AIで成功する企業は、まずデータレイヤーを構築しました

どの企業もAI主導になりたいと願っています。しかし、データレイヤーにおける地味な作業を進んで行う企業は少数です。先行する組織はまず強固なデータ基盤を構築し、信頼できるものの上にインテリジェンスを築き上げています。

Trinity Industriesは、北米最大の鉄道車両メーカー兼リース会社の一つであり、約85億ドル相当の141,000両以上のリース車両を管理しています。900種類以上の商品を輸送し、重工業と金融サービスの交差点で事業を展開しています。Trinityは、エンタープライズデータの95%を単一のレイクハウスアーキテクチャに移行し、Databricks上で統合されたデータおよびAIプラットフォームを運用しています。

Stephen EckerはTrinity Industriesの最高データ責任者であり、13年間勤務し、同社の分析機能を設立しました。彼はインターンからなるグループを、1億ドル以上の測定可能なビジネスインパクトをもたらす戦略的機能へとチームを育て上げました。

私たちの会話を通して、Stephenは一つの確信を繰り返し述べました。それは「データレイヤーこそが戦略である」ということです。モデルでも、エージェントでも、ダッシュボードでもありません。基盤なのです。

断片化のコスト

Aly McGue: 企業のリーダーは、インフラを完全に変革するコストと、近代化しないコストを比較検討することがよくあります。これにどのように取り組みましたか、そしてデータ断片化は最終的にどのくらいコストがかかりましたか？

Stephen Ecker: それは単なるITの問題ではありませんでした。私たちにとって戦略的な限界でした。ワークロードはAzureとAWSの間を行き来し、オンプレミスに戻っていました。デプロイするすべてのモデルには独自のサービング設定があり、何も標準化されていませんでした。オンプレミスのSQLウェアハウスでは、車両位置データに対して一晩中クエリを実行し、翌朝に戻ってきて間違いに気づき、次の夜に再度実行する必要がありました。一つの質問に答えるのに2日かかっていたのです。

しかし、より大きなコストは分析の無秩序な拡大でした。誰もデータにアクセスできなかったため、ダッシュボードから始めましたが、それらは非常に人気がありました。しかし時間が経つにつれて、3枚のシートだったダッシュボードが40枚のシートになり、それぞれに独自の変換が組み込まれていました。ビジネス全体で約600もの異なる測定値があることが判明しました。それらの多くは同じデータソースから始まっていましたが、独自のフィルター、独自の視点を持っていました。そして、知識のサイロ化もありました。あるアナリストが2日かけて作業をしても、6ヶ月後には別の誰かが同じ分析をゼロから始めることになります。ある時点では、私の最大の価値は、ここに13年間いて、誰が何をすでにやったかを知っていることだけだと感じていました。

「どの数字が正しいのか」という議論

Aly: 単一のデータレイヤーがないと、組織はしばしば「どの数字が正しいのか？」というジレンマに直面します。異なる部門からのデータが一致しないためです。この「単一の信頼できる情報源」の欠如は、リーダーシップが目にしているデータへの信頼にどのように影響しましたか？

Stephen: それは常に起こっていました。誰かが数字を持ってくると、専門家がコードを掘り下げて「いや、その数字には3年前に特定の人物が望んだフィルターが適用されている」と言うのに時間がかかりました。ダッシュボード内に注意書きや技術的な説明を入れようとしても、うまくいきませんでした。人々は脚注を読みません。彼らはただ数字を掴んでそれを使います。

これらのダッシュボードで月に11,000時間を費やしていました。そして、統合しようと試み続けましたが、より多くのダッシュボードスコープへの要求が止まらなかったため、実際には何も統合できていませんでした。そこで、移行中に厳しい決断を下しました。メダリオンアーキテクチャに移行し、すべての変換を上流に戻し、レガシーダッシュボードの廃止を開始しました。数十億ドル規模のビジネスであっても、600もの測定値を持つべきではありません。私たちはコアとなる測定値と、その上で人々が独自の分析を行うための道筋が必要でした。

統合によるAIの解放

Aly: プラットフォームを統合することで、以前は不可能だったより良い分析と高度なAIモデルの両方をどのように解放できましたか？

Stephen: 生成AIの側面は非常に大きいです。メールのような非構造化データが突然非常に重要になりました。統合がもたらしたもう一つのことは、オーバーヘッドなしでモデルにアクセスできることです。何かを試すたびに、OpenAIへの個別のAPI設定について議論したり、法的およびアーキテクチャレビューを経たりする必要がなくなりました。私たちはDatabricksが提供するすべての保護があり、単一の安全な傘の下で必要なモデルにアクセスできます。毎回調達プロセスなしで実験できるこの柔軟性は、私たちにとって非常に大きいです。

また、現在では、製造サプライチェーンの調達において10億ドル以上の規模でエージェントがやり取りしています。彼らはメールでベンダーに連絡を取り、発注プロセスにおける在庫状況を統合し、自動的にフォローアップしています。これにより、資材の納期遵守率が直ちに15%向上しました。1,000万ドルの運転資本改善が約100万ドルの最終利益につながると考えると、これはすぐに大きな額になります。

大規模なリアルタイムインテリジェンス

Aly: リアルタイムのインサイトが、貴社の業務に最も大きな戦略的影響を与えたのはどのような場面でしたか？また、その信頼性とインテリジェンスを提供するためのアーキテクチャ上の課題は何でしたか？

Stephen: 私たちのETA予測モデルです。それが最も技術的な課題です。北米の鉄道車両はAEIタグリーダーによって追跡されます。これは基本的に車両側面の反射板で、約10マイルごとにポストに信号を送ります。そのため、車両がダラスにあることはわかりますが、ダラスのどこにあるかはわかりません。GPSはより高い精度を提供しますが、データが乱雑です。業界データの約20%は誤って報告されています。GPSはドリフトします。

私たちは、最近の移動履歴を分析してGPSの読み取り値を正しい線路に合わせるリアルタイムクリーニングアルゴリズムとトラバーサル平滑化プロセスを構築する必要がありました。これらのストリーミングデータはすべて単一のアーキテクチャに統合され、変換された後、数秒以内にETAを更新するAIモデルに供給されます。私たちのモデルは現在、業界独自のETAよりも50%正確であり、私たちは機関車を制御していません。

アナリストのボトルネックが解消される。

Aly: リーダーシップにとって最大の障害の一つは、質問をしてからデータに基づいた回答を得るまでの時間差です。Databricks Genieの自然言語インターフェースは、貴社のチームが従来の「アナリスト待ち行列」を回避するのにどのように役立ちましたか？

Stephen: 実際にGenieを最初に採用したのは役員ではありませんでした。私の分析チームでした。彼らは繰り返し行われる運用作業、ステークホルダーからの質問への対応、そして分析に1日か2日を費やしていました。Genieルームを使い始めてからは、30分でより明確で簡潔な回答を得られるようになりました。それが私たちにとっての合図でした。

そこから広まっていきました。当社のCFOは現在、Genieルームで財務計画データに関する質問をしています。CaterpillarのCTOを務めていた当社のCEOも全面的に賛成しています。私たちは9つのドメインからデータを取得し、顧客の概要を統合する顧客360アプリケーションを構築しました。ダッシュボードを一度も触ったことのない営業担当者も、深く掘り下げることが非常に簡単なので利用しています。月に1,000件以上の質問があり、このアプローチを中心にBIレイヤー全体を再構築しています。

データの要求からデータとの対話へ

Aly: 非技術系のビジネスユーザーに会話型分析エクスペリエンスを提供することで、組織文化は「データの要求」から「データとの対話」へとどのように変化しますか？

Stephen: 好奇心です。それがまだ難しいことへの正直な答えです。誰もが簡単な成果を好みます。答えを得て、データセットを抽出し、ダッシュボードのナビゲーションをスキップできます。しかし、私たちは彼らにもっと深く掘り下げ、今やアナリストと同じくらい能力があることを認識し、より難しい質問を始めることを望んでいます。

何年も前に、リース車両の異なる店舗間のメンテナンスコストを比較する役員レベルの測定値を作成したことを覚えています。それには数週間かかりました。Genieルームで最初に行ったことの一つは、同じ分析を依頼することでした。それは5分で同じ答えにたどり着き、同じ方法論を使用し、さらにサンプルサイズが少ないものを異常としてフラグを立てるほど賢明でした。それは8年前には夢にも思わなかった複雑な分析です。今では3つのプロンプトで済みます。これは本当にすごいことです。

私たちは導入の面でも早くから始めるほど賢明でした。最初の数ヶ月でMicrosoft Copilotを導入したのは、それが一晩で全員をより効率的にすると考えたからではなく、人々にプロンプトを使わせる必要があったからです。LLMを検索エンジンではなく、人間として考えるようにさせる必要がありました。そうすることで、2年後には、まだ質問の仕方を教えているわけではないのです。プロンプトリテラシーへの早期投資が今、実を結んでいます。

この作業を始めるリーダーへのアドバイス

Aly: AIのために組織を将来にわたって対応させようとしているCレベルのリーダーに一つアドバイスをするとしたら、それは何ですか？

Stephen: 壊れた基盤の上にAIを構築してはいけません。データレイヤーこそが戦略です。

最新のモデルを使えば、POCをかなり迅速に立ち上げることができます。しかし、この全てにおいて勝者となるのは、最も強力な基盤を持ち、実際にデータレイヤーに投資した者です。魅力的なAIユースケースを追いかけたくなる誘惑があります。それに抵抗しなければなりません。地道な作業を行いましょう。私たちの移行は苦痛でした。1年近くかかり、その後さらに6〜8ヶ月かけて全てを強化しました。しかし、AIはその実行されるデータの質に依存します。独自のデータに基づいてAIを構築し、実際のワークフローを自動化し、自信を持ってスケールさせたいのであれば、基盤から始める必要があります。途中でいくつかの迅速な成果を得られないという意味ではありません。しかし、真にビジネスを加速させたいのであれば、それは基盤にあります。

まとめ

この会話で最も印象的なのは、StephenがAIのあらゆる成功を「まずデータレイヤーを修正する」という同じ決定に直接結びつけている点です。ETAモデル、調達エージェント、会話型分析への移行 — これらはいずれも、ほとんどの組織が避けようとする、Trinityの苦痛を伴う1年間の移行へのコミットメントなしには不可能でした。

エンタープライズAIをリードする企業は、最も派手なプロトタイプを持つ企業ではありません。彼らは構造的な作業を行い、実際に制御できるものの上にインテリジェンスを構築する意欲のある企業です。大陸を越えて物理的な商品を移動させる90年の歴史を持つこの企業にとって、その明瞭さは注目に値します。

AI能力を向上させるための実用的なロードマップの作成方法について詳しく知るには、Databricks AI Maturity Modelをダウンロードしてください。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事