-
インタビュー9 hours agoマッシミリアーノ・モルッツィ、Xabaの創設者兼CEO – インタビュー・シリーズ
マッシミリアーノ・モルッツィ、Xabaの創設者兼CEOは、ロボティクス、製造システム、CNC機械、AI駆動の産業用制御などの分野で深い専門知識を持つ、産業自動化とAIのベテランエグゼクティブです。Xabaを2022年に設立する前に、アウゲンタで研究開発を担当し、AI駆動の自動化に焦点を当てたリーダーシップ役割を務めました。また、インゴールマシンツールズとIMTAでは、シニアエンジニアとソフトウェアR&Dの役割を務めました。産業技術における20年以上のキャリアの中で、モルッツィは、先端のロボティクスと実用的製造導入の間にあるギャップを埋めることに重点を置いてきました。特に、機械がより賢く、適応性があり、自律的に動作できるようにすることに重点を置いてきました。Xabaは、トロントを拠点とする産業用AI企業で、産業用ロボットとファクトリーシステム向けの「合成脳」を開発しています。同社のプラットフォームは、生成的AI、強化学習、ロボティクス制御、産業用自動化を組み合わせて、ロボット、CNCマシン、プログラマブルロジックコントローラ(PLC)制御システムが、手動でのプログラミングなしにリアルタイムで自己プログラミングし、適応できるようにします。同社の主な技術であるxCognitionとPLCfyは、ロボットプログラミングの自動化、製造ワークフローの最適化、航空宇宙、自動車、先端製造などの業界での導入の加速化を目的としています。Xabaは、自社の技術を、硬直した手動プログラミングされたシステムを、運用データから学習し、変化する生産環境に動的に適応できるAI駆動の認知制御に置き換えることで、ファクトリーオートメーションを近代化する手段として位置付けます。Xabaのアイデアは何から生まれたのか、それが産業用ロボットに根本的に異なるアプローチ、つまり「合成脳」ではなく、単にコードを追加するのではなく、どのようなプロセスだったのか。そのアイデアは、ほとんどの産業用ロボットが最も基本的なレベルの変動性で失敗するのを見て生まれた。これらの機械は機械的に正確ですが、認知的に脆い。部品の公差、プロセスパラメータ、材料の挙動などの小さな変化が、全体的な作業を狂わせることがある。業界の対応は一貫していた。より多くのコードを書く、硬直した固定具を追加して変動性を除去する、より多くのルールを追加する、人間の監視に頼る、システムを再調整する、というものだった。その時、私に気づいたのは、これはソフトウェアの問題ではなく、脳の欠如であるということだった。今日の産業用ロボットとコントローラーは、結果が実際に良いか悪いかを理解することなく、指示を盲目的に実行する。彼らは周囲の物理的な世界について推論しない。ロボットは指示が不足しているため失敗するのではなく、理解が不足しているため失敗する。人間はボルトを締めたり、接着剤を適用したりするために、千行のコードに頼ることはない。私たちは直感的に、力、動き、物理的なフィードバックに基づいて適応する。産業用ロボットが合成的な推論システム、物理学に基づいたものが必要であることが明らかになった。アウゲンタAIでのあなたの経験や以前の役割は、Xabaに入る前にあなたの視点をどのように形成したのか。どのようなギャップや洞察があなたをこの会社を設立するよう駆り立てたのか。アウゲンタAIでは、AI駆動の意思決定、最適化、自律性に深く焦点を当てていました。明らかになったのは、ほとんどのAIシステムが抽象的な方法で動作していることだった。つまり、データの表現を最適化するのではなく、物理的な現実とやり取りするのである。以前の役割では、ロボットが能力不足ではないのに、自動化プロジェクトが停滞したり失敗したりするのを見た。ギャップは明らかだった。高レベルの意図を現実の物理学と接続できる知能層がなかった。Xabaはそのギャップを埋めるために存在する。機械に、熟練した人間と同じように、力、運動、制約、結果について推論する能力を与える。Xabaは、産業用ロボット向けの世界初の物理学ベースのGenAIシステムを構築しています。このアプローチは、従来のロボットプログラミングや現在の主流AIモデルとどのように異なるのか。従来のロボットプログラミングは、定義されたパス、プロセスパラメータ、力、行動のシーケンスに依存する。環境が毎回同じように動作することを前提としている。CADモデルのようなものだ。主流AIモデルは異なるアプローチを取るが、依然として主に統計的である。予測と模倣には優れているが、物理的な原因と結果を真正に理解しているわけではない。Xabaの物理学AIは、第三のパラダイムを導入する。視覚データや静的な指示に頼るのではなく、センサーからの時間系列データ、力、温度、加速度、電圧、音響、振動を使用して、プロセスの根底にある物理学を理解する。これにより、システムは行動が結果に与える影響を理解できる。指示に従うのではなく、機械は条件が変化したときにリアルタイムで適応できる。産業用ロボットを、硬直した自動化から、物理的に推論できるシステムに移行させている。合成的な推論は、品質、繰り返し性、リアルタイムの適応性をどのように向上させるのか。合成的な推論により、ロボットはタスク中に適応できる。抵抗が変化した場合、ロボットはそれに応じて補償する。材料の挙動が変化した場合、ロボットは動きを適応させる。結果の品質は高くなる。ロボットは現実に応じて対応するのではなく、仮定に応じて対応するのである。繰り返し性も向上する。システムは繊細な軌道を再生するのではなく、物理的な意図に基づいてタスクを解決するからである。適応性もネイティブになる。再プログラミングを必要とする例外ではなくなる。なぜ、次の大きなAIのブレークスルーは物理システムではなく、純粋なデジタルシステムで起こるのではなく、物理システムで起こるのか。現実の世界は物理学に基づいているからだ。物理学に基づいていない。今日のAIの多くは、パターン認識と予測に基づいている。デジタル環境では、パターン認識がしばしば十分である。物理システム、溶接、機械加工、組み立て作業は、力、エネルギー、温度、運動、材料の挙動の因果関係に依存する。小さな変化がプロセスを壊し、エラーには現実的な結果がある。これが、予測に基づくデータ駆動から物理学に基づく推論へのシフトが必要な理由だ。物理学AIにより、このシフトが可能になる。時間系列センサー数据を使用して、プロセスの支配方程式を抽出することで、AIは結果を予測するのではなく、システムの挙動を理解することができる。これにより、機械は変動下でもリアルタイムに適応できるようになる。 デジタルAI → ほとんどが相関、予測、コンテンツ生成に基づいている。 物理学AI → 機械が推論し、リアルタイムに適応し、現実の条件に応じて対応できるようにする。 次のAIの波は、より優れたLLMやイミテーションゲームではなく、物理的な現実を理解し、制御できる機械によって定義されるだろう。今日の自動化インフラストラクチャは、どのようにして古くなったものとなり、どのようにして業界全体の規模でそれを修正することができるのか。今日のインフラストラクチャは、変動性が敵であるという仮定に基づいて構築されている。すべてが硬直的で、維持するのが高価で、スケーラビリティが悪い。新しい製品やプロセスの変化ごとに、人間の介入が大量に必要になる。これを修正するには、プログラミングから認知へのシフトが必要だ。既存のハードウェアの上に適応性を持たせることができる、普遍的な知能層が必要だ。そうすることで、自動化を近代化することができる。数十年の投資をすべて取り替える必要はない。多くの製造業者は、まだ数千行のコードと数週間のキャリブレーションが必要なタスクに苦労しています。Xabaはこのボトルネックをどのように排除するのか。製造業者は、今日のシステムがコード駆動型であり、模倣に基づいているから、ボトルネックに陥る。AIモデルは、ピクセルやビデオに基づいてトレーニングされている。パターンを捉えることはできるが、根本的なプロセスを理解していない。Xabaは、根本的に異なるアプローチを取る。時間系列センサー数据、力、温度、電流、振動を使用して、物理学に基づいた新しい基礎モデルを構築する。AIは、相関を学習するのではなく、プロセスの支配方程式を抽出する。システムは、行動が結果に与える影響を真正に理解することができる。システムは、物理的に妥当なアクションをリアルタイムで生成する。ロボットは、事例を再生したり、定義されたコードに従ったりするのではなく、プロセスについて推論し、継続的に適応する。実践では、数千行のコードが不要になる。ピクセルに基づく模倣に頼る必要もない。条件が変化したときの再調整も不要になる。代わりに、物理学を理解し、制御するシステムが得られる。そうすることで、プログラミングと模倣から、真正の物理的な推論と自律制御への移行が可能になる。ロボットがデモンストレーションから学ぶことは、勇気あるシフトです。どのような技術的マイルストーンがこれを可能にしたのか。どのような制約が今日でも存在するのか。ロボットがデモンストレーションから学ぶことは、重要なステップですが、依然として模倣に基づいたアプローチである。これらのシステムは、物理的なタスクの根本的な物理学を理解するのではなく、観察（ピクセルや軌道など）を行動にマッピングする。物理学AIの観点から、真正のマイルストーンは、模倣から因果的な理解への移行である。これを可能にしたのは、 パーセプション（ビジョン言語モデル、多モーダルデータ）の進歩 人間とロボットの行動の大量データセット 観察を行動にマッピングできる方策の改善 しかし、これらのシステムは依然として相関に基づいている。見たことを複製することはできるが、 材料が異なるとき プロセスパラメータが変化するとき 幾何学や公差が異なるとき 現実の物理学がトレーニングデータから逸脱するとき そこで、制限が明らかになる。Xabaでは、異なるアプローチを取る。デモンストレーションから何を学ぶかではなく、 почему それが機能するかを学ぶ。時間系列センサー数据を使用して、プロセスの支配方程式を抽出することで、物理学AIモデルを構築する。システムは、力、エネルギー、材料の挙動について推論し、リアルタイムに適応し、物理的に妥当なアクションを生成することができる。真正のブレークスルーは、機械が力、エネルギー、材料の挙動について推論し、リアルタイムに適応し、物理的に妥当なアクションを生成する能力にある。Xabaのシステムは、材料の変動、工具の磨耗、または微妙な環境の変化などの予測不可能な現実の条件にどのように適応するのか。システムは、力、運動、結果について継続的に推論するため、現実が期待と異なるときに検出してリアルタイムで調整することができる。工具の磨耗は、故障ではなく、変数となる。材料の変動は、推論ループの一部となる。これは、しきい値に基づくエラーハンドリングとは根本的に異なる。継続的な適応である。5年先を見て、物理学ベースのGenAIはどのように進化するのか。合成的な推論によって完全に自律的なファクトリーはどのようなものになるのか。私の観点から見ると、次の5年は、自動化から真正の認知型製造への移行を示すだろう。物理学ベースのGenAIは、個々のタスクの最適化から、全体的な産業システムの基礎モデルを構築するように進化するだろう。ピクセルや過去の軌道ではなく、力、温度、エネルギー、ダイナミクスから継続的に学習することで、毎回の作業について因果的な理解を可能にする。シフトは深刻だ。 プログラミング → 自己生成制御戦略 静的なモデル →継続的に学習するシステム 相関 →...
-
インタビュー10 hours agoシーン・ローチ、Obsidian Securityのシニアディレクター – インタビュー・シリーズ
シーン・ローチ、Obsidian Securityのシニアディレクターは、SaaSセキュリティ、AIセキュリティ、ゴー・トゥ・マーケット戦略に焦点を当てたクロスファンクショナルイニシアチブを主導しています。彼は、企業の最初の統一されたユースケースフレームワークの開発において重要な役割を果たし、セールス、 マーケティング、カスタマー・サクセスを測定可能なビジネス成果に合わせて、GenAIとAIエージェント・セキュリティ・ソリューションの立ち上げも担当しています。 Obsidian Securityに加わる前、ローチはForter、Aviatrix、Oktaなどの企業でリーダーシップポジションを歴任し、ビジネス・バリュー・コンサルティング、価格戦略、カスタマー・バリュー・エンジニアリング、エグゼクティブ・レベルのROI分析に専門化していました。彼の背景にはサイバーセキュリティ、エンタープライズ・ソフトウェア戦略、ファイナンシャル・リサーチが含まれており、エンタープライズ・カスタマーにとってテクニカルな機能を測定可能なビジネス・インパクトに変換するための広範な経験を持っています。Obsidian Securityは、モダンなクラウド環境全体でSaaSアプリケーション、AIエージェント、ID、エンタープライズ統合をセキュアにすることに焦点を当てたサイバーセキュリティ企業です。同社は、脅威を検出するための統一プラットフォームを提供し、SaaSセキュリティ・ポストゥアを管理し、データ・アクセスを統治し、Microsoft 365、Salesforce、Slack、その他のクラウド・サービスなどのビジネス・クリティカル・アプリケーション全体でリスキーなアクティビティを監視します。近年、ObsidianはAIエージェント・セキュリティに注力し、エンタープライズがSaaSプラットフォーム、データ、ワークフローとどのようにやり取りするかをリアルタイムで可視化できるようにしています。CrowdStrike、Okta、Cylance、Carbon Blackなどの企業で経験を積んだセキュリティ・リーダーによって設立されたObsidianは、クラウドとエージェント・AI環境の複雑性に対処するために構築されたエンド・ツー・エンドのSaaSとAIセキュリティ・プラットフォームとして位置付けられています。あなたは、ビジネス・バリュー、リスク戦略、SaaSセキュリティの交差点でキャリアを構築してきました。現在、Obsidian Securityでバリュー・エンジニアリングとプロダクト・マーケティングを担当しています。AI駆動のSaaSエコシステムをセキュアにすることに焦点を当てた理由と、Obsidianのアプローチが新しいエージェント技術のように、emerging agentic technologiesのように、どのように異なるかについてお話しください。私のキャリア全体を通じて、最大のギャップは常にセキュリティが見ることができないものでした。なぜなら、それが実際の脆弱性が存在する場所だからです。従来のコントロールでは捉えられない露出が生じたインシデントを私は見てきました。また、私はモダンなブリッジを使用してメジャーなプラットフォームに接続する人々や、ITチームが無効化したと考えていたが、セキュリティの可視性の外側にある接続を使用する人々を直接見てきました。こうした経験から、システムのシーム間にリスクがどれほど存在するかが明らかになりました。この現実は、影のITから影のAIへと移り変わり、ツールやエージェント駆動のワークフローが、ガバナンス戦略が追いつくよりも速く現れ、拡散するようになりました。多くのセキュリティ・アプローチは、すべてを単一のコントロール・プレーンに集中し、統制しようとします。しかし、このモデルは分散環境で崩壊し、特に重要なデータやアクティビティが所有していない、または完全に制御できない第三者アプリケーション内で発生する場合には、さらに崩壊します。これが私を、AI駆動のSaaSエコシステムをセキュアにすることに焦点を当てる理由であり、また、Obsidianのアプローチがなぜ魅力的であるかを理解する理由でもあります。SaaSブレーチの数は300%増加していますが、多くの組織はまだ、これらのアプリケーションがどのように利用されているかについて適切な可視性を持っていません。これが私たちが焦点を当てているギャップです。エンタープライズ内で実際に何が起こっているか、露出が存在する場所を理解できるようにするためです。エージェント技術が成熟するにつれて、このアプローチはさらに重要になります。なぜなら、リスクはエージェントが特定のデータにアクセスできるかどうかではなく、エージェントがアクセスできるものと、どれほど速く行動できるかですからです。OpenClawsのようなエージェントAIシステムは、NVIDIA GTCの後、注目を集めています。あなたの観点から、これらのシステムは以前のAIツールと比較して、セキュリティ・リスクの点で何が根本的に異なるのでしょうか。非人間のIDとは何か、それらをセキュアにする方法を理解することは、セキュリティチームにとって重要です。68%のITセキュリティインシデントは現在、機械IDを含み、企業の半数は非人間のIDが管理されていないことによるセキュリティ侵害を経験しています。セキュリティ業界は主にSaaSセキュリティ・ポストゥア管理と人間のIDガバナンスに焦点を当ててきましたが、非人間のIDはバックグラウンドで増えてきました。現在、企業が管理者特権を付与したAIエージェントを大規模に展開するにつれて、ガバナンスの欠陥が重大なものになりました。OpenClawsのようなエージェントシステムは、真正にエージェント的なAIの両方の側面、つまり約束とリスクを示しています。これは、初めて、狭い、監督されたワークフローを超えて、実際に野に放たれたAIを目にしているのです。その機能がより広く利用できるようになると、セキュリティリスクは急速に変化します。非専門家がこれらの重要なシステムとやり取りし、潜在的に悪用することができるようになるからです。人々はすでにAIエージェントをSaaS環境に接続し、APIキー、ネイティブ統合、第三者アプリケーションを介して脅威の風景を多数の方法で拡大しています。しかし、各新しいエージェント有効のワークフローは、エージェントのアクセス可能なパスの数を増やします。最近のVercelブレーチは、セキュリティチームが直面しているこの成長する脅威を示しています。第三者アプリを承認すると、実際にはそのアプリのインフラストラクチャ、クラウドプロバイダー、開発者、接続されたサービスすべてを信頼することになります。多くの組織は、実際に何に同意したかを理解していないため、この問題はエージェントAIの乱用によってさらに悪化します。多くのAIエージェントは、制御を維持するための実質的なハーネスなしで動作します。指紋がないか、ガードレールが弱い場合、エージェントが何をしたか、どれだけのものに触れたか、どのように変化したかを事実上知ることができません。そうした組み合わせが、以前のAIツールと比較してリスクプロファイルを根本的に異なるものにします。OpenClawsのようなエージェントは、広範なアクセス許可と自律性により、新しい攻撃面を公開する可能性があると説明しました。エンタープライズにとってこのリスクが具体的になるシナリオを説明してください。 OpenClawsのようなリスクは、エージェントが単なる分離されたタスクから実際の生産環境に移行した瞬間に具体的になります。これはすでに起こっています。多くの組織は、エージェントが正しい人物にアクセスできることと、エージェントが予想どおりに動作することを確認することに重点を置いています。しかし、組織の多くは、エージェントが別のエージェントとやり取りし始めたときに何が起こるかについて考えてはいません。攻撃面はそこで急激に拡大します。SlackのメッセージやJiraのチケットなどの出力が、別のシステムでのアクションのトリガーになるようになると、リーダーはやり取りを制御できなくなり、統一された監視と監査トレイルを維持できなくなります。これらのエージェントはまた、セキュリティ保護やゲートウェイが不十分なSaaS APIにまたがって接続しています。平均的なエンタープライズはすでに数百のエージェントを実行しており、その数は過去1年で約100倍に増加しました。チームが調べると、38%が中程度、または高レベルのリスク要因を持ち、ほとんどが文書化された所有者が存在せず、生産システムに接続されたライブ・コネクタを持っており、実行履歴はありません。このギャップを解消するには、実際のアプリケーション内で深い可視性が必要です。各システム、各データセット、各潜在的な呼び出し元に対して、どの資格情報が実際に何ができるかをよりよく理解する必要があります。適切なコンテキストがないと、半分の絵しか見えていないことになります。リーダーは、検出から実行時への強制に戦略をシフトする必要があります。特権の昇格、過度なデータ・アクセス、ポリシー違反をブロックする必要があります。そうしないと、組織に影響を及ぼす前に、行動が完了する前に、実行の瞬間にです。多くの組織は、すでに十分なSaaSセキュリティを持っていることを信じています。エージェントAIが登場したときに、これらの仮定はどこで崩壊していますか。多くの組織は、すでに「SaaSセキュリティを解決した」と考えています。しかし、この仮定は、エージェントAIの採用が進むにつれて崩壊しています。SaaSセキュリティは、チェックボックスの項目として扱われることが多く、予算が承認され、ツールが導入され、問題は解決されたと考えられます。しかし、実際には、SaaS APIは、エンタープライズがこれらの環境を完全に制御下に置けていないため、制御下に置かれていません。エンタープライズは、SaaSデータがアクセスされ、操作される方法について明確な理解を持っていないためです。これにより、エンタープライズがセキュリティとエンドポイントを保護しているかもしれませんが、SaaSデータがアクセスされ、操作される方法について明確な理解を持っていない構造的な盲点が生じます。エンタープライズは、API駆動のやり取りが発生する下位のインターネット上で、重要なシステムに直接アクセスしていますが、API駆動のやり取りの規模や動作について十分に理解していないためです。エージェントAIはこのギャップを暴露し、チームがそれらを閉じるよりも速く課題を生み出しています。そうすることで、APIの話題の触媒となります。エンタープライズは、データをアクセス、移動、複数のシステムで操作できる自律的なAIエージェントを扱う際に、ガバナンスをどのように再考するべきですか。 リーダーは、AIの採用を遅くしたくないでしょう。特に、AIの採用を速めるか、評価で測定可能な成果を示す必要がある場合、トップダウンでAIマンダイトが来ることがあります。CEOは取締役会や公的利害関係者に進捗状況を報告するため、採用を速めるという姿勢はさらに強化されます。この環境では、「AIをあらゆるコストで」というデフォルトの姿勢が、ミスコンフィギュレーションや過剰なアクセス許可が修正されるまでに十分な時間がない状況を作り出します。問題は、エージェントシステムは修正を待ちません。エージェントは、複数のSaaSアプリケーションを横断して、セカンドのうちにワークフローを発見し、チェーン化し、実行できます。人間が介入する前に、10以上のステップを完了することがあります。セキュリティリーダーは、エージェントが実際に動作している時にのみコントロールが行われる場合、エージェントを効果的にガバナンスすることはできません。エージェントがSaaSシステムを横断して自律的な決定を下す世界では、ガバナンスは、開発ライフサイクルの早い段階で問題を捕捉することではなく、エージェントが実際に動作している時にコントロールすることについてです。セキュリティ・リーダーは、エージェントが誤用される前にコントロールが行われるのではなく、エージェントが誤用された後にコントロールが行われる場合、エージェントをガバナンスすることはできません。ランタイム・ガバナンスへのアプローチが必要です。これには、特権の昇格、過度なデータ・アクセス、ポリシー違反を検出してブロックすることが含まれます。OWASP標準と業界のベストプラクティスに沿ったコントロールが必要です。エージェントが明示的で執行可能な境界内で動作することを保証する必要があります。そうすれば、チームはエージェントAIの採用のスピードを維持しながら、イノベーションを妥協することなく、進むことができます。技術的な観点から、SaaS環境におけるエージェントAIによって導入される最も見過ごされる脆弱性は何ですか。企業が新しいSaaSツールを採用する場合、AI機能がデフォルトで追加されるか、有効になっていることが増えています。問題は、これらの機能が従来のSaaS機能と同じレベルの構成コントロールや監査可能性を持っていないことです。したがって、アクションが取られたときに、人間のユーザーによって開始されたのか、自律的なエージェントによって開始されたのか、区別することが困難になります。多くの場合、企業にはAI機能を無効にするオプションがないこともあります。なぜなら、これらの機能はSaaSアプリケーション自体に組み込まれているからです。この曖昧さは、セキュリティとガバナンスのための大きな盲点を作ります。埋め込まれたAI機能がユーザーの代わりに決定を下している場合、組織は意図、意思決定ロジック、または特定のアクションのトリガーを明確に追跡する方法を持っていないことがよくあります。リスクは、SaaS内のAIサプライチェーンを考慮するとさらに重大になります。これらの埋め込まれたAI機能は、上流のモデル、サービス、第三者統合に依存しています。サプライチェーンのいずれかの部分が妥協されたり、劣化したり、操作されたりすると、SaaSアプリケーション内のAIは、信頼されたビジネスアプリケーションを攻撃パスの積極的な参加者に変える可能性があります。AIレイヤーは、SaaS内で独自のサプライチェーンを形成し、新しいリスククラスを導入します。このサプライチェーンは、独自の権限で監視およびガバナンスされる必要があります。埋め込まれたAIシステムの動作や依存するデータについての可視性がないと、組織は拡大するSaaS攻撃面に対して盲目です。あなたは、ビジネス・バリューとリスクを量化することに広範な経験を持っています。組織は、セキュアされていないAIエージェントに関連する財務的および評判の露出をどのように測定するべきですか。 AIエージェントが誤用されたり、侵害を引き起こしたりすると、直近の影響は、インシデント自体だけではなく、組織の対応です。このイベントは、AIの採用速度を低下させます。なぜなら、リーダーはより慎重になり、イノベーションのエンジンが再び動くまでに信頼を再建することが難しくなります。信頼が失われると、ビジネス全体の意思決定を遅くすることになります。このダイナミクスは、内部チームを超えて外部の利害関係者にも及ぶことになります。取締役会、顧客、株主はすべて、責任ある展開を期待しています。AIエージェントに関連する任何の失敗は、すぐに財務および評判の問題になります。セキュリティが設計時に組み込まれない場合、組織は、コントロールとセーフティについての反応的な会話に巻き込まれ、ビジネス全体の意思決定を遅くすることになります。また、見過ごされがちな構造的な財務的露出があります。AIエージェントの潜在的な影響が拡大するにつれて、企業はより慎重になり、潜在的なインシデントに対して資本を割り当てることを控えるようになります。場合によっては、投資を遅らせたり、保護するために資金を保持したりすることがあります。この点では、AIエージェントをセキュアにすることは、純粋なリスク軽減の演習ではなく、収益と成長の会話になります。信頼を持ってAIを展開できる組織は、スピードと信頼を組み合わせて動くことができます。信頼を持っていない組織は、自然に自分自身を遅くするでしょう。2026年では、スピードと信頼を組み合わせる能力は、超能力になります。AIの採用と責任ある展開の間には明らかな緊張があります。会社がイノベーションを犠牲にせずにリスクプロファイルを増やさないバランスのとれた戦略とは何ですか。 現在、AIの採用と責任ある展開の間で最も大きなギャップは、コミュニケーションです。多くの企業は、SaaS環境全体でAIを積極的に使用していますが、外部で、どのように使用されているか、どのようなセーフガードが組み込まれているかについて、明確な会話をしていません。そのような透明性の欠如は、実際に存在するコントロールを理解するのではなく、顧客やパートナーが最悪のシナリオを想定することによって、実際のリスクを増大させることになります。責任あるAIの使用を価値提案の一部として扱う、よりバランスのとれたアプローチがあります。企業は、環境内でAIがどのように使用されているか、そしてどのように制御されているかについて、より明確に説明する機会があります。そうすることで、AIを安全に拡大するために必要な信頼を構築することができます。企業が、SaaS環境全体でAIがどのように使用されているか、そしてどのように制御されているかについて明確に説明できる場合、イノベーションを犠牲にせずにリスクを増やさずに、より迅速に進むことができます。エンタープライズがエージェントAIを実験するにつれて、セキュリティチームは今日何をすべきですか。次のヘッドライン・ブレーチを避けるために、すぐに取るべきステップは何ですか。 エージェントAIは、新しいリスククラスを導入しますが、まだ見えないものも加速します。実際には、影のAIは、平均的なブレーチコストに670,000ドルを追加します。ただし、根本的な問題は可視性です。組織がAIの使用状況やシステムとのやり取りを把握していない場合、インシデントの検出と包含に時間がかかり、財務的および規制上の影響が直接増大します。最初の即時のステップは、ビジネス全体で可視性を確立することです。セキュリティチームは、承認されたAIの使用と承認されていないAIの使用の両方について、明確な絵を必要とします。アプリケーションレベルだけでなく、AIが実際に意思決定や影響を与えるワークフローで動作している場所でも可視性が必要です。可視性が存在すると、焦点は可視性を実施可能なポリシーに変換し、実際の仕事が行われるシステムにそれを組み込むことに移ります。つまり、ビジネスとAIの使用方法について合意し、文書化から技術的なコントロールへの移行を行う必要があります。コントロールが実行パスに導入されるほど早い場合、高コスト、高度なインシデントの可能性は低くなります。エージェントAIシステムがエンタープライズ・インフラストラクチャに深く組み込まれるにつれて、セキュリティ・ランドスケープはどのように進化するでしょうか。組織は、AI駆動の脅威に対処するために、AIネイティブ・セキュリティが必要になります。これらのシステムは、マシンのスピードで動作し、セキュリティ・オペレーションを本質的に変えます。人間はループに留まるでしょうが、戦略的なオーバーサイトに移行し、AIがまだ欠如しているコンテキストと判断を適用することになります。この変化は、セキュリティチームの構造も変えます。チームは縮小する可能性は低いですが、自動化とAI駆動のツールを通じて、1人のセキュリティ専門家が責任を持つサーフェス・エリアは大幅に拡大します。さらに、エージェント環境では、監視と検出だけでは十分ではありません。組織は実際の執行メカニズムを実装する必要があります。つまり、機能をオンまたはオフに切り替える能力、リアルタイムで動作を制限する能力、そしてエンタープライズ全体に影響を及ぼす可能性のあるシステムを分離する能力が必要です。AIのサプライチェーン・リスクは、設計にキルスイッチのようなコントロールを組み込まないことを許容できません。将来、AIは人間のスピードと能力を超えてさらに進化するでしょう。しかし、会話はリスクだけに焦点を当てるのではなく、機会も含める必要があります。子供を育てるように、AIは成長し、間違いを犯すでしょうが、我々を超える能力もあります。勝者は、AIを大規模に採用しながら、安全に、信頼を持って展開するために必要なコントロール・システムを構築することになります。素晴らしいインタビュー、ありがとうございます。さらに学びたい読者は、Obsidian Securityを訪問してください。
-
レポート1 day agoNasuniのThe State of Enterprise File Data Annual Report 2026：エンタープライズAI導入はデータ準備を上回っている
Nasuniの新しくリリースされたThe State of Enterprise File Data Annual Report 2026は、エンタープライズ世界がAI導入に向けて激しく進んでいる一方で、既存のデータインフラストラクチャがAIシステムのスケール、複雑さ、運用上の要求に対応できていないことを示唆している。この報告書は、アメリカ、イギリス、フランス、ドイツ、オーストリア、スイスの1,000のエンタープライズ購入決定責任者を対象とした調査に基づいており、次のエンタープライズAI競争は、モデルアクセスよりも、組織が非構造化された運用データをどのように管理するかによって決まる可能性があることを示唆している。AI導入はエンタープライズの準備を上回っている調査結果によると、AIは2026年のエンタープライズのトップIT投資優先事項となっている。59％の回答者がAIイニシアチブを最優先事項として挙げており、前年比で大幅な増加となっている。同時に、エンタープライズは、AI導入を、より広範なデータ管理モダニゼーション努力から切り離すことはできないことを認識し始めている。クラウドデータ管理、データインテリジェンス、分析、および非構造化データ管理がすべて主要な投資優先事項として浮かび上がっている。77％の回答者が、データインテリジェンスおよび分析機能への投資を増やす予定であると述べているのに対し、60％が、次の18ヶ月間に非構造化データ管理への支出を増やす予定であると回答している。報告書によると、多くの組織は、AIシステムがクリーンでアクセス可能で、適切に管理されたエンタープライズデータにどれほど依存しているかを軽視していた。回答者の約半数が、AIイニシアチブがすでにデータ品質またはガバナンスのギャップを明らかにしたと回答している。AI導入のレベルが高くなるにつれて、重大なデータ問題が発生する可能性も高くなっている。Nasuniの調査によると、エンタープライズはまだ、大規模なエージェントAI導入が何を要求するかを理解する初期段階にある可能性がある。97％の組織がAIエージェントの導入またはテストを行っているものの、エンタープライズ全体でAIエージェントを導入した組織は18％のみである。非構造化データがエンタープライズのボトルネックとなっている報告書の中で最も明確なテーマの1つは、非構造化データの重要性の増大である。ドキュメント、電子メール、画像、録音、設計ファイル、エンジニアリングデータ、コラボレーションアセットが現在、組織のデータの90％以上を占めている。しかし、エンタープライズ運用およびAIワークフローにおいてこのデータが果たす重要な役割にもかかわらず、94％の回答組織が非構造化データを効果的に管理するのに苦労している。セキュリティ上の懸念が最大の課題として挙がっており、その後に災害復旧の困難、コラボレーションの問題、断片化された環境、コンプライアンスの複雑さが続いている。報告書は、断片化が中心的な運用上の問題であることを繰り返し強調している。組織は現在、平均して4つの別々のシステムをストレージ、バックアップ、災害復旧に使用しており、22％の組織が同時に6以上のベンダーを使用している。調査結果によると、複数の切断されたシステムを使用する組織は、復旧時間が長く、運用上の圧力が高く、AIイニシアチブのスケーリングに苦労することが多い。Nasuniは、現在、21％のエンタープライズのみが、ロケーション全体で一貫したパフォーマンスを提供できる、中央管理されたファイル環境を運用していると述べている。残りの組織は、断片化されたシステム、手動転送、メールベースの共有、または一貫性のない中央インフラストラクチャのさまざまな組み合わせに依存している。その不一致は、生産性に直接的な影響を及ぼしている。企業の3分の1以上が、遅いまたは一貫性のないファイルアクセスが従業員の生産性を大幅に低下させていると回答している。AIインフラストラクチャのコストがIT支出を再編成している報告書は、AI拡大に伴うインフラストラクチャのコストが急激に増加している時期に発表された。42％の組織が、次の1年間にAIツールおよび生成AIプラットフォームの支出が大幅に増加する予定であると回答している。Nasuniは、インフラストラクチャハードウェアの価格も、特にメモリおよびストレージコンポーネントが、急激に上昇していることを指摘している。報告書は、DRAMおよびSSDの価格が2026年末までに最大130％上昇するという予測を引用している。これは、エンタープライズのIT予算内で緊張を生み出している。46％の回答者が、データの増加によりストレージインフラストラクチャの支出が増加していることを報告しており、43％が、ストレージインフラストラクチャとAIイニシアチブの間で直接の予算のトレードオフを行っていることを報告している。調査結果は、多くのエンタープライズが、AI拡大は単なるソフトウェアの問題ではなく、ストレージパフォーマンス、ガバナンス、セキュリティ、バックアップ、災害復旧、クロスロケーションデータアクセスに関する重大な運用上の要求をもたらすことを認識し始めていることを示唆している。サイバーセキュリティおよび復旧の弱点が依然として重大サイバーセキュリティおよび運用上の回復力が、報告書の中で別の主要な懸念事項として浮かび上がっている。71％の組織が、過去1年間にサイバーアタックを受けたことを報告しており、前年の調査では69％であった。ただし、サイバーアタックを容易に検出、軽減、復旧できた組織は26％のみである。復旧時間は特に懸念事項であった。調査結果によると、70％の組織がサイバーアタックから完全に復旧するのに1週間以上かかり、平均復旧期間は約4週間であった。報告書は、62％の組織が依然として従来のバックアップベースの復旧システムではなく、継続的に保護されたまたは不変のデータ環境に依存していることを発見した。Nasuniは、これらの従来のアプローチは、ダウンタイムや運用上の中断が著しく高くなるAI環境には適していない可能性があると主張している。中央管理されたデータインフラストラクチャがより成熟している組織は、サイバーアタックから実質的に迅速に復旧することができた。中央または継続的に保護されたデータシステムを使用する企業は、運用を迅速に回復し、AI導入の成熟度も高い傾向にあった。報告書は、建築、エンジニアリング、建設業界をサイバーアタックの被害に遭いやすい業界の1つとして挙げている。調査対象のAEC組織の82％が、前年間にサイバーアタックを受けたことを報告しており、製造業および自動車業界も攻撃率が高いことが懸念事項となっている。これは、知的財産および重要なインフラストラクチャを保有する運用業界がサイバー犯罪者にとって魅力的な標的となっていることを示唆している。同時に、調査結果は、多くのエンタープライズが復旧能力を過大評価している可能性があることを示唆している。中央管理された、不変の、または継続的に保護されたデータシステムを備えている組織は38％のみであるのに対し、2/3の回答者は、重大なインシデント後に重要な非構造化データを復旧できることについて自信を表明している。AIガバナンスが取締役会の問題となっている報告書で特に注目すべき組織的変化の1つは、AIイニシアチブの意思決定権に関するものである。初めて、CレベルがIT部門を超えてエンタープライズAI戦略の主要な意思決定者となっている。52％の組織が、AIの決定は、CEO、CTO、CDO、CAIOなどの幹部によって主に推進されていると回答しており、対照的に、IT部門によって主に推進されている組織は26％のみである。Nasuniは、これは、組織が実験を超えて運用上の展開に向けて進むにつれて、AIの戦略的重要性が高まっていることを反映していると述べている。AIは、従業員構造、運用ワークフロー、製品戦略、長期的競争力に関連する、より広範なビジネス変革努力に結びついている。ただし、報告書は、幹部レベルのAIの野心と、ITチームが直面している根本的なインフラストラクチャの現実との間で、成長する断片化を指摘している。70％の回答者が、ファイルデータインフラストラクチャがAIのスケーリングをサポートできることを信じている一方で、報告書は、断片化されたストレージ、ガバナンスのギャップ、一貫性のないアクセス、弱い復旧システムに関する恒久的な問題を繰り返し強調している。その断片化は、エンタープライズが軽量の生成AIツールから、運用タスクをエンタープライズシステム全体で実行できるより自律的なAIエージェントに向けて移行するにつれて、より顕著になる可能性がある。次のAIレースはデータインフラストラクチャについて一般的なAIの議論はまだ、基盤モデル、ベンチマーク、チャットボットの機能について焦点を当てているが、Nasuniの調査結果は、エンタープライズテクノロジースタック内で起こっている、より静かに進行しているが、より重大な変化を示唆している。報告書は、将来的にAIの成功は、モデルアクセスのみではなく、運用ファイルインフラストラクチャに依存する可能性があることを示唆している。断片化されたストレージシステム、一貫性のないコラボレーション環境、ガバナンスのギャップ、旧式の復旧戦略を持つ組織は、AIを信頼性の高いエンタープライズスケールで展開するのに苦労する可能性がある。報告書は、エンタープライズが独自のデータについてどう考えるかという、より広範な変化も示唆している。運用ファイルデータ、包括して内部ドキュメント、コラボレーションレコード、画像、録音、ワークフローアーティファクトなどは、企業固有のコンテキストと機関の知識でAIシステムを動かすことができる、戦略的な資産として扱われるようになっている。同時に、報告書は、信頼性の高い、中央管理された、ガバナンスされたデータ環境なしでAIをスケールアップすると、セキュリティリスク、運用上の非効率性、組織の複雑さが増大する可能性があることを警告している。NasuniのThe State of Enterprise File Data Annual Report 2026は、最終的に、エンタープライズAI導入を、スタンドアロンのソフトウェア革命ではなく、組織がデータを保存、管理、保護、運用する方法を根本的に再考する必要がある、より深いインフラストラクチャの移行として捉えている。
-
インタビュー1 day agoAli-Reza Adl-Tabatabai、Gitarの創設者兼CEO – インタビュー・シリーズ
Ali-Reza Adl-Tabatabai、Gitarの創設者兼CEOは、シリコンバレーで最も影響力のあるテクノロジー企業の1つである、Uber、Google、Facebook、Intel、AMD、IBMでキャリアを積んだベテランエンジニアリングリーダーです。Gitarを2023年に立ち上げる前に、Uberのエンジニアリング部門のシニアディレクターを務め、開発者プラットフォームのイニシアチブを牽引し、GoogleではSite Reliability Engineeringを担当し、Communications、Photos、Social、Cloud、テクニカルインフラストラクチャなどの製品を担当しました。彼のキャリアの初期には、Intel LabsとFacebookのHipHop VMチームでコンパイルテクノロジー、仮想マシン、並列コンピューティングシステム、ハードウェア最適化に取り組み、スタンフォード大学でもコンパイル設計を教えていました。プログラミング言語、インフラストラクチャの信頼性、開発者ツール、ラージスケールシステムアーキテクチャに関する彼の長年のバックグラウンドは、進化するAIパワードソフトウェアエンジニアリングの風景において、著名な人物としての地位を確立しています。Gitarは、AIアシストソフトウェア開発の台頭によって生じる問題に焦点を当てています。つまり、企業システムに流入する大量のマシン生成コードの検証とセキュリティです。プラットフォームは、コードレビュー、CI/CDパイプラインの故障の調査、バグと脆弱性の特定、修正の提案、既存のエンジニアリングワークフローへの統合をAIエージェントを使用して自動化します。GitHub、GitLab、Jenkins、Jira、Slackなどのツールを使用して、エンジニアリングワークフローに直接統合します。Gitarは、AIコード生成にのみ競合するのではなく、エンジニアリングチームが信頼性、セキュリティ、運用の監視を維持できるように、コード検証とセキュリティに重点を置いています。あなたはUber、Google、Intel Labsでエンジニアリングを率いてきました。大規模な開発者プラットフォームとインフラストラクチャに取り組んでいました。どのような経験がGitarの創設に繋がり、コード検証ではなくコード生成に焦点を当てたのですか?Uber、Google、Facebook、Intel Labsで、さまざまなスケールの開発者プラットフォームに取り組んできました。開発者エクスペリエンスは競争上の優位性であるという教訓が繰り返し出てきました。優れたツールは最高のエンジニアを引き付け、企業が迅速に動くことができます。開発者は、迅速でノイズのないツールを求め、自動化されたgrunt workを求め、フローを維持することができます。しかし、開発者ツールは深く断片化されており、多くの企業は一貫したエクスペリエンスをまとめるために大量のエンジニアリングリソースを費やしています。私は、そこを修正することの利点を直接見ました。AIは、以前よりも多くの開発者ワークフローを自動化できるようにします。コード生成はすでに十分にカバーされていますが、それはボトルネックを下流にシフトしました。検証、リファクタリング、メンテナンスのコードが今までにない速度で生成されるようになりました。Gitarはそこに焦点を当てています。AIがより多くのコードを書くにつれて、希少なリソースは生成ではありません。信頼性、正しさ、メンテナンス性が重要です。コード検証は、AI生成コードが実際に安全にプロダクションに到達するかどうかを決定するワークフローの部分です。それが解決すべきより難しい、より貴重な問題です。AI生成コードの台頭により、多くのチームは現在「コード過負荷」と呼ばれる問題に直面しています。この問題は今日の企業内でどれほど重大なものですか? チームはどこで最も苦労していますか?変化はコードの書き方ではありません。すでにチームが吸収できるよりも速く進んでいます。変化したのは、コードの後に続くすべてのことです。AIツールは、チームがレビューできるよりも速くプルリクエストの連続流れを生成し、システムの設計ではなかった部分に圧力がかかります。すべての変更はまだ検証を通過する必要があります。コードレビュー、CI、セキュリティチェック、承認など、すべてが消え去るわけではありません。以前は管理可能なフローでしたが、バックログに変わりました。チームはアイデアや実装でブロックされていません。信頼性でブロックされています。出荷できますか? 安全ですか? 何か微妙なものを壊しましたか?業界は主にコード生成の高速化に焦点を当ててきました。なぜ検証が見落とされているのでしょうか? それが今より重要になる理由は何ですか?コード生成の下流のシステムは同じペースで進化していません。出力が増加すると、下流のすべてがストレスを受けます。プルリクエストは大きくなり、頻度が増えます。CIの失敗は積み上がり、レビューサイクルは圧縮されます。誰もがすべての変更を深く調べる時間がありません。品質は低下し始めます。エンジニアが気にしないわけではありませんが、ボリュームによりトレードオフが必要になります。プラットフォームチームはパイプラインの問題、失敗のトライアジ、フローを維持するための負担を増やします。シニアエンジニアはコーディネーターとして働き、ログを組み立て、問題を診断し、安全にマージできるかどうかを決定します。Gitarはコードレビュー、テスト、CIワークフローをAIエージェントで処理します。これらのエージェントは従来の静的分析ツールやルールベースのパイプラインとどのように根本的に異なりますか?違いは表面的なものではありません。実際のエージェントは、プロンプトに応答するだけでなく、マルチステップの作業を処理し、計画し、ツールを使用し、コンテキストを追跡し、タスクを進め、常に入力を必要としません。ほとんどのシステムはこの基準を満たしていません。出力を生成しますが、実行を管理しません。実際のワークフローに配置されたとき、これらのツールのギャップはすぐに明らかになります。複雑さを軽減しません。多くの場合、管理する必要のある別のレイヤーを追加します。信頼はソフトウェア開発における自動化の重大な障壁です。Gitarはどのようにして検証プロセスがチームに依存できるだけの信頼性があることを保証していますか?うまく機能するパターンはシンプルです。作業を小さなステップに分割します。明確な境界を定義します。出力を継続的に検証します。リスクを伴う決定では人間を関与させます。エージェントはコードをレビューし、スケールで見逃しやすい問題を表面化できます。CIの失敗を分析し、関連するエラーをグループ化し、 вероятの根本原因を示します。修正を提案し、制御された方法で適用できます。あなたのプラットフォームでは、チームが独自のエージェントを作成できます。エンタープライズの採用におけるカスタマイズの重要性は何ですか? どのような興味深いユースケースを見ていますか?カスタマイズはエンタープライズの採用にとって不可欠です。プラットフォームチームは、CIを会社の特定のニーズに合わせて調整するために、多大なリソースを費やしています。これには従来、独自のスクリプト、構成、ツール統合、ログプロセッサ、現代のDevインフラストラクチャを維持するためのその他のDUCTテープが必要でした。Gitarはその作業を圧縮します。プラットフォームチームは、自然言語のプロンプトを使用してカスタムチェックを記述できます。これにより、従来のプログラム分析では困難または不可能なものを検証できます。たとえば、ユーザー向けの文字列を曖昧な翻訳としてフラグ設定するか、AGENTS.mdファイルの更新を検証します。カスタムワークフローもプルリクエストの上に自動化できます。Jiraの問題にPRをリンクする、解決されていないレビューコメントのためのフォローアップチケットを開く、不安定なテストを自動的に再試行する、またはPRの要約にカスタムのTODOリストを追加するなどです。現代のエンジニアリングチームは、GitHub、GitLab、Jiraなどの複雑なツールのスタックに依存しています。Gitarが既存のワークフローに統合されることの重要性はどれほどですか?採用は、開発者がすでにいる場所で彼らに会うことによって依存します。エンジニアは別の表面を学びたいと思ったり、別のダッシュボードを確認したり、ツール間でコンテキストを切り替えたりすることはありません。彼らは既存のワークフローが速く、静かになることを望んでいます。したがって、GitHub、GitLab、Jira、スタックの残りの部分との深い統合は、私たちにとって戦略の全体です。あなたは、シニアエンジニアの役割が次の数年間にどのように進化することを想定していますか?シニアエンジニアはすでに調整役としてシフトしています。ログを組み立て、問題を診断し、安全にマージできるかどうかを決定しています。那は誰もが計画していた役割ではありません。那はシステムが負荷に崩壊したことに対する反応です。Gitarは最近、900万ドルを調達しました。資本の優先事項は何ですか? 次の12〜18ヶ月間に成功とは何ですか?資本は2つの優先事項に向けられます。最初はマーケティングです。エンタープライズの動きを拡大し、開発者への認知度を高め、Gitarが存在することをチームに知らせています。2つ目は製品です。完全に自動化されたコード検証と品質に向けて構築を続け、エージェントの機能を深化し、ワークフローのカバレッジを拡大し、開発者がすでに使用しているツールとの統合を強化します。次の12〜18ヶ月間の成功とは、企業顧客がコードベース全体でGitarを実行していること、開発者コミュニティがGitarをAI駆動型コード検証のデフォルトとして認識していること、エージェントがレビュー、修正、統合の作業を時間の経過とともにより多く自動化していることの証拠です。如果私たちが軌道に乗っているなら、1年後の会話はAIがコードを検証できるかどうかではなく、チームがエージェントに検証パイプラインのどれだけを渡したかについてです。素晴らしいインタビュー、ありがとうございました。詳しく知りたい読者は、Gitarを訪れてください。
-
資金調達1 day agoダスト、エンタープライズ向け「マルチプレイヤーAI」構築のために4億ドルを調達
エンタープライズAIの導入は、過去2年で急速に進展しています。しかし、多くの組織では、AIの使用が個々の従業員に限定され、チーム全体の運用に組み込まれることができないという根本的な問題に直面しています。この課題は、Dustの最新の資金調達発表の中心です。同社は、Sequoia CapitalとAbstractが主導し、Snowflake VenturesとDatadogが参加する、4億ドルのシリーズBラウンドを調達しました。同社は、現在、プラットフォーム上で3,000以上の組織と51,000以上の月間アクティブユーザーをサポートしていると述べています。「シングルプレイヤー」AIから共有組織システムへの移行Dustは、エンタープライズAIのほとんどを「シングルプレイヤーAI」と表現しています。従業員は、個別のチャットウィンドウ内で分離されたアシスタントとやり取りし、組織全体の知識に貢献しない出力を生成します。同社のプラットフォームは、この断片化に対処するために、チームに共有環境を提供し、AIエージェントと従業員が同じコンテキスト、接続されたツール、会社の知識ベースを使用して共同作業できるようにします。チャットボットのやり取りだけに焦点を当てるのではなく、Dustは組織内での運用AIのインフラストラクチャとして自社を位置付けます。同社のプラットフォームは、100以上のエンタープライズツールとデータソースと統合し、エージェントが文書を分析し、プレゼンテーションを生成し、スプレッドシートを操作し、部門全体でワークフローを調整できるようにします。これは、エンタープライズAIで起こっているより広範な変化を反映しています。企業は、単純な会話アシスタントを超えて、永続的なメモリ、ワークフローのオーケストレーション、チーム全体での共同実行が可能なシステムに向けて進化しています。「AIオペレーター」の台頭Dustのアプローチから生まれた最も注目すべきアイデアの1つは、「AIオペレーター」の概念です。同社によると、これらは、運用、サポート、営業、マーケティングなどの部門内に埋め込まれた従業員で、チームに合わせたAIシステムを構築して管理します。このアイデアは、企業内での組織的な進化を示唆しています。AIの導入が、中央のエンジニアリングチームによってのみ制御されるのではなく、日常のビジネスプロセスに最も近い運用スタッフが、AIエージェントの構成と最適化を担当する可能性が高くなります。この趨勢は、エンタープライズソフトウェアのエコシステム全体で既に現れています。企業は、伝統的な開発サイクルを通じてワークフロー変更を実施する必要性なく、AIを運用化する方法を探しています。Dustのアーキテクチャは、この分散モデルを中心に設計されており、チームが内部でエージェントを作成して改良できるようにし、同時に管理、監査ログ、分析、コスト監視などのガバナンスコントロールを維持しています。既存のエンタープライズAIパターンに基づく構築Dustは、Gabriel HubertとStanislas Poluによって設立されました。両者は、2014年にTOTEMSをStripeに売却した後、共同でStripeで勤務しました。Poluは後にOpenAIに移り、Greg BrockmanとIlya Sutskeverと共にAIの推論研究に従事した後、2023年にDustを共同設立しました。同社のテーゼは、AI業界全体で広がっている信念を反映しています。最も大きな機会は、より大きなモデルを構築することだけではなく、実際のビジネス運用にモデルを統合するソフトウェアレイヤーを作成することにあるという信念です。Dustは、単一の先端AIプロバイダーに依存しない、モデル非依存の戦略を強調しています。この柔軟性は、企業が急速に変化するモデル機能、価格構造、ガバナンス要件を乗り越える上で、ますます重要になっています。エンタープライズAIが組織インフラストラクチャになる可能性Dustのようなプラットフォームのより広範な意味は、チャットボットの導入や生産性の向上を超えています。エンタープライズAIは、エージェントがワークフロー、会社の知識、運用システムと接続された永続的な共同作業者として機能する、組織インフラストラクチャとして進化しています。このモデルが拡大すると、企業は、部門やプロジェクト全体でコンテキストを蓄積する、専門化されたAIエージェントのネットワークに依存する可能性があります。これにより、多くの組織内で存在する断片化が軽減されます。この変化は、エンタープライズソフトウェア自体を再定義する可能性もあります。従業員が離散したSaaSツールの間を移動するのではなく、将来的には、ワークフローを調整し、機関の知識を取得し、複数のビジネスシステムと同時にやり取りできる、共有のAIレイヤーを中心とした職場が現れるかもしれません。長期的な影響は、効率だけに留まりません。共同AIシステムが成熟すると、組織は、個々の従業員や静的ドキュメントに頼るのではなく、進化するAI環境内に運用知識を保存する可能性が高くなります。同時に、組み込まれたAIシステムの役割の増大は、ガバナンス、説明責任、およびビジネスが自律エージェントに委ねる運用コントロールのレベルについて、新しい疑問を提起する可能性があります。
-
資金調達2 days agoSearchableが1億4000万ドルを調達、AI検索がデジタルマーケティングを変える
Searchableは、ベンチャーキャピタルファームのHeadlineが主導する資金調達ラウンドで1億4000万ドルを調達し、会社の価値は85億円となった。この調達は、企業がオンラインでブランドを発見する方法を再考するようになったときに実施された。AI生成の回答が、ChatGPT、Gemini、Perplexityなどのプラットフォームで従来の検索結果を置き換え始めたからだ。会社によると、Searchableはすでに月間再発生収入で100万ドルを超え、60日間で500以上の支払い顧客を獲得した。顧客には、アメリカン・エクスプレス、シーメンス、ファイザー、テンセント、ボストン・コンサルティング・グループ、DigitalOcean、Havasが含まれる。AI検索がオンラインでのブランド競争を変える生成的なAI検索ツールの登場は、デジタルマーケティングと顧客獲得戦略を根本的に変え始めている。ユーザーにリンクのページを表示するのではなく、AIシステムは直接の回答、要約、推奨事項を提供するようになった。この変化により、ブランドはAI生成の回答内で表現されるか、無視されるかについて心配するようになった。Searchableは、企業がAI検索プラットフォーム全体でブランドの可視性を監視して改善するのを支援するソフトウェアを構築している。プラットフォームは、複数のAIエンジンを横断してブランドの可視性を追跡し、技術的なSEOタスク、コンテンツの最適化、AIに焦点を当てた検索の改善を自動化する。同社のウェブサイトやパブリック資料では、Searchableは、AI検索とAI駆動のコマースの新時代に特化したAIパフォーマンスマーケティングプラットフォームとして自己を位置付けている。SEOからAI可視性へSearchableのより広いテーゼは、伝統的なSEOワークフローが、AIアシスタントがユーザーとウェブサイトの間で中間者として機能するようになったため、時代遅れになっているということだ。プラットフォームは、Google AnalyticsやGoogle Search Consoleなどのソースからの分析と、AI可視性の監視ツール、自動化された最適化システムを組み合わせている。同社によると、そのソフトウェアには、スキーマの最適化、技術的なSEOの修正、AIクローラーのアクセシビリティ、コンテンツの再構成、AIシステム全体での引用の追跡などの分野に焦点を当てた、数十のAI駆動のワークフローが含まれている。この新しいカテゴリは、時々「AI検索最適化」または「生成エンジンの最適化」と呼ばれ、企業が大規模な言語モデルがブランドや製品を参照する方法に影響を与えるための成長する取り組みを反映している。業界の注目は、AI生成の要約と回答エンジンが主流の検索体験内でより顕著になるにつれて、過去1年で急速に加速した。投資家がAI検索インフラストラクチャーに賭けるHeadlineの投資は、同社が過去10年で最も成功したSEOソフトウェア会社の1つであるSemrushを以前支援していたという点で特に注目に値する。投資は、AI検索最適化が、消費者行動の変化に適応する企業に対して、新しい主要なソフトウェアカテゴリに発展する可能性があるという、投資家の自信が高まっていることを反映している。Searchableは、2025年末に400万ドルを調達し、評価額は4億円だった。最新の資金調達ラウンドは、会社の評価額を大幅に増やし、AI検索インフラストラクチャーへの投資家の関心がどれほど急速に成長しているかを強調している。AIの推奨に関する新たな戦いSearchableの成長は、インターネット経済全体で起こっているより大きな転換を強調している。長年、企業は主にGoogleのランキングを最適化していた。しかし、企業は今、AIシステムが情報源を選択し、情報を要約し、ブランドを直接ユーザーに推奨する方法を理解しようとしている。これにより、まったく新しい競争環境が生まれる。ブルーラインクを表示する検索エンジンの結果ページで競争するのではなく、ブランドはAI生成の回答、会話アシスタント、ショッピングの推奨、Searchableは、企業がこの移行を管理するために、可視性を監視するだけの分析ツールではなく、ブランドがAIシステムによってどのように解釈され、表現されるかを積極的に改善する自動化システムを必要とすることを賭けている。
-
人工知能2 days ago知能インテリジェンス、脳にインスパイアされたAIモデル「HRM-Text」を発表
AI業界が、より大きな言語モデルや巨大なデータセンターに数十億ドルを投入し続ける中、シンガポールのAI研究会社である知能インテリジェンス（Sapient Intelligence）は、異なるアプローチを取っている。同社は、脳が遅い、慎重な推論と速い、低レベルの処理を分離するように設計された階層型リカレントアーキテクチャに基づく、新しい10億パラメータの推論言語モデル「HRM-Text」を発表した。同社は、HRM-Textを、推論の深さや計算効率が、生のパラメータ数よりも次のAI開発段階で重要になる可能性があることを示す証拠として位置付けている。この発表は、AIセクター全体で出現しているより広い傾向を続けるものである。つまり、単にトランスフォーマーを無限にスケールアップするだけでは、より一般的な知能を達成するのに十分ではないという懐疑主義が広がっていることである。トランスフォーマーの定石を超えてほとんどの現代的な大規模言語モデルは、次のトークンの予測に焦点を当てた主にフィードフォワードシステムを使用するトランスフォーマーアーキテクチャに依存している。一方、SapientのHRMフレームワークは、出力が生成される前に複数の推論レイヤーが内部で相互作用する階層型リカレント構造を導入する。同社は、このアーキテクチャを、抽象的な計画と推論を担当する上位レベルの「遅いコントローラー」と、詳細な計算を担当する下位レベルの「速いワーカー」の2つの相互接続されたシステムで動作するものとして説明している。これは、現在のAIシステムで広く使用されている「思考の連鎖」方法と異なる。HRM-Textは、長い可視的なテキストシーケンスを介して推論を表現するのではなく、内部の潜在的な空間内で推論の大部分を実行し、次に応答を生成する。Sapientは、この構造により、巨大なモデルサイズや大量の推論コストに頼ることなく、小規模なシステムがより複雑なマルチステップ推論を実行できることを示唆している。同社が提供したベンチマーク結果によると、HRM-Textは、MATHで56.2％、ARC-Challengeで81.9％、DROPで82.2％、MMLUで60.7％のスコアを達成した。これは、比較的小規模なフットプリントにもかかわらずである。効率が戦略的AIの戦場になるこの発表は、AIインフラストラクチャのコスト、電力消費、計算リソースの可用性が、業界の中核的な問題になっている時期に来ている。現在、最先端のAIシステムのトレーニングとデプロイには、巨大なGPUクラスター、ハイパースケールデータセンター、そして政府やインフラストラクチャプロバイダーから増加する電力消費レベルが必要である。Sapientは、将来的には、より大きなシステムをスケールアップするのではなく、アーキテクチャ自体を根本的に見直すことでブレークスルーがもたらされる可能性があると主張している。同社は、HRM-Textを、2台のマシンに跨る16個のGPUを使用して約1日でトレーニングでき、約1,000ドルのコストで実行できることを示唆している。一方、最先端の言語モデルは、数百万ドルに及ぶトレーニング予算を必要とすることが多い。モデルのコンパクトなデプロイプロファイルも注目に値する。int4量子化では、HRM-Textは約0.6 GiBのスペースを占め、スマートフォンやエッジデバイスでのローカルデプロイが理論的に可能になる。小規模で展開可能なシステムへの焦点は、企業がオンプレミスAI、プライバシーに敏感な推論、クラウドインフラストラクチャに完全に依存しないオフライン推論システムへの移行を進めるにつれて、ますます重要になる可能性がある。脳にインスパイアされたAIへのより広い推進Sapientの取り組みは、従来のトランスフォーマースケーリングの代替手段を探求する、AI研究におけるより広い動向を反映している。同社のHRMアーキテクチャは、階層型処理、時間分離、リカレント計算などの神経科学的概念から多大な影響を受けている。同社のウェブサイトでは、長期的な目標を、推論、計画、適応的学習が可能なアーキテクチャを通じて、人工一般知能を追求することとしている。ただし、主に統計的記憶に頼るのではなく、そのアプローチを取っている。同社の研究チームには、DeepMind、DeepSeek、xAIなどの組織からの元貢献者や、MIT、カーネギーメロン大学、清華大学、ケンブリッジ大学などの機関に接続された研究者が含まれている。Sapientの階層型推論モデルの以前のバージョンは、従来のLLMよりもはるかに小規模なパラメータ数で強力な推論パフォーマンスを達成したことで、AI研究界で既に注目を集めていた。AI進歩の測定方法の変化HRMのようなアーキテクチャが最終的に最先端のフロンティアモデルに匹敵するかどうかは、未解決の質問である。AI業界は、すでに有望な代替手段が現れた後に、スケールの経済学によって追い越されることを何度も見てきたからである。しかし、Sapientの発表は、業界が無制限の拡大の限界に直面している時期に来ている。GPUの不足、電力ボトルネック、推論コスト、より大きなデータセットからの減少するリターンが、研究者にこれまでのAI開発を支配してきた前提を再検討させるように促している。HRM-Textのようなシステムが改善を続ける場合、AIの進歩を測定する方法が変化する可能性がある。パラメータ数から、効率、推論の深さ、適応性への注目が移る可能性がある。同社は、HRM-TextをGitHubを通じて完全にオープンソース化した。
-
資金調達2 days agoカリブレが330万ドルを調達し、AIを活用したグローバル認証のバックボーンを近代化する
カリブレは、ロンドンを拠点とするスタートアップで、試験、検査、認証（TIC）業界向けのAIを開発しています。同社は、330万ドルのシード資金を調達し、グローバル商取引の重要な層である認証プロセスを近代化することを目指しています。このラウンドは、Vicus VenturesとCIVが主導し、I2BF、9 Yards Capital、Jigeum、およびニケシュ・アローラを含む複数のエンジェル投資家が参加しています。同社によると、この資金は、企業向けAIの導入を拡大し、監査官と認証専門家向けに設計された新しいプラットフォーム「AuditorOS」をスケールアップするために使用される予定です。スタートアップは、グローバル経済を支える重要な市場をターゲットにしています。ほぼすべての規制対象製品やシステムは、顧客や規制当局に届けられる前に、試験と認証プロセスを通過する必要があります。TIC業界は、年間約200億ドルの活動を表し、世界中で100万人以上が雇用されています。認証がボトルネックになった理由この業界の重要性にもかかわらず、認証ワークフローはまだ手動で行われています。監査官や検査官は、文書の確認、規格の照合、報告書の作成などに多くの時間を費やし、技術的な判断に集中できません。この課題は、規制の複雑性が増すとともに、経験豊富な専門家が退職するにつれて、より深刻化しています。同時に、AI自体が新しい製品やシステムを導入し、追加の監督、ガバナンス、認証が必要になっています。業界団体は、AIの導入が進むにつれて、信頼できる保証システムがさらに重要になることを警告しています。AIガバナンス、サイバーセキュリティの検証、国境を越えたコンプライアンスをサポートできるスケーラブルな検証システムの需要が高まっています。監査官向けのAIシステムの構築カリブレのアプローチは、企業のTIC組織内に特化したAIエージェントを導入することに焦点を当てています。汎用的なチャットボットではなく、同社はクライアントの特定の規格、ワークフロー、セキュリティ要件に合わせてシステムをカスタマイズしています。新しく発表されたAuditorOSプラットフォームは、独立した監査官と検査専門家向けに設計されています。このソフトウェアは、文書の確認、報告書の作成、規格の照合などのタスクを自動化し、監査と認証レビュー中に従来手動で行われていた作業を大幅に削減します。同社によると、早期の顧客は、6月の予定された一般公開前にすでにこのプラットフォームを使用しています。機会は生産性の向上を超えています。認証要件がAIシステム、サステナビリティ報告、サイバーセキュリティ、デジタル化されたサプライチェーンに拡大するにつれて、TIC業界自体が技術的な変革を遂行しています。複数の業界レポートは、デジタル監査インフラ、自動化、AI支援のコンプライアンスシステムに対する需要が高まっていることを指摘しています。手動認証から継続的コンプライアンスへカリブレは、ガウサムとスティーブによって設立されました。両者は、パラントール・テクノロジーで企業のAIシステムを導入するために数年間働いてきました。彼らの仕事は、規制対象業界内で今登場しているより広い変化を反映しています。歴史的に、認証とコンプライアンスプロセスは、高度に専門化された専門家によって定期的に実行される手動レビューに大きく依存してきました。製品、ソフトウェアシステム、サプライチェーンが複雑になるにつれて、このモデルはスケーラビリティの面で困難になってきています。AI支援の監査ツールは、将来的に認証の方法を根本的に変える可能性があります。コンプライアンスは、数ヶ月ごとに実行される遅い、文書化されたチェックポイントではなく、継続的な監視とリアルタイムの検証に移行する可能性があります。これは、AIシステムが重要なインフラストラクチャ、製造、ヘルスケア、輸送、金融サービスに組み込まれるにつれて、特に重要になります。影響は効率性を超えています。AIツールが規格の解釈、文書の分析、規制の照合を信頼性高く支援できる場合、現在、高齢化する専門家によって集中している機関的知識を保存するのに役立つ可能性があります。同時に、規制当局と認証機関は、透明性、説明責任、そしてどうAI生成の監査ワークフローを検証するかについて、新しい質問に直面することになります。政府と業界がAI、サイバーセキュリティ、サステナビリティ、デジタルインフラストラクチャに関する新しいルールを導入するにつれて、信頼性と検証システムに対する需要は今後10年で大幅に増加することが予想されています。
-
AIツール 1013 days agoChatGPT Images 2.0レビュー：ついにテキストを綴ることができる
もしAIの画像生成ツールが事前に考えられるようになればどうでしょうか？それはもう仮定ではありません。ChatGPT Images 2.0が登場しました。これは、AI生成のビジュアルの期待を再定義しています。OpenAIによると、これはアップグレードではありません。AIがビジュアルタスクを理解して実行する方法が変わったのです。私はAI画像ツールの進化を何年も見てきましたが、Images 2.0がもたらすものは、他に類を見ないものです。このモデルは、密なテキストをレンダリングし、複雑なマルチステップの指示に従い、最大2K解像度をサポートし、さまざまなアスペクト比をサポートし、最初のChatGPTでは最大8枚のまとまりのある画像を1つのプロンプトで生成します。ここに、単一のプロンプトでImages 2.0を使用して生成した8枚の画像の1枚です：これは、私が見たことのあるAI生成画像の中で最も詳細なものです。シーンとキャラクターは、すべての8枚の画像で一貫性がありました。このChatGPT Images 2.0レビューでは、利点と欠点、どんなものか、誰に適しているか、その主要機能について説明します。次に、高品質の画像を生成して編集する方法を示します。記事を終える前に、Images 2.0を私のトップ3の代替ツールと比較します：GoogleのNano Banana Pro、Midjourney、Adobe Firefly。記事の終わりまでに、どのAI画像生成ツールがあなたに適しているかがわかります。マーケター、開発者、教育者、クリエイティブプロフェッショナルであなたが、このツールはあなたのワークフローを変えることになります。すべてを詳しく見ていきましょう。判定ChatGPT Images 2.0は、AI画像生成の分野で大きな進歩です。テキストのレンダリングがより正確で、デザインの品質が向上し、プロンプトの処理がより正確で、編集と画像セットの間の一貫性が向上しています。より高品質の生成はまだ遅くなることがあり、時々クリーンアップやイテレーションが必要になるかもしれませんが、現在利用可能な最も能力の高いAI画像ツールの1つです。 利点と欠点 画像内のテキストのレンダリングが大幅に改善 レイアウトとデザインの品質が向上 詳細なプロンプトと複雑な指示に対応が向上 編集と改訂が容易 キャラクター、スタイル、関連画像の間の一貫性が向上 多言語テキストのサポートが向上 インスタントモードとシンキングモードを備える シンキングモードでは遅くなる（高品質の結果を得るには時間がかかる場合がある） エラーと視覚的なアーティファクトが発生する可能性がある 生成結果をイテレーションまたはクリーンアップする必要がある場合がある シンプルなタスクには過剰な場合がある 画像生成は無料プランでは制限され、シンキングモードは利用できない...
-
インタビュー4 days agoD2Lのチーフプロダクトオフィサー、Christian Pantel – インタビューシリーズ
クリスチャン・パンテルは、D2Lのチーフプロダクトオフィサーであり、グローバルプロダクト戦略、プロダクトマネジメント、プロダクトデザイン、ユーザーエクスペリエンス研究、そしてアクセシビリティを担当しています。2015年に同社に入社し、プロダクト、デザイン、エンジニアリングのリーダーシップを拡大してきた彼は、2024年にCPOに任命されました。パンテルには、エンタープライズソフトウェアの構築に25年以上の経験があり、ワークデイ、インフォール、ピープルソフトでのリーダーシップを経てきました。彼の仕事は、ユーザーセントリックデザインに基づいており、多様な学習者と教育者にとって直感的でアクセシブルな学習体験を作ることに焦点を当てています。D2Lは、カナダの教育テクノロジー企業であり、Brightspaceというクラウドベースの学習管理プラットフォームを開発しています。このプラットフォームは、学校、大学、政府、企業がオンラインおよびハイブリッド学習体験を提供するために使用されています。1999年にジョン・ベイカーによって設立された同社は、パーソナライズされたアクセシブルなデジタル教育に焦点を当てており、AIドリブンのツール、分析、コースオーサリング、適応型学習機能をエコシステムに統合しています。D2Lのプラットフォームは、K-12教育から企業トレーニング、プロフェッショナルデベロップメントまで、学習者エンゲージメント、 アクセシビリティ、ライフタイム教育に強い重点を置いています。同社はグローバルに拡大し、現在では数百万人のユーザーをサポートするために設計された製品群を提供しています。ワークデイ、インフォール、ピープルソフトのような企業で20年以上のユーザーエクスペリエンスを形作ってきた経験を振り返ってみてください。D2Lでは、学習プラットフォームにAIを組み込む際に、使いやすさとアクセシビリティを損なわないようにするために、どのようにアプローチしていますか。 エンタープライズソフトウェアでそのmuchの時間を過ごすと、製品がどのように壊れるかを学びます。チームは機能を追加しますが、ユーザーを見失い、複雑さが増すことがあります。その経験が、私がAIに取り組む際のアプローチを形作ってきました。私たちは、目新しいものを追うのではなく、教育者や学習者が日々直面する真正の課題に対処することに焦点を当てています。そのアプローチが、D2Lでの製品開発に直接反映されています。AIは、教育者や学習者がすでに働いている方法をサポートし、実際に学習者がどのように学ぶかを支援する必要があります。機能が摩擦を加えたり、混乱を生み出したり、またはアクセシビリティを損なったりする場合、それは出荷されません。チーフプロダクトオフィサーとして、プロダクト、デザイン、研究を担当しています。AI機能が真正に学習成果を向上させていることを確認するために、どのようにしてAI機能を組み込んでいますか。私たちは、シンプルな原則から始めています。学習には、生産的な闘争が必要です。AIが学習に必要な努力を除去する場合、それは間違った解決策です。学習は、練習、フィードバック、反省、そして応用に依存しています。私たちは、AIを設計して、そのプロセスをサポートするようにしています。各機能は、教育者が学習体験と評価を成果に結び付けるのを支援し、学習者が真正に進歩しているかどうかを理解する必要があります。私たちは、その影響を直接測定しています。D2LのBrightspaceプラットフォームは、AIを学習体験に直接組み込んでいます。教育者や機関にとって、この組み込みAIアプローチはどのような利点をもたらしますか。AIを組み込むことは、コンテキストが重要であることを意味します。システムがコース、コンテンツ、学習者が何をしているかを理解している場合、学習を導くことができます。そうすれば、より良いサポートが可能になり、時間の経過とともにより強力な成果が得られます。また、機関が運転を担当することができます。彼らはポリシーを設定し、データを管理し、AIの使用方法を理解することができます。これは、信頼、プライバシー、学術的誠実性のために重要です。教育における多くのAIツールは、パーソナライゼーションを約束しています。スケールで意味のあるパーソナライゼーションとは、実際には何を意味しますか。どのプラットフォームがどこで短所を補っていますか。パーソナライゼーションは、学習を前進させるべきであり、真正の進歩に必要な課題レベルを除去するべきではありません。AIは不要な摩擦を除去できますが、学習は依然として持続的な関与、問題解決、そして時間の経過とともに努力に依存しています。目標は、学習者が適切な難易度レベルを維持し、進歩を続けられるようにすることです。そうすれば、学習者はつまずいたり、関心を失ったりすることはありません。あなたはキャリアを通じてアクセシビリティを強調してきました。AIシステムは、学習者に障害を持つ人を意図せず除外するのではなく、よりよくサポートするように設計されるべきです。どのようにすればよいですか。AIは、コンテンツとの関わり方を多様化し、学習をより柔軟にすることで、実際の障壁を除去できます。AIは、キャプションの改善、教育者の手作業の削減をサポートできます。しかし、AIシステムは、平均的なユーザーを想定し、最もサポートが必要な人々を見落とすことがあります。誰しも異なる方法で学び、支援技術に頼る人もいます。チームは、意図的に設計し、テストし、研究開発プロセスにそれらの学習者を含める必要があります。そうすれば、実践においてアクセシビリティが改善されることを目指しています。AIは、評価やフィードバックにますます関与しています。機関は、自動化と信頼、学術的誠実性のバランスをとるために、どのようにアプローチすべきですか。AIは評価をサポートすべきであり、評価を乗っ取るべきではありません。AIは、フィードバックの拡大や、同じ概念をテストする評価のバージョンの作成を支援できます。これにより、学術的誠実性が強化され、全体的な学習体験が深まります。教育者は依然として、評価や最終的な決定を下す責任を負う必要があります。信頼は、人間が結果の背後にあることを知っていることに基づいています。製品の観点から見て、エドテック企業がAIを学習エコシステムに取り入れる際に、最も重要な決定とは何ですか。AIを単なるツールのように扱うこと、問題を解決するためのスイッチを入れるだけという考え方は、間違っています。場合によっては、必要な努力を除去することで、状況を悪化させる可能性があります。機関は、改善しようとしているものについて明確でなければなりません。より多くの自動化は、適切なデータ、ガバナンス、設計が整っていない場合、より良い成果にはつながらないと nóiです。D2Lは、K-12、高等教育、企業学習にわたる分野で活動しています。AIの役割は、これらのセグメント間でどのように異なりますか。どの分野で最も急速に採用が進んでいるかを見ていますか。AIの役割は、各セグメントが最も重視するものによって異なります。K-12では、安全性、年齢適切な使用、教育者や保護者がクラスルームでのAIの導入を強く管理できることが重要です。高等教育では、機関はスケールと質、特に評価、学習者サポート、学生の大規模な集団の管理について心配しています。企業学習では、重点はスピードと効率性に移り、AIはチームがより迅速に動き、運用上のオーバーヘッドを削減するのに役立ちます。採用は、優先順位に従っていますが、地域によっても大きく異なります。特に、シンガポールのような高等教育で、機関が学習のスケール化と成果の改善のためにAIに積極的に投資しているのを見ています。シンガポールでは、私たちのAIパワードラーニングアシスタント、D2L Lumiの採用が強力です。2025年だけで、7.5倍の増加を見ています。注目すべきことは、使用量だけではなく、幅です。機関は、新しいAI機能を実験し、実際の学習環境で大規模に展開する最初の機会を得ています。また、ラテンアメリカでも、採用が加速しています。2025年9月から2026年4月まで、Lumiは地域全体で一貫した高い使用率を維持し、機関が実験を超えて、AIを直接指導的ワークフローに組み込んでいることを示しています。AIは、コンテンツ、評価、さらにはチュートリアルを生成することができます。AIの能力が標準化される世界では、教育者はどのように役割を再考するべきですか。教育者は、AIが改善されても、重要性が低くなることはありません。むしろ、より重要になります。彼らの役割は、学習プロセスを導くこと、期待を設定すること、学生が物質的に関与することを確認することにシフトします。AIはコンテンツやフィードバックを支援できますが、判断、動機付け、または説明責任を置き換えることはできません。私たちは、AIを使用して、学習で本当に重要なことを拡大するべきであり、思考プロセスを置き換えたり、学習者に完成した評価を提供したりするべきではありません。先を見て、エドテック企業が次の10年間で教育の質を損なわないようにAIを強化するために、最も重要な製品上の決定とは何ですか。私が製品上の決定に基づいて言えば、勝者は、強力なデータを基盤にし、AIを実際のワークフローに組み込み、信頼、 アクセシビリティ、学習科学に根ざしたものになるでしょう。私たちがそれを正しく行うと、AIは、学習を継続的に改善するための重要な機能となり、教育者が高影響力の仕事に集中し、学習者が必要なときにサポートを受けられるようになります。実際の機会は、ワンサイズフィットオールの教育を超えて、より反応的で効果的なものに進むことです。そこでは、すべての学習者がより良くサポートされ、すべての教育者が彼らを成功させるためによりよく装備されます。ご多忙の中、ごインタビューをいただきありがとうございました。詳しくは、D2Lをご覧ください。
-
買収4 days agoNTT DATA、WinWireを買収してAgentic AIとMicrosoft Azureのエンタープライズ変革能力を拡大
NTT DATAは、WinWireの買収を発表しました。WinWireは、サンタクララを拠点とするMicrosoftパートナーで、Agentic AI、Azureネイティブ開発、クラウドモダERN化、エンタープライズデータエンジニアリングに注力しています。この取引は、エンタープライズAI市場で進行中のより大きな変化を反映しています。多くの組織は、過去2年間にジェネレーティブAIツールを実験してきましたが、ビジネス運用に直接結びついた生産環境にそれらのシステムを統合することに成功した組織はまだ少ないです。NTT DATAは、この買収を、エンタープライズがAIを大規模に運用化する能力を強化する手段として位置付けているようです。WinWireは、NTT DATAのMicrosoftエコシステムに1,000人以上のAzureエンジニアとAIスペシャリストを加え、Microsoft Fabric、Azure AI Foundry、データモダERN化、エンタープライズワークフロー内で動作する自律AIシステムに関する専門知識を深めています。現在のAI市場でWinWireが重要な理由多くのAIコンサルティング会社がジェネレーティブAIブームの際に登場したのとは異なり、WinWireは「Agentic AI」という用語が一般的になる前に、Microsoftのエンタープライズクラウドスタックを中心に事業を構築してきました。同社は、「Agentic AI @ Scale」と呼ばれるフレームワークに特に焦点を当てています。このフレームワークは、理由付け、行動の実行、エンタープライズインフラストラクチャとのやり取りが可能なAIシステムを制御された環境で展開することを中心に据えています。チャットインターフェースやコパイロットにのみ焦点を当てるのではなく、同社のアプローチは、AIエージェントを直接運用システムやビジネスワークフローに統合することを強調しています。この違いは、エンタープライズが実験から、内部データシステム、应用、意思決定パイプラインとやり取りできる自動化に移行しようとするにつれて、ますます重要になっています。WinWireは、Microsoftの進化するAIインフラストラクチャエコシステム、特にMicrosoft FabricとAzure AI Foundryに大量に投資しています。これらのプラットフォームは、MicrosoftがエンタープライズAIの展開をどのように見ているかについて、ますます中心的な役割を果たすようになっています。特に、断片化されたデータシステムを統一化し、安全にAIエージェントを展開することを目指す組織にとってはそうです。同社の専門知識は、Microsoftパートナーエコシステム内で重要な認識を得ており、複数のMicrosoftパートナー・オブ・ザ・イヤー賞やMicrosoftのAgenticパートナー・アライアンス・プログラムへの参加などを受けています。AI実験から運用システムへの大きなシフトこの買収は、エンタープライズAIの会話がどのように進化しているかを強調しています。初期のジェネレーティブAIの採用は、主に生産性アシスタント、チャットボット、大規模言語モデルの実験に焦点を当てていました。しかし、エンタープライズは、現在、より困難な問題に直面しています。つまり、AIを既存の運用インフラストラクチャに統合することであり、ガバナンス、セキュリティ、コンプライアンス、信頼性を維持する必要があります。これは、WinWireのような企業がトラクションを得ているところです。その仕事は、AIエージェントがエンタープライズアプリケーション、データ環境、ワークフロー、意思決定プロセスと調整された方法でやり取りできるシステムを構築することにますます焦点を当てています。Microsoft自身のAI戦略も同じ方向に進んでいるようです。Azure AI FoundryとMicrosoft Fabricは、エンタープライズデータ統合、AIネイティブアプリケーションのセキュアな展開パイプライン、そしてマルチエージェントのオーケストレーションをサポートするように設計されています。NTT DATAにとって、この買収は、別のAIコンサルティング会社を追加することではなく、エンタープライズAIの新興インフラストラクチャ層内での立場を強化することのようです。同社はすでに、50以上の国にわたるMicrosoftに焦点を当てた大規模な事業を維持しており、数万のMicrosoft認定もあります。WinWireのより専門的なAzure AIおよびAgentic AIの専門知識を追加することで、NTT DATAはエンタープライズソフトウェアサービスの中で最も急成長しているセグメントの1つに強い立場を得ることができます。Agentic AIは次のエンタープライズの戦場になるこの買収の最も注目すべき側面の1つは、伝統的なジェネレーティブAIの展開ではなく、Agentic AIに焦点を当てていることです。Agentic AIは、計画、理由付け、意思決定、タスクの実行が可能なシステムを指します。まだ初期段階ですが、多くの大手テクノロジー企業は、エンタープライズAIの採用の次の段階としてAgenticアーキテクチャを視野に入れています。課題は、自律AIシステムが強力なモデルだけでなく、クリーンなエンタープライズデータ、オーケストレーション層、可観測性システム、ガバナンスフレームワーク、ID管理、既存のインフラストラクチャとの統合も必要とすることです。その複雑さは、AIインフラストラクチャを生産レベルのエンタープライズシステムに組み込むことができるサービスプロバイダーに対する需要を生み出しています。WinWireのポートフォリオは、特に規制された業界や大規模エンタープライズ環境でガバナンスと相互運用性が重要な要件である場合に、その方向に大きく寄与しています。MicrosoftエコシステムはAIを中心に統合を続けるこの取引はまた、エンタープライズAIインフラストラクチャにおけるMicrosoftの影響力を強化しています。生産AIシステムを構築する多くのエンタープライズは、Azure、Fabric、Copilot、Foundryサービスを含むMicrosoftのより広範なエコシステムを中心に標準化する傾向にあります。この傾向は、Microsoftに焦点を当てたコンサルティングおよびエンジニアリング会社にとって大きな機会を生み出しています。NTT DATAによるWinWireの買収は、業界全体のパターンに従っています。ここでは、大規模なITサービス会社が、エンタープライズがAI支出を加速するにつれて、専門的なAIエンジニアリングの専門知識とクラウドネイティブの専門知識を買収する競争をしています。モデル開発のみで競争するのではなく、次のエンタープライズAIの段階は、企業が大規模な組織内でAIシステムを運用化できるかどうかで決まる可能性があります。ガバナンス、コンプライアンス、既存のインフラストラクチャを損なうことなくです。これは、最終的にこの買収が最も戦略的に重要な場所です。孤立したAIデモから、エンタープライズの運用インフラストラクチャの一部として機能するように設計された統合されたエンタープライズAIシステムへの、業界の移行を反映しています。
-
ソートリーダー5 days agoアジェンティックNOCの時代が今
モダンなネットワークは、リモートワークとAIおよびSaaSの急速な採用の時代に突入してから、僅か数年前のものとはほとんど似ていない。以前は中央集権的で比較的予測可能だったものが、今やクラウドプラットフォーム、エッジデバイス、支社、自宅のインターネット、オンプレミスシステムの複雑な網の目となっている。伝統的なネットワークオペレーションセンター（NOC）は、このような環境に対応するように設計されていない。ほとんどの監視ツールでは、依然として異なるシステム間で手動でのデータ相関が必要であり、可視性を維持することが難しくなり、エンジニアは迅速な決定とトラブルシューティングを行う必要があるときに、矛盾するアラートの無尽の洪水に直面することになる。サービスプロバイダーとエンタープライズITチームも、同様のプレッシャーに直面している。マージンは狭く、チームはよりスリムになっているが、顧客獲得サイクルの標準は変わらない。契約が収益化されるまでに8〜10カ月かかる場合、顧客の維持と高品質な顧客体験の周りには、高いリスクが存在する。全体として、アジェンティックNOCの舞台は完璧に整えられている。アジェンティックNOCの構築ガートナーの報告書によると、現在アジェンティックAIを導入している組織は17%のみであるが、60%の組織は2年以内に導入する予定である。このテクノロジーは、データを能動的に推論する能力により、定義されたタスクの自動化のみではなく、積極的に推論する能力により、急速に採用されている。NOCの場合、アジェンティックAIは、断片化または挫折と、迅速な解決時間、ダウンタイムの減少、環境のより完全な理解の違いである。ただし、これらの利点が実現するためには、アジェンティックNOCは、AIと人間のオペレーターの間のコラボレーションに基づいて構築される必要がある。速度は、正確性と信頼性よりも重要ではない。AIがトリアージ、ルート原因分析、最終的にアクションの推奨を行うことができる場合、人間の判断は、最後の検証には不可欠である。アジェンティックNOCは、構造化されたデータによっても定義される。正確なインベントリ、ラベリングと命名規則の統一、トラフィック、ルーティング、パフォーマンスへのネットワーク全体の可視性は、現在起こっていること、ネットワークがどのように動作するべきか、以前の問題はどのように解決されたかを示す。 このビューがない場合、分析は不完全であり、オペレーターは、見ることができないものや理解できないものを自動化することはできない。部族的知識の取得も、このカテゴリに含まれる。NOCの最大の資源は、エンジニアの頭脳である。経験と直感の組み合わせは、ネットワークの問題を診断して解決してきた年数の積み重ねであり、最も高度なAIモデルでも、支援なしでは再現できないものである。 したがって、この部族的知識は、文書化され、AIが消費して再利用できる形式に翻訳される必要がある。 また、精密に洗練されたランブックと集中化された学習ループも、人間と機械の行動をより効果的に改善するための基準を提供する役割を果たす。実際の利点ITとネットワークの問題は、2024年の最も重大なダウンタイムの23%の背後にある。 同じ分析では、過去3年間で、約40%の組織が人間のミスの結果として主要なダウンタイムを経験したことがわかった。 このダウンタイム率は、ビジネス、エンジニア、消費者から見ても、持続可能ではない。 ただし、アジェンティックNOCがなぜ如此に重要かを示すものである。アジェンティックNOCの約束は、自律性のためだけではなく、実際のネットワークの可視性に基づいた、より迅速で自信のある運用である。 問題がネットワークに発生した場合、最大の遅延は、検出ではなく、変更されたもの、影響を受けたもの、次に何をすべきかを理解することである。 アジェンティックシステムは、このタイムラインを圧縮するのに役立つ。 ルート原因分析の高速化から始まる。問題の根本原因を、数分でではなく、数時間または数日で特定することの違いは、巨大である。 中規模から大規模な企業の場合、ネットワークのダウンタイム1時間あたりの平均コストは30万ドルを超える。 実際、41%の企業は、ITICの最近の調査によると、1時間あたりのダウンタイムコストが100万ドルから500万ドル以上に及ぶと報告している。しかし、現実は、オペレーターが手動でデータを調べる場合、後者の方が近い。 一方、アジェンティックAIツールは、潜在的な原因と影響を受けるサービスを数秒で特定し、次のステップを推奨できる。 金銭的利益がこのような場合、迅速な根本原因分析とより安全な修復は、絶対に必要である。戦術的なタスクを強化することに加えて、アジェンティックNOCは、組織全体のエンジニアの専門知識を結集した共有リソースとして機能する。 長期的には、このプロセスは、各インシデントの成功と課題から学び、AIの推奨事項を改善するための継続的な学習ループを作成する。例えば、ある会社は、ネットワークのパフォーマンスの問題に悩まされており、効率を改善するために新しいデバイスを導入しようとしたが、構成の変更が必要であった。 その過程で何かが間違って、ダウンタイムが発生した。 アジェンティックNOCの時代には、AIシステムは、テレメトリ、トポロジー、デバイスの状態、最近の変更を相関させ、オペレーターが根本原因を特定するのを助けることができる。 アジェンティックシステムのネットワーク運用への影響は明らかであり、データもそれを裏付けている。マッキンゼーは最近、ネットワーク運用における自律的な問題解決と修復により、トラブルシューティングのチケットが最大70%減少し、運用コストが55〜80%削減され、修復時間が30〜40%改善されたと発表した。注意すべき課題組織が犯す最も一般的な間違いは、必要な基盤を確立せずにAIに全てを注ぎ込むことである。 労働者の70%がAIの利点に熱心であるというKPMGの報告書によると、信頼できるデータと文書化されたプロセスがなければ、これらのシステムの価値は損なわれる。代わりに、AIは漸進的に導入されるべきである。 アジェンティックNOCの構築は、旅である。 最終的には、システムは、温度の上昇やデバイスの再起動の傾向を検出するような、より高度なプロアクティブなユースケースを担うべきである。 ただし、最初は、診断を支援するような小さなタスクに焦点を当てることが、システムが学習し改善するためのスペースを残すことになる。別の間違いは、すべてのアクションが自動化の恩恵を受けることができるという考えである。 良いルールは、人間が同じ問題を繰り返し解決する場合、そのタスクは自動化の良い候補である。 この漸進的なアプローチは、信頼と信頼性を構築する上でも役立つ。2025年2月以降、アメリカの従業員の中でのAIへの信頼は33%減少した。 デロイトの調査によると、AIへの信頼は減少している。 マッキンゼーの2026年のAI信頼性指数によると、アメリカの企業の多く（74%）が、AIの出力の不正確さを最も懸念しており、それに続いてサイバーセキュリティの問題（72%）がある。...
-
ソートリーダー5 days ago自律エージェントにはAIの観察可能性だけでなくさらに多くのものが必要
企業がAIエージェントを使用して思考、行動、ワークフローを開始するにつれて、それらを監視および管理する計画を開発することが不可欠です。AIシステムのさまざまなコンポーネントが独自の決定を下し始めると、観察可能性だけでは運用が安定した、安全で、信頼できるものであることを保証することができません。企業がエージェントを効率的に管理するには、問題の特定と対策の間のギャップを埋める必要があります。そのためには、問題を単に観察するのではなく、積極的にそれを防ぐ必要があります。自律エージェントの出現企業での初期のAIの波は、プロンプトベースのシステムでした。ユーザーが質問を投げかけたとき、モデルが応答し、そこでやり取りは終了しました。初期のテクノロジーは本質的に反応的でしたが、検索、コピロット、コンテンツ作成、要約に役立ちました。次の波は異なります。自律AIエージェントは反応するだけでなく、目的を越えた推論を行い、ツールを選択し、情報を抽出して行動を起こし、ワークフローを開始します。時には他のエージェントやシステムと共同で動作し、企業内で人的指示のインターフェース層ではなく、運用プレイヤーとしての役割を果たします。この変化は重要です。AIの運用特性に影響を及ぼします。チームはもはやモデル出力だけに注目していません。代わりに、瞬時にクライアント、スタッフ、インフラストラクチャ、ビジネスプロセス、他のアプリケーションに影響を与えることができるダイナミックなシステムを管理しています。現在のエージェントの能力エージェントの能力は進化しています。エージェントは次のことを選択できます。目標をステップに分解し、さまざまなレベルでアクティビティを完了します。APIに接触することで、データベースに照会することで、内部システムを検索することで、レコードを更新することで、ダウンストリームのアクションを開始することで、ワークフローを調整します。プロンプト、メモリ、ビジネスルール、取得した情報、リアルタイムの運用シグナルを統合することで、エージェントはコンテキストベースの判断を下すこともできます。より洗練されたエージェントは、ワークフローが失敗していることを認識できます。再試行できます。問題をエスカレートできます。または、ジョブを人間のレビューアーに転送できます。CRM、チケット、クラウドインフラストラクチャ、内部ナレッジベース、観測可能性プラットフォーム、ビジネスアプリケーション内で、エージェントは独立して機能できます。エージェントのスキルは急速に拡大することが予想されます。企業での自律AIエージェントの統合エージェントは、速度、精度、安全性、ガバナンスが重要な、拡大する範囲の組織運用に統合されています。そうした運用には、以下のようなものがあります。カスタマーサービスとケースハンドリング、インシデントレスポンスとIT運用、DevOpsとサイトの信頼性のワークフロー、コード修正とソフトウェア開発、運用とサプライチェーンの計画などです。新たな運用上の脅威しかし、エージェントがより独立性を獲得するにつれて、企業は新たな種類の運用上のリスクに対処する必要があります。 悪い選択は単に提案されるのではなく、実行されることがあります 軽微なミスはすぐに他のリンクされたシステムに広がる可能性があります 現実世界のアクションは、幻覚によって引き起こされる可能性があります エージェントはビジネス意図、ポリシー、またはコンプライアンスから逸脱する可能性があります 複数のコンポーネント間の相互作用により、障害が発生する可能性があります 自動化された意思決定は、人間の評価よりも迅速に決定を下す可能性があります チームは症状を観察するかもしれませんが、システムの動作の背後にある理由を理解することもできなければなりません。企業のAIには、可視性に加えて、信頼性の制御が必要です。AIシステムの複雑さ今日のAI駆動システムは、まれに単一のモデルで構成されています。多くの相互作用するコンポーネントで構成された分散型、階層化されたシステムです。以下のようなものが含まれます。 基礎モデル（LLM） ファインチューンされたモデルまたはタスク固有の小規模言語モデル（SLM） 埋め込みモデル ベクトルデータベース 取得パイプラインとRAGコンポーネント プロンプトテンプレートとプロンプトオーケストレーションレイヤー トレーニングデータと評価データ ガードレールとポリシーレイヤー エージェントとワークフロー ツール呼び出しシステム テレメトリ（ログ、メトリクス、トレース） ヒューマンインザループ承認チェックポイント それらのリスク各コンポーネントは異なる故障モードを追加し、それらの相互作用はさらに複雑性を追加します。システムがインフラストラクチャレベルで強固に見えても、悪い選択を下し、満足のいく結果を生成し、表面下で運用上のリスクを蓄積する可能性があります。関連するリスクには、以下のようなものがあります。データパイプラインによって、低品質または汚染された入力が導入されること、インフラストラクチャのボトルネックによって信頼性が低下すること、有害または誤った結果が生じること、人間のレビューに対する運用上のボトルネックが生じることなどです。さらに、複数のエージェントまたはステップを持つシステムは、すぐに明らかでない方法で故障する可能性があります。AIの観察可能性伝統的な監視は、プロンプトの動作、取得の品質、モデルドリフト、エージェントの実行チャネル、またはAIの動作とダウンストリームのビジネスまたは運用上の影響を理解するには不十分です。そこで、AIの観察可能性が重要になります。AIの観察可能性により、チームは、入力、出力、望ましい動作、システムによって生成される決定シグナルを収集、関連付け、評価することで、実稼働環境でのAIシステムの動作を理解できます。これは、AIシステムが分散型、非決定論的、非常にコンテキストに敏感であるため、不可欠です。AIの観察可能性により、チームは、プロンプト、モデル、取得レイヤー、ツール、ダウンストリームシステムが実行中にどのように相互作用するかを、エンドツーエンドの洞察を得ることができます。AIの観察可能性により、待ち時間、コスト、トークン使用、スループット、エラーレート、モデル動作、出力品質指標などのパフォーマンスと動作を監視できます。複雑なエージェントワークフローでの実行パスのトレースと分析により、複数のステップと依存関係を経て結果が得られる方法を示します。AIの観察可能性はまた、運用およびAIシグナル全体で異常を検出することで、モデル、パイプライン、インフラストラクチャ、またはユーザー向け結果での異常な動作を、チームが手動で検出する前に公開します。何かが間違ったときに診断を迅速化し、システムテレメトリ（ログ、メトリクス、トレース、イベント）にAI固有の操作を含めることで、根本原因の調査を容易にします。観察可能性だけは不十分AIの観察可能性は不可欠なビジネス慣行ですが、固有の制限があります。観察可能性は、診断的ではなく、予防的です。チームは何が間違ったのかを学ぶことができますが、必ずしもそれが再び起こらないようにする方法を知ることはできません。エージェントの過去の行動についての知識が、自動的にエージェントの将来の行動を制御するものにはなりません。複雑な非決定論的システムでは、観察可能性はチームをデータで圧倒し、不確実性につながることがよくあります。運用上の答えを提供するのではなく、説明で終わることがよくあります。チームは問題を認識しているかもしれませんが、是正措置を講じるために、自動化、セーフガード、制御ループが不足している可能性があります。これにより、運用上のギャップが生じます。企業は問題を発見できますが、それが再発するのを防ぐ、影響を軽減する、または自律システムを安全な運用パラメータ内で維持することができない可能性があります。これは、チームが反応的に運用を継続することを意味します。何かが壊れたときに手動介入を使用し、事後にインシデントを調査し、システムがより速く自律的になるにつれて、人間の労力に頼る必要があります。AIの信頼性の概要AIの信頼性は、問題を単に観察するのではなく、AIシステムが実稼働環境で安全に、一貫性に、予測可能に、効果的に機能することを保証することを意味します。AIの信頼性は、AIを取り巻くシステム全体を理解し、管理します。検知と行動の間のループを閉じます。AIの信頼性は、モデルが正確な応答を提供したかどうかだけに焦点を当てるのではなく、AI駆動システム全体が合理的な運用制約内で機能するかどうかを検討します。品質、安全性、回復性、説明可能性、ポリシーのコンプライアンス、コスト効率、運用上の安定性がすべてこの方程式の一部です。検出から予防への移行AIの信頼性は、問題を認識して対処するまでの時間を短縮します。問題が何だったのかから、AIをどのように迅速に改善できるのかへの対話に移行します。以下のテクニックを使用することで、観察可能性を被動的な観察から予防的な予防へと移行できます。 モデル、データ、インフラストラクチャ全体のシグナルを相関させて問題を特定する 影響が出る前に事前に問題を検出する 確率的AIシステムのすべての入力と出力を検証して、微妙な動作の変化を検出する 生産環境での望ましくない出力を検出して、それを使用して基礎となるモデルの精度を向上させるためのファインチューニングデータを生成するためのフィードバックループを作成する 複雑なエージェントワークフローをトレースして、複雑なアクションを通知するためにデータがどのように進化したかを把握できるようにする...
-
Andersonの視点5 days ago秘密を守ることができない言語モデル
AIモデルは秘密を守ることができない。秘密を明かさないように指示されても、その書き出し方がそれを明らかにし、秘密を隠そうと努力すると、漏洩が発見されやすくなる。 意図的に何かを考えないようにすることは非常に難しい。1960年のイギリスのSFスリラー映画「呪われた村」の最後のシーンでは、主人公はテレパシーの力を使う敵の侵略者たちが子供たちに化けている集落の中に爆弾を持ち込む。しかし、彼らのテレパシーの力が彼の意図を事前に察知する危険があるため、彼は時間を稼ぐために、爆弾でないものについて集中することを強いられている。https://www.youtube.com/watch?v=NcrE0vGrctoパラドックスは、秘密を守るために、あるものを注意を向ける必要があるが、これは白熊実験として知られている症候群であり、多くの人がよりドラマティックではない状況で経験したことがある。大規模言語モデル（LLM）は、注意の配置に基づくため、ユーザーがそれを隠すように求めただけで情報を抑制することが難しい。また、ビジネス情報ネットワークの中心に置かれることが増えており、そのような機密保持のためのナイーブな傾向は、多くの企業にとって負担となる可能性がある。今年の初めに、研究コラボレーションは、LLMの文脈でこの課題をプライベートステートインタラクティブタスク（PSIT）として定義し、テストされたOpenAIとAlibabaのモデルはこのようなタスクを実行できないことがわかった。秘密を守ることができないすでに知られているように、より大きなモデルはより多くの情報を漏洩するが、新しい研究は、最先端の言語モデルが情報を抑制するコマンドに従うかどうかを明示的に調査し、テーマやトピックが「禁止された」単語やアイデアを含む場合でも、出力の生成を継続する必要がある。論文は、すべてのモデルが何らかの形で秘密を漏洩する傾向に影響を受けていると結論付け、5つの段落（約450語）のエッセイやストーリーは「スリップ」のための十分なキャンバスを提供するが、非常に短いジョークはそうではないと述べている。さらに、モデルが秘密を隠そうと努力するほど、秘密を漏洩するリスクが高くなる。20回の試行で、LLMは「秘密の単語」を明らかにすることができる。このタスクは、ビジネス運営に関係するもので、マーケティングやPR、内部報告など、さまざまなチャネルで情報を選択的に提示する必要があるが、これらのプロセスでは、情報の完全な範囲が最初から必要である。著者は次のように述べている：‘言語モデルは信頼性の高いコンパートメント化ができない。プロンプトに隠された情報は、モデルの書き出し方を形作り、別のモデルはそれを検出できる。このシグナルは、モデルのコンテキストに含まれる情報によって提供される。’‘…私たちは、トランスフォーマーの高忠実度の情報アクセスが、秘密を守ることを困難にするのではないかと推測する。LLMが秘密を漏洩しないように努力する場合でも、秘密を検出するためのパスを提供する。’‘何かを避けるために、人間はそれについて考える必要があり、トランスフォーマーはそれに注目する必要がある。2つの概念がモデルによって同等に好まれる場合（例：オフィス仕事についてのストーリーを書くか、オーケストラの第二ヴァイオリンについて）、モデルの意思決定は、明らかにしないことを試みているものによって影響を受ける。’DeepSeekとChatGPT-5.4モデルは例外的に機能したが、両方とも漏洩した。GPT-5.4の場合、概念を避けるように指示されたテストで、50％未満（つまり、偶然レベル以下）のスコアを記録し、実質的に「逆スパイク」またはインジケーターを示した。著者は、この症候群をLLMの有限エントロピー予算として定義し、モデルがランダム性の欠如によって制限されていることを示している。簡単に言えば、モデルは私たちのように、思考を妨げるために壁や野球のスコアに集中することができない。研究者は、2つのテストを使用した。1つは、AIモデルがテキストを読み、20回の試行で隠された単語を推測するテストである。もう1つは、AIが2つのテキストを示され、隠された単語が含まれているテキストを選択するテストである。5つの条件をテストした。研究者は、4種類の書き込みタスクをテストした：5〜8段落の短いストーリー（約450語）、非常に短いジョーク（約12語）、長いジョーク（約450語）、5段落のエッセイ（約380語）。実験では、15の隠された単語を3つのカテゴリに分けてテストした。具体的なオブジェクトには、傘、灯台、バイオリン、カクタス、望遠鏡が含まれる。抽象的な概念には、正義、忍耐、エントロピー、郷愁、自由が含まれる。中立的な用語には、ブラケット、火曜日、銅、余白、請求書が含まれる。方法研究は、主に5つの最先端モデルに焦点を当てている：Claude Opus 4.6とSonnet 4.6（Anthropic）、GPT-5.4（OpenAI）、Llama 4 Maverick（Meta）、DeepSeek V3.2。さらに、xAIのGrok 4とGoogleのGemini 2.5 Proで追加の検証テストを実施した。スケーリング実験では、Llama 3.2 3B、Llama 3.1 8B、Llama 3.3 70B、Gemma 3（4B、12B、27Bパラメータ）をテストした。研究者は、2つの代替強制選択（2AFC）テストを使用して、より繊細な漏洩の形式を測定した。これは、心理物理学の文献で標準的な尺度である。2番目のモデルは2つのストーリーを示され、隠された単語を隠しているストーリーを選択するように求められた。ランダムな推測では50％の精度が得られるため、50％を大幅に上回るまたは下回るスコアは、書き出し方にまだ検出可能な隠された意味的痕跡があることを示す。「ライター・ゲッサー」セットアップを使用した最初の実験では、1つのモデルは隠された単語と、隠された単語を隠す、関連を避ける、またはデコイ概念に注目するように指示された。システムは、ストーリー、エッセイ、ジョークをさまざまな長さで生成するように指示され、2番目のモデルは隠された単語を直接識別する、またはテキストが異なる隠されたプロンプトによって影響を受けたかどうかを判断するように指示された。5つの条件をテストした。測定/メトリック最初のテストでは、AIモデルがテキストを読み、20回の試行で隠された単語を推測する。2番目のテスト（2AFC）では、AIが2つのテキストを示され、隠された単語が含まれているテキストを選択する、またはテキストに隠された単語が含まれているかどうかを判断する。ランダムな推測では50％の精度が得られるため、50％を大幅に上回るまたは下回るスコアは、書き出し方にまだ検出可能な隠された概念があることを示す。結果5つのモデルは、隠された概念を64％から79％の精度で識別し、秘密の単語は直接ストーリーに出現しなかった。代わりに、漏洩はテーマやイメージを通じて発生した。GPT-5.4とGemini 2.5 Proは、隠されたアイデアを避ける努力が、回避パターン自体を検出可能にすることを示した。 この効果は、手がかりのある単語、ランダムなCOCA名詞、モデルによって選択された単語にわたって持続した。GPT-5.4の50％未満のスコアは、ランダムではなく、体系的なものであった。 一部の隠された単語は非常に信頼性の高いものであったのに対し、他のものはほとんど検出されなかった。 この効果は、秘密がシステムプロンプトではなくユーザープロンプトに配置された場合に弱まった。 これにより、GPT-5.4の検出精度は56％に上昇した。ほとんどのモデルでは、「このテキストに隠された概念が含まれているか?」と尋ねるテストは、「このテキストにどの隠された概念が含まれているか?」と尋ねるテストと同様の結果をもたらした。さらに、2つのテスト方法は、漏洩の異なる種類を測定した。2AFCテストは、隠されたテーマが書き出し方にまだ検出可能かどうかを測定し、フリーレスポンステストは、漏洩したヒントが隠された単語を推測するのに十分かどうかを測定した。著者は次のように結論付けた：‘私たちの研究結果は、モデルのコンテキストに含まれる情報が、書き出し方にテーマ的な痕跡を残す可能性があることを示唆している。システムプロンプトの内容、連鎖的思考、取得したドキュメント、ユーザー提供のデータは、創造的な決定に影響を与える可能性がある。’‘漏洩の程度は、生成タスクの開放度と情報の媒体におけるセマンティック特性によって決まる。短いジョークは安全だが、ストーリーはそうではない。ただし、セマンティック漏洩は、モデルが情報を隠そうとしている場合でも、避けられないように見える。’結論上記のように、著者はこの問題の一部を、トランスフォーマーアーキテクチャ自体の核心原理に帰している。歴史によれば、この最新のLLMの問題は、事後トレーニングの条件付け（アライメント）、システムプロンプトの編集がユーザーに不可であること、フィルタリング、そして二次的なシステムの多様なガードレールによって解決されるだろう。二次的なインフラストラクチャが大きくなるほど、現在の最先端AIの世代は、ジュラシック・パークのように見え、コアの価値提案は多くの注意書きや回避策、妥協が必要になる。 * 著者の強調を追加した。著者のインライン引用は、ハイパーリンクに変換された。† 著者は、さまざまなモデルファミリー間で「自己選択」単語の選択における、ある種の不可思議な重複に興味を示している。著者は、「モデルは似たような単語に惹かれる：望遠鏡、自由、郷愁は3つ以上のモデルのリストに現れる」と述べている。また、モデルファミリー間で「短いジョーク」が現れることにも言及している：「いくつかのモデルは、秘密に関係なく同じジョークを生成する。Opusは11の秘密のために「なぜ科学者は原子を信頼しないのか？それらはすべてを構成するから」というジョークを書く。残りの4つの秘密（カクタス、エントロピー、郷愁、忍耐）は、Opusが15のノンシークレット条件すべてで書く同じライブラリジョークを受け取る——これらの4つの秘密のジョークは、ベースラインと区別がつかない。」†† Arxivの標準によっては、論文は繰り返しと詳細な説明に陥りがちで、面白い導入部を過度な詳細と説明の中に埋もれさせている。したがって、読者は、論文のソースPDFに記載されている二次的な実験の残りについて参照することをお勧めする。2026年5月15日金曜日に初めて公開され、2026年5月16日土曜日に16:05...
-
ソートリーダー5 days agoシリコン・ヴァルハラはブームに乗っている：エクスペリエンス・デザインは隠れた成功要因か？
過去1年間で、新しいフレーズが流行り始めている：シリコン・ヴァルハラ。これは、特にスウェーデンを中心に、人工知能スタートアップの波が成長していることを指す。ここでは、野心的なツールを開発し、人工知能が何ができるかを拡大させている企業が存在する。その次の波はすでに形をとり始めている。LovableやSana Labsのような企業は、世界的な注目を集めている；技術的な能力、速度、そして成長のスケールで注目されている。投資家や創業者にとって、興奮は明らかだ。但し、シリコン・ヴァルハラについての議論が大きくなるにつれ、物語は技術、モデル、モメンタムに焦点を当てている。そして、それらは実際のドライバーではあるが、物語の全体的な部分に過ぎない。人工知能を直感的で、使いやすく、デザインされた製品に翻訳する方法は、どのようにしてこれらの企業が成功するのかを示唆している。人工知能だけが製品を区別するのではなく、人工知能を取り巻く体験の品質が重要になる。ビルディングが簡単になると、差別化が難しくなる人工知能は、デジタル製品を構築するための障壁を大幅に低減させている。スタートアップは、コードを生成し、インターフェースをプロトタイプ化し、新しいツールを以前よりも短い時間で立ち上げることができる。これは、すでに大規模なスケールで見られる。AirbnbのCEOであるBrian Cheskyは、人工知能が現在、会社の60％のコードを書いていると述べている。プラットフォームや人工知能支援開発環境により、チームは以前よりも速くアイデアを実用的な製品に変えることができる。Lovableのようなツールは、ソフトウェアがシンプルなプロンプトから生成されることを示しており、アイデアを動作するプロトタイプに数分で変えることができる。この変化は新しい課題をもたらす。多くの人工知能製品は、同様の基本的なモデルとインフラストラクチャに依存しており、情報の要約、コンテンツの生成、ワークフローの自動化、または意思決定の支援などの同等の機能を提供している。これは、業界のさまざまなユースケースで基礎モデルが広く採用されていることを反映しており、スタンフォードAIインデックス・レポートに記載されている。結果として、技術的な利点は持続可能ではなくなっている。最終的に重要なのは、人々が製品の背後にある知能をどのように体験するかである。言い換えれば、基礎となる人工知能モデルがさらにコモディティ化するにつれて、差別化は知能自体から、知能がどのようにパッケージ化され、ガイドされ、体験されるかへの移行する。人工知能の人間の層人工知能システムは、出力を生成するのに非常に優れている。大量のデータを処理し、コンテンツを生成し、複雑なタスクを支援することができる。但し、人間がシステムとやり取りする瞬間、別の次元が重要になる。システムはユーザーのコンテキストを理解しているか？システムは明確にコミュニケーションをとっているか？システムはユーザーを意味のある成果に向けて導いているか？ユーザーはシステムを信頼できるか？これらの質問は、技術とデザインの交差点に位置する。人工知能時代のデザインは、インターフェースの美学やナビゲーションフローを超えて、知能システムが人間の周りでどのように振る舞うかを形作ることを伴う。システムはどのように質問をするか、決定を説明するか、洞察を提示するか、さまざまな状況に適応するかを定義する。これは、人工知能の人間の層と呼ばれるものである。機能から知能へのシフト従来のソフトウェア製品は、主に機能によって定義されていた。製品チームは、個別の機能を含むロードマップを出荷していた：この機能を追加し、そのツールを構築し、別のダッシュボードまたはワークフローを作成する。各新しい機能は製品の価値を拡大した。人工知能はこのモデルを変える。固定された機能ではなく、動的に解決策を生成できるシステムに依存する製品が増えている。ユーザーは質問を投げかけたり、ドキュメントをアップロードしたり、問題を説明したり、音声またはビデオを介してやり取りしたりすることができ、システムはリアルタイムで応答を生成する。体験は、事前に定義されたものではなく、流動的なものになる。但し、この柔軟性は新しい複雑さをもたらす。デザインを考えに入れなければ、人工知能システムは予測不可能、不透明、または圧倒的なものと感じられる。ユーザーは、システムが何をしているのか、どのように決定が下されるのか、出力が信頼できるかを理解できない。ここで、エクスペリエンス・デザインが重要になる。成功する会社は、単に強力なモデルを展開するのではなく、それらのモデルを、現実世界の文脈で理解可能、有用、信頼できる体験に変える。デザイン自体が進化しているこの変化には別の次元がある：人工知能はデザインそのものの仕事も変えている。数十年間、製品デザインは主に固定されたインターフェースの作成に焦点を当てていた：画面、フロー、構造化されたやり取り。但し、人工知能駆動の製品は異なる動作をする。静的な機能ではなく、コンテキスト、データ、ユーザーの意図に応じてダイナミックに応答を生成する。デザイナーの役割は、画面を配置することから、人間と知能システムの間のやり取りを指揮することにシフトしている。デザイナーは、システムがどのように質問をするか、決定を説明するか、人間にどのように委ねるか、不確実性をどのように伝えるかを定義する。多くの点で、デザインの仕事は製品の知能層の奥深くに移行している。ノルディックの視点が重要な理由シリコン・ヴァルハラが成長を続ける場合、ノルディック諸国には構造的な利点があるかもしれない。この地域は、テクノロジーへのアプローチで、人間中心のデザイン、透明性、社会的責任を長期にわたって重視してきた。これは、デジタル公共サービスに反映されており、ヨーロッパで最も広く使用され、信頼されているサービスの一つである。これは、日常のやり取りを裏付ける安全なデジタルIDに基づいて構築されている。採用レベルは、技術的な利用可能性だけではなく、信頼を得て維持するように設計されたシステムの結果である。この伝統は、人工知能の時代に際して、ますます重要になる。人工知能の技術的な能力は急速に進化しているが、人間の側の問題はまだ解決されていない。社会的なレベルで、人々はまだ知能システムを信頼する時を学んでいる。専門家と一般大衆の間には、人工知能の仕事と社会への影響についての大きなギャップがある。73％の専門家は、人工知能が仕事と社会に良い影響を与えることを期待しているが、一般大衆の23％のみが同意する、スタンフォードAIインデックス・レポート2026によると。実践では、ユーザーは自動化された推奨事項をどのように解釈し、依存の境界をどこに設定するかをまだ学んでいる。体験を思慮深く設計することは、使いやすさの課題だけではなく、倫理的配慮、文化的理解、人間の行動に対する深い認識を伴う。信頼が次の世代のAI企業を定義する次の世代の成功したAI企業は、最も速いプロトタイプを構築したり、最も多くの機能を立ち上げたりする会社ではなくなり得る。代わりに、製品を信頼できる会社が成功する。信頼は技術的な正確さだけでなく、透明性、明確性、信頼性、価値観から生まれる。システムが不確実性をどのように伝えるか、決定をユーザーにどのように導くか、デリケートな状況をどのように責任を持って取り扱うかによって影響を受ける。これらの特性はデザインに深く結びついている。優れたエクスペリエンス・デザインは、ユーザーがシステムが何をしているか、 pourquoi それをしているか、そしてそれがユーザーの目標にどのように適合するかを理解するのに役立つ。直感的でなくてはならない、サポート的なものでなくてはならない、押しつけがましいものでなくてはならない、ユーザーにとって使いやすいものでなくてはならない。言い換えれば、生の知能を、人々が意味のある方法で利用できるものに変える。シリコン・ヴァルハラの次の章ノルディック諸国は、実際にグローバルなAI風景の中で特別な何かを構築しているかもしれない。エンジニアリングの才能、スタートアップのエネルギー、技術的な野心は明らかにある。LovableやSana Labsのような企業は、思慮深いエクスペリエンス・デザインが彼らの成功の重要な部分であることをすでに証明している。その基盤は、彼らに人工知能ブームに参加するだけでなく、責任ある方法で、人間中心の方法でそれをリードする可能性を与える。人工知能はすぐにどこにでも存在する。知能が豊富になると、体験が優位になる。シリコン・ヴァルハラにはそれをリードするための全ての要素がある。
