ハルシネーション検知
自社ブランドについて LLM に質問し、事実と異なる回答(ハルシネーション)が発生していないかを確認します。放置された誤認は、顧客との会話の中で再生産され続けます。
ディギディギは、ChatGPT・Claude・Gemini があなたのブランドをどう認識しているかを掘り起こす、LLM認知計測ツールです。ハルシネーションの検知から、競合との想起シェア比較まで。LLMO・GEO・AI検索対策の第一歩は、現在地の計測からはじまります。
LLMO(事前学習対策)の目的は、自社名や商品名が一般名称と結びついた状態でLLMに記憶されることです。
しかし多くのLLMO計測は、ユーザーが打ちそうな長い質問を用意し、回答に自社名が出たかを数えています。
LLMの入力と出力は、検索キーワードと検索結果のような一対一の関係ではありません。会話の文脈やユーザーメモリが毎回プロンプトに追加され、出力は確率的に変わります。用意した長い質問は、どのユーザーの入力とも一致せず、その結果は記憶の状態を示しません。
記憶を計測できるのは、文脈を持たない最小限の質問だけです。ディギディギは、このマイクロプロンプト分析を反復して、想起集合と意味集合の母集合を可視化します。
自社ブランドについて LLM に質問し、事実と異なる回答(ハルシネーション)が発生していないかを確認します。放置された誤認は、顧客との会話の中で再生産され続けます。
「この分野といえば?」を LLM に問い、想起される企業・ブランドを洗い出します。検索シェアとは別の、LLM の中の競合地図が見えます。
カテゴリ内で自社がどれだけ想起されるかをシェア(SOV)として数値化。競合との差を定点計測し、施策の効果を確認できます。
LLM の学習データに届きやすいメディアはどこか。学習許諾の状況やメディアの特性から、露出を狙うべき媒体を分析できます。「どこに載れば次のモデルに届くのか」に答えます。
プレスリリースや記事で新しく獲得した露出を診断。学習パイプラインを生き残れる記事か、自社と狙ったキーワードの結びつきが本文の中で成立しているかを検証し、刻めていない原因を特定します。
自社と、結びつけたいキーワードを1つの文の中に共起させる文章案を自動生成。文脈を指定するだけで、リリースや記事にそのまま使える具体的なセンテンスを、裏付け付きで複数案作成します。詳しく見る →
測定結果からカテゴリを判定し、LLMの学習に取り込まれる可能性の観点から、アプローチすべきメディアを提案します。
LLMが記憶で答えるかWEB検索に頼るかを実測し、組み立てられた検索クエリと参照記事まで確認できます。詳しく見る →
LLMがブランドを「何として」記憶しているかを、2層の連想語グラフ(星図)として意味集合を可視化します。詳しく見る →
LLM があなたのブランドを語れるかどうかは、学習データの中にどれだけ質の高い言及が存在したかで決まります。LLMO・GEO・AI検索対策と呼ばれる施策の多くは検索の側への働きかけであり、それだけではモデルの中の認知は変わりません。
変えられるのは、次のモデルが学ぶテキストです。
ディギディギは現在地を測り、打ち手の効果を確かめるための計測器です。
LLMO(LLM最適化)とは、ChatGPT・Claude・GeminiなどのLLMの事前学習において、自社が一般名称と紐づき想起集合に入るよう働きかけることです。AI検索対策は次のモデル更新までの時間稼ぎにすぎません。
サービスや製品の種類を表す名前です。LLMOでは、自社が想起されたい一般名称をまず定めます。一般名称が持つ意味の重み付き平均が、LLMの記憶のベクトル空間の中で座標を指し示します。詳しく見る →
一般名称の座標に近い、上位のラベル(ブランド名)の集合です。ここに入っているラベルだけが回答の候補になります。想起集合こそが競合であり、ここに入ることがLLMOの目的です。詳しく見る →
LLMの次語探索に利用されるワードの意味の集合です。ラベルの座標は名前ではなく、意味集合の重み付き平均で決まります。LLMOで実際に動かす対象です。詳しく見る →
ベクトル空間の中で、一般名称の座標に自社ラベルの座標を近づける。近づけば想起集合に入る。それがLLMOです。
ディギディギは、文脈を持たない最小限の質問で記憶の母集合を確かめるマイクロプロンプト分析で、この3つを計測します。