国防総省のAI嘘発見器計画、実証済みの精度より自動化を優先
国防総省のAI嘘発見器計画は、科学的基盤をめぐる深刻な論争が続く技術の近代化に、5年間で3,030万ドルを求めている。Polygraph+またはPolygraph Nextと呼ばれるこのプログラムは、非接触型の生理学的センシングと人工知能、機械学習、自動採点を組み合わせるものだ。
国防防諜・安全保障局（DCSA）は、2027会計年度に642万1,000ドルで取り組みを開始したい考えだ。予算要求では、実地試験、独立した検証研究、プロトタイプ評価、集中型データ保存、意思決定支援ツールについて説明している。
これは工学プログラムのように聞こえるが、最も難しい問題は工学ではない。センサーは生理的変化をより精密に測定できても、その変化が欺瞞を示すことを立証するわけではない。
したがって、Polygraph Nextをめぐる緊張は、通常の機器更新を超えるものだ。国防総省は、これらの評価が何を信頼性をもって推論できるかを解決する前に、信頼性評価の自動化と拡大を目指している。
歴史的な比較は重要だ。全米アカデミーズによる画期的なレビューは、従来型ポリグラフが一部の特定捜査では偶然より優れた性能を示す一方、完璧にはほど遠いと結論づけた。実際の安全保障上の脅威より無実の人が大幅に多くなり得る従業員スクリーニングについては、さらに厳しい結論に達している。
新システムは、より高い一貫性、速度、追跡可能性を約束する。しかし、公開されている予算文書には、精度目標、許容可能な偽陽性率、公表済みの検証プロトコル、または配備基準が示されていない。
この欠けている情報こそが、Polygraph Nextがより優れた研究機器になるのか、それとも疑わしい結論をより速く生み出す手段になるのかを左右する。
国防総省のAI嘘発見器プログラムが構築するもの
Polygraph Nextは資金を伴う研究提案であり、精度が実証された完成済みの検出器ではない。
国防総省のPolygraph Next予算は、このプロジェクトをDCSAの研究・開発・試験・評価ポートフォリオに位置付けている。文書の日付は2026年4月である。
提案されたスケジュールでは、2027会計年度に642万1,000ドルを計上している。その後の計画額は、2028年が644万9,000ドル、2029年が615万8,000ドル、2030年が566万ドル、2031年が565万4,000ドルとなっている。
これらの年間額を合わせると3,034万2,000ドルになる。文書では、完成までの費用とプログラム総費用を「継続中」と分類しており、5年間の要求額が最終的な上限を必ずしも表すわけではない。
研究予算表には、このプロジェクトに関する前年度の支出は記載されていない。そのため、2027会計年度がこの特定プログラムの開始予定時点となる。
DCSAは、Polygraph+とPolygraph Nextを同じ近代化の取り組みに対する別名として提示している。公表された目的は、連邦政府の信頼性評価における精度、信頼性、使いやすさ、追跡可能性の向上だ。
プログラムには複数の計画コンポーネントがある。1つは自動採点で、アルゴリズムが信号を評価し、判定の作成を支援する。もう1つはスタンドオフ・センシングで、従来のセンサーを対象者に直接装着せずに生理活動を測定することを意味する。
同局は集中型の保存・分析も提案している。このコンポーネントでは、評価、比較、将来のモデル開発の可能性に向けて検査データを集約する。
DCSAは、独立した検証研究、実地試験、プロトタイプ評価を実施するとしている。また、Applied Research Laboratory for Intelligence and SecurityとOak Ridge National Laboratoryを研究パートナーとして挙げている。
これらの詳細は開発への道筋を示しているが、最終的な運用モデルについてはほとんど明らかにしていない。文書は、配備されるシステムがどの生理学的信号を利用するかを説明していない。
また、AIがスコアを推奨するのか、検査を分類するのか、異常をフラグ付けするのか、あるいは人事判断に直接影響を与えるのかも明記していない。これらの役割には大きく異なるリスクが伴う。
ノイズの多いセンサーの特定を支援するアルゴリズムは、人を欺瞞的だと判定するアルゴリズムとは同等ではない。同様に、訓練を受けた検査官が確認する意思決定支援と、大部分が自動化されたスクリーニングシステムは異なる。
プログラムの当面の対象は、連邦職員の適格性審査と内部脅威の検知だ。これらの場面には、機密情報へのアクセスを必要とする可能性がある職員、応募者、軍人、請負業者が関わる。
この文脈では重大性が増す。誤った出力は、クリアランスを遅らせ、捜査の方向を変え、キャリアを損ない、無実の人への疑念を高める可能性がある。
この要求は、歳出承認と同じではない。提案された資金を利用可能にするかどうかは依然として議会が決定し、金額、条件、報告要件を変更する可能性がある。
現時点では、Polygraph Nextは政府の研究・調達計画として理解するのが最適だ。野心、提案予算、制度的パートナーはあるが、公開の場で実証された性能はない。
なぜ今、人事審査に圧力がかかっているのか
このプログラムは現実の運用上の負担に対応するものだが、提案された解決策は依然として科学的に決着していない。
DCSAは連邦政府の適格性審査システムで中心的な位置を占めている。同局は身元調査を実施し、政府の大部分における機密情報へのアクセス判断を支援している。
同局のNational Center for Credibility Assessmentは、訓練基準を設定し、国防・情報当局者にポリグラフ政策について助言している。同センターの信頼性評価ミッションには、技術支援、研究、試験、プログラム監督、監査も含まれる。
この制度的役割により、DCSAにはツールを近代化する明確な理由がある。従来の検査には、訓練を受けた人員、管理された条件、センサーの準備、面接、解釈が必要となる。
これらの要件は処理能力を制限する。また、検査官、場所、機器、試験条件の間で差異を生む可能性もある。
非接触センサーは、より簡素なセットアップを約束する。自動採点は、より一貫した分析を約束する。集中型データは、より強力な監査と追跡可能性を約束する。
各目標には運用上の価値がある。しかし、いずれも、システムが欺瞞と不安、恐怖、混乱、怒り、あるいは通常の生理的変動を正確に区別できることを立証するものではない。
より広範な適格性審査システムは、すでに老朽化した技術と遅延した近代化から圧力を受けている。DCSAは、旧システムを置き換え、政府全体の改革を支えるNational Background Investigation Servicesプラットフォームを開発している。
2026年の人事審査レビューでは、DCSAが毎年約200万件の身元調査を実施していることが判明した。また、同局が主要技術プログラムを完了するための信頼できるスケジュールを依然として欠いていることも明らかになった。
同じレビューは、継続的な適格性審査のアラートが2023会計年度の四半期あたり約3万件から、2025会計年度第3四半期には10万件超へ増加したと報告した。継続的な審査では、自動化された記録確認を利用して、レビューを要する事象を特定する。
この増加は中心的な課題を示している。自動化はより多くの情報を収集しフラグ付けできるが、システムが大量のアラートを生み出せば、作業も発生する。
Polygraph Nextは、この環境におけるもう1つの潜在的なフィルターとして登場する。信号品質を改善し、不整合な採点を減らせれば、捜査官が注意を向けるべき対象の絞り込みに役立つ可能性がある。
分類の調整が不適切なら、逆の結果をもたらしかねない。追加のアラートを生み、根拠の弱い疑念を強化し、人間の審査担当者の負担を増やす可能性がある。
したがって、圧力はDCSA、クリアランス申請者、そして有資格者を求める機関にかかる。DCSAにはより迅速なプロセスが必要であり、申請者には正確で説明可能な判断が必要だ。
雇用主にも予測可能なクリアランスのタイムラインが必要となる。国防請負業者は、政府が必要な審査を完了するまで、一部の従業員を機密業務に配置できない。
安全保障当局者は反対のリスクに直面している。性急に進めれば、諜報活動、無許可の情報開示、強要、その他の内部脅威に対して機関が脆弱になる可能性がある。
だからこそ、より高速な検出器は魅力的に見える。監視を弱めることなく効率を提供するように映るからだ。
しかし、速度が役立つのは、根底にある分類が信頼できる場合に限られる。曖昧な生理学的信号をより速く処理しても、自動的に安全性が高まるわけではない。
したがってPolygraph Nextは、2つの基準を満たす必要がある。運用上の摩擦を減らすこと、そして現実的な条件下でその出力が判断を改善することを実証することだ。
後者の基準はより難しい。異なる人、環境、質問形式、医学的状態、ストレス水準にわたる誤りについての証拠を必要とする。
その証拠がなければ、国防総省は処理能力を精度と取り違える危険がある。両者は置き換え可能な指標ではない。
推論の問題を解決せずにPolygraph NextがAIを使う方法
AIは生理学的信号の採点を標準化できるが、それらの信号を嘘だけを表すものにすることはできない。
従来のポリグラフは、呼吸、心血管活動、皮膚コンダクタンスなどの変化を記録する。検査官は質問間の反応を比較し、特定の差異が欺瞞を示唆するかどうかを解釈する。
Polygraph Nextは、このプロセスにAIと機械学習による採点を加えることを提案している。機械学習は事例から統計的パターンを特定し、それらのパターンを新しいデータに適用する。
このアプローチは、検査官ごとの差異の一部を減らせる可能性がある。アルゴリズムは、何千もの信号区間に同じ数学的ルールを適用できる。
また、人が容易に評価できるより多くの変数を組み合わせることもできる。タイミング、信号の形状、反応時間、センサー間の相関はいずれもスコアに影響し得る。
スタンドオフ・センシングは収集方法を変える。装着型の機器だけに頼るのではなく、システムは一部の生理学的測定を遠隔から取得する可能性がある。
予算は最終的なセンサーパッケージを特定していない。したがって、非接触型の生理学的モニタリングを超える具体的な説明は時期尚早だ。
それでも、このアーキテクチャは明確な推論の連鎖を生み出す。センサーはまず物理的反応を測定し、ソフトウェアはその反応から特徴量を抽出する。
次にモデルが、それらの特徴量をスコアまたは推奨へ変換する。最後に、検査官または当局者がその出力を安全保障の文脈で解釈する。
誤りはあらゆる段階で入り込む可能性がある。センサーがノイズを拾うこともあれば、モデルが信頼性の低い相関を学習することもあり、意思決定者が結果に過度の重みを与えることもある。
最大の困難は、測定された反応と、そこから主張される精神状態との間にある。覚醒の高まりは欺瞞に伴うことがあるが、信じてもらえないことへの恐怖にも伴い得る。
真実を述べている申請者が、疑惑に強く反応することもある。欺瞞的な人が平静を保ったり、記録されるパターンを変える対抗手段を使ったりする可能性もある。
全米アカデミーズのポリグラフに関する科学的レビューは、現代の機械学習が一般化する前にこの問題を検討した。その中心的な科学的警告は今なお当てはまる。
生理学的反応は、欺瞞だけに対応するものではない。つまり、分類器はより一貫性を高められても、より妥当になるとは限らない。
過去の検査結果で訓練されたモデルを考えてみよう。過去のラベルは、検査官の判断、供述、事件の結末、あるいは実験室での指示に由来する可能性がある。
各ラベルの情報源には弱点がある。検査官の判断は手法そのものの前提を再生産しかねず、供述は得られない、あるいは不完全な場合がある。
実験室での実験は、研究者が誰に嘘をつくよう指示したかを把握しているため、より明確なグラウンドトゥルースを提供する。ただし、シミュレーションされた嘘が、実際の適格性審査に伴う結果を伴うことはほとんどない。
モデルは近道も学習し得る。訓練データ内のラベルと、動作、話し方、健康状態、人口統計学的特性、あるいは検査環境を関連付ける可能性がある。
単一のデータセット内で高い性能を示しても、その懸念は解消されない。システムは、新たな対象者、新たな拠点、新たな検査官、そして現実的なベースレートでも機能しなければならない。
ベースレートとは、検査対象となる集団において、対象となる状態がどの程度一般的かを示すものだ。人事スクリーニングでは、重大な安全保障上の違反者はおそらくまれである。
その希少性により、偽陽性は特に重要になる。バランスの取れた実験で正確に見える検査でも、有病率の低い職場では多くの無実の人をフラグ付けする可能性がある。
AIによるスコアリング層も、その数学から逃れることはできない。むしろ自動化によって、同じ閾値をより大規模に適用できるため、キャリブレーションの重要性は増す。
説明可能性も別の課題となる。捜査官は、スコアが意味のある反応、低い信号品質、通常と異なる身体状態、あるいはモデルの限界のどれを反映しているのかを知る必要がある。
一般的な信頼度スコアでは、その答えは得られない。モデルの信頼度が高くても、自信を持って誤分類している場合はあり得る。
AIにとって最も擁護しやすい役割は、限定的で検証可能なものだろう。品質管理の改善、破損した測定値の検出、あるいは訓練を受けた検査官とのスコアリング一貫性の比較には役立つ可能性がある。
AI嘘発見器として売り出されるシステムは、はるかに広範な主張をしている。それは、観測可能な生理学的反応と欺瞞の間に信頼できる関連があることを示唆するが、研究者はそれを確立していない。
中心的なトレードオフは、一貫性と妥当性の間にある
Polygraph Nextは評価をより均一にできる一方で、実証されていない推論をより権威あるものに見せる可能性がある。
DCSAの最も強力な実務上の論拠は、標準化に関するものだ。連邦プログラムは、手続きが検査官や拠点をまたいで比較可能な記録を生み出す場合に恩恵を受ける。
自動スコアリングは、どの測定値が出力に影響したかを記録できる。集中管理システムは記録を保存し、後日の監査を支援できる。
こうした機能は、恣意的なばらつきを減らす可能性がある。また、従来のプロセスでは捉えられなかった一貫性のない実施パターンを明らかにすることもあり得る。
しかし、一貫性は正確性ではない。目盛りが誤った定規は、毎回同じ誤差を生み出せる。
この違いは重要だ。コンピューターが生成したスコアには、しばしば客観性の印象が伴う。科学的な意味がなお不確かな場合でも、当局者は数値結果に従うかもしれない。
「AI」というラベルは、その効果を増幅し得る。利用者は、システムが微妙な欺瞞シグナルを発見したと考えるかもしれないが、実際には訓練データに固有の相関を学習しただけかもしれない。
国防総省の公開文書によれば、このプロジェクトには独立した検証が含まれる予定だ。これは重要な約束だが、独立性には別チームを割り当てるだけでは不十分である。
評価者には、手法、データセット、誤差の定義、検査条件へのアクセスが必要だ。また、プログラムからの圧力を受けずに不利な結果を公表できなければならない。
検証では、特定事案に関する検査と広範なスクリーニングを分けるべきだ。両者は対象集団、質問、インセンティブ、統計的トレードオフが異なる。
National Academiesは、ポリグラフが一部の特定事案では偶然を上回る識別が可能だと結論付けた。一方で、スクリーニングに関する証拠はより弱いとし、従業員の安全保障判断をポリグラフに依存しないよう警告した。
この違いは、Polygraph Nextを当初から形作るべきである。単一の見出し用精度数値では、誤りが最も重大な意味を持つ用途を覆い隠してしまう。
システムには明確な意思決定の境界も必要だ。研究用スコアが、その限界を理解する前に、いつの間にか不利益な措置の根拠になってはならない。
連邦政策は歴史的に、ポリグラフの結果をより広範なプロセスの一部として扱ってきた。捜査官は検査を用いて面接の方向性を定めたり、追加の確認が必要な問題を特定したりできる。
自動出力が他の適格性審査システムへ直接流入すれば、Polygraph Nextはその境界を曖昧にする可能性がある。集中型分析は、スコアを持ち運び可能かつ永続的なものにできる。
可搬性は効率を高めるが、誤りの影響も大きくする。疑わしい結果が、申請者を審査、配属、あるいは機関をまたいで追い続ける可能性がある。
予算文書は、トレーサビリティを利点として挙げている。適切なトレーサビリティは、誰がスコアを利用したか、それが意思決定にどう影響したか、後の証拠がそれを裏付けたかを示すべきだ。
また、当局者が記録を訂正できるようにすべきである。そうでなければ、集中化されたデータは説明責任を保つよりも効果的に誤りを保存してしまう。
プライバシーもこのトレードオフの一部だ。生理学的データは、検査官が尋ねた質問を超える情報を明らかにし得る。
文書は、保存期間、アクセス規則、モデル訓練の許可、二次利用の制限を公には説明していない。大規模なデータセットが蓄積する前に、こうした方針は精査に値する。
サイバーセキュリティも重要である。信頼性評価を集約したリポジトリには、機微な個人情報と国家安全保障情報が含まれることになる。
DCSAはすでに、広範な身元調査データを含むシステムを管理している。生理学的記録とモデル出力を加えれば、その環境の機微性はさらに高まる。
政府は敵対的な行動も考慮しなければならない。強い動機を持つ対象者は検査手法を研究し、反応を操作しようと試みる可能性がある。
DCSAは、対抗措置を現行技術の問題として明確に挙げている。しかし、機械学習が自動的にそれらを打ち破るわけではない。
既知の対抗措置で訓練されたモデルは、見慣れたパターンを検出できるかもしれない。敵対者は、訓練分布の外にある手法を開発することで対応できる。
これは検出と回避の間に軍拡競争を生む。したがって、レジリエンス向上の主張は、協力的なボランティアだけでなく、適応的な参加者を相手に検証されなければならない。
プログラムの中核的なトレードオフは、いま明確だ。自動化はプロセスを高速化し、一貫性を高め、監査しやすくできる。
同時に、偽陽性を拡大し、不確かな前提を隠し、争いのある判断に数値的な外観を与え得る。この技術のガバナンスは、センサーやモデルと歩調を合わせて進化しなければならない。
独立検証が証明すべきこと
決定的な試験は、Polygraph Nextが実験室のパターンを認識するかではなく、無実の人を害することなく現実の意思決定を改善できるかどうかである。
国防総省は、まず意図する用途を定義すべきだ。品質保証のために構築されたモデルには、欺瞞判定を推奨するために使われるモデルとは異なる証拠が必要となる。
公開文書では、出力が助言的なものか決定的なものかを明示すべきだ。また、当局者が出力を覆せるかどうか、その覆しがどのように審査されるかも説明すべきである。
次にグラウンドトゥルースが問題となる。研究者には、どの参加者が欺瞞的で、どの参加者が真実を述べているかを知るための信頼できる手法が必要だ。
実験室での指示は既知のラベルを提供するが、現実性には限界がある。現場事案は現実性を提供する一方、確実なラベルを欠くことが多い。
本格的な検証プログラムは、その緊張関係を認めなければならない。異質なデータセットを一つの有利な指標に混ぜるのではなく、結果を分けて報告すべきである。
評価には、感度と特異度を含める必要がある。感度はシステムが対象事例をどの程度検出するかを測り、特異度は非対象事例をどの程度正しく除外するかを測る。
これらの値は、偽陽性率、偽陰性率、判定不能結果とともに示すべきだ。判定不能事例を除外すれば、性能は利用者が実際に経験するものより良く見える可能性がある。
結果は現実的な有病率の下でも報告すべきだ。一般的な適格性認定済みの労働力をスクリーニングすることは、焦点を絞った捜査で容疑者を評価することとは数学的に異なる。
欺瞞的な対象者と真実を述べる対象者を同数ずつ用いてモデルを検証したと仮定しよう。サンプルが人工的に均衡しているため、報告される精度は印象的に見えるかもしれない。
実際のスクリーニングでは、重大な欺瞞ははるかにまれかもしれない。その場合、控えめな偽陽性率であっても、有効な検出よりはるかに多くの無実のフラグを生み出し得る。
評価者は、異なる人口統計学的集団と健康状態を検証しなければならない。生理学的なベースラインは、年齢、服薬、障害、ストレス、睡眠、その他数多くの要因によって変わり得る。
目的は、同一の生理学を要求することではない。システムの誤りが集団間で不均等に生じるかを判断することである。
リモートセンシングには、照明、距離、動き、服装、皮膚特性、カメラ配置、環境干渉について別個の試験が必要だ。収集条件が変われば、モデルは失敗し得る。
拠点レベルの試験は不可欠である。一つの統制された実験室での結果だけで、全国展開を認可すべきではない。
プログラムは、敵対的な条件下で対抗措置も検証すべきだ。参加者には、システムを破ろうとする現実の試みにより近いインセンティブと準備が必要である。
人的要因も同等に注目すべきだ。ソフトウェアが確信度の高いスコアを示すと、検査官の警戒心が低下する可能性がある。
研究者はこれを自動化バイアス、すなわち矛盾する証拠がある場合でも機械の推奨を優先しがちな傾向と呼ぶ。訓練だけで常にこれを排除できるわけではない。
適切な研究では、アルゴリズム支援の有無で意思決定を比較すべきだ。この設計により、システムが人間のパフォーマンスを改善するのか、単に確信度を変えるだけなのかが分かる。
下流の結果も測定すべきである。有用なシステムは、捜査を改善し、不必要な追加調査を減らし、あるいは健全な適格性判断を支援しなければならない。
より迅速な検査は、それによって異議申し立て、再面接、人員配置の遅延、あるいは捜査の行き詰まりが増えるなら、成功を示すものではない。
透明な報告は信頼を強めるだろう。最低限、DCSAは検査プロトコル、対象集団の説明、評価指標、既知の限界、ガバナンス規則を公開すべきだ。
国家安全保障プログラムは、すべての運用上の詳細を公表できるわけではない。しかし、秘密性を理由に、人事判断に影響する技術の基本的な妥当性を独立専門家が評価できないようにしてはならない。
外部による再現は、最も強力な安全策となる。モデルは、開発に関与せず、調達に利害関係を持たない研究者による試験に耐えるべきだ。
この要件は、独自仕様のシステムにとって特に重要である。ベンダーはソースコードを保護しつつも、管理された第三者評価を支援できる。
政府は失敗の閾値も事前に定義すべきだ。そうしなければ、機関は結果が混在した後で都合よく解釈し、証拠が弱いにもかかわらず開発を継続できてしまう。
閾値では、特定の用途における最大偽陽性率を定めることができる。また、自動出力だけに基づく不利益な措置を禁止することも可能だ。
歴史的な記録は、この慎重さを正当化する。National Academiesは、従来手法をさらに改良しても、精度の改善はおそらく限定的にとどまると警告している。
Polygraph Nextは、公平な実証的試験を受けるに値する。しかし、新しいセンサーと機械学習が、根底にある科学的問題をすでに解決したという前提に値するわけではない。
Polygraph Nextの行方を示す3つのシグナル
予算文言、検証設計、調達範囲は、これが研究にとどまるのか、それとも実務上の判断へ移行するのかを明らかにする。
最初のシグナルは、議会の2027会計年度における対応である。議員は要求された642万1,000ドルを拠出することも、減額することも、拒否することも、報告条件を付すこともできる。
評価要件を伴わない全額資金提供は、DCSAにプログラムを内部で幅広く設計する余地を与える。独立したレビューに連動する資金提供であれば、科学的検証がより中心的な位置を占めることになる。
歳出措置の遅れも重要だ。試験スケジュールが圧縮されたり、マイルストーンが後の会計年度へずれ込んだりする可能性がある。
2つ目のシグナルは、検証プロトコルの公表である。読者は、明示された評価項目、現実的な対象集団、ベースレートの前提、そしてスクリーニングと個別調査を分けた結果に注目すべきだ。
主に実験室での分類に焦点を当てたプロトコルでは、広範な導入への信頼は弱まる。透明性のある誤差報告を伴う現場検証は、プログラムの妥当性を強めるだろう。
「精度」の定義は、とりわけ多くを物語る。判定不能な検査を除外した結果や、無関係なユースケースを一つにまとめた結果は、いずれも慎重な精査に値する。
3つ目のシグナルは、初期契約とプロトタイプの範囲だ。調達公告からは、DCSAが取得を望むセンサー、分析プラットフォーム、意思決定機能が見えてくる可能性がある。
計測研究に限定された契約であれば、プロジェクトは探索的な枠組みにとどまる。スコアを実務上の適格性審査に組み込むよう設計されたシステムであれば、ガバナンスをめぐる問題の緊急性が高まる。
契約文言は、データの所有権についても明確にし得る。政府には、モデルを監査し、評価記録を保存し、性能上の失敗を調査する権利が必要だ。
こうしたシグナルは、誰もがPolygraph Nextを実用段階のPentagon製AI嘘発見器として扱う前に現れるべきだ。現時点の記録が支持する結論は、より限定的なものにとどまる。
Pentagonは、遅く、ばらつきがあり、老朽化した評価手法に実際の問題があると認識している。そして、改善への道筋として最新のセンサーとアルゴリズムを提案している。
しかし、AIが生理活動から欺瞞を信頼性高く推定できることは示していない。その主張は、プログラム名に組み込むのではなく、検証されなければならない。
研究者、連邦職員、請負業者、市民的自由を擁護する人々は、機器の高度さではなく、求められる証拠の基準を注視すべきだ。より良い測定が意味を持つのは、それが妥当な結論を支える場合に限られる。
最初の資金提供判断が下されるにつれ、議論を導くべき問いは一つだ。Polygraph Nextは、AIが信頼性評価を改善するかどうかを検証するのか。それとも、その改善を前提にしてシステムを構築するのか。
