「クリーンなデータ」と、AIが推論に活用できるデータとは別物です。多くの企業は前者を保有していますが、後者を保有している企業はごくわずかです。
AIシステムは文字通りデータを処理します。レコメンデーションエンジンは、あるサプライヤーが6ヶ月前に活動を停止していたことに気づくことはありません。単に有効なレコードとして認識し、それに基づいて動作するだけです。調達エージェントも、価格が定価なのか原価なのかを問うことはありません。ある解釈を選んで、それに基づいて処理を進めるのです。
データはあらゆる品質チェックを通過しているにもかかわらず、失敗は依然として発生します。欠けているのは、ガバナンスの効いたインテリジェンスなのです。
ガバナンスされたインテリジェンスとは、クリーンなデータの上に重ねられた意味の層であり、AIシステムに対して単に数値が何であるかだけでなく、以下のことも伝えるものです：
- それらが何を意味するのか
- それらが他のあらゆる要素とどのように関連しているか
- どのようなルールが適用されるか
これがなければ、AIシステムは不完全な文脈に基づいて自信を持って意思決定を行ってしまいます。
これはAI時代において不可欠な知識です。ぜひ読み進めて、「クリーンデータ」と「ガバナンスが施されたデータ」の違い、そしてそれが多くの組織が認識している以上に重要な理由について学んでください。
「クリーンデータ」と「ガバナンスが施されたデータ」が異なる問題である理由
データ品質の取り組みは、特定の課題を解決するものです：
すべてのシステムが、同じ情報を一貫して使用しているか？
つまり、重複レコード、NULL値、書式設定のエラーがないことを意味します。顧客ID「12345」は、請求、配送、カスタマーサービスの各部門において、すべて同じ人物を指す必要があります。
それは重要なことです。しかし、別の疑問、すなわち「このデータは何を意味するのか」という問いには答えになっていません。
顧客データベースが完璧に整っていても、誰が「顧客」であるかという共通の定義が定まっていない可能性があります。それはメールアドレスでしょうか？購入履歴でしょうか？有効な定期購読でしょうか？
明確な定義がなければ、異なるシステムが同じレコードを異なる方法で解釈することになり、AIシステムはその曖昧さをそのまま引き継いでしまいます。
その違いは、結局のところ次のような点に集約されます：
- データ品質は、「この値は正しく、一貫性があるか？」と問う。
- ガバナンスが施されたデータが問うのは、「AIはこの値が何を意味するのか理解しているか？」ということです。
これらは関連する問題ですが、それぞれ異なる解決策が必要です。重複排除だけでは、意味的な明確さを得ることはできません。多くの組織は、長年にわたり前者の最適化に注力してきた一方で、後者についてはほとんど手をつけてこなかったのが実情です。
そこで、AIの失敗が生じているのです。
インテリジェンスを統制する4つの機能は、クリーンなデータだけでは得られないものを補完します
1. 意味の明確さ
クリーンなデータは、システムにどのような値が存在するかを伝えます。一方、意味的な明確さは、それらの値がビジネスの文脈においてどのような意味を持つかを伝えます。
ライフサイクルステージが「衰退中」である製品レコードは、「レコメンデーションで優先順位を付けない」や「その製品に関する新たなサプライヤー契約を結ばない」といった具体的な意味を持ちます。また、顧客ステータスが「休眠中」である場合、その意味は請求システムとマーケティングシステムで異なります。
意味論的な明確さにより、こうした定義が明示的かつ機械可読な形式で表現されるため、すべてのシステムが同じ理解に基づいて動作するようになります。
2. 関係性のガバナンス
エンティティは孤立して存在するものではありません。製品は特定のカテゴリーに属し、特定のサプライヤーから供給され、コンプライアンスタグを持ち、ライフサイクルの特定の段階に位置しています。顧客には注文履歴、嗜好、支払い履歴、地域プロファイルがあります。
リレーションシップ・ガバナンスは、こうしたつながりを明確にします。
これがなければ、AIシステムは孤立したレコードしか認識できません。これがあれば、AIシステムは文脈を把握できるのです。
3. 実行可能なビジネスルール
これにより、AIシステムは貴社のビジネスロジックに従うことができます。単にデータを読み取るだけでなく、貴社の制約条件の範囲内で行動することが可能になります。
実際の場面では、例えば次のようなケースが考えられます：
- 「ステータスが『非アクティブ』のサプライヤーの商品は推奨しない」
- 顧客の許可された販売地域外の商品は提供しない
- サプライヤーのリスク評価が閾値を超えた調達注文にはフラグを立てる
ルールに違反した場合、システムはその理由を正確に把握します。また、正しい判断が下された場合、その判断の根拠となったルールを正確に追跡することができます。
4. 出所と系譜
すべての値には履歴があります。それはどこから来たのでしょうか？最後に更新されたのはいつでしょうか？その値に対する信頼度はどの程度でしょうか？
これは重要なことです。なぜなら、AIによる意思決定の信頼性は、その入力データの信頼性に左右されるからです。何か問題が発生したとき――そしていずれは必ず何かが起こるものですが――来歴を把握することで、どのデータが意思決定の根拠となったのか、どのシステムがそれを管理していたのか、そしてどこに不備があったのかが明らかになります。
それこそが、一時的な修正を恒久的な改善へと変えるのです。
ガバナンスが適切に機能しているインテリジェンスのあり方
例を見てみましょう：
- ある顧客がオフィスチェアを閲覧しています。レコメンデーションエンジンが、同じカテゴリーで価格も似たような、条件に合う商品を見つけ出します。ロジックもデータもクリーンです。
- ガバナンスが機能していない場合、そのレコメンデーションが送信されてしまいます。その商品は、会社が6ヶ月前に取引を停止したサプライヤーからのものです。レコード自体は有効で、問題はありませんが、「非アクティブ」を示すフラグが設定されていないのです。
- 顧客は注文します。数週間待っても、商品は発送されません。
ガバナンスが整備されていれば、同じクエリでも処理は異なります。レコメンデーションが表示される前に、エンジンは以下を確認します：
- サプライヤーは稼働中か？
- その商品は顧客の地域で入手可能か？
- 在庫がある場合、それは出荷可能な状態なのか、それとも保留中や破損品なのか？
最初の質問に対する答えは「いいえ」です。推奨は行われません。
即効性のある成果
即効性のある成果は、障害が発生しないことです。
大局的な観点からの大きなメリット
より大きな変化は、実際に問題が発生した際に何が起こるかという点にあります。ガバナンスがなければ、チームは問題に立ち向かい、データの不備を見つけ出し、手作業で修正し、別の角度から次の障害が発生するのを待つことになります。同じ「火消し」のループが、際限なく続くのです。
ガバナンスがあれば、失敗した意思決定は特定のギャップを指摘することになります。サプライヤーのステータスが最新ではなかった、といった具合です。
- 体系的に修正する
- すべての推奨事項の前にチェックを行うルールを追加する
- 逸脱がないか監視する
AIは時間の経過とともに信頼性が高まります。これはアルゴリズムが変わったからではなく、ガバナンスが改善されたためです。
Stibo Systemsがそれを実現するお手伝いをする方法
ガバナンスに基づくインテリジェンスは、データインフラストラクチャ全体にわたって意図的に構築すべき機能です。当社の信頼性の高いインテリジェンスプラットフォーム「STEP」は、まさにその実現を目的として設計されています。
- ガバナンスの効いた製品およびサプライヤーデータにより、損害が生じる前に、AIによるレコメンデーションに非アクティブな関係性が反映されるのを防ぎます
- セマンティックな製品マスターデータにより、担当者が扱うすべてのレコードに、地域制限、在庫状況、価格設定のコンテキストが紐付けられます
- ガバナンスが施された顧客360度ビューにより、「アクティブ」「休眠」「リスクあり」といった定義の不一致が、顧客対応担当者を混乱させることを防ぎます
- ルールが強制適用されたサプライヤーマスターデータにより、高リスクまたはコンプライアンス違反のサプライヤーが自律的な調達決定から排除されます
- 完全なデータリネージとルールのトレーサビリティにより、チームはAIの意思決定を導いた具体的なデータやルールを正確に説明できるようになります
- ガバナンスが適用されたデータ基盤により、新しいAIイニシアチブを毎回ゼロから始める必要がなくなり、展開のたびに本番導入までの期間が短縮されます
- アプリケーション、ワークフロー、担当者を横断した一貫したインテリジェンスにより、同じデータに対して企業内で異なる意思決定が行われることを防ぎます
AIプロジェクトが本番環境で停滞している場合、その原因はアルゴリズムにあることはほとんどありません。まずは、AIが推論の根拠としているデータから検討を始めましょう。
