レイクハウスから“デジタルマインド”へ：Databricks Agent Bricksで実現するマルチエージェントAIエコシステム

今日の企業では、データを活用するために、広大で統合されたデータレイクハウスを持つことが不可欠です。レイクハウスを活用することで、組織は受動的なリポジトリを、ニーズを予測し、専門知識を自動化し、より多くの情報に基づいた意思決定を促進する、動的でインテリジェントなエンジンへと変革できます。Edmundsでは、この優先事項が、Databricksデータインテリジェンスプラットフォーム上に直接、高度なマルチエージェントAIエコシステムを構築するという当社のイニシアチブ、Edmunds Mindの立ち上げにつながりました。

このアーキテクチャの進化は、自動車業界における転換期を原動力としています。3つの主要なトレンドが交わっています。

• 強力な推論エンジンとしての大規模言語モデル（LLM）の台頭
• 安全な基盤としての Databricks のようなプラットフォームのスケーラビリティとガバナンス
• 自動化をオーケストレーションするための堅牢なエージェント フレームワークの登場。これらの要因により、ほんの数年前には想像もできなかったようなシステムが実現可能になります。

この変革は、単にAIツールを1つ追加するということだけではなく、組織がAIネイティブとして機能するように、根本から再設計するということでもあります。このインテリジェントなコアを支える原則、コンポーネント、戦略については、以下のアーキテクチャ設計図で詳しく説明します。

Databricks は、GPT-4o、Claude、Llama のような複数のモデルを実行し、ニーズの進化に合わせてプロバイダーを切り替えながら、コストを抑制できる、安全で管理された基盤を提供してくれます。その柔軟性により、レビューのモデレーションを自動化し、コンテンツの品質をより迅速に向上させることができ、自動車の購入を検討しているユーザーは、信頼できるインサイトをより早く得ることができます。—Gregory Rokita、Edmunds テクノロジー担当バイスプレジデント

データリッチからインサイトドリブンへの転換

私たちのビジョンは、データ豊富な企業からインサイト主導の組織へと進化することです。私たちはAIを活用し、業界で最も信頼性が高く、パーソナライズされ、予測的な自動車購入体験を構築しています。

これは、4つの主要な戦略の柱によって実現されます。

• データを大規模に活用: 静的なダッシュボードから、データとの動的で対話的なインタラクションへ移行します。
• 専門知識の自動化: ドメインエキスパートが持つ非常に貴重なロジックをコード化し、再利用可能な自律型エージェントに組み込みます。
• 製品イノベーションの加速: インテリジェント エージェントのツールキットをチームに提供し、次世代機能の構築を支援します。
• 社内業務の最適化: 複雑な社内ワークフローを自動化することで、大幅な効率向上を推進します。

このビジョンの中心にあるのは、私たちの最も重要な競争上の優位性であるEdmunds Data Moatです。この強力な自動車データの基盤は、業界をリードする中古車在庫、最も包括的な専門家レビュー、クラス最高の価格インテリジェンスを主軸とし、広範な消費者レビューと新車リストによって補完されています。このエコシステム全体は、私たちのDatabricks環境内で統合・管理されており、単一の強力な資産を生み出しています。Edmunds Mindは、その潜在能力を最大限に引き出すために私たちが構築したエンジンです。

デジタルエージェントフレームワークの内部

Edmunds Mind のアーキテクチャは、複雑さ、学習、およびスケーラビリティに対応するように設計された階層的な認知システムであり、Databricks Platform をその基盤としています。

エージェントの階層: デジタルスペシャリストの組織

私たちは、効率的な組織を模倣したシステムを設計しました。階層構造を用いてタスクを分解し、委任します。これは、Databricks Agent Bricksのような最新のフレームワークにおけるオーケストレーターパターンと完全に一致します。

• スーパーバイザー エージェント: 戦略的リーダー。長期的な計画を実行し、依存関係を管理し、複雑なマルチステージ タスクをオーケストレーションします。
• マネージャーエージェント: チームのリーダーです。彼らは、明確に定義された特定の目標を達成するために、専門エージェントのチームを調整します。
• ワーカーエージェントと特化型エージェント: これらは専門知識を提供する、個々の実行役となるエージェントです。これらはシステムの主力であり、Knowledge Assistant、DataDave、さまざまなGeniesなど、ますます多くのスペシャリストが含まれています。

エージェント間の通信は標準化されたプロトコルによって管理されます。これにより、タスクの委任とデータの引き渡しが構造化および型付けされ、監査可能になります。これは、大規模な運用において信頼性を維持するために非常に重要です。

この階層は、グレースフルな障害処理ができるようにも設計されています。マネージャーエージェントが、スペシャリストのチームではタスクを解決できないと判断した場合、エピソード記憶に保存された失敗試行を含むタスクの全コンテキストを、スーパーバイザーにエスカレーションします。これにより、スーパーバイザーは別の戦略で再計画したり、あるいは重要な点として、これを新しい能力開発のために人間の介入を必要とする新規の問題としてフラグを立てることができます。これにより、システムは堅牢になり、その能力の限界を特定するのに役立つ学習ツールともなります。

詳細解説 1: 自動化されたデータエンリッチメントワークフロー

従来、車両詳細ページの色が間違っているなど、車両データの不正確さを解決するには、複数のチーム間での手動調整が必要な、手間のかかるプロセスでした。現在では、Edmunds Mind AIエコシステムがこれらの課題をほぼリアルタイムで自動化し、解決します。この運用効率は、一元化されたモデルサービングによって実現されています。これにより、当社の多様なAIエージェントの機能が、需要に応じてオートスケールする単一の統合環境に集約されます。このアーキテクチャは、チームを運用上のオーバーヘッドから解放し、ユーザーへの迅速な価値提供に集中できるようにします。

解決プロセスは、管理されたマルチエージェントワークフローを通して実行されます。ユーザーまたは自動モニターがデータ不一致の可能性を指摘すると、スーパーバイザーエージェントが直ちにイベントをトリアージします。このエージェントは問題を評価し、適切な専門チームにルーティングし、堅牢なデータガバナンスのためにUnity Catalogを通じてタスクの権限を検証します。次に、専用のマネージャーエージェントが、特化型ワーカーエージェントのシーケンスをオーケストレーションし、VINのデコードや画像の取得から、AIを活用した色の分析、最終的なデータベースの更新に至るまでの一連のタスクを実行させます。人間のデータスチュワードは、重要なレビューにおいて不可欠な役割を担い続けますが、その焦点は手動での介入から、価値の高い承認ステージへと移行します。すべてのインタラクションと意思決定は体系的に記録され、継続的な学習と将来のプロセス最適化のための包括的な基盤を構築します。

この例は、エコシステム全体が現実世界のデータ品質とエンリッチメントのタスクをエンドツーエンドでどのように処理するかを示しています。

• イベントトリガー: ユーザーからの苦情または自動化されたモニターが、車両詳細ページ上の潜在的なデータ品質の問題（例: 車両の色が正しくない）をフラグ付けします。
• トリアージとオーケストレーション: スーパーバイザーエージェントがイベントを取り込み、追跡可能なタスクを作成し、事前に定義されたビジネスルールに基づいてその優先度を評価します。
• マネージャーへの委任: スーパーバイザーは、Unity Catalogの車両データにアクセスおよび変更する権限を確認した後、タスクを車両データマネージャーエージェントに委任します。
• 連携したタスク実行: マネージャーエージェントは、問題を解決するために一連の専門ワーカーエージェントをオーケストレーションします。これには、VINデコードエージェント、メディアライブラリから写真を取得する画像検索エージェント、画像から正しい色を判断するAI搭載の色分析エージェント、そして車両ビルドデータベースを更新するデータ修正エージェントが含まれます。
• ヒューマンインザループ レビュー: 変更が公開される前に、Manager Agent が自動化された変更にフラグを立て、最終検証のために Slack 連携を介して人間のデータ スチュワードに通知します。
• 学習と完了: スチュワードがタスクを承認すると、スーパーバイザーはタスクを完了としてマークします。最終的な人間による承認を含むインタラクション全体が追跡され、将来の学習と監査のために長期記憶に記録されます。

詳細解説 2: ナレッジ アシスタント: リアルタイムの回答、信頼できるブランド ボイス

かつて顧客は、複数の Edmunds ダッシュボードを操作したり、Edmunds のサポートに問い合わせて回答を得たりしていましたが、現在では Knowledge Assistant が Edmunds のあらゆるデータを活用して、即座に対話形式で応答します。この RAG エージェントは Edmunds のブランド ボイスに合わせて調整されており、専門家と消費者のレビュー、車両スペック、メディア、リアルタイム価格設定からのインサイトを織り交ぜています。その結果、顧客はより迅速で満足度の高いやり取りを体験でき、サポート スタッフは基本的な問い合わせに対応する時間を削減できます。

主な機能：

• ブランドボイスの具現化: エージェントは、Edmundsのお客様が何十年にもわたって親しんできた、生き生きとして、役に立ち、信頼できる声でコミュニケーションが取れるよう、細心の注意を払って調整されています。
• リアルタイムのデータ統合: アシスタントは1つのクエリで、専門家や消費者のレビュー、車両仕様、文字起こしされた動画コンテンツ、最新の価格やインセンティブなど、当社のさまざまなリアルタイムデータソースから情報を取得、統合し、提示することができます。
• 高度なRAG機能: 私たちは、RAG実装の限界を押し広げるため、Databricksと協力してVector Searchを積極的に活用しています。コンテンツの鮮度の優先順位付けと、高度なメタデータフィルタリングを強化することで、最も関連性が高くタイムリーな情報を常に最優先で表示します。

詳細解説3: DataDaveの"生成と批評"ワークフロー

DataDaveは現在、以前は時間のかかる手作業に依存していた複雑な分析に対応しています。このエージェントは厳密なワークフローをオーケストレーションし、各ステージが専門エージェントによって批評されることで、最も困難なクエリに対して95%の精度を実現します。DataDaveは、ウェブサイトのトラフィックと人口統計データを統合することで、（Edmundsの営業チームのために、サービスの行き届いていないディーラーにフラグを立てるなど）機会を積極的に特定できます。これによりEdmundsの経営陣は、「何が起こったか」を報告する段階から、「次に何をすべきか」を意思決定する段階へと、自信を持って移行できるようになります。

社内ワークフローは、トリアージ、プランニング、コード生成、実行、統合の 5 段階のプロセスであり、各フェーズの出力は専用のクリティーク エージェントが検証します。DataDaveの真の力は、単に内部メトリクスを分析するだけでなく、当社独自のデータと一般的な世界の知識を統合し、戦略的な推奨事項を生成する能力にあります。例えば、Edmundsのウェブサイトのトラフィックデータと地理的・人口統計学的データを相関させることで、DataDaveはサービスが不十分な地域のディーラーを特定し、当社の営業チームに「手に入れやすい成果」として積極的に推奨することができます。

詳細解説4: 価格設定の専門化

Edmunds では、ある基本原則に基づいて事業を運営しています。それは、価格は単なる数字ではなく、信頼されるためには背景と正当な理由が必要な結論であるということです。米国市場で最も正確な価格設定という当社の評判を活用し、当社のエージェントアーキテクチャは、この信頼を大規模に提供するために設計されています。

モノリシックな「価格設定エキスパート」を、連携する専門家チームへと進化させた私たちの経験が、この原則を実証しています。このチームは、マネージャーエージェントによって統率され、True Market Valueエージェント、減価償却エージェント、取引評価エージェントなどの専門家を含み、単なる表示価格以上のものを生み出します。最終的な出力は、車両が特定の方法で評価される理由を説明する、包括的で文脈に沿った価格設定ストーリーです。

これにより、当社の価格アナリストの役割は、手動でのデータ集約から、戦略的な監督とガイダンスへと変革されます。Databricks Agent Bricks を活用することで、当社の価格統計担当者は、限られたコーディングでこれらの階層型エージェント チームを構成でき、生産性を劇的に向上させ、メンテナンスのオーバーヘッドを削減できます。これにより、彼らは本当に重要なこと、つまり数字の背後にある『なぜ』に集中できるようになります。

認知コア: 知能を複利的に増大させるためのアーキテクチャ

真にインテリジェントなAIエコシステムへの私たちの道のりは、実用的な課題から始まりました。ビジネス分析のためにDataDaveのような専門エージェントを導入する中で、私たちは、それらが重要かつ時間に敏感なビジネスの真実を明らかにしているにもかかわらず、その情報が運用コンテキスト内でサイロ化されたままであることを発見しました。例えば、エージェントが主要なマーケティングチャネルで異常な下降トレンドを検出したとしても、連携した対応を引き起こすためには、この重要なインサイトを他のエンティティ（エージェントと人間の両方）に効果的に伝える必要があります。このことから、創発的に得られた知見を捉え、エージェントシステム全体への入力として利用可能にする共有メモリシステムという、根本的なニーズが浮き彫りになりました。私たちは、この知識が蓄積、成長、活用され、エコシステム全体が段階的により賢くなるような認知レイヤーを構想しました。その結果、私たちの最新の考えと設計は次の通りです。

• エピソード記憶（「何が起こったか」）: システムのグラウンドトゥルース（正解データ）として機能する、すべてのエージェントの行動と観察に関する忠実度の高いログ。
• セマンティックメモリ（"学習したこと"）: エピソード的なイベントから統合された、一般化されたインサイトと成功した戦略を含むベクトルインデックス。これが実用的な知識のライブラリとなります。
• 自動化されたメモリの統合: バックグラウンドで動作する"Reflector"エージェントが、定期的にエピソードメモリをレビューして主要な学習内容を特定し、セマンティックメモリに統合します。
• 階層的メモリアクセス: 上位のエージェントは部下のエージェントのメモリにアクセスできるため、マネージャーエージェントはチームのパフォーマンスを分析し、将来の戦略を最適化できます。このフィードバック ループは、当社のシステムの反脆弱性の中核をなすものです。階層によってエスカレーションされるあらゆる新たな失敗は、解決すべき単なる問題ではなく、エコシステム全体をトレーニングするシグナルとなり、システムを徐々によりインテリジェントでレジリエントなものにしていきます。

実装: mem0 + Databricks

私たちの実装は、Delta Sync Indexを使用するDatabricks Vector Searchを利用します。これはmem0インターフェースと完全な互換性があります。mem0がベクトルデータベースと相互作用することを考慮し、私たちはエピソード記憶とセマンティック記憶の両方を単一の強力なバックエンドに格納することで、革新を目指します。未要約の生のイベント（『何が起こったか』）と統合された学習内容（『何を学習したか』）は、同じソースの Delta テーブル内に個別のベクトルタイプとして共存し、そこから Vector Search インデックスにシームレスかつ自動的にデータが入力されます。

この統一されたアーキテクチャは、効率的なワークフローを生み出します。Reflectorエージェントは、インデックスに最近のエピソードエントリを問い合わせ、統合を行い、新しい一般化されたセマンティックベクトルをソースのDeltaテーブルに書き戻すことができます。するとDelta Sync Indexは、これらの新しい学習内容を自動的に取り込み、クエリで利用できるようにします。ソースのDeltaテーブルを単一のエントリポイントとして活用することで、データパイプラインの複雑さを排除し、真にインテリジェントなエージェントシステムに必要な、スケーラブルでサーバーレス、かつ低遅延の基盤を得ることができます。

Edmunds Pulse を使用したワークフローの例

1. ログ: DataDave エージェントが売上の異常を検出し、mem0 API 経由でそのイベントをエピソード記憶に記録します。このアクションにより、ソースの Delta テーブルに新しいベクトル エントリが書き込まれます。
2. 統合: Reflectorエージェントがこのイベントを処理し、一般化されたインサイト（例: "製品Xの売上は週末に落ち込む"）を生成し、それをベクトル埋め込みに変換します。
3. インデックス化: 新しいインサイトはソースのDeltaテーブルに書き戻されますが、統合された学習としてフラグが立てられます。Databricks Vector Searchがこの新しいエントリを自動的に同期し、セマンティックメモリにインデックス化します。
4. 提供: 最後に、優先度の高いインテリジェンスがないかセマンティックメモリを常時監視している、専用のEdmunds Pulseエージェントが、統合された知見を人間のステークホルダーに積極的に届けます。よりアンビエントで意識的なAIアシスタントの提供を目指すChatGPT Pulseのリリースと同様に、私たちのEdmunds Pulseはビジネスの生きた「鼓動」として機能し、重要なインサイトが単に保存されるだけでなく、タイムリーでインテリジェントな行動を促進するために積極的に伝達されることを保証します。

データとナレッジのレイヤー: 統制された信頼できる情報基盤

AIエージェントはデータの品質に依存します。Edmundsのデータレイヤーは、一貫性、ガバナンス、柔軟性を目的に構築されており、Unity Catalogを礎として、すべての情報が正確かつ適切に管理されることを保証します。

詳細解説5：GraphQLのデータアクセスと対話パターン

Edmunds モデル コンテキスト プロトコル (MCP) フレームワークは、車両の仕様、レビュー、在庫、および New Relic のようなシステムからの運用メトリクスなど、すべてのコアデータソースからのリアルタイムのコンテキストに AI エージェントを安全に接続します。これは、統合された GraphQL API ゲートウェイを通じて実現されます。これにより、基盤となる複雑さが抽象化され、強力な型付けを持つ自己文書化スキーマが提供されます。

エージェントやエンジニアが、断片化されたデータ、不一致なスキーマ、時間のかかるトラブルシューティングに苦労する代わりに、このシステムでは現在、それぞれが異なるユースケースに合わせて調整された3つの主要な対話パターンをサポートしています。

• 動的スキーマイントロスペクション: エージェントは、GraphQLスキーマ自体をイントロスペクションすることで、新規または未知のクエリを動的に探索できます。お客様が「最近の安全リコールは車の価値に影響しますか」といったユニークな質問をすると、エージェントはその場で新しいデータ型を発見し、関連する回答を取得するための正確なクエリを作成できます。この柔軟性により、組織は手動でのAPI変更を必要とせずに、新しいビジネス要件に迅速に適応できます。
• 詳細にマッピングされたツール: 定型的な操作のために、各エージェントツールは特定のGraphQLクエリまたはミューテーションに直接マッピングされています。例えば、車両の色を更新するには、VINと新しい色を抽出するだけで、エージェントがミューテーションを処理してくれます。このアプローチは信頼性を高め、手動介入を減らし、日々のチームのタスクを効率化します。
• 永続クエリ: リアルタイムの在庫ダッシュボードなど、トラフィックが多くパフォーマンスが重要な機能では、最大限の効率化のために事前登録されたクエリを活用します。エージェントは軽量なハッシュと変数を送信し、システムは帯域幅を削減しセキュリティを強化しながら、即座に結果を返します。

Edmundsは、単一の堅牢なAPIレイヤーを通じてすべてのビジネスデータへの構造化されたアクセスをAIエージェントに提供することで、製品およびサポート機能全体でデータ操作の速度、柔軟性、信頼性を劇的に向上させました。以前はカスタム開発やチーム間のデバッグを必要としたタスクが、今ではリアルタイムで処理されるようになり、顧客と社内チームはより豊かなインサイトと、よりアジャイルな対応の恩恵を受けることができます。

ディープダイブ 6: セマンティックレイヤーとナレッジレイヤー

この重要なレイヤーは、生データとエージェントの理解との間の架け橋として機能します。これにより、基礎となるデータストアの複雑さが抽象化されます。これによりデータにビジネス コンテキストが付与され、エージェントは Edmunds ユニバースについての一貫性、統制、分かりやすさを備えたビューに基づいて確実に動作するようになります。

• Unity Catalog: ガバナンスのバックボーン: 私たちのデータエコシステムの中心で、Unity CatalogはすべてのデータおよびAI資産に対して、一元化されたガバナンス、セキュリティ、リネージを提供します。これにより、エージェントがアクセスするすべてのデータがきめ細かいアクセス制御の対象となり、その行程が完全に監査可能であることが保証され、安全でコンプライアンスに準拠したAIプラットフォームのための譲れない基盤を形成します。
• 製品セマンティックレイヤー: リアルタイムのビジネスコンテキスト: このレイヤーは、エージェントに当社のコア製品エンティティ（例: 車両、ディーラー、レビュー）のリアルタイムなオブジェクト指向ビューを提供します。重要なことに、これはEdmundsのウェブサイトを動かしているのと同じGraphQLスキーマから直接供給されています。これにより、絶対的な一貫성이 보장됩니다. 에이전트가 "차량"에 대해 언급할 때 웹사이트에서 소비자가 보는 것과 동일한 데이터 모델 및 비즈니스 로직을 참조하므로 외부 제품과 내부 AI 간의 데이터 드리프트 위험이 완전히 제거됩니다.
• 分析セマンティックレイヤー: KPIの信頼できる唯一の情報源: このレイヤーは、すべての業績評価指標について、一貫性のある信頼できるビューを提供します。これは、私たちがキュレーションしたDelta Metric Viewsから直接供給されており、すべての経営層向けおよび運用ダッシュボードに供給されるのと同じソースです。この連携により、DataDaveや他のエージェントがビジネスKPI（セッショントラフィック、リード、査定率など）を報告する際に、既存のビジネスインテリジェンスツールと同一の定義とデータソースを使用することが保証され、組織全体で信頼できる唯一の情報源が確保されます。
• Databricks Vector Search - RAGのエンジン: このコンポーネントは、私たちの非構造化データおよび半構造化データのための高性能な検索エンジンです。レビュー、記事、文字起こしされたコンテンツの膨大なコーパスをベクトル埋め込みに変換することで、Knowledge Assistantのようなエージェントは、検索拡張生成（RAG）パターンにおいて、超高速のセマンティック検索を実行し、ユーザーのクエリに答えるための最も関連性の高いコンテキストを取得できます。

コストセンターからバリューエンジンへ: AIのROIを測定する

先見性のあるアーキテクチャも、その実行が伴って初めて価値を持ちます。私たちのアプローチは、段階的なロードマップと、AIエコシステムを価値を生み出すコアエンジンとして扱うという強いコミットメントに基づいています。私たちは、可観測性、ガバナンス、倫理に関する技術的フレームワークを主要なビジネス成果に直接結びつけることで、これを達成します。私たちの目標は、単に強力なAIを構築することだけではなく、その影響を当社の収益面で定量化することです。

ビジネスの速度を加速する

私たちは、ROI方程式の両面を測定するための包括的なシステムを構築しました。リターン（投資収益）の面では、当社のフレームワークはAIのパフォーマンスをビジネスのKPIに直接結びつけます。例をいくつかご紹介します。

• 当社の DataDave エージェントは、これまで Edmunds のアナリストが完了するのに数時間かかっていた、複雑で実用的な分析を数分で提供します。これにより、データドリブンな意思決定が劇的に加速されます。
• 当社の価格設定エージェントは問い合わせに即座に応答し、何時間もの手作業による調査を不要にすることで、チームが戦略的で価値の高い業務に集中できるようにします。

キャンペーンのコンバージョン率のような指標に対する正確な影響はまだ定量化している最中ですが、このフレームワークは、それらの相関関係を導き出すために必要なリアルタイムデータを提供します。

コストの最適化

私たちはAIゲートウェイを通じて、賢明な経済的ガバナンスを実践しています。DataDaveのような重要度の高いエージェントは、精度を確保するために最も強力なモデルにルーティングされる一方、定型的なタスクはよりコスト効率の高いモデルに自動的に割り当てられます。このモデル階層化戦略により、LLMとコンピューティングの支出を正確に管理でき、投資した1ドル1ドルが、それが生み出すビジネス価値に見合うことを保証します。

「Databricks のおかげで、適切なタスクに適したモデルを、安全かつ大規模に実行できます。その柔軟性がエージェントを強化し、よりスマートな自動車購入体験を提供します。」— グレッグ・ロキータ、Edmunds テクノロジー担当 VP

組織全体の能力強化: 全従業員の能力を向上させる

このビジョンを実現するために、私たちはEdmunds全体でイノベーションの文化を育んでいます。私たちは、完全に自律的なタスクから、ヒューマンインザループのレビュー、そして完全に協力的な問題解決まで、人間とAIのインタラクションの全領域をサポートすることを目指しています。

これをサポートするため、エンジニア向けに堅牢な Agent SDK を提供し、当社の Agent Bricks プラットフォームを通じて「市民開発者」ムーブメントを推進しています。この取り組みは、全社的な技術カンファレンス「AI Agents @ Edmunds」を皮切りに、活発な LLM Agents Guild によって育まれ、全従業員が AI 主導の未来に貢献するためのツールとサポートを確実に得られるようにしています。

今後の展望: プロアクティブなインテリジェンスから真の自律性へ

真のAIネイティブな組織になるための私たちの道のりは、短距離走ではなくマラソンです。「Edmunds Mind」アーキテクチャはその道のりのための私たちの設計図として機能し、その次の進化のステップは、質問に答えるだけでなくビジネスニーズを予測するプロアクティブなエージェントを開発することです。私たちは、エージェントがリアルタイムのデータストリームから市場機会を特定し、ステークホルダーが尋ねる前に戦略的なインサイトを提供する未来を思い描いています。

最終的に、私たちのロードマップが目指すのは、エージェントが新しいツールの提案、批評メカニズムの改良、さらにはアーキテクチャの改善提案まで行い、自己最適化できるシステムです。これは、私たちが単に操作するシステムから、真の認知的パートナーへの移行を示すものであり、私たちの役割は、オペレーターから、新たな知的労働力の監督者、倫理学者、戦略家へと進化します。

Edmunds が Databricks の支援を受けてAI を活用した自動車購入体験をどのように構築しているか、詳細をご覧ください。