Foundryを構築する：AIは創造性を奪うのではなく、摩擦を取り除く

ゲームスタジオ、ポストプロダクションハウス、アニメーションパイプライン、デザインエージェンシーでは、「final_final_v7.png」「USE_THIS_ONE.mov」「new_character_export.psd」といったファイル名がほぼ普遍的に存在します。命名規則はさまざまですが、根底にある状況は同じです。クリエイティブな作業は整理できる速度よりも速く蓄積され、6ヶ月前に作成したものを探すのは、多くの場合、ゼロから作り直すよりも困難です。

この問題を解決するのに、より良い命名規則や別のデザインツールは必要ありません。これは検索の問題であり、ほとんどのクリエイティブツールはこれまで解決するよう設計されていません。

問題は創造性ではない

AIとクリエイティブワークに関する議論でよく聞かれるのは、AIが絵画、脚本、音楽などを生成できるかどうかです。しかし、より直接的で実用的な話ははるかにドラマチックではありません。

実際のゲーム制作パイプラインを考えてみてください。コンセプトアーティストは、一つの方向性が承認されるまでに何十ものキャラクタースケッチを制作します。却下された探索は「alt_directions_v2」のようなフォルダに保存され、3ヶ月もすれば、最終デザインのきっかけとなったバージョンを確実に見つけられる人はいません。そして、続編や拡張版では、その正確なカラーパレットと美的方向性が必要になります。「dark armour character concepts 2023」と検索しても何も見つからないため、既存のものを基にする代わりにゼロから始めることになります。

同じ問題は分野によって異なって現れます。映画編集者は特定のBロールを探す際、カード番号と撮影日でラベル付けされたビンの中をスクロールします。制作中にショットの説明を書く時間がなかったからです。アニメーターは特定の走りサイクルの参考資料を探すために、何層にもわたるフォルダを掘り返してから諦めます。グラフィックデザイナーは、再来訪のクライアント向けに以前のロゴ探索を探す際に、記憶を頼りに再構築します。音楽プロデューサーは2年前に使ったドラムのテクスチャを探すために、セッションを次々と開き、ステムを聴きまわし、見つけるか新たなもので妥協します。

過去の作業を検索すること、すでに行われたことを再設計すること、増え続けるメディアの海で整理整頓を試みること、これらすべてが本当に重要なクリエイティブワークから時間を奪います。

実際の時間の使われ方

ほとんどのクリエイティブワークフローでは、実際に何かを作る瞬間はプロジェクト全体の時間のごく一部です。プリプロダクションとポストプロダクションがプロダクション自体を圧倒します。調査、参考資料収集、アセット整理、バージョン管理、既存のものを常に見つけるプロセスが、本来作業に充てられるはずの時間を奪います。

アニメーション制作でよくあるシナリオを考えてみましょう。リギングチームは、以前のプロジェクトで特定のキャラクターの肩のトポロジーがどのように処理されたかを確認する必要があります。整理されたアセットライブラリはなく、プロジェクト名と日付で整理された共有ドライブがあるだけです。リグファイルはそのどこかにありますが、見つけるには正確な場所を知るか、知っている人に尋ねる必要があります。元のリグを構築した人が別のスタジオに移ってしまえば、その知識は消えてしまいます。

これはある程度ドキュメントの問題ですが、適切な命名と整理だけでは限界があります。作業は存在し、情報も存在します。しかし、効率的に検索できないことが、チームに時間、一貫性、時にはお金の損失をもたらします。既存の作業を無意識に再現してしまうからです。

従来の検索は問題を悪化させるだけで、解決にはなりません。キーワード検索では、ファイル名や説明に使われた言葉を推測する必要があります。多くの場合、それは他人が何ヶ月も前、あるいは何年も前に使った言葉です。「blue environmental concept」と検索しても、ファイル名が「ENV_ALTSTYLING_DARK_V4」なら何も見つかりません。

Weaviateはこの種の検索を処理するために設計されており、従来のメタデータとともにセマンティック表現を保存することで、クリエイティブアセットを意味と構造化フィルターの両方で検索できるようにします。

ワークフローレイヤーとしてのAI

クリエイティブ分野におけるAIの最も有用な側面は、新たな作品を生成することではなく、既存の作品をよりアクセスしやすくするインフラストラクチャレイヤーとして機能することです。

ここで、セマンティック検索と呼ばれる技術がクリエイティブワークフローに真に関連するものとなります。このインフラストラクチャレイヤーを構築するために、セマンティック検索を使用して、正確な用語やフレーズの一致ではなく、意味に基づいてドキュメントを整理・検索することができます。

これは、機械学習を使用して元のメディアをベクトル埋め込みに変換することで機能します。機械学習モデルは、テキスト、画像、オーディオファイルなどのコンテンツを処理し、そのコンテンツの意味や描写を表す長い数値リストに変換します。似た意味を持つもの（たとえ説明が大きく異なっていても）は、結果として得られる高次元ベクトル空間で互いに近い位置にある数値シーケンスを生成します。例えば、「dark forest with blue atmospheric haze」というクエリと、夕暮れ時の霧深い松林の画像は、クエリと画像に一致するテキストがなくても、この空間で互いに近くにクラスター化する埋め込みを生成します。

ベクトル検索は、特定のクエリに最も近い埋め込みを持つアイテムを見つけるプロセスです。この近接性により、キーワードではなく意味による検索が可能になります。

簡単な例

オープンワールドRPGを開発するゲームスタジオは、複数年にわたる制作期間中に数万ものコンセプト画像を蓄積するかもしれません。チーム構成は変わり、フォルダ構造は進化し、1年目に注意深く維持されていた命名規則は3年目にはかなり創造的になっています。

ローンチ近くにチームに加わったデザイナーは、既存の環境から視覚的に区別されるべき冷たい森林バイオームの参考資料を必要とします。「cold forest biome」と検索しても、キーワード検索では何も見つかりません。それらのファイルは、その特定のクエリが予想されなかったときに命名されたからです。セマンティック検索システムは、同じ自然言語の説明を与えられると、画像自体の視覚的埋め込み、インデックス作成中に自動生成された説明、またはその両方とマッチングできます。

検索が可能になる前に、コンテンツはセマンティック検索をサポートする方法で処理および保存される必要があります。これが取り込みステップです。パイプラインを通じてファイルを実行し、各アイテムの埋め込みを生成し、その埋め込みを元のコンテンツとメタデータとともに保存します。

セマンティック検索システムでも、メタデータは重要です。結果が正しいプロジェクトに属し、過去2年以内に作成され、正しいファイルタイプであることを確認するために、その情報を保持する必要があります。したがって、元のメディアと生成されたベクトル埋め込みに加えて、ファイルのメタデータも保存することが重要です。

ベクトルデータベースはこれらすべてを統合します。正確なルックアップ用に設計された従来のリレーショナルデータベースとは異なり、ベクトルデータベースは埋め込みを元のデータとメタデータとともに保存し、その内部アーキテクチャは高速なセマンティック検索に最適化されています。クエリを実行すると、データベースはそれを埋め込みに変換し、最も類似した埋め込みを持つアイテムを返します。その結果、入力されたものだけでなく、実際に探しているものを理解しているかのような検索が実現します。

これは始まりに過ぎない

ここで説明したことは、現在の技術を超えるものではありません。セマンティック検索とベクトルデータベースは、まさにこれらの理由から、エンタープライズ知識管理、法律文書検索、eコマース製品検索ですでに使用されています。同じ原則をクリエイティブアセット管理にも適用できます。

課題は取り込み層にあります。何をインデックスするか、異なるコンテンツタイプに対してどのように説明と埋め込みを生成するか、検索インターフェースを既存のツールやワークフローにどのように統合するか、といった点です。

次回予告

次の記事では、クリエイティブワークフローが実際にどこで崩壊するのか、そして従来のフォルダ構造、タグ付けシステム、キーワード検索がなぜクリエイティブチームの作業ペースに追いつけないのかを詳しく見ていきます。その後、Weaviateを使用したクリエイティブアセット向けの具体的な実装（動作するセマンティック検索システム）をステップバイステップで解説します。

構築を始める準備はできましたか？クイックスタートチュートリアルをチェックするか、無料のWeaviate Cloudアカウントにサインアップしてください。