【検証】AIは私のコーヒーの好みを当てられるか？LLMによる予測の試み

「LLM（大規模言語モデル）に自分のコーヒーの好みを予測させる」というユニークな投稿です。AIが個人のルーティンや好みをどこまで正確にシミュレートできるのか、技術の意外な活用法について触れています。

微積の入門コースでよく教わる「ニュートンの冷却の法則」っていうシンプルな微分方程式があるよね。基本的には、熱が失われる速度は物質と周囲の温度差に比例するっていうやつ。これが今回のケースでどうなるか気になるな。もちろん単純なモデルだし、Dynomightが指摘している変数をすべて考慮しているわけじゃないけど、もしシンプルなモデルでも複雑なモデルと同じくらい予測精度が高いんだとしたら...。DynomightのLLMが生成したモデルの詳細も見てみたいところだね！

「これって難しく見える？僕は難しいと思う。関連する物理現象には少なくとも...」 大抵のエンジニアリングの問題において、出発点は「普通は1つか2つの主要な要素が支配的で、残りは大して重要じゃない」って気づくことなんだよね。

これがうまく機能するのはそんなに意外じゃないな。この問題はかなりよく知られているし、いくつかの単純な熱方程式で結果が出る。それに関するトレーニングデータもネット上に溢れているしね。

...こうしてまた新たなベンチマークが誕生するわけだ。

お湯の温度が急激に下がるのは、室温のセラミックマグがお湯と平衡に近い状態まで加熱されるからだよ。真空断熱マグ（魔法瓶）を使えば、最初にお湯の温度が少しは下がるだろうけど、そこまで極端にはならないはず。

「これって難しく見える？僕は難しいと思う。関連する物理現象には少なくとも...」 個人的にはノーかな。これは複数の学術論文に載っていそうな内容だし、LLMなら予測テキストに基づいて答えを生成できると思う。

この問題は非常に複雑である一方で、モデル化はかなり簡単なんだ。エンジニアは100年以上これをやってるからね。著者が挙げたすべての冷却モードのうち、どれか1つが支配的になる。そしてそれはほぼ間違いなく時間に対して指数関数的な関係になるはずだ。そのモードが減衰して次の最速モードより遅くなれば、その新しいモードが支配的になる。そうなると、LLMがやるべきことは T = To exp(-Qt) のQに対して妥当な推定値を出すことだけ。学習セットにインターネットが含まれているなら、これをフィットさせるのは難しくない。プロット図よりも数式が見たかったけど、一番見たかったのは対数空間でのプロットだね。そこなら各冷却モードは直線になるから。ちなみに収集されたデータには、少なくとも2つの指数関数モードが含まれているように見えるね。（著者は熱容量の温度依存性を挙げていなかったけど、純水ならほぼ一定だしね）

関連した話だけど、エスプレッソの調整時にグラインダーの正しい設定を決めるのに役立つアプリを作ってるんだ。同じセットアップ（グラインダー、コーヒーマシン、バスケット等）で2回ショットを記録すると、機械学習（と、今も改善中の技術）を使って、マシンの温度や抽出量などからグラインダーの適切な設定を予測してくれる。 https://apps.apple.com/ph/app/grind-finer-app/id6760079211 今のところ予測は完璧には程遠いけど、これから数週間で大幅に改善するつもり。現時点でも、少なくともエスプレッソのログとしては普通に使えるよ。いくつか微調整すれば、無駄になるコーヒー豆をかなり節約できるはず！