オープンエンドな探索を意思決定支援へ：推薦の質と多様性を高める「QD-Rec」を提案

Sakana AIは、オープンエンドな探索の考え方を意思決定支援に応用した推薦手法「QD-Rec」を開発しました。QD-Recは、企業や顧客、論文などの「候補」と、それを選ぶ理由を述べた「仮説」の組を推薦の単位とし、過去の優れた仮説をもとに生成AIが新しい仮説を書くサイクルを繰り返します。これにより、質が高く切り口の異なる推薦を蓄積していきます。M&A、顧客ターゲティング、論文推薦の3つの課題で実験したところ、QD-Recは多くの設定で、毎回ゼロから仮説を書くベースラインなどより平均評価が高く、規模も大きい推薦の集合を構築しました。 論文：https://arxiv.org/abs/2610.23470 技術記事：https://pub.sakana.ai/qd-rec/ コード：https://github.com/SakanaAI/QD-Rec はじめに どの企業を買収候補として検討するか。どの顧客に新しい製品を提案するか。膨大な論文の中から、次に何を読むか。こうした「多くの選択肢から一つを選ぶ」判断は、実社会のあらゆる場面にあります。その判断を支えるために、これまでさまざまな推薦アルゴリズムが研究されてきました。しかし、とくに複数の可能性を比較しながら方針を決める場面では、最もスコアの高い候補を一つ選んだり、上位の候補をランキングとして提示したりするだけでは、十分でないことが