先日発表されたExtreme Platform ONEについて、そのアーキテクチャの要となるAIの役割と、Extreme AI Expertがユーザーがプラットフォームと関わるための中心的なインターフェースとなったことをご紹介できることを嬉しく思います。 Extreme AI Expertのエージェントとしての性質と、ワークフローに与える変革的な影響について詳しく述べる前に、このビジョンを実現する過程で学んだことを振り返ってみたいと思います。
2023年秋の時点で、私たちはすでに機能する検索強化型生成(RAG)プロトタイプの開発を完了しており、現在はPlatform ONEのより広範なアーキテクチャ内のエージェントとして機能しています。業界では大規模言語モデル(LLM)自体に注目が集まっていますが、私たちは真の差別化要因は別のところにあると気づきました。それは、サポート文書とデータインフラストラクチャの設計です。
以下は、私たちのアプローチを形成し、効果的なAIシステム構築の重要な要素を明らかにした洞察です。
私たちが発見した最もインパクトのあるものの1つは、AIのパフォーマンスを向上させる上で文書化が重要な役割を果たすという事実です。驚くべきことに、成功はAIモデル自体の洗練度のみに依存するのではなく、入力データの明瞭性と構造にも依存します。AI向けに執筆するには、考え方を変える必要があります。簡潔で明瞭な事実に基づく文章は、洗練された複雑な文章よりも常に優れた成果を上げます。このアプローチにより、AIはより効率的に、よりエラーが少なく情報を処理できるようになり、解釈の精度が向上すると同時に処理コストも削減されます。
AIの長所と限界を認識することも同様に重要です。AIは読みやすいコンテンツの統合と提示に優れていますが、冗長的または曖昧な入力には対応できません。そのため、弊社では、スタイルの優雅さよりも正確性と実用性を優先する文書作成の手法を採用しています。明確で実行可能な入力に重点を置くことで、AIが最高のパフォーマンスを発揮できる構造的な基盤を構築しました。ライターもこの変化を受け入れ、修辞的な表現を駆使したコンテンツから、AIによる解釈に最適化されたコンテンツの作成へと軸足を移す必要があります。
メタデータは、AIの卓越性を追求する上で、目立たないながらも重要な役割を果たす存在として浮上し、品質と精度の面で重要な改善をもたらしています。構造化データ(APIコールやデータベースクエリなど)や非構造化フォーマット(文書やメディアなど)を扱う場合、メタデータはAIが効果的に機能するために必要なコンテクストを提供します。構造化データの場合、メタデータは生データポイントをビジネス上の関連性へとつなぐ橋渡し役となります。そのためには、変化する組織のニーズに確実に適合させるために、厳格な作成プロセス、検証、継続的な改善が必要です。
非構造化データのシナリオでは、メタデータの価値は生成よりも検索の強化にその能力を発揮します。セマンティック検索は重要な役割を果たしますが、通常は十分ではありません。AIシステムが最も関連性の高い、文脈に特化した情報を取得できるようにするのがメタデータです。堅牢なメタデータフレームワークに投資することで、AI Expertの微妙なニュアンスを反映した実行可能な推奨を行う能力を大幅に強化することができました。メタデータは、多くの点で、成功するAIエコシステムを支える縁の下の力持ち的な存在です。
私は、データメッシュのコンセプトの提唱者として、データ品質とAIのパフォーマンスの両方を向上させるには、プロセス、文化、アーキテクチャ、所有権が極めて重要であることを認識しています。データメッシュは、集中型システムから分散型アプローチへのパラダイムシフトを意味し、チームがデータを製品として扱うことを可能にし、説明責任とより良い成果を促進します。
AIの導入を成功させるには、純粋に技術的な問題ではなく、組織の調整とデータ第一主義の文化へのコミットメントが重要であることが分かっています。データメッシュの考え方を採り入れたチームは、優れたAIパフォーマンスの燃料となる高品質なデータセットの作成と維持に適した体制を整えることができます。その結果、最先端のAIアプリケーションをサポートできる、アジャイルでスケーラブル、かつ回復力のあるデータインフラが実現します。
AIの安全性とガードレールに対する重視が高まっているのは、ユーザーの受け入れにおいて信頼が依然として重要な要素であることを考えると、当然のことです。しかし、特に正確な実行可能な洞察に基づいて意思決定を行う必要がある重大な状況においては、正確性も同様に重要であることが、当社の経験から明らかになっています。
このような場合、事実確認のテクニックと説明可能なAIの手法は不可欠であり、ユーザーの信頼を構築するために必要な透明性を提供します。最終的には、安全性と正確性は手を携えてユーザーの信頼を確保し、広範な導入のための強固な基盤を構築します。
図1に示されているように、Agenticワークフローは精度の向上においてゲームチェンジャーとして登場しました。これらのワークフローにより、AIは反復的にクエリを実行し、検証し、応答を改善することが可能になり、複雑なシナリオへの対応能力が大幅に向上します。2024年の初頭にAndrew Ng氏と彼のチームが実施した研究では、より強靭で信頼性の高いAIシステムを構築する上で、エージェンティックなアプローチの価値が強調されました。
Figure 1 – Agentic Workflow Accuracy – Source: Deeplearning.AI
特に注目すべき進歩は、反射エージェントの実装であり、従来の方法と比較して精度の大幅な改善をもたらします。この技術革新は、AIの性能向上におけるエージェント型ワークフローの重要な役割を強調しており、今後検討すべき重要な要素です。これらのワークフローを統合することで、Extreme AI Expertは次レベルの精度の達成に向けて大きな一歩を踏み出しました。
以前のブログで詳しく説明したように、Extreme AI Expertはシンプルな会話型インターフェースをはるかに超えた進化を遂げました。ユーザーは、AIを活用して、ダッシュボード、レポート、ウィジェット、AI駆動型インサイトなどのリソースを構築したり、当社のAIキャンバスを通じてユーザーインターフェースを直接制御したりできるようになりました。余談ですが、同様のコンセプト(キャンバス)が、ChatGPT Canvasとしてリリースされたばかりです。しかし、Extreme AI Expertでは、インサイト生成プロセスは現在どのように機能しているのでしょうか?図2は、ユーザーが意図する作業を実行するために、複数のタスク特化型エージェントがどのように連携するかを概念的に示しています。
Figure 2 – Extreme AI Expert Multi Agent Message Flow
以下に、その流れを詳しく説明します。システムは、ユーザーのリクエストを適切な次のエージェントに転送するディスパッチャ・エージェントから始まります。例えば、非構造化データや文書に関するリクエストを処理するRAGナレッジ・エージェントではなく、構造化データ検索エージェントに運用データのリクエストが送信されます。リクエストが適切なエージェントに届くと、システムはカタログから適切なツールを選択し、関連するデータソースとエンドポイントを識別します。その後、UXフォーマットエージェントに渡される前に、データフレームハンドラーエージェントによってデータが取得および処理されます。UXフォーマットエージェントは、元のリクエストに基づいて、ユーザーへの最終的な出力の最適な表示方法を決定します。
図3に示されているように、この機能は単一のスマートウィジェットにとどまらず、AIキャンバス内で完全なレポートやインタラクティブな高度にパーソナライズされたダッシュボードの作成にも拡張されています。AI Expertと協調的に動作することで、ユーザーは特定のニーズに合致し、整合性のある、高度にパーソナライズされた洞察と体験を提供するカスタマイズされたアウトプットを生成することができます。
Figure 3 – Extreme AI Expert Interactive Experience in AI canvas
さらに多くのことが待ち構えています。2025年は、AIエージェント、マルチエージェントフレームワーク、エージェントワークフロー、自律型システムにとって決定的な年となるでしょう。2024年は「人工知能(AI)」の年でしたが、2025年は「エージェント」が脚光を浴びる年になると思います。
エージェントの可能性は否定しようがありません。エージェントは、IT組織や企業全体を変革する力があり、ベンダー、パートナー、コンサルティング、サービス組織のエコシステム全体に新たなビジネスチャンスをもたらします。ますます多くの証拠が、エキサイティングな未来を指し示しています。私は、これらの発展を詳しく探求することを楽しみにしています。これらの予測に沿って、2025年のブログシリーズではエージェントとその影響に焦点を当てます。今後の続報にご期待ください!