画像を集めて暮らしの計画に使うサービスのピンタレスト（Pinterest）は、利用者が数週間から数か月かけて進める目的を、通知の中身に使っています。同社はこの目的を「ジャーニー」と呼びます。たとえば「夏の服」は興味で、「8月に出る結婚式の服を探す」がジャーニーです。同社は、この名前を付ける仕組みを、キーワードを束ねる多段の処理から、行動の記録を読んで名前を書く大規模言語モデル（LLM：文章を作るAI）1つに替えました。
この記事は、同社が2026年10月9日（米国時間）に技術ブログに出した記事にもとづきます。論文は出ていません。数字はすべて同社の発表で、外の人による確かめはありません。
前の仕組みは、検索語や保存した画像のタグからキーワードを取り出し、似たもの同士を束ねて、束の中で一番強い語を名前にしていました。そのうえで並べ替え、「長く続く関心か、一時の関心か」を決まりで分けていました。
この仕組みで、通知は一度よくなりました。興味の分類にもとづく通知に比べ、メールのクリック率は88%、プッシュ通知の開封率は32%、好意的なアンケート回答は23%伸びた、と同社は書きます。
一方で、段ごとの小さな誤りが重なりました。食器棚、天板、壁のタイルは一つの台所の改装なのに、三つの目的に割れて、通知の枠を取り合いました。束がまとまらないときの名前は、「アート」「買い物」のように広すぎるものでした。数回クリックしただけの流行りの画像や芸能の話題が、上位に入ることもありました。
同社は、名前を付ける処理を、記録を読んで答えを書く一回の生成にまとめました。
本番は、エヌビディア（NVIDIA）のL40Sという計算用の半導体（GPU）を100台規模で使い、毎秒約775件を処理します。1件の処理は中央値で約1.2秒、95%が約3.0秒以内です。
体や信条にかかわる推定は止めています。入力のキーワードと、出てきた名前の両方を、通知用の内容の確かめにかけます。健康状態、政治、宗教、性的指向、性自認、人種などを推定しないことも指示に書きます。年齢は幅でまとめて渡します。欧州経済領域・スイス・英国の18歳未満の利用者は、各地の法律のため、まだ対象外です。
同じ利用者の記録で、前の仕組みとLLMの答えを並べて見比べています。食器棚と天板に割れていた束は、「モダンなファームハウス風の台所」の一つにまとまりました。「アート」は「ペンギンの絵の描き方」のように具体的になり、芸能や流行りの画像の話題は消えました。スペイン語を使う利用者には、スペイン語の名前が付いています。前の仕組みは英語のタグから名前を作るので、これができない作りでした。
外れの例も出しています。記録がはっきり「スパム入りキムチチャーハン」なのに「家庭料理」とまとめすぎる例と、記録が支える脇の関心を落とす例です。別のLLMに、出てきた名前を「記録に支えがあるか」などで採点させてもいますが、点数は書かれていません。
米国とカナダの利用者で、前の仕組みを対照にした試験をしました。メールのクリック率は1.1%、プッシュ通知の開封率は1.3%上がった、と同社は書きます。サイト全体の利用や継続でも、統計的に有意な伸びが複数あったとしますが、数字は出していません。多言語での国外展開でも同じ向きの結果が出て、二つの試験の結果を入れたあと、日・週・月の利用者が増えたとします。こちらも幅は書かれていません。
学習の手本は、最初の数千件で品質が急に上がり、そのあとはほとんど伸びませんでした。似た例を足すより、まとめるのが難しい例や多言語の例を選ぶほうが効きました。
意味ID（画像を短い番号の列で表すもの）を入力に使う方法、ピンタレストの外での購入や申し込みの記録を足す方法、利用者の「はい／いいえ」の回答で学習させる方法は、まだ試験中です。
| 📢 公表されている説明 | ⚠️ こちらで確認できていないこと |
|---|---|
| 米国・カナダの試験で、前の仕組みに比べメールのクリック率1.1%、プッシュ通知の開封率1.3%の伸び | ⚠️ 1.1%が率の相対の伸びか、ポイントの差か ⚠️ 試験の期間・人数・分け方 ⚠️ 「有意な伸びが複数」とする利用・継続の指標と数字 |
| 国外展開でも同じ向きで、日・週・月の利用者が増えた | ⚠️ 増えた幅と、国・言語の内訳（日本を含むか） |
| メールのクリック率88%、プッシュの開封率32%、好意的な回答23%の伸び前のキーワードの仕組みを、興味の分類にもとづく通知と比べた数字。LLMの成果ではない | ⚠️ この比べ方の時期と条件 |
| 100台規模のGPUで毎秒約775件。中央値約1.2秒、95%が約3.0秒以内 | ⚠️ 運用の費用 ⚠️ 手本を書かせた大きなモデルの名前と、手本の件数 |
| 健康・政治・宗教などを推定させず、入力と出力の両方を確かめにかける | ⚠️ 確かめで落ちた名前の割合 ⚠️ 落とせずに出た例があったか |
| 別のLLMに、名前の関連・記録の支え・重なりのなさ・細かさを採点させる | ⚠️ 点数そのものと、採点したモデルの名前 |
凡例：📢＝当事者が公表している説明 ⚠️＝出典に書かれておらず、こちらで確認できていない点
数字と説明は、ピンタレストの技術ブログ（2026年10月9日、米国時間）による。
会員の購入や閲覧の記録を持ち、メールやアプリで案内を送っているのに、中身が「よく買う分類」の案内にとどまっている会社に関係します。
たとえば、従業員100〜200人規模の地方のホームセンターが、会員カードの購入記録から案内メールを作るとします。数か月の間に防草シート、砂利、レンガを分けて買った客なら、「庭の小道づくり」という計画の名前をAIに書かせ、その計画に合う道具や作り方の案内を送ります。一度だけ買った品は計画にしません。記録が支えないときは名前を付けず、いつもの案内にします。薬や衛生用品の購入から体の状態を推し量る名前は、入力から外し、出てきた名前も送る前に止めます。始める前に、数百人分の名前を人が記録と並べて見比べ、まとめすぎや落とした関心を数えておきます。
ピンタレストは、利用者が進めている目的の名前を、キーワードを束ねる多段の仕組みから、行動の記録を読んで名前を書く40億パラメータのLLM1つで作るようにしました。大きなモデルの手本で学習させ、記録が支えない名前は作らせず、体や信条にかかわる推定は止めています。前の仕組みを対照にした米国・カナダの試験で、メールのクリック率は1.1%、プッシュ通知の開封率は1.3%上がったとします。数字はすべて同社の発表で、試験の期間や人数は書かれていません。
