データオントロジーの定義：AIエージェントに不足しているコンテキストレイヤー

同じ会社の5人に「売上」の定義を尋ねると、5通りの異なる答えが返ってくる可能性があります。それぞれの答えは独自の文脈においては正しく、互いに矛盾しています。人間のアナリストがその曖昧さと最終レポートの間に介在している限り、この曖昧さは管理可能でした。それは暗黙知であり、優秀なアナリストなら当然知っているようなことです。

AIエージェントはそれを知りません。そして、それこそが問題なのです。

Richard Tomlinsonは、スキーマには決して現れないエンタープライズデータのレイヤーについて、キャリアを通じて考えてきました。今回の対談では、そのレイヤーである「オントロジー」が、なぜ多くの企業がまだ構築していない最も重要なインフラピースとして突如浮上したのか、前世代の構築の試みがなぜ大半は頓挫してしまったのか、そしてエージェントがそれを頼りにし始めたときにオントロジーが機能し続けるために何が必要なのかを語ります。

なぜAIエージェントには、スキーマでは提供できないビジネスコンテキストが必要なのか？

AIエージェントが静かに覆しつつある、エンタープライズデータに関する前提とは何でしょうか？

Richard Tomlinson：何十年もの間、エンタープライズデータアーキテクチャは、「データを正しく整理すれば、知的なユーザーはその意味を理解できる」という暗黙の前提に基づいて運用されてきました。テーブル、スキーマ、カタログ、ダッシュボードが構造を提供する一方で、人間が欠けているコンテキスト（文脈）を補ってきました。アナリストは、5つある売上テーブルのうち財務部門がどれを信頼しているか、今期の「アクティブカスタマー」が何を意味するのか、あるいはなぜある計算方法を別の計算方法よりも優先して使用すべきなのかを知っています。

AIエージェントはその前提を覆します。データと意思決定の間に、知識のある人間が介在しない可能性があるからです。エージェントは自らその意味を見つけ出さなければなりません。エージェントにより多くのデータへのアクセス権を与えるだけでは、この問題は解決しません。エージェントが必要としているのは、これまで人間が頭の中に留めてきたビジネスコンテキスト（定義、関係性、計算方法、信頼できる情報源、専門知識、アクセス権限など）です。だからこそ、エンタープライズコンテキストは、データそのものと同じくらいAIアーキテクチャにとって重要になりつつあります。

データオントロジーとは何か、そしてスキーマとどう違うのか？

データオントロジーをどのように定義しますか？また、スキーマでは決して捉えられない何を捉えるのでしょうか？

Richard Tomlinson：スキーマはデータがどのように構造化されているかを記述します。一方、オントロジーは、そのデータがビジネスの文脈において何を意味するのかを記述します。テーブル、メトリクス、クエリなどの技術的アセットを、定義、関係性、計算方法、専門知識の情報源、およびそれらの概念をどのように解釈すべきかに関するルールといったビジネス概念に結びつけます。

スキーマはエージェントに対して、テーブルに net_rev、gross_rev、recog_rev が含まれていることを伝えるだけかもしれません。オントロジーは、その質問にどの売上の定義が適用されるのか、財務部門がどの情報源を信頼できるとみなしているのか、通常どのように計算が行われるのか、さらには質問した人物にアクセス権限があるのかどうかをエージェントが理解するのを助けます。スキーマがデータの地図であるなら、オントロジーは組織がそのデータをどのように理解し、活用しているかを示す地図に近いものです。

なぜセマンティックレイヤーやナレッジグラフはスケールするのに苦労したのか？

セマンティックレイヤーやエンタープライズナレッジグラフは、何年も前に「信頼できる唯一の情報源（One Version of the Truth）」を約束したものの、そのほとんどが使われずにお蔵入り（シェルフウェア）してしまいました。オントロジーが同じ運命をたどらないためには、何が必要でしょうか？

Richard Tomlinson：その前提を少し和らげたいと思います。セマンティックレイヤーやナレッジグラフは、特にビジネスに不可欠な概念において、真の価値を提供してきました。問題は、組織が企業全体をすべて手動でモデル化しようとするときに発生します。ビジネスの知識は変化が早すぎ、あまりにも多くの場所に分散しています。重要なロジックは、ダッシュボード、SQLクエリ、ノートブック、チケット、あるいは単にチームが繰り返し行う作業方法の中に存在するかもしれません。中央のチームだけでそのすべてを文書化し、最新の状態に保つことは不可能です。

よりスケーラブルなモデルは、「ヘッド（主要部分）をモデル化し、テール（ロングテール部分）を学習する」ことです。人間は、売上、コンプライアンスルール、主要なKPIなど、決して間違えてはならない少数の概念を明示的に定義し、管理すべきです。より広範なオントロジーは、組織の運営方法からロングテールを継続的に学習しつつ、権威に基づいて知識をランク付けし、ガバナンスを尊重する必要があります。オントロジーの維持が、それ自体で独立したエンタープライズデータモデリングプロジェクトになってしまうと、最終的には記述すべきビジネスのスピードに追いつけなくなります。

AIエージェントにビジネスコンテキストが欠けていると何が起きるのか？

エージェントが実際のビジネスコンテキストを欠いていたために、自信満々に間違った回答をした瞬間を説明していただけますか？なぜ、思わず信じてしまいそうになるほど説得力があったのでしょうか？

Richard Tomlinson：社内テストでの一例ですが、いくつかのAIシステムに、近く開催される製品アドバイザリーボード向けのブリーフィング資料の作成を依頼しました。あるアシスタントは、ほぼ即座に洗練されたレポートを作成し、24社の顧客が参加していると記載しました。そこには役員向けのブリーフィングに期待されるような詳細が含まれていたため、一見するとその回答は信頼できるように見えました。しかし、その「24」という数字がどこから来たのかを説明するようシステムに問い詰めたところ、でっち上げたものであることを認めました。

これこそが危険な失敗パターンです。回答は明らかに不条理なものではありません。流暢で、具体的であり、正当な情報と並べて提示されます。問題は、モデルがどの社内ソースに「グラウンドトゥルース（真実の基準）」があるかを知らないため、推論でそのギャップを埋めてしまうことです。エンタープライズAIにおいては、もっともらしい回答は、回答が全くないことよりも危険な場合があります。

組織にコンテキストレイヤーが欠けているかどうかをどうやって見分けるのか？

データリーダーが、自社にこの問題があるかどうかを知りたい場合、何に注目すべきでしょうか？コンテキストレイヤーが欠けていることを示す兆候はありますか？

Richard Tomlinson：最も明確な兆候は、単純なビジネス上の質問に対して、データから回答を得る前に、知識のある人がそれを「翻訳」する必要がどれほど頻繁に生じるかです。誰かが「前四半期の売上はどうだった？」と尋ねたとき、アナリストが即座に「どの売上ですか？」や「どのビジネスユニットですか？」と聞き返す場合、その翻訳ステップこそがビジネスコンテキストです。アナリストがどのダッシュボードを信頼すべきか、どのテーブルが非推奨（deprecated）になっているか、あるいはあるチームと別のチームでどのような定義の違いがあるかを知っている場合も同様です。

その他の兆候としては、ダッシュボードの重複、KPI定義の不一致、アナリストが同じ質問に繰り返し回答していること、異なるツールが異なる回答を返すためにビジネスユーザーがセルフサービスを信頼していないことなどが挙げられます。根本的な問題は、多くの場合、企業にデータが不足していることではありません。データを解釈するために必要な知識が、AIが確実に利用できるコンテキストレイヤーではなく、暗黙知、分断された成果物、個々の専門家の中に存在していることです。

ビジネスコンテキストの欠如は、現在企業にどのようなコストをもたらしているのか？

エージェントを大規模に展開する前であっても、これは現在企業にどのようなコストをもたらしているのでしょうか？意思決定の遅れ、アナリストの重複作業、ダッシュボードに対する信頼の低下でしょうか？

Richard Tomlinson：そのすべてです。組織はすでに「コンテキスト税」を支払っています。アナリストは、定義の再発見、信頼できる情報源の特定、矛盾するレポートの調整、組織の他の場所に存在するビジネスロジックの説明に時間を費やしています。異なるチームが、異なるBIツール内で同じセマンティクスを再作成しています。質問が複雑になるとセルフサービスが機能しなくなるため、ビジネスユーザーはアナリストの対応を待つことになります。

AIはこの既存の問題をより可視化します。コンテキストがないと、エージェントはスキーマの探索、ドキュメントの読み込み、クエリの試行、前提の再考など、同じ発見プロセスの多くを計算処理によって繰り返します。これにより、正しい回答が保証されないまま、追加のレイテンシ、トークン消費、およびコストが発生します。しかし、より大きなコストは「信頼」です。ダッシュボードやAIアシスタントが自信満々に間違った数値を出す可能性があるとユーザーが気づくと、彼らは再び人間に質問するようになります。

AIエージェントが単なるレポートだけでなく、信頼して行動を任せられるようになると何が変わるのか？

エージェントが単なるレポートだけでなく、信頼して行動を任せられるようになった瞬間、ビジネスにはどのような変化が訪れますか？

Richard Tomlinson：AIの価値が劇的に変わります。レポート作成は、誰かが答えを見つけるのに必要な時間を節約します。信頼できる行動は、ワークフローからステップ全体を排除することができます。エージェントは、最新の数値を計算し、週次ビジネスレビューを準備し、異常値を調査し、チケットを更新し、適切な担当者に連絡し、誰かが各ステップを手動で調整することなく、毎週月曜日にそのプロセスを繰り返すことができます。

これは専門知識の経済性も変えます。財務の専門家、プロダクトマネージャー、またはオペレーションリーダーは、重要な手法を一度エンコードすれば、それをより広いビジネスコンテキストを理解するエージェントと組み合わせることができます。これにより、彼らの専門知識は、その個人が直接サポートできるよりもはるかに多くの意思決定やワークフローに適用できるようになります。重要なキーワードは「信頼できる」ということです。自律性は、エージェントがビジネスを十分に理解し、適切な境界内で行動できるように厳密に管理されている場合にのみ有用になります。

データオントロジーの構築を始める正しい方法とは？

間違ったスタート方法（再び使われないツールを生み出す本能的なアプローチ）と、正しい最初の一歩の違いは何でしょうか？

Richard Tomlinson：間違った本能は、「AIを使用する前に、企業全体をモデル化する必要がある」という考え方です。これでは、ビジネスコンテキストが数年がかりの文書化プロジェクトになってしまいます。すべての用語、関係性、ルールがモデル化される頃には、モデルの大部分はすでに陳腐化しています。

より優れたアプローチは、すでに持っている知識から始めることです。重要なKPIやビジネス定義など、決して間違えてはならない少数の概念をガバナンスの対象とし、その後、チームがすでに作成しているダッシュボード、クエリ、ノートブック、ドキュメント、業務活動から、より広範なコンテキストレイヤーに学習させます。AIが役立つようになる前に、ビジネスのすべてをドキュメント化することを求める必要はありません。実際の利用状況を活用して、エージェントが取り込むビジネス理解を構築し、継続的に改善していきましょう。

データリーダーはAIエージェント向けにデータアーキテクチャをどのように再考すべきか？

構造だけでなく、コンテキストこそが投資に値するものとなった今、データリーダーはデータアーキテクチャについてどのように考え方を変えるべきでしょうか？

Richard Tomlinson：長年にわたり、データアーキテクチャはデータのアクセス性、信頼性、ガバナンスの確保に重点を置いてきました。これらは引き続き不可欠ですが、AIによって新たな要件が加わりました。それは、アーキテクチャがビジネスにおける意味へのアクセスも可能にしなければならないということです。エージェントは、データがどこにあるかだけでなく、組織がそれをどのように解釈しているか、どのような関係性が重要か、どの定義が信頼できるか、そしてそれらを裏付ける証拠は何かを知る必要があります。

つまり、これまで主にガバナンスや分析のインフラと見なされていたアセットが、戦略的なAIアセットになるということです。メトリクスの定義、ドキュメント、リネージ、認証、利用パターン、ビジネス用語集などが一体となって、企業がどのように機能しているかをAIに教えます。したがって、これからのアーキテクチャは、単なるデータプレーンとAIモデルの組み合わせにとどまりません。多くのエージェントやアプリケーションに同じビジネス理解を提供できる、共有コンテキストレイヤーも必要になります。

データオントロジーは実際にエージェントの精度を向上させるのでしょうか？

Richard Tomlinson：オントロジーそれ自体が、魔法のようにエージェントの精度を高めるわけではありません。精度を向上させるのは、エージェントが推論を行う時点で、適切で信頼できるコンテキストを提供することです。オントロジーがエージェントに対して、どの定義が適用されるか、信頼できるデータはどこにあるか、どの関係性や計算が重要かを伝えることができれば、エージェントが推測したり誤った経路を探索したりする時間を減らすことができます。

DatabricksのGenie OneおよびGenie Agentsの基盤となる自動コンテキストレイヤーであるGenie Ontologyで、その効果が実証されています。実際のエンタープライズデータ分析の質問28問を使用したDatabricksの社内ベンチマークでは、Genie with Ontologyが最初の試行で84.5%に正しく回答しました。同じ評価において、最も強力な汎用コーディングエージェントのスコアは52.4%でした。また、Genieはそのエージェントの約2倍の速度で動作しました。これは普遍的な精度を保証するものではなく社内ベンチマークですが、重要な原則を示しています。それは、優れたエンタープライズコンテキストは、単にモデルに推論の時間を与えることと同等か、それ以上に重要になり得るということです。

正式なオントロジーをゼロから構築する必要はありますか？

Richard Tomlinson：いいえ、それを求めると、解決しようとしているスケーラビリティの問題が再発してしまいます。ほとんどの企業は、すでに膨大なビジネス理解を構築しています。それは、メトリクスの定義、認定データ、ダッシュボード、クエリ、ノートブック、ドキュメント、そしてチームがそれらのアセットを繰り返し使用する方法の中に存在しています。

目指すべきは、最も重要な概念に対する人間のコントロールを維持しつつ、ロングテールの大部分を自動的に学習することです。Genie Ontologyを使用すると、重要なKPIやビジネス用語を明示的にモデリングする一方で、推論レイヤーが既存の作業から追加の定義、ルール、関係性、信頼できるソースを学習することを意味します。別のオントロジープロジェクトの完了を待つことなく、組織がすでに持っている知識から価値を引き出すことができます。

オントロジーに基づくAIエージェントにおいて、ガバナンスはどのような役割を果たしますか？

オントロジーに基づくエージェントに、ガバナンスはどのように組み込まれるのでしょうか？

Richard Tomlinson：ガバナンスには2つの役割があります。1つ目は明確で、アクセス権です。オントロジーが既存の権限を回避するバックドアになってはなりません。ユーザーがソース情報にアクセスできない場合、エージェントはその情報から派生したコンテキストを取得すべきではありません。Genie Ontologyでは、Unity Catalogを含む基盤となるソースのガバナンスを使用して、取得時に権限が適用されます。したがって、2人の従業員が同じ質問をしても、それぞれの閲覧権限に基づいて、適切に異なる回答を受け取ることができます。

2つ目の役割も同様に重要です。それは、ガバナンスがAIに何を信頼すべきかを理解させるのに役立つということです。認証、信頼できる定義、リネージ、利用状況、専門知識、ソースの出所などがシグナルとなり、公式の収益定義と、誰かが6か月前に作成した単発の計算とを区別するのに役立ちます。AIの時代において、ガバナンスはもはやデータの制御だけを目的とするものではありません。どのビジネス知識が信頼に値するかをAIに教える仕組みの一部になりつつあります。

なぜデータオントロジーがAIインフラになりつつあるのか？

かつて「オントロジー」という言葉は、セマンティックモデリングチームやタクソノミーの議論に属するものででした。それが急速にインフラに近いものへと変化しています。つまり、エージェントの回答が実際のビジネスの仕組みを反映しているのか、それともそれらしく見せかけた単なる推測にすぎないのかを決定するレイヤーです。コンテキストを、一度ドキュメント化して放置するものとしてではなく、ガバナンスの対象とし、継続的に学習すべきものとして扱う組織こそが、単に報告するだけでなく、信頼して行動を任せられるエージェントを構築できるでしょう。

Genieオントロジーが、お客様のビジネスの実際の意味に基づいてAIの回答をどのように方向付けるかをご覧ください。Genieを探索する。

次におすすめの記事：

• OfficeQAのご紹介：エンドツーエンドの根拠に基づく推論（Grounded Reasoning）のためのベンチマーク
• OfficeQA Pro V2のご紹介：エンタープライズ向けの根拠に基づく推論のための新しいベンチマーク
• Genie One製品ページ
• Genie Ontologyの概要

(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