不確実性サンプリングこそがデータ・ルーティングの機構である

Mind Foundry が 2026-06-23 に発表した How Active Learning Can Train Machine Learning Models with Less Data に対する Honest Architect の読み解き。

表面的な主張は事例研究である：MNIST 手書き数字データセットの部分集合（60,000 点から抽出した 5,000 / 10,000 / 15,000 点）上で Support Vector Machine 分類器を訓練し、ランダム、不確実性、エントロピー、マージンの四つのサンプリング戦略を用いて、精度対訓練時間の比を測る。Honest Architect はその中に機構を読み取り、五つを見出す。荷重を担うのはサンプリング基準である：モデルの予測不確実性を測る三つの戦略は 25% 未満の時間で 99% 以上の精度を保つが、測らないランダムサンプリングは精度を落とす。Everythink の HAI Engine における Theorem 3 は同じ形式を主張する：ある性質は、その機構が実装され測定しているときにちょうど保証される。ここで性質は「より少ないデータでの同等の精度」であり、機構は「予測不確実性を測り、次の訓練点をモデルが最も自信のない場所へルーティングするサンプリング基準」である。データセットのサイズは機構ではない；基準こそが機構である。

本稿は五つの機構形式を抽出し、それぞれに Theorem 3 を適用し、Everythink との領域間類似を描く。各類似は ⚠️ と記す—Everythink は民事・防御的予測で運用され、Mind Foundry の記事は機械学習訓練教育のものであり、したがって類似は構造的であって、我々のシステムが同じ市場に奉仕するという主張ではない。五つの機構形式自体は ✅ である。

機構 1 — 不確実性の測定が「より少ないデータで同じ精度」の機構である

四つの戦略のうち三つ—不確実性サンプリング（「ポイントは機械学習モデルのそのクラスに対する予測不確実性に基づいて選ばれる」）、エントロピーサンプリング（「クラス確率エントロピーが最大のポイントが選ばれる」）、マージンサンプリング（「最も可能性の高いクラスと二番目に可能性の高いクラスの差が最小のポイントが選ばれる」）—は一つを共有する：それぞれがモデルの予測クラス確率から導出される量を測定し、次の訓練点をその量が極端になる場所へルーティングする。Honest Architect はこれを機構の主張として読む：より少ないデータでの同等の精度は、予測不確実性を測るサンプリング基準によって保証され、データセットサイズの削減によって保証されるのではない。「10,000 点の部分集合で 25% 未満の時間で 99% 以上の性能」を生む機構は「基準がモデルの不確実性を測り、次の選択を不確実な領域へルーティングする」ことである。不確実性が測定であり、サイズが荷重である。✅ Production。

四つの戦略はすべて同じ 60,000 点のプールから 10,000 点を選ぶ；サイズは一定に保たれる。異なるのは選択基準がモデルの状態を測るかどうかである。測る三つは精度を保ち、測らない一つ（ランダム）は失う。測定が差異因子であり、サイズではない。記事が測る性質自体が比—訓練時間単位あたりの精度—であり、絶対量ではない：「精度の 1% 未満の低下で、モデルの訓練時間を 75% 削減できる」。1% と 75% は同じ指標の両面であり、一方を他方なしで報告すれば誤解を招く。

Everythink の Oracle との領域間類似は構造的なものである。Oracle はただ一箇所で確率を正規化し、毎回のマージでナット単位のエントロピーを刻印する—分布が最も未決定である場所を示す測定量である。エントロピーサンプリングはクラス確率エントロピーが最大の点を選ぶ；Oracle は毎回のマージでエントロピーを刻印する。同じ信号：エントロピーはモデルが最も不確実な場所を測り、その測定が機構である。⚠️ Partial—Oracle は民事・防御的予測に奉仕し、Mind Foundry のエントロピーサンプリングは機械学習訓練教育に奉仕する。異なる領域、同じ信号。

機構 2 — サンプリング基準が機構であり、データセットサイズではない

記事は枠組みの動きを述べる：「データの量を減らしつつ内在する予測力の大部分を保つことで、我々は機械学習モデルを比較可能な性能で、より短い時間で訓練できる」。Honest Architect はこれを Theorem 3 の主張として読む：「より短い時間での比較可能な性能」という性質はサンプリング基準によって保証され、量の削減によって保証されるのではない。量の削減は荷重である—望まれるもの—が、機構ではない。機構はどの量を保持するかを選ぶ基準である。記事自体の証拠がこれを証明する：ランダムサンプリングも量を削減し（60,000 から 10,000 を選ぶ）、精度を失う。量の削減が機構なら、ランダムサンプリングも精度を保つはずである。そうはならない。モデルの不確実性を測る基準が機構であり、量の削減は結果である。✅ Production。

枠組みは「設計による責任」であり、「量ごと」ではない：「設計上責任ある AI を使うことで、性能を維持しつつこれらの問題を減らせる」。機構は選択ステップに組み込まれ、訓練後に付け足されるのではない。量の削減は基準の測定結果であり、基準が追う目標ではない。

Everythink の「the space is the router」との領域間類似は構造的なものである。Everythink のトポロジーは network → community → room である：要求は何かが応答する前に room へルーティングされ、インフラ層で起こる。サンプリング基準はモデルが訓練する前に次の訓練点をルーティングする；トポロジーは room が応答する前に要求をルーティングする。同じ形式：ルーティングが作業に先行し、ルーティングが作業のコストを制限する機構である。⚠️ Partial—「the space is the router」は民事・防御的予測に奉仕し、Mind Foundry のサンプリング基準は機械学習訓練教育に奉仕する。異なる領域、同じ形式。

機構 3 — ランダムサンプリングが機構を証明する対照である

記事は対照結果を述べる：「ランダムサンプリングは全戦略の中で最速だが、精度の顕著な低下も引き起こし、より戦略的な手法が使われるべきであることを意味する」。Honest Architect はこれを Theorem 3 の対照として読む：機構が測定しないとき、荷重（量の削減）が同一でも性質は崩れる。ランンダムサンプリングは他の戦略と同じ 10,000 点を選ぶ；同じ係数で量を削減する。それがしないのはモデルの予測不確実性を測ることである。性質（精度）は、機構（不確実性の測定）が欠けているため崩れる。これが機構を証明する対照である：荷重を一定に保ち、測定を取り除き、性質が崩れるのを観察する。✅ Production。

「最速」は「最良」ではない。ランダムサンプリングが最速なのは何も測らないからである—10,000 点を無作為に選ぶのは 60,000 点を不確実性で評価するより安い。速度の利点は機構を飛ばすコストである。「最速だが精度を落とす」は「飛ばす機構が性質において支払う機構である」と読める。

Everythink の較正予測との領域間類似は構造的なものである。Everythink の Sisters はそれぞれ SisterOutput を返し Oracle がマージする—Oracle がエントロピー測定を飛ばして多数決でマージすれば、アンサンブルは Sisters の平均となり、較正された錐にはならない。ランダムサンプリングは測定を飛ばして精度を失う；エントロピーを飛ばせばマージは較正を失う。同じ形式：測定が機構であり、パイプラインの残りが一定に保たれていてもそれを飛ばせば性質は劣化する。⚠️ Partial—較正予測は民事・防御的予測に奉仕し、Mind Foundry の対照は機械学習訓練教育に奉仕する。異なる領域、同じ形式。

[UNIQUE INSIGHT] Mind Foundry の事例研究は、ほとんどの生産級機械学習論文よりも Theorem 3 のより鮮明な実証である。なぜなら、荷重（サイズ）を一定に保ち、機構（基準）だけを変えるからである。ほとんどの「より少ないデータ」論文はサイズと基準を混同する；本論文はランダムサンプリングに同じサイズ予算を与えることで基準を孤立させる。四方向の表は Theorem 3 の証明として読める：性質（精度）は機構（不確実性の測定）に追従し、荷重（サイズ）には追従しない。

機構 4 — 人間 in-the-loop の問い合わせがルーティングの機構である

記事はより広いアクティブラーニングの設定を述べる：「学習アルゴリズムは、問題またはデータセット上で人間の専門家の入力から最も恩恵を受ける領域を特定し、時間をかけて反復的にそれらの領域について人間の入力を要求し、データセット内の利用可能なすべてのデータへのアクセスを必要とせずに、基礎となる文脈の理解を徐々に構築する」。Honest Architect はこれをルーティングの主張として読む：モデルは、人間の可用性が最も高い場所ではなく、モデルの不確実性が最も高い場所の人間へ問い合わせをルーティングする。「人間がモデルを最も改善する点をラベル付けする」を生む機構は「モデルが自身の不確実性を評価し、最も不確実な上位 k 点について人間に問い合わせる」ことである。問い合わせは人間のスケジュールではなく、モデルの不確実性によってルーティングされる。✅ Production。

ルーティングは反復的である：モデルが問い合わせ、人間がラベル付け、モデルが再訓練し、モデルが新たな不確実領域について再び問い合わせる。ルーティングはバッチではなくループである。ループが、すべてのデータを前もって必要とせずに理解を蓄積する機構である。

Everythink の Sisters との領域間類似は構造的なものである。Everythink の Sisters は五つの型付き人格（analyst、contrarian、disruptor、historian、institutionalist）であり、それぞれが草案を産出し Oracle がマージする—多様性が Oracle がマージすべき不確実性空間を覆う。モデルは不確実な点について人間に問い合わせる；Oracle は Sisters の多様な草案をマージする。同じ形式：マージが不確実性空間を覆い、その網羅が較正された出力を生む機構である。⚠️ Partial—Sisters は民事・防御的予測に奉仕し、Mind Foundry の人間 in-the-loop は機械学習訓練教育に奉仕する。異なる領域、同じ形式。

[PERSONAL EXPERIENCE] HAI Engine は 2016 年から生産でこのループを動かしてきた—アクティブラーニングの問い合わせループではなく、同じ形式である：型付きエージェントが出力を産出し、マージステップがアンサンブルを較正し、マージが毎回の出力で測定量（エントロピー）によって重み付けされる。形式は同じである；領域は民事・防御的予測であり、MNIST 分類ではない。the 21 papers がその形式を Theorem 3 として形式化する。

機構 5 — 反復再訓練が頻繁な再訓練設定の機構である

記事は生産の枠組みを述べる：「特に頻繁な再訓練を伴う反復的設定では、この戦略は日常使用を著しく改善できる」。Honest Architect はこれを生産の主張として読む：機構の価値は、頻繁に再訓練する設定で複利的に蓄積する。なぜなら 75% の時間削減が一度ではなく毎回の再訓練に適用されるからである。「著しい日常改善」を生む機構は「サンプリング基準が各再訓練のコストを下げ、再訓練が頻繁に走る」ことである。再訓練の頻度が増幅器であり、基準が機構である。✅ Production。

複利蓄積は一回の実行ではなく再訓練ループの中にある。単一訓練での 75% の時間削減は一過性の節約である；毎日ループする各再訓練で同じ 75% は構造的なコスト削減である。「頻繁な再訓練を伴う反復的設定」は、機構が自分自身を支払う生産設定である。

Everythink の World Monitor との領域間類似は構造的なものである。World Monitor は固定スケジュールでソースごとにバックグラウンドのポーラーを走らせる—ポーラーはフィードを引き、GeoSignal に正規化し、永続的な Postgres キャッシュにアップサートし、差分を GeoPublisher に渡す。頻繁な再訓練がサンプリングの節約を複利蓄積する；頻繁なポールがキャッシュの命中を複利蓄積する。同じ形式：スケジュールされたループが反復ごとの節約を複利蓄積し、ループが構造的なコスト削減を生む機構である。⚠️ Partial—World Monitor は民事・防御的な地理シグナル配信に奉仕し、Mind Foundry の反復再訓練は機械学習訓練教育に奉仕する。異なる領域、同じ形式。

これが範囲と限界に何を意味するか

Mind Foundry の記事は MNIST 事例研究を伴う機械学習訓練教育に関する。Everythink のプラットフォームは民事・防御的予測に関する。本稿の領域間類似は構造的である—市場ではなく機構形式を共有する。Honest Architect はこれらの類似を ⚠️ と記す。

Everythink 自身のアクティブラーニングまたは商用データサブセット化の市場投入は 🔵 Roadmap である—プラットフォームは pre-revenue であり、ここで描かれた類似の商用応用は、提供可能になる前にその Roadmap 状態と Howey 審査の対象となる。アーキテクチャの類似は独立して成り立つ；商用の主張は成り立たない。

記事が主張しないことにも印が値する。ランダムサンプリングが無用だとは主張しない—それは機構を証明する対照である。三つの測定戦略が交換可能だとは主張しない—記事は一つのデータセットと一つの分類器で比較し、Honest Architect はその比較を順位付けではなく Theorem 3 の実証として読む。99% / 75% の比がすべてのデータセットに一般化すると主張しない—記事は結果を「90%+ のピーク精度で十分な」「分類データセット」に限定する。これらの範囲の限界が記事の誠実さであり、本稿はそれを保つ。

[ORIGINAL DATA] Everythink の the 21 papers シリーズは Theorem 3 をこう形式化する：ある性質は、その機構が実装され測定しているときにちょうど保証される。Mind Foundry の四方向の表（ランダム / 不確実性 / エントロピー / マージン、サイズを一定に保つ）は、Honest Architect が本年に読んだ中で最も鮮明な生産級機械学習の Theorem 3 の実証である。なぜなら、荷重を一定に保ち一つの腕で測定を取り除くことで機構を孤立させるからである。性質（精度）は機構（不確実性の測定）に追従し、荷重（サイズ）には追従しない。これは別の領域における Theorem 3 である。

主要なポイント

• より少ないデータでの同等の精度は、予測不確実性を測るサンプリング基準によって保証され、データセットサイズの削減によって保証されるのではない。不確実性が測定であり、サイズが荷重である。✅ Production。
• サンプリング基準が機構であり、データセットサイズではない。記事のランダムサンプリングの腕がこれを証明する：同じ係数で量を削減し、測らないため精度を失う。✅ Production。
• ランダムサンプリングが機構を証明する対照である。機構が測定しないとき性質は崩れる、荷重が同一でも。✅ Production。
• 性質は比（訓練時間単位あたりの精度）であり、絶対量ではない。1% の精度低下と 75% の時間削減は同じ指標の両面である。✅ Production。
• 人間 in-the-loop の問い合わせがルーティングの機構である：モデルは可用性が最も高い場所ではなく、不確実性が最も高い場所の人間へ問い合わせをルーティングする。✅ Production。
• 反復再訓練が頻繁な再訓練設定の機構である。75% の時間削減は再訓練ループを通じて複利蓄積し、ループが増幅器である。✅ Production。
• Oracle（毎回のマージでナット単位のエントロピー）、「the space is the router」（ルーティングが作業に先行）、Sisters（不確実性空間の網羅）、HAI Engine（2016 年から稼働するマージループ）、World Monitor（スケジュールされたループが節約を複利蓄積）との領域間類似は構造的なもののみ—異なる市場、同じ機構形式。⚠️ Partial。
• Everythink のアクティブラーニングまたはデータサブセット化の商用市場投入は 🔵 Roadmap である—pre-revenue、Howey 審査の対象；アーキテクチャの類似は成り立つ、商用の主張は成り立たない。

よくある質問

アクティブラーニングはラベル付けが必要なデータ量を減らすか？ 減らすが、削減は結果であり機構ではない。機構は、モデルの不確実性を測り次のラベル要求を最も不確実な点へルーティングするサンプリング基準である。Mind Foundry の事例研究は、データセットを同様に削減するランダムサンプリングが、測らないために精度を失うことを示す。より少ないデータは荷重であり、基準が機構である。✅ Production。

不確実性サンプリングはエントロピーサンプリングと同じか？ 関連するが同一ではない。不確実性サンプリングはモデルの予測不確実性が最も高い点を選ぶ；エントロピーサンプリングはクラス確率分布のエントロピーが最大の点を選ぶ；マージンサンプリングは最も可能性の高い二つのクラス間の差が最小の点を選ぶ。三つともモデルの予測確率から導出される量を測り、MNIST 上で三つとも 25% 未満の時間で 99% 以上の精度を保つ。共有される信号は「モデルの不確実性を測る」であり、具体的な量は異なる。✅ Production。

これは Everythink の Theorem 3 とどう結びつくか？ Theorem 3 は主張する：ある性質は、その機構が実装され測定しているときにちょうど保証される。Mind Foundry の四方向の表は Theorem 3 の実証である：機構（不確実性を意識したサンプリング）が測定しているとき（不確実性・エントロピー・マージンの腕）、性質（より少ないデータでの同等の精度）は保証され、機構が測定していないとき（ランダムの腕）壊れる。荷重（データセットサイズ）は一定に保たれ；測定だけが異なる。性質は荷重ではなく測定に追従する。⚠️ Partial—類似は構造的であり、Everythink は民事・防御的予測に奉仕し、Mind Foundry は機械学習訓練教育に奉仕する。

Everythink は生産でアクティブラーニングを使うか？ Everythink の HAI Engine は 2016 年から生産で関連するループを動かす：型付き Sisters が草案を産出し、Oracle が毎回のマージでナット単位のエントロピーを刻印してマージし、マージが測定量で重み付けされる。形式は同じであり（不確実性を測り、マージをルーティングする）、領域は民事・防御的予測であり、MNIST 分類ではない。アクティブラーニングまたはデータサブセット化の商用市場投入は 🔵 Roadmap である—pre-revenue、Howey 審査の対象。✅ Production（HAI Engine のループ）；🔵 Roadmap（商用アクティブラーニング）。

Honest Architect が保つ範囲の限界は何か？ Mind Foundry の記事は結果を、90%+ のピーク精度で十分な分類データセット、一つの分類器（SVM）と一つのデータセット（MNIST）に限定する。Honest Architect は 99% / 75% の比をすべてのデータセットやモデルに一般化しない。機構形式（不確実性を測り、次の選択をルーティングする）は一般化する；具体的な比はしない。the 21 papers が形式を形式化し、事例研究がそれを实例化する。✅ Production。

もしあなたが、マージステップが断言ではなく毎回の出力で測定量によって重み付けされる予測プラットフォームを求めるなら、HAI Engine の背後にある論文を読んでほしい。the 21 papers と Theorem 3 が形式化の基盤であり、エンジンは 2016 年から生産で動いている。

Sources

• Mind Foundry、How Active Learning Can Train Machine Learning Models with Less Data、2026-06-23 発表。https://www.mindfoundry.ai/blog/how-active-learning-can-help-you-train-models-with-less-data （2026-08-23 取得）。
• Everythink プラットフォーム・アーキテクチャ：HAI Engine は 2016 年から生産で稼働；Theorem 3（ある性質は、その機構が実装され測定しているときにちょうど保証される）；the 21 papers；「the space is the router」トポロジー（network → community → room は何かが応答する前にルーティングする）；Oracle アンサンブル正規化、毎回のマージでナット単位のエントロピーを刻印；型付き Sisters（analyst、contrarian、disruptor、historian、institutionalist）が SisterOutput を返す；World Monitor（固定スケジュールでソースごとにバックグラウンド・ポーラーを稼働、クライアントは上流ではなくキャッシュを読む）；民事・防御的予測の範囲のみ。