Googleのシニアプリンシパルアーキテクト、Sathya AG – インタビューシリーズ

Sathya AGは、テクノロジー・エヴァンジェリストであり、”Enterprise-Grade Hybrid and Multi-Cloud Strategies“の著者であり、Google（Retail Strategic Industries）のシニアプリンシパルアーキテクトです。彼は、19年以上のエンタープライズアーキテクチャとAIの経験を持つ、グローバルな思想家であり、Top AI Influencer AwardとGoogleのPresident’s Awardを受賞しています。また、CAIO Circleのアドバイザリーボードメンバーであり、British Computer Societyのフェロー、IEEEのシニアメンバー、Stanford LEADの卒業生でもあります。AI Forward、Google Next、NRFでの講演者としても活躍しています。

免責事項：以下に記載された考えや意見は、著者の個人的なものであり、必ずしも彼が所属する組織や企業の見解を反映しているわけではありません。

オラクルで10年以上働いた後、Googleに移り、現在は大手小売企業と協力しています。企業が従来のデータ近代化プロジェクトからジェネレーティブAIやエージェントAIへの取り組みに移行したことで、エンタープライズAIに対するあなたの見解はどのように変化しましたか。

オラクル時代、エンタープライズアーキテクトとして、私の主な焦点は、組織がビジネスを運営するために依存する、高度な複雑性を持つシステムを構築することでした。私たちは、統合、ガバナンス、Master Data Managementの課題を解決して、エンタープライズが単一の、高度に堅牢な真実の源を持つことを目指しました。従来のデータ近代化は、基本的に、受動的な観察、セマンティックレイヤーとデータパイプラインの設計、人間の意思決定者への信頼できる洞察の提供でした。

ジェネレーティブAIとエージェントAIの進化は、受動的な観察から自律的なシステムへのアクションへのパラダイムシフトをもたらしました。現在、焦点は、システムが私たちの代理で行動を取ることができるか（そして、正しく、監督なしで）、スケールで行うことができるかということです。これは、データ品質、コンテキスト、コントロールのためのより高い基準を必要とします。なぜなら、悪いデータ仮定は、単に誤ったダッシュボードを生み出すのではなく、誤った行動を生み出すからです。インベントリデータを誤って読み取ったエージェントは、誰かを誤って情報するのではなく、誤った注文を出します。

ここで、厳格なエンタープライズアーキテクチャが、AIシステムの基盤として極めて重要な役割を果たします。自律的なシステムを安全に構築するには、決定論的なエンタープライズシステムと確率論的なAIの間のギャップを無視して埋める必要があります。現在、私がリードするアーキテクチャの会話は、信頼できるデータファブリックを構築し、リアルタイムの自律的な推論が厳格なガバナンス、堅牢な観察可能性、エンタープライズシステムが常に要求してきたトランザクションの完全性によって束縛されることを保証することについてです。

あなたは、多くのAIプロジェクトがモデルではなく、データとアーキテクチャの決定のために失敗することを主張しています。AIプロジェクトを後で損なう早期アーキテクチャの選択肢の中で、最も一般的なものは何ですか。

最も見られるのは、企業がウェアハウスやレイクを単一の真実の源として扱うことです。ただし、それは単一の真実の源を提供するのではなく、単に意見の相違を集中させます。3つのソースシステムがそれぞれアクティブな顧客を異なる方法で定義している場合、それらを1つの場所にパイプすることで、1つの間違った答えが得られるのではなく、3つの間違った答えが得られます。

次に、目の前のものだけに焦点を当てて構築する罠があります。パイプラインが1つのダッシュボードに完全に調整され、6か月後には新しいモデルが同じデータをより迅速に、または新鮮に必要とするときに、全体を破壊して再構築する必要があります。

そして、いつも人々を悩ませるのは、データの血統とメタデータを省略することです。これは、誰も要求しなかったオーバーヘッドのように見えます。しかし、誰かがモデルが特定の呼び出しを行った理由を尋ねたときに、そこに辿り着くことができないときに、修正するのが高額になるのではなく、安価な設計上の決定であるべきです。

フォーチュン500企業と協力する際に、組織が真にAIをパイロット以外のスケールで実現できるかどうかを判断するためのシグナルは何ですか。

正直に言えば、最初の数回の会話の中で判断できます。企業がAIを実験することと、エンタープライズスケールで運用する準備ができていることの違いは、数多くの兆候にあります。私は、3つの主要なカテゴリにわたる準備度を探しています。戦略的信念、ビジネス統合、運用的成熟度です。

スケールアップの準備ができていることを示すシグナルは次のとおりです。

1. 戦略的整合とエグゼクティブの信念

明確なAI戦略、ただの「AIへの欲求」ではない：組織のリーダーシップは、AI戦略に対する真正な信念を示しています。これは、ビジネス目標にAIをどのようにマッピングするかについてのいくつかのリーディング質問を尋ねることで簡単に判別できます。彼らが、たとえば、収益の成長、利益率の改善、または顧客体験の向上などの具体的なビジネス価値を明確に述べることができれば、準備ができています。

コミットされたエンタープライズファンディング：彼らは、研究開発の予算から超えて、AIプロジェクト、変化管理、インフラストラクチャ、MLOpsのための、機能横断的な予算を割り当てています。

2. 問題解決の適合とビジネス統合

正しい問題を解決する：大きな警告信号は、標準的なワークフロー自動化またはロボティックプロセス自動化（RPA）とAIを混同し、レガシープロセスにAIを強制的に適用することです。準備ができている組織は、AIの独自の価値提案を理解しています。彼らは、AIが新しい能力のパラダイムシフトを提供するユースケースに焦点を当てていますが、単に技術のチェックボックスを満たすのではなく、レガシープロセスにAIを適用するのではなく、ビジネスユニットがAIソリューションを共同で開発し、最終的なビジネス成果を所有していることを示しています。

3. 運用的成熟度とガバナンス

最初の日からのセキュリティとコンプライアンスの関与：セキュリティとガバナンスチームの関与が欠けている、または重要なAIユースケースをセキュリティとガバナンスから隔離しようとすることは、デプロイメントの失敗の要因となります。成熟した組織は、最初の日からセキュリティとガバナンスチームを関与させ、AIを安全にスケールアップできるようにするガードレールを構築します。

最終的に、AIをITの科学実験ではなく、ビジネス変革の機能として扱う組織が、AIを成功させるでしょう。彼らは、スポンサー、ガードレール、ビジネスへの整合のバランスをとった、適切なビジネスへの整合をとったAIを実現します。

AIが利用できるデータ基盤は、実際にはどのようなものでしょうか。特に、ERP、CRM、コマース、クラウド、レガシーシステムなど、断片化されたデータを持つエンタープライズの場合にはどうでしょうか。

大多数のエンタープライズは、データの量の問題ではなく、データの信頼性の問題を抱えています。これは、AIを重ねるとさらに悪化します。新しいプラットフォームが必要なのは、むしろ、システム全体で真実性が保持される、数多くの地味な特性を持つことです。

たとえば、同じ顧客、製品、または店舗は、レガシーのERP、モダンなCRM、またはコマースプラットフォームに存在するかに関係なく、同じエンティティとして認識される必要があります。システムが顧客が誰であるかについて同意できない場合、AIのパーソナライゼーションと予測モデルは、断片化されたデータで動作し、歪んだ画像を生み出します。顧客の生涯価値を予測することはできません。AIは、1人の顧客を3人の異なる人として扱うからです。

2つ目は、決定に合ったデータの新鮮さです。ソースシステムが行っていることだけに既定されるのではなく、決定に合ったデータの新鮮さです。夜間の在庫更新は、長期的な計画には適していますが、リアルタイムの履行には役に立たないため、基盤は両方の速度をサポートする必要があります。

3つ目は、数分で「この数字はどこから来たのか」を答えることができる血統層です。大多数の断片化されたエンタープライズは、データが不足しているのではなく、信頼できるデータと追跡可能なデータを持っていないのです。これが実際の基盤であり、上に付加されるツールではありません。

あなたは、データの5つのV（ボリューム、速度、バラエティ、真実性、価値）についてよく議論します。エンタープライズリーダーは、AIのためにデータを準備する際に、どれを最も過小評価する傾向がありますか。

データの真実性、そしてそれに続いてデータの価値です。

ボリュームは、今日のビッグデータエコシステムでは当然のことです。誰でもデータに溺れています。バラエティと速度は、ロードマップに可視化できるため、予算を割り当てています。新しいソース、パイプライン、リアルタイムフィードです。

真実性は、誰もがコストを払うまで、不可視です。モデルが明らかに間違った出力を生み出し、誰かがそれを二重に登録された顧客レコードや、3つのチームが3つの異なる方法でフィールドを入力していることに遡及するまでです。

最後に、価値は、異なる方法で過小評価されます。リーダーは、データが存在する場合、それには価値があると想定しますが、実際には意思決定に貢献するかどうかを尋ねません。大多数のエンタープライズは、実際に効果的な仕事をするデータの小さな部分しか持っていませんが、誰もがどの部分がどれだけの価値があるかを把握していません。

小売業界では、AIのユースケースは、パーソナライゼーション、予測、在庫、サプライチェーン、顧客サービス、店舗運営などに及ぶことがあります。AIの野心とデータ準備度の間で、最大のギャップはどこにあると思いますか。

AIの野心は小売業界全体に均等に分散していますが、データの準備度は非常に非対称です。

パーソナライゼーションと予測には、比較的合理的な準備度があります。小売業者は、長年にわたってトランザクションデータと閲覧データを収集してきました。

大きなギャップは、サプライチェーンとオムニチャネル、特にオンラインストアと物理ストアの接続です。オムニチャネルは、統一された顧客IDと流動的な在庫をリアルタイムで解決することを強いられるため、非常に複雑です。大多数の小売業者は、リアルタイムの電子コマース在庫を持っていますが、店舗レベルの在庫については、終日、または時々、終日のみの可視性しかありません。

顧客サービスと店舗運営はまだ初期段階にあります。野心は高くありますが、基礎となる運用データ、たとえばスタッフ、タスクの完了、リアルタイムの店舗状況は、ビジネスの最もデジタル化されていない部分です。野心は、これらのユースケースに均等に分散していますが、準備度はそうではありません。

企業は、ミッションクリティカルなシステムを混乱させずにレガシーデータインフラストラクチャを近代化するには、どうすればよいですか。

レガシーデータプラットフォームは、運用上のボトルネック、深刻なデータ品質の問題、組織的スケーラビリティの制限に苦しんでいます。データプラットフォームの近代化プロセス中に日常の運用を保護する最も効果的な方法は、単一の、高リスクの大規模な移行を避けることです。データプラットフォームの近代化の主な目的は、データを組織の意思決定にさらに役立つものにすることであり、純粋なITプラットフォームの交換として扱うのではなく、データメダリオンとデータメッシュアーキテクチャを採用する必要があります。

AI時代に対応するために、組織はデータメダリオンとデータメッシュアーキテクチャを採用する必要があります。この戦略では、データを生の状態からビジネスに適した状態に段階的に洗練する構造化パイプラインを作成し、低品質のデータが意思決定に影響を与えることを防ぎます。データを明確な論理層に分離することで、組織は明確な血統を確立し、情報がソースから宛先に変換される方法を簡単に追跡できます。

検証されたデータを利用可能な製品にパッケージ化することで、組織はチームが戦略的で、証拠に基づいた意思決定を行うことを可能にします。重要なのは、エンタープライズAIに必要なデータ信頼の基盤を確立することです。キュレーションされたデータ製品の上にAIエージェントを構築することで、モデルが安全で正確な情報から学習することを保証します。

ガバナンスは、AIプロジェクトがすでに進行中である後に追加されることがよくあります。ガバナンス、プライバシー、セキュリティ、データ品質が最初からアーキテクチャの要件として扱われる場合に、どのようなことが変わりますか。

すべてが速くなり、壊れにくくなり、スケールアップしやすくなります。ジェネレーティブAIの確率的な性質により、ガバナンスは極めて重要ですが、多くの組織では最も見落とされる側面です。

これらの要素を、最後の瞬間の監査チェックリストではなく、最初の日にアーキテクチャの要件として扱うと、ダメージコントロールから速度へのシフトが起こります。ここで何が変わるのか:

最初に、「破壊して再構築する」フェーズを避けることができます。完全に構築されたAIプロジェクトが、コンプライアンスまたはプライバシー標準に違反するため、却下されるのを避けることができます。

次に、セキュリティとデータ品質は、パッチオンではなく、パイプラインに組み込まれています。モデルは信頼できるデータで実行され、出力はリーダーシップとユーザーが実際に信頼するものになります。

最後に、プロトタイプから本格的な導入への道がすでにクリアされており、自動化されています。

簡単に言えば、ガバナンスは、イノベーションを妨げるブレーキではありません。安全に速く走ることができるステアリングシステムです。

CAIO Circleのアドバイザーとして、Chief AI Officerの役割はどのように進化すべきか、また、CIO、CDO、ビジネスユニットのリーダーとの関係で、その責任はどこからどこまであるべきか。

CAIO Circleの一員であることで、役割は現在、多くの企業がジェネレーティブAIのハイプに反応して、明確な運用上のギャップを埋めるのではなく、反応的に作成したため、地図上でどこにあってもいます。私は、これがすぐに落ち着き、落ち着く必要があると思います。効果的に機能するには、エグゼクティブブレークダウンははっきりしている必要があります。

CIOはインフラストラクチャとシステムの信頼性を所有します。CDOは、データをエンタープライズ資産（その品質、ガバナンス、利用可能性）として所有します。CAIOは、生のAI能力と実際のビジネス成果の間の翻訳レイヤーを所有します。

その翻訳レイヤーは、明示的にAIポートフォリオの所有権を持ち、構築するものを決定し、ビジネスを改善し、AI技術を介してよりよく提供できるエリアを特定し、AIを展開する必要がある場所とそうでない場所について最終的な権威を持ちます。

大多数のエンタープライズでは、ビジネスユニット間のリスクと価値のトレードオフを評価するためのギャップがあります。単一のビジネスユニットが短期的なターゲットに結びついたインセンティブを持たない、技術的にリスクを直接評価することができる独立した、技術的に根拠のあるゲートキーパーが必要です。CAIO役割が必要なのは、まさにその役割です。

先を見据んで、企業が持続可能なAIの優位性を獲得することを可能にするものと、単に最新のAIツールを実験するものとを区別するものは何ですか。

最良のモデルへのアクセスを得ている企業ではありません。モデル機能は急速に収束しており、生の技術は持続可能な差別化要因ではなくなります。

代わりに、長期的なAIの成功、内部的または顧客向けの、信頼というものに帰着します。信頼は、組織がAI準備基盤を構築し、信頼できる環境を作る能力と直接比例します。新しい機能をテストし、安全に展開し、迅速にスケールアップできる環境です。

具体的には、3つのことが必要です。

信頼できるデータ基盤：クリーンで信頼できるデータがあれば、新しいユースケースごとに大量なクリーンアッププロジェクトが必要になりません。

アジャイルなガバナンス：リスクとコンプライアンスプロセスが、基礎となるモデルの進化に追いつくことができる速度です。

成果に基づくメトリクス：AIをビジネス価値で測る、組織の文化です。

3年後もまだ「実験モード」にある企業は、基盤を構築しなかった企業です。彼らは、毎回のAIプロジェクトで同じデータとガバナンスのレッスンを再度学びます。

勝者である、持続可能な優位性を持つ企業は、最初のAIユースケースよりも10番目のAIユースケースを劇的に安価に、迅速に展開できる企業です。なぜなら、基盤が最初から正しく構築されたからです。

勝者である、持続可能な優位性を持つ企業は、最初のAIユースケースよりも10番目のAIユースケースを劇的に安価に、迅速に展開できる企業です。なぜなら、基盤が最初から正しく構築されたからです。