か、割合そのものの増加かは書かれていません。「クリック率が1.1ポイント上がった」とは読み替えないでください
- ▸「統計的に有意」「アクティブ利用者が増えた」には、数字がありません。増えた幅は確認できません
- ▸「約100GPU・毎秒約775件」は、この会社の本番の値です。どのモデルでも、どの規模でも出る性能ではありません。同じ型の小型モデルをL40Sで動かした、という条件つきです
- ▸「数千件」で品質が止まった、は訓練例の話です。他の課題にそのまま当てはまる量とは書かれていません
いま実験中のこと（本番の標準ではない）
ブログは、この節の内容を「試験中・展開中で、全員に出ているものではない」と明記しています。確認できる項目だけを挙げます。
- ▸セマンティックID：Pinをタグの束ではなく、量子化した短い符号（RQ-VAEで5段・各11ビット）にして入力を短くする。モデルに意味を教えるため、継続事前学習（CPT）を行い、その上でSFTをかける。デメリットは、人が読めなくなる（デバッグしにくい）こと。行動が少ない人はタグに戻す段階的な切り替えがある
- ▸サイト外の行動：購入ページの訪問・カート追加・登録・チェックアウトを、サイト内の行動が少ない人の補助信号として、短くまとめて入れる。サイト内が優先で、サイト外だけのジャーニーを最上位にはしない
- ▸1つのモデルで複数の出力：ジャーニーごとに、より細かい切り口や隣接する話題を一緒に出す。通知の文面（タイトル）も同じモデルが書く。先にジャーニー名を確定し、文面のために名前を変えないという順序の制約がある
- ▸利用者のフィードバックを使った学習：メールの「<ジャーニー>に興味がありますか？」の「はい／いいえ」と、通知セッション内の保存・クリック・非表示を使い、好みの最適化（preference optimization）を行う。オフラインの結果は有望で、オンラインのA/Bテストが走っている段階。結果の数字はまだない
確認できなかったこと
- ▸1.1%・1.3%が相対か絶対か、サイト全体の指標とアクティブ利用者の増加幅。ブログに数字がありません
- ▸先生役の大型モデルの名前、教師データの件数、訓練の費用。書かれていません
- ▸ジャーニーの当たっている割合（評価モデルの点数や人手の判定の数字）。3段階の評価の方法は書かれていますが、結果の数字はありません
- ▸日本語など個別の言語への対応状況。スペイン語の例は表に出ていますが、対応言語の一覧や言語別の成果は書かれていません
- ▸ブログの図や表の画像そのもの。図と表は画像のため、本文と図の説明文から確認できた範囲で書いています
この事例から持ち帰れること（当サイトの見方）
- ▸複数のモデルをつなぐ前に、「1回で書かせる」形を試す。段階ごとに少しずつ誤りが積み重なる（断片化・一般的な名前・雑音）なら、全体を1つの生成にまとめる手があります。そのとき方針はプロンプトに移るので、プロンプトを審査・公開の対象にする、というPinterestの扱いは参考になります
- ▸最初は古い方式でよい。代替として残す。クラスタリングは最初の方式として役割を果たし、いまも代替です。置き換える側が失敗したときの足場を残す設計です
- ▸大型モデルは先生、運用するのは小型。毎回大型モデルを回す費用を避けるために、大型モデルが作った例で小型モデルを訓練する。例の数より、難しい例と多言語の例の質が効いた、という点は、データを集めるときの優先順位になります
- ▸「何もしない」を成功として扱う。支えられる目的がなければ空のリストを返し、無関係な名前を作らない。ログにない名前は失敗と数える、という基準も同じ考え方です
- ▸数字は、定義と比較の相手とセットで読む。「1.1%増」だけでは、自社の目標値にできません