ベテランの「勘」をAIへ――NVIDIAが判断精度86.7%の専門モデル
この記事でわかること
NVIDIAは2026年9月10日、自社の半導体サプライチェーンにおける資材配分(critical material allocation)の判断を、熟練プランナーの意思決定データとしてPalantir Foundry上に記録し、それをもとに小型モデル「Nemotron 3.5 Lightning」(MoE構成、総パラメータ300億・アクティブ約30億)をpost-trainingしたと発表した。開発ベンチマークでのallocation-decision accuracyは86.7%で、より大型の「Nemotron 3 Ultra」(55.5%)を31.2ポイント、post-training前の自身のベースモデル(17.5%)を69.2ポイント上回ったと報告している。
この記事の中心は数値の大小比較ではなく、「メールのやり取り・悪天候予報・地政学リスク・サプライヤーとの通話記録」といった、従来はソルバー(最適化アルゴリズム)から見えなかった人間の暗黙知を、判断・根拠・見込み・実際の結果というセットで記録し、モデルの学習データへ変換した設計にある。
86.7%等の数値はNVIDIA自身が社内タスク定義に基づいて実施した開発ベンチマークの結果であり、独立した第三者検証を経たものではない。NVIDIA自身も「小型モデルが全体として優れているわけではない」「将来の生産リスク予測は依然として難しいままだった」と限界を明記している。
「With highly dynamic availability, NVIDIA must decide what and how much material to allocate to each manufacturing site. This is known as the critical material allocation problem, and it is manually reworked every week.」――NVIDIAは2026年9月10日、公式開発者ブログ「From Wafer-Out to First Token: Codifying Supply Chain Expertise with Nemotron and Palantir Foundry」でこう説明した。
NVIDIAが記録した「ベテランの判断」とは何か
NVIDIAの半導体サプライチェーンでは、各製造拠点にどの資材をどれだけ配分するかという「critical material allocation」の判断を、毎週手作業で見直しているという。この判断は最適化ソルバーだけでは完結しない。原文は、プランナーが実際に使っている情報について次のように説明している。
「Planners were working from information the solver could not see: emails exchanged with partners that week, severe weather in the forecast for a key region or an ongoing geopolitical event, the transcript from the last supplier debrief call, and years of accumulated expertise.」
つまり、その週に交わされたメール、主要地域の悪天候予報や進行中の地政学リスク、直近のサプライヤーとの通話記録、そして長年の経験の蓄積――こうした定性的な情報が、数式では表現しきれない判断材料になっていたということだ。
NVIDIAとPalantirは、この人間の専門家を中心にワークフローを設計し直したという。原文はその内容を「It captures the allocation decision, the rationale behind it, the expected result, and the actual outcome.」と説明している。配分の判断そのものだけでなく、その判断に至った根拠・想定していた結果・実際に起きた結果までを、セットで記録する仕組みだ。この「判断＋根拠＋見込み＋結果」という記録の型が、後述するモデルの学習データの土台になっている。
Nemotron 3.5 Lightningの学習方法――LoRAと合成データで専門化
記録された判断データを学習に使う際、NVIDIAは3段階の処理を組み合わせたという。
1つ目は匿名化だ。原文は「NeMo Anonymizer removes personally identifiable information and obfuscates sensitive fields before training」と説明しており、学習前に個人を特定できる情報や機微なフィールドを除去・難読化している。
2つ目はデータの拡張だ。「NeMo Data Designer expands and balances the examples, so the model sees not only routine weeks but also allocation increases, capacity constraints, and disruption scenarios」とあり、通常週のデータだけでなく、配分増加・キャパシティ制約・供給途絶といった非日常のシナリオも学習データに含まれるよう、合成データで補って件数のバランスを取っている。
3つ目が実際の学習で、「NeMo AutoModel trains a small set of LoRA adapter parameters while the base weights stay frozen」と説明されている。ベースモデルの重みは固定したまま、LoRA(低ランク適応)と呼ばれる少数の追加パラメータだけを学習させる手法だ。
学習対象のNemotron 3.5 Lightningは、総パラメータ300億のMoE(Mixture of Experts)構成で、1回の推論で実際に使われるアクティブパラメータは約30億とされている。この一連のパイプラインは、Palantir Foundryの「Ontology」(資材・製造拠点・コミット量・キャパシティ・配分実績・生産実績・非構造化の定性情報を1つのデータ層に接続する仕組み)と、そのライフサイクルを管理する「Autopilot」の上に構築されているという。
開発ベンチマークで86.7%――Nemotron 3 Ultraを31.2ポイント上回る
NVIDIAが示した性能数値の中心は、post-training後のNemotron 3.5 Lightningが開発ベンチマークで記録した「86.7%のallocation-decision accuracy」である。原文は「On the development benchmark, the post-trained Lightning model reached 86.7% allocation-decision accuracy」としている。
比較対象は2つ示されている。1つは、より大型のモデルである「Nemotron 3 Ultra」で、こちらの精度は55.5%だったといい、post-trained Lightningはこれを31.2ポイント上回ったとしている。もう1つは、post-training前のLightning自身のベースモデルで、精度は17.5%にとどまり、post-trainingによって69.2ポイント改善したとしている。
NVIDIAはこのほかに、まれな判断パターンも均等に評価する指標である「balanced accuracy」(post-trained Lightning 58.6%、Ultra 42.0%)、適合率も加味した「macro-F1」(同57.5%、39.5%)という補助指標も示しており、単純な正答率以外の観点でも同様の傾向だったとしている。
見落とされがちな視点――「開発ベンチマーク」と「自社評価」という条件
ここで強調しておきたいのは、86.7%・55.5%・31.2ポイントといった数値が、いずれもNVIDIA自身が定義した「開発ベンチマーク」上の結果だという点だ。原文には「The NVIDIA supply chain operations team worked with Palantir to specify what the model receives, what it may recommend, and how those recommendations are scored. That workflow became both the application and the allocation decision-intelligence benchmark.」とあり、評価に使うタスクの定義・採点方法自体をNVIDIAの社内チームがPalantirと共同で設計している。つまりこれは独立した第三者機関による検証ではなく、自社の業務に合わせて自社で作った物差しによる評価である。
さらに重要なのは、NVIDIA自身がこの結果の限界を明記している点だ。原文は「This doesn't mean the smaller model is more capable overall. Its gains are concentrated in the domain it was post-trained on. Future production risk forecasting remained difficult despite fine tuning. Specialization improved the decision task but failed to solve every prediction problem attached to it.」と述べている。小型モデルが全体として大型モデルより優れているわけではなく、精度の向上はpost-trainingを行った特定の業務領域に集中しているということだ。実際、ファインチューニングを行ってもなお、将来の生産リスク予測は難しいままだったとされている。
したがって「小型モデルが大型モデルに31.2ポイント勝った」という見出しだけを切り取って、専門特化モデル一般が大型モデルより優れていると一般化することはできない。あくまで「特定の業務の判断を大量の実例で学習させた場合、その業務に限っては専門モデルが強みを持ちうる」という、範囲の限定された結果として読むべきだろう。
日本の読者への示唆
ここからは一次情報を踏まえたAI TREND LABの考察であり、断定ではなく推測を含む点をあらかじめ断っておく。この事例のNVIDIA社内での実際の運用体制(人間の最終承認の有無など)や、日本企業での同種の取り組み状況は、今回の一次情報からは確認できない。
この事例が示唆するのは、モデルそのものの大小よりも「現場の暗黙知をどう記録し、学習データに変換するか」という設計の重要性だ。NVIDIAが行ったのは、判断・根拠・見込み・結果をセットで記録する仕組みを先に作り、そのデータが十分に蓄積してから専門モデルを学習させる、という順序だった。日本の会社員が自社の業務でAI活用を検討する場合も、いきなり大きなモデルを導入するより先に、ベテラン社員の判断がどのような情報に基づいているか、その判断結果がどうなったかを記録する仕組みを整える方が、後々の専門AI化の土台になる可能性がある。
また、個人開発や副業でAIエージェントを設計する場合にも、「大きな汎用モデルを使うか、小さく専門特化させるか」という判断軸として参考になる部分がある。ただし今回の結果は特定の業務・特定の評価基準における社内ベンチマークであり、他の業務やモデルにそのまま当てはまるとは限らない点には注意したい。
まとめ：明日から試せること
自社でAI活用の企画に携わっている読者であれば、今回の事例を参考に、自分の職場で「ベテランでないと判断できないタスク」を1つ思い浮かべ、その判断に使われている暗黙の情報源(メール、過去のやり取り、経験則など)を書き出してみることから始められる。その情報を判断・根拠・結果のセットで記録する仕組みがあるかどうかを確認するだけでも、将来的な専門AI活用の土台づくりの第一歩になるはずだ。詳細は、ぜひ一次情報にも直接あたってみてほしい。
出典
Nell Barber, Rana Haber, Aastha Jhunjhunwala「From Wafer-Out to First Token: Codifying Supply Chain Expertise with Nemotron and Palantir Foundry」(NVIDIA Technical Blog、2026年9月10日)
https://developer.nvidia.com/blog/from-wafer-out-to-first-token-codifying-supply-chain-expertise-with-nemotron-and-palantir-foundry/
おわりに
AI TREND LABでは、海外で発表される調査・レポート・公式発表を一次情報から丁寧に裏取りし、誇張や断定を避けながら、日本のビジネスパーソンが実務や副業にどう活かせるかという視点で翻訳・整理して届けている。
今後もAI TREND LABでは、海外の一次情報をもとに、AIの最新動向を正確かつ分かりやすく発信していく。
