企業AIの最後の1マイルを解放するための連邦型、データレベルのインテリジェンス

企業でのAIの採用は、野心的ですが、実施は不均一です。業界横断的に、組織は機械学習や生成モデルを実験し、チームをトレーニングし、AIツールを限定的なワークフローに展開しています。しかし、実際の運用上の決定に影響を与えるAIシステムを許可する企業はわずかです。主な制約は、モデル性能ではなく、決定を下すためのデータに対する信頼です。

企業データは断片化されており、機密性が高く、さまざまな制約の下で管理されています。重要な信号は、分析プラットフォーム、運用システム、規制環境、パートナー生態系、リアルタイムストリームにわたって存在します。これらのデータの多くは、セキュリティリスクを増大させたり、コンプライアンス要件を違反したりすることなく、自由にコピーまたは集中化することはできません。したがって、多くのAIイニシアチブは、パイロット、分析、支援用途に限定され、ビジネス戦略や測定可能な影響をもたらす決定に大きな影響を与えることはありません。

この実験と影響の間のギャップは、しばしば企業AIの最後の1マイルと呼ばれます。これは、より広いアーキテクチャ的な課題を反映しています。AIを、最もアクセスしやすい部分ではなく、企業データの全景で安全に機能させることを可能にすることです。

企業データは設計によって分散しています

現代の企業は、複雑で分散したデータ環境で運営しています。ウェアハウスとレイクハウスは分析とレポートをサポートし、運用システムはトランザクション、ロジスティクス、顧客とのやり取りを管理します。エッジ環境は時間に敏感な信号を生成し、規制システムは機密情報に対して厳格なコントロールを課します。パートナーとエコシステムのデータはさらに複雑性を加えます。

これらのシステムは、異なる運用上の、規制上の、パフォーマンス上の要件を満たすように設計されました。したがって、企業データは、偶然ではなく、必要性によって分散しています。すべてのデータを単一のプラットフォームに統合しようとする試みは、遅延、重複、ガバナンスのオーバーヘッド、セキュリティの暴露を引き起こすことがよくあります。

結果として、AIシステムは頻繁に、企業の現実の部分的な表現でトレーニングされ、評価されます。これらのモデルは制御された環境ではうまく機能するかもしれませんが、より広い信号のセットに依存する実際の運用上の決定に適用されるとき、その有用性は低下します。

信頼はアクセス、ガバナンス、コントロールから生まれます

企業AIに対する信頼は、組織がデータへのアクセス、ガバナンス、使用方法に対する信頼を持ち始めたときに発展します。意思決定者は、AIシステムが現在の運用上の条件を反映し、セキュリティとプライバシーの要件を尊重し、確立されたガバナンスフレームワーク内で動作することを期待します。

実践では、これらの期待は、データアクセスが集中型またはサニタイズされたサブセットに制限されている場合、満たすことが難しいです。機密属性、規制レコード、リアルタイム信号はしばしば除外され、AIの出力の関連性が低下します。時間の経過とともに、これにより、組織はAI駆動の推奨事項に対する信頼を失います。

アナリストの研究は、このパターンを強化しています。AIの実験は一般的ですが、組織は頻繁に、データの準備、ガバナンスの成熟度、セキュリティの制約を、AIイニシアチブが限定的な展開を超えて進歩しない理由として挙げています。

AIが企業の意思決定への信頼できる参加者になるためには、制限されたサブセットではなく、すべての関連データに適切なコントロールでアクセスできる必要があります。

連邦型アーキテクチャはAIがすべての企業データに到達できるようにします

連邦型アーキテクチャは、企業データの分散型の性質とAIの実行を一致させます。データを中央システムに移転するのではなく、連邦型アプローチでは、計算を既存の環境で直接実行できます。

連邦型モデルでは、データはローカル所有権とガバナンスの下に残ります。ポリシーはデータが存在する場所で適用され、AIワークフローはその場で実行されます。このアプローチにより、不要なデータ移動が減り、データの主権が保持され、AIシステムが企業のより広い信号にアクセスできるようになります。

連邦型アーキテクチャは、集中型AIシステムの限界に対する実用的な対応として、ますます認識されています。 ガートナーは、連邦型分析を、セミオートノマスデータドメイン間の相互運用性と情報共有を可能にするパターンとして強調しています。これは、分散型データ環境に適しており、ローカルコントロール、ガバナンス、セキュリティを維持しながら、企業レベルの標準を維持するのに役立ちます。

連邦型学習は、この原則を実践で示しています。分散型データセットを使用して共同モデルをトレーニングできるため、生データを共有する必要はありません。特定のテクニックを表していますが、環境を跨いでインテリジェンスを導き出す方法を示しています。

より広い意味では、連邦型アーキテクチャは、分析、運用、規制、リアルタイムのデータを含む、すべての企業データでAIシステムが機能できる基盤を確立します。

データレベルのセキュリティは連邦型の運用を可能にします

連邦型の実行により、AIのリーチが拡大しますが、データレベルのセキュリティにより、このリーチが制御されたままになります。AIシステムがデータと連続してやり取りし、ドメインを跨ぐ場合、セキュリティとガバナンスは、データの感度に匹敵する精度で動作する必要があります。

データレベルのセキュリティは、システムレベルまたはロールベースのコントロールのみに頼るのではなく、個々のデータ要素のレベルでポリシーを適用します。これにより、AIワークフローは許可された属性にアクセスできますが、機密フィールドは保護されたままです、同じデータセット内でも。

データ使用時にセキュリティを直接組み込むことで、組織は混合感度環境でAIを適用し、リスクを減らし、コンプライアンスを維持できます。業界の調査、デロイトのAI採用の障壁に関する分析は、ガバナンスがAIライフサイクル全体にわたって継続的に動作する必要があることを強調しています。

部分的な可視性から企業全体のインテリジェンスへ

企業AIの約束は、すべての関連データを組み込む能力にあります。連邦型アーキテクチャとデータレベルのセキュリティを組み合わせることで、AIシステムは、信頼、コンプライアンス、コントロールを維持しながら、企業データ全体で動作できるようになります。

このアプローチにより、組織は次のことができます：

• 運用上のシグナルとリアルタイム信号をAIワークフローに組み込む
• 規制上の境界と契約上の境界を尊重する
• 重複とセキュリティの暴露を減らす
• 環境全体で一貫したガバナンスを維持する

AIの能力が進化し続けるにつれて、データへのアクセスとセキュリティに関するアーキテクチャ上の決定は、企業の成果を決定する上でますます重要な役割を果たすことになります。

企業の現状に合わせたAIの設計

企業AIは、運用上の現実を反映するときに成功します。データは分散されており、ガバナンスは繊細で、セキュリティの期待は高く設定されています。連邦型、データ中心のアーキテクチャは、これらの条件を認識し、AIが制限された実験を超えて進むための道を提供します。

データが存在する場所でAIを実行できるようにすることで、組織はデータ全景にわたってインテリジェンスを拡大できます。この変化により、AIは分析用ツールから、意思決定への信頼できる参加者に変わります。

最後の1マイルは、AIがすべての企業データと安全に責任を持って関わることができるようになったときに達成されます。