カウントリーのCEO兼共同創設者、オヌル・アルプ・ソナーへのインタビュー

オヌル・アルプ・ソナーは、カウントリーの共同創設者兼CEOです。カウントリーは、デジタル分析およびアプリ内エンゲージメントプラットフォームです。テクノロジーと自己起業を重視する彼は、カウントリーを立ち上げ、企業がユーザーをより深く理解し、対話するためのコントロールを提供しました。彼のリーダーシップの下、カウントリーは、ユーザーのプライバシーを成長戦略の中心に置きながら、迅速にイノベーションを実現したいと考えている企業向けに信頼できるプラットフォームに成長しました。

カウントリーを創設したきっかけについて、当時どのような状況でしたか？既存の分析ツールで直面していた問題は何でしたか？

約13年前、モバイルアプリが普及し始めたとき、利用可能な分析ツールは特定のモデルに従っていました。多くのツールは無料または比較的廉価でしたが、代償としてプラットフォームがデータを収集し、広告エコシステムに流し込むことで利益を生み出していました。当時、こうしたやり方は一般的に受け入れられていました。

しかし、私たちにとってはそうではありませんでした。小さな会社ではありましたが、製品のパフォーマンスを理解するためにユーザーデータをすべて手放すという考えは、理にかなっていないと思っていました。

カウントリーはその対策として始められました。完全に所有し、管理できる分析ツールを構築したかったのです。そこで、オープンソースのセルフホストプラットフォームとして立ち上げました。考え方はシンプルでした。組織はデータを理解し、行動できるようにする必要があります。その原則は現在もカウントリーの核となっています。

カウントリーを創設してから、AIがデータ所有権を分析以外の分野でも重要な要素に押し上げてきました。そうした変化が起こったのはいつ頃でしたか？

初期の頃、データ所有権に関する会話は主にプライバシーまたはコンプライアンスの観点から行われていました。銀行、ヘルスケア提供者、政府など、データの管理とコントロールを深く心配する企業だけがこの問題に注目していました。他の多くの企業では、分析は単なるレポートツールと見なされ、所有権の問題は緊急ではなかったと感じられていました。

しかし、企業が製品を運営する上でデータに依存するようになると、データの管理の重要性が明らかになりました。分析がレポートから意思決定、パーソナライゼーション、製品変更、顧客エンゲージメントに移行すると、データの管理が重要になることがわかりました。モビリティ、ホスピタリティなど、デジタルを先頭に置くすべての企業は、実質的にデータで競争するようになりました。

AIはこの認識を劇的に加速させました。AIモデルをライセンスするか、または構築することはできますが、独自の製品と対話するユーザーの行動データは購入することはできません。そのデータは各組織に固有のものです。

多くの組織は大量のデータを持っているため、AIに「準備ができている」と考えています。しかし、実際には何が欠けているのでしょうか？

データの欠如は通常問題ではありません。実際の問題は、有用なデータの欠如です。多くの組織は大量の情報を持っていますが、それらはさまざまなツール、チーム、システムに分散しています。たとえば、マーケティングチームにはあるデータセットがあり、製品チームには別のデータセットがあり、エンジニアリングチームには独自のテレメトリがあり、それらは異なる形式で保存され、共通の構造はほとんどありません。

AIが有用になるためには、基礎となるデータがクリーンで、一貫性があり、コンテキストを伴っている必要があります。イベントやログを収集するだけでは不十分です。実際にそれらのシグナルが何を表しているかを理解する必要があります。セマンティックレイヤーがなければ、AIシステムは基本的に推測することになります。

別の問題は所有権です。驚くほど多くの企業が実際には自分のデータを管理していません。データは第三者のプラットフォーム内にあります。そのため、データセットを組み合わせること、使用方法を管理すること、またはAIモデルを安全に適用することが困難になります。

したがって、企業が大量のデータを持っているため「AIに準備ができている」と言う場合、実際の質問は、データ基盤が整っているかどうかです。

第一パーティーデータがAIシステムで持続可能な競争優位性を生み出すのはなぜですか？一方で、モデル自体はどんどん互換性のあるものになっているようです。

持続可能な優位性を生み出すのは、モデル自体ではなく、第一パーティーデータから得られるユーザーの理解です。そのデータは、実際に製品と対話するユーザーの行動を反映しており、各組織に固有のものです。モデルは、ライセンスすることができ、微調整することができ、またはプロバイダーを切り替えることができ、比較的簡単に交換できます。ただし、独自のユーザーデータをモデルに供給していない場合、システムは基本的に同じ汎用入力を使用して動作します。その場合、AIは高レベルの汎用結果しか生み出せません。時間の経過とともに、これは製品がどんどん似てきているように感じられる原因となります。なぜなら、その背後にある知能は同じ限られた情報に基づいて構築されているからです。

そのデータは、ユーザーが実際にどのように行動するかを反映するパターン、コンテキスト、シグナルを捉えます。適切に構造化され、理解されれば、企業は実際の使用状況から継続的に学習するシステムを構築できます。

現代の分析スタックは、レポート、ダッシュボード、KPIではなくAIシステムのために再利用される場合、どこで壊れやすいですか？

データが観察から行動への移行を必要とするポイントで壊れやすいです。従来の分析スタックは主にレポートのために設計されていました。データを収集して集計し、昨日や先週の状況を理解するのに役立つダッシュボードに表示します。

一方、AIシステムは異なる方法で動作します。データが構造化され、コンテキストを伴い、リアルタイムで利用できる必要があります。そうすれば、システムの動作に直接影響を与えることができます。分析パイプラインがバッチ処理と遅延レポートを中心に構築されている場合、瞬時に反応するシステムをサポートするのに苦労します。

真のデータ所有権が欠如している場合、チームがAIを実験から本稼働に移行しようとしたときに、どのようにして運用上の問題が出るでしょうか？

通常、コントロールの問題として現れます。最終的に、データのコントロールを保持していない場合、AIのコントロールも保持していないことになります。これは、チームが実験から本稼働に移行する際に特に明らかになります。実験では、チームは小さなデータセットや一時的なパイプラインで作業できますが、本稼働システムでは、組織全体で一貫した信頼性の高いデータへのアクセスが必要です。

その後、多くの企業では、基礎となるデータが第三者のプラットフォームに散在しています。たとえば、分析ツール、マーケティングシステム、またはクラウドサービスです。そのため、データセットを組み合わせること、ガバナンスルールを適用すること、またはシステム間でデータを転送することが困難になります。これが多くのAIプロジェクトがパイロット段階に留まる理由のひとつです。構造化された、組織全体のデータを持たなければ、AIを信頼性高く本稼働で展開することが困難になります。

また、モデルがどのように決定を下したか、または決定の背後にあるデータ状態を再構築することが困難になります。そうしたコントロールレベルを欠く場合、エラーを修正したり、決定を取り消したりすることが非常に難しくなります。

不十分なデータ構造、セマンティクス、コンテキストは、最も優れたAIモデルでもどうやって損なうのでしょうか？

最も優れたAIモデルでも、基礎となるデータが不十分な場合、限界があります。データが構造化されていない場合、またはコンテキストが欠如している場合、モデルはシグナルが実際に何を表しているかを理解することができません。

多くのシステムでは、データは分離されたイベントやログとして収集され、明確な意味が付与されていません。モデルは数千のインタラクションを認識しますが、適切な構造とセマンティクスがなければ、重要なものとノイズを区別することはできません。

コンテキストも同様に重要です。AIシステムは、さまざまなデータが時間の経過とともにどのように関連しているかを理解する必要があります。コンテキストがなければ、モデルは出力を生み出すかもしれませんが、不完全な情報に基づいているため、信頼性は低くなります。

企業がAIシステムで汎用的な結果を生み出すことになる兆候は何ですか？顧客にとってはまだ汎用的な体験には感じられない場合でもです。

最も基本的な兆候は、企業が外部のAIモデルやツールに頼りすぎていて、独自のデータ基盤を開発することにあまり注力していないことです。組織が同じモデルを使用しているが、独自のユーザーとコンテキストデータを供給していない場合、システムは基本的に同じ汎用入力を使用して動作します。その場合、AIは高レベルの汎用結果しか生み出せません。時間の経過とともに、これは製品がどんどん似てきているように感じられる原因となります。なぜなら、その背後にある知能は同じ限られた情報に基づいて構築されているからです。

別の兆候は、組織がAIモデルを採用することに重点を置きすぎて、データの構造と品質に十分な注意を払っていないことです。AIは受け取ったものを増幅します。基礎となるデータが混乱していたり、断片化していたり、構造化されていない場合、システムは単に同じ問題のより洗練されたバージョンを生み出します。

独自のデータの上にAIを構築しようとしている組織にとって、カウントリーは従来の分析およびデータプラットフォームとはどう違いますか？

主な違いは、プラットフォームに組み込まれたコントロールの方法です。多くの分析製品では、データ所有権はオプションまたは機能として現れます。カウントリーでは、データ所有権はシステムの核にあります。組織がデータのコントロールを失うことなく、先進的な機能を利用できるように設計されています。

実践的には、企業はカウントリーを自社環境で実行し、データスタックの完全なコントロールを維持し、分析、エンゲージメント、自動化の機能にアクセスできることを意味します。これは、企業が独自のデータの上にAIを構築したい場合に特に重要になります。多くの従来の分析ツールはレポートに主眼を置いているため、収集したデータは第三者のダッシュボード内に留まり、他のシステムの基盤にはなりません。カウントリーは分析をデータインフラストラクチャの一部として扱う異なるアプローチを取ります。

AIシステムが日常の意思決定に組み込まれるようになると、データ所有権を設計原則として扱う場合、倫理的なAIの定義はどう変化するべきでしょうか？

データ所有権が設計原則になると、倫理的なAIはあとからモデルを監査することではなく、ユーザーがトレーニングするデータに対する機関を維持するシステムを構築することについてになります。倫理はインフラストラクチャになります。

素晴らしいインタビュー、ご覧になりたい読者はカウントリーを訪れてください。