Skip to content

About

広聴AI (デジタル民主主義2030ブロードリスニング)

Resources

Contributing

Security policy

Stars

175 stars

Watchers

17 watching

Forks

Latest commit

 

History

2,689 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

広聴 AI / kouchou-ai

English | 日本語 | 한국어

Ask DeepWiki

デジタル民主主義 2030 プロジェクトにおいて、ブロードリスニングを実現するためのソフトウェア「広聴 AI」のリポジトリです。

このプロジェクトは、AI Objectives Institute が開発した Talk to the Cityを参考に、日本の自治体や政治家の実務に合わせた機能改善を進めています。

  • 機能例
    • 開発者以外でも扱いやすいような機能 (CSV Upload)
    • 濃いクラスタ抽出機能
    • パブリックコメント用分析機能(予定)
    • 多数派攻撃に対する防御機能(予定)

前提条件

  • 一般ユーザー向け:

    • 安定版リリースをダウンロード(Windows/Mac/Linuxの各ガイドを参照)
    • Docker(各ガイドに従ってインストール)
    • OpenAI API キー(ChatGPT Plus とは別に API の課金設定が必要です。APIの課金と429エラー を参照)
  • ライセンスと結果の公開:手元での分析、出力HTML、自作プラグインの扱い

  • 開発者向け:

    • docker
    • git
    • OpenAI API キー(ChatGPT Plus とは別に API の課金設定が必要です。APIの課金と429エラー を参照)

セットアップ・起動

前提

  • 広聴 AI は Web アプリとして構築されており、アプリケーションを立ち上げ、ブラウザを操作することでレポートの出力と閲覧ができます
  • 以下の手順は、ローカル環境で docker compose を使用してセットアップする際の手順となります
  • リモート環境でホスティングする場合は、個別のサービス(public-viewer, admin, api)について、適切に環境変数を設定した上でそれぞれホスティングしてください
    • サービスごとに設定する環境変数は.env.example に記載しています

おすすめクラスタ数設定

レポート作成時の意見グループ数(クラスタ数)の目安は以下の通りです:

  • コメント数の立方根(∛n)を四捨五入した値を一層目、その二乗を二層目の目安とすることをお勧めします。ただし、推奨値の計算では一層目は 2〜10 の範囲に収められます(CLI では、二層目も意見の数を超えないように抑えられます)
  • 例:
    • 125 件のコメント: 5→25(一層目 → 二層目)
    • 400 件のコメント: 7→49
    • 1000 件のコメント: 10→100
    • 8000 件のコメント: 10→100(∛8000 = 20 ですが、一層目は最大 10 に制限されます)
  • 管理画面で CSV ファイルや入力プラグインからデータを読み込むと、上記の計算で求めた値が初期値として入ります。CLI で hierarchical_clustering.cluster_nums を省略した場合は、抽出後の意見の数をもとに同じ計算で決まります。コメント数や目的に応じて調整することで、より良い分析結果が得られます

手順

  • 開発者でない方は以下のユーザーガイドを参照してください:

  • 開発者向け:

    • リポジトリをクローン
    • cp .env.example .env をコンソールで実行
      • コピー後に各環境変数を設定。各環境変数の意味は.env.example に記載。
    • docker compose up をコンソールで実行
      • ブラウザで http://localhost:3000 にアクセスすることでレポート一覧画面にアクセス可能
      • ブラウザで http://localhost:4000 にアクセスすることで管理画面にアクセス可能
      • 環境変数(.env)を編集した場合は、docker compose down を実行した後、 docker compose up --build を実行してアプリケーションを起動してください
        • 一部の環境変数は Docker イメージのビルド時に埋め込まれているため、環境変数を変更した場合はビルドの再実行が必要となります
      • すべてのモジュールを起動すると遅い場合は docker compose up --no-deps public-viewer api など適宜絞って起動できます

ローカル LLM の使用

GPU を搭載したマシンでローカル LLM を使用したい場合は、以下の手順に従ってください:

  1. .envファイルにWITH_GPU=trueを設定します
  2. 以下のコマンドを実行して Ollama を含めたサービスを起動します:
    docker compose --profile ollama up -d
  3. Ollama サービスが起動し、ホストからは .env の OLLAMA_HOST_PORT で指定したポート(既定は 11434)で利用可能になります。アプリからの接続先は引き続き ollama:11434 です
    • ホストですでに別の Ollama などが 11434 番を使っていると、failed to bind host port ... address already in use で起動しません。その場合は .env の OLLAMA_HOST_PORT を空いている番号(例: 11435)に変えてください。アプリはコンテナ間通信(ollama:11434)で接続するので、NEXT_PUBLIC_LOCAL_LLM_ADDRESS は変更不要です
  4. デフォルトでは gemma4:e4b モデルが自動的にダウンロードされます
    • gemma4 は思考型のモデルです。.env に LOCAL_LLM_REASONING_EFFORT=none を設定すると思考を止め、1 件あたりの時間が 3 分の 1 ほどになります
    • どのモデルを選ぶとよいかは ローカルLLMのモデル選び(品質の測定結果) を参照してください。2026-11 の測定では gemma-4-E4B がクラウドの既定モデルに劣らず、ELYZA-JP-8B はプロンプトの入出力例を出力に写すことがありました
  5. ダウンロードが完了したモデルはレポート生成時に選択して使用できます

前提条件:

  • Linux・Windows:

    • NVIDIA の GPU が搭載されていること
    • 適切な NVIDIA ドライバーがインストールされていること
    • NVIDIA Container Toolkit に相当するものがインストールされていること
      • Linux では nvidia-docker2 / NVIDIA Container Toolkit
      • Windows では Docker Desktop の GPU サポート設定
    • デフォルトのモデルデータのダウンロードとインストールに約 7GB 以上の空きディスク容量が必要
  • macOS:

    • Apple Silicon (M1/M2/M3)やほとんどの Intel Mac では、NVIDIA GPU の利用は基本的に対応していません

注意:

  • ローカル LLM の使用には十分な GPU メモリが必要です(8GB 以上推奨)
  • 初回起動時にはモデルのダウンロードに時間がかかる場合があります

Google Analytics の設定

  • Google Analytics 4(GA4)を使用して、ユーザーのアクセス解析を行うことができます
  • 設定手順:
    1. Google Analytics アカウントを作成し、データストリームを設定して測定 ID を取得します(G-XXXXXXXXXX の形式)
    2. .env ファイルに以下の環境変数を設定します:
      • NEXT_PUBLIC_GA_MEASUREMENT_ID: クライアントアプリ(ポート 3000)用の測定 ID
      • NEXT_PUBLIC_ADMIN_GA_MEASUREMENT_ID: 管理画面アプリ(ポート 4000)用の測定 ID
    3. 本番環境(ENVIRONMENT=production または NODE_ENV=production)でのみ Google Analytics が有効になります
      • 開発環境では自動的に無効化されるため、開発中のアクセスはカウントされません

アプリ起動後の、アプリの操作方法については広聴 AI の使い方を参照

メタデータファイルのセットアップ

レポート作成者に関する情報(ロゴ画像やリンクなど)をカスタマイズするには、以下の手順で設定してください。

  1. デフォルト環境について
  • デフォルト環境(apps/api/public/meta/default)では、画像やリンクは表示されません
  • これはテスト環境用の設定であり、本番環境では使用しないでください
  1. カスタマイズ方法
  • apps/api/public/meta/custom ディレクトリに以下のファイルを配置することで、レポート作成者情報をカスタマイズできます:
    • metadata.json: レポート作成者の基本情報
    • reporter.png: レポート作成者のロゴ画像
    • icon.png: レポートのアイコン画像
    • ogp.png: レポートの OGP 画像
  1. 表示の条件
    • 画像の表示:reporter.pngがcustomディレクトリに存在する場合のみ表示されます
    • リンクの表示:metadata.jsonの各リンク(webLink, privacyLink, termsLink)に値が設定されている場合のみ表示されます
    • 値が空の場合や、ファイルが存在しない場合は、該当する要素は表示されません

Azure 環境へのセットアップ

Azure 環境にセットアップする方法はAzure 環境へのセットアップ方法を参照

静的ファイル出力

レポートを閲覧する画面は、静的ファイルとしても出力できます。
出力したファイルを Web サーバーに配置することで、アプリを起動せずにレポートを閲覧することが可能です。

静的ファイルを生成する場合は、以下のコマンドを実行してください。

make client-build-static

out/ ディレクトリに静的ファイルが出力されますので、Web サーバーに配置してください。

静的エクスポートしたレポートをGithub Pagesにホスティングする手順はGitHub Pagesの静的ファイルホスティング手順を参照。

静的ホスティング環境で CSP を付与する場合は、静的ホスティング向け CSP 設定ガイドも参照してください。Plotly の scattergl には script-src 'unsafe-eval' が必要で、img-src に blob: が無いと PNG ダウンロードがブラウザにブロックされます。

アーキテクチャ概要

本システムは以下のサービスで構成されています。

api

  • ポート: 8000
  • 役割: バックエンド API サービス
  • 主要機能:
    • レポートデータの取得・管理
    • レポート生成パイプラインの実行
    • 管理用 API の提供
  • 技術スタック:
    • Python (FastAPI)
    • Docker

public-viewer

  • ポート: 3000
  • 役割: レポート表示用フロントエンド
  • 主要機能:
    • レポートの可視化
    • インタラクティブなデータ分析
    • ユーザーフレンドリーなインターフェース
  • 技術スタック:
    • Next.js
    • TypeScript
    • Docker

admin

  • ポート: 4000
  • 役割: 管理用フロントエンド
  • 主要機能:
    • レポートの作成・編集
    • パイプライン設定の管理
    • システム設定の管理
  • 技術スタック:
    • Next.js
    • TypeScript
    • Docker

utils/dummy-server

  • 役割: 開発用ダミー API
  • 用途: 開発環境での API モックとして使用

public-viewer の開発環境の構築手順

フロントエンドのアプリケーション(public-viewer と admin) を開発用のダミーサーバ (dummy-server) をバックエンドとして起動する手順です。

dummy-server は http://localhost:8002 で起動します。make client-dev は public-viewer と admin の接続先を dummy-server に向けて起動するので、.env の NEXT_PUBLIC_API_BASEPATH(.env-sample の既定値は Docker の API 向けの http://localhost:8000)を書き換える必要はありません。うまく表示されない場合は 管理画面で「レポートの取得に失敗しました」と表示される を参照してください。

1. public-viewer, admin, dummy-server の環境構築

make client-setup

2. 開発サーバーを起動

make client-dev -j 3

免責事項

広聴AIは、デジタル民主主義2030プロジェクトから生まれたオープンソースソフトウェアを、無保証で提供しています。ソフトウェアの提供元は、個々の稼働環境の運用や、生成されたレポートの内容について責任を負いません。

このレポートの内容・入力データ・問いの立て方は、レポートの発行者に帰属します。レポート内容に関する質問やご意見は、レポート発行責任者へお問い合わせください。稼働しているサービスの運用(可用性やデータの取り扱いなど)については、そのサービスの運営者が責任を負います。

大規模言語モデル(LLM)にはバイアスがあり、信頼性の低い結果を生成することが知られています。私たちはこれらの問題を軽減する方法に積極的に取り組んでいますが、現段階ではいかなる保証も提供することはできません。特に重要な決定を下す際は、本アプリの出力結果のみに依存せず、必ず内容を検証してください。

責任の所在(OSS 開発者/サービス運営者/レポート作成者の 3 レイヤー)の詳細は、ドキュメントの結果の信頼性・限界・責任の所在を参照してください。

注意事項

本アプリは開発の初期段階であり、今後開発を進めていく過程で前バージョンと互換性のない変更が行われる可能性があります。 アプリをアップデートする際には、重要なデータ(レポート)がある場合はアプリ・データのバックアップを保存した上でアップデートすることを推奨します。

開発者向けのガイドライン

広聴 AI は OSS として開発されており、開発者の方からのコントリビュートを募集しています。 コードを書かずに参加する方は、感想・質問・事例共有から始める案内をご覧ください。

詳しくは、コントリビューションガイドを参照ください。 また、本プロジェクトでは AI エンジニア「Devin」との協働開発を行っています。 現時点での Devin とのコラボレーションについては、模索中ですが Devin とのコラボレーションを参照してください。

機能要望・バグ報告について

  • github アカウントをお持ちの方は、Issue にバグ・改善要望を投稿してください
  • github アカウントをお持ちでない方は、以下の google form よりバグ・改善要望を投稿してください

クレジット

このプロジェクトは、AI Objectives Institute が開発した Talk to the Cityを参考に開発されており、ライセンスに基づいてソースコードを一部活用し、機能追加や改善を実施しています。ここに原作者の貢献に感謝の意を表します。

About

広聴AI (デジタル民主主義2030ブロードリスニング)

Resources

Contributing

Security policy

Stars

175 stars

Watchers

17 watching

Forks

Releases

Used by

Contributors

Languages