遺伝システムの応用

概要

TimeCrowd AIでは、タスク提案（子タスク案・タスク名変更案・親タスク追加案）の生成に 遺伝的アルゴリズムの考え方を応用しています。ユーザーの承認・差し戻し・却下のフィードバックを 「自然選択」として活用し、提案の品質を世代を経るごとに向上させます。

基本フロー

各タスクに対してAIが複数の提案（個体群）を生成し、ユーザーが承認・差し戻し・却下で評価します。 差し戻しフィードバックは「変異の方向」として次世代の生成に反映されます。

GA的要素のマッピング

個体各提案（TaskProposal）

子タスク案・タスク名変更案・親タスク追加案の各提案が「個体」に相当します。 1つのタスクに対して複数の提案が同時に生成され、これが「個体群」を形成します。

適応度ユーザーフィードバック

• 承認（approve）— 適応度が最も高い個体。その形質が次世代に受け継がれる
• 差し戻し（send_back）— 方向性は正しいが改善が必要。フィードバック内容が変異ベクトルとなる
• 却下（reject）— 適応度ゼロ。その形質は淘汰される

変異差し戻しフィードバックによる再生成

差し戻し時のフィードバックテキストは蓄積され（send_back_feedbacks）、 次回の提案生成時にLLMへのプロンプトに含まれます。これにより、ユーザーの意図を反映した 「方向性のある変異」が実現されます。

エリート保存承認パターンの即座再利用

「これでOK」「このままで」といった承認表現が検出された場合、LLMを呼ばずに 同じ提案をそのまま再作成します。これはGAにおけるエリート保存戦略に相当し、 良い解が不要な変異で劣化するのを防ぎます。

適用領域と今後の展望

• タスク分解の最適化 — 大きなタスクを適切な粒度の子タスクに分解する精度を向上
• 命名規則の学習 — チームごとのタスク命名パターンをフィードバックから学習
• 優先度推定 — 承認されやすい提案パターンから暗黙の優先度基準を抽出
• クロスオーバー（将来） — 複数ユーザーの承認パターンを組み合わせ、チーム全体の好みを反映した提案生成

技術的な実装ポイント

• 差し戻しフィードバックは metadata["send_back_feedbacks"] にJSON配列として蓄積
• 承認パターン検出は正規表現（APPROVAL_PATTERNS）で判定
• 提案生成はバックグラウンドジョブ（GenerateTaskProposalsJob）で非同期実行
• 各提案タイプ（child_task / task_rename / parent_task）ごとに独立した世代管理