Nasuni（ナスニ）の最高製品責任者（CPO）、ニック・バーリング氏。
どの組織も何年も前のファイルバージョンを保存したいとは思わないものだ。それらはコンプライアンス、災害復旧、その他の理由で保存されている。しかし、これらの膨大な過去のデータライブラリ—すべてのファイルのすべてのバージョン—は常に未開拓の金鉱だった。ただ、その価値を引き出すツールがなかっただけである。
エージェント型AIがこの状況を変えようとしているが、ツールが価値ある仕事をできるよう、組織のデータを準備する必要がある。本稿では、エージェント型AIがファイル履歴全体を調査し、可視性の向上、トレンドの発見、自動コンプライアンス、そして独自モデル用のデータ強化を提供する方法について説明する。
可視性の向上
私たちが二人とも橋梁プロジェクトに携わるエンジニアだと想像してほしい。あなたは環境アセスメントを管理し、私は初期仕様と材料に焦点を当てている。現代のチームのように、私たちは異なる地域、場合によっては世界中に散らばっている。私はあなたがこれまでに学んだことと、それが私の材料選択に影響するかどうかが気になっている。2週間前に打ち合わせをしたが、それ以降は二人とも集中して作業しており、次の会議を待たずに最新情報を得たいと思っている。前に進み続けたいのだ。
そこでカスタムAIエージェントを導入して、あなたの最近の作業をレビューする。すぐに、特定の材料に環境上の欠点があることを発見したかもしれないと報告してくる。あるいは逆に、あなたが過去1週間の私のアイデアの進展を追跡できるエージェントを導入するかもしれない。私たち二人がプロジェクトを進める中で同期を維持できるため、次に会うときには互いの進捗状況を確認するために時間を無駄にする必要がなくなる。
トレンドの発見
エージェント型ツールの利点の一つは、同じリクエストに対して異なる方法を試すことだ。この反復的な問題解決と分析のスタイルをファイルと活動履歴に適用すると、エージェントは過去に類似の課題がどのように管理されたかを調査できる。
橋を建設するシナリオに戻ると、エージェントはファイル履歴を調査して、過去のプロジェクトでその企業が環境制約にどう対処したか、あるいはプロジェクトが初期のモデリングやシミュレーションテストで失敗したときにエンジニアがどのようにデザインを適応させ発展させたかを調べることができる。
ファイル履歴全体にアクセスできるエージェント型モデルは、企業の歴史におけるすべての橋梁プロジェクト、各プロセスを通じてデザインがどのように進化したか、未知のトレンドや非効率性を浮き彫りにし、それぞれから学ぶべきことを提案できる。このモデルは、これまで考えもしなかった方法でプロセスを最適化できる—データを大規模に分析する時間や能力がなければ、どの従業員も見つけられなかった洞察である。
あるいは、ウェブサイト用のドロップダウンメニューを構築するデザインチームがあるとしよう。エージェントに、これらの要素とチーム内でどのように作成・制作されているかについて、持っているすべての情報を提供するよう依頼できる。エージェントは時間の経過とともに何がうまくいき、何がうまくいかなかったかを選び出し、自分では気づかなかったシグナルを浮き彫りにし、デザイナーに特定の非生産的な道を避けるようアドバイスできる。
エージェントは、組織内での業務の創出履歴を効果的に再現し、新しいタイプの組織の頭脳として機能する可能性を秘めている。
自動コンプライアンス
エージェント型AIと完全なバージョン管理されたファイル履歴の組み合わせは、コンプライアンスチェックを自動化することで監査を新たなレベルに引き上げることもできる。
例えば、特定のISO規格に準拠する必要があるとしよう。コンプライアンス担当者として、毎週末にエージェントと直接やり取りし、従業員が規格の要件に反する特定のタイプの変更や行動を行ったかどうかを尋ねることができる。そして潜在的な警告や問題に対応し、重大な違反が発生する前に企業としてコンプライアンスを維持し、ベストプラクティスを遵守することを確保できる。
データの強化
最近のカンファレンスで、オラクルのCEOであるラリー・エリソン氏が独自データの価値をアピールするのを聞いた。大規模モデルはすでにパブリックインターネット上で利用可能なデータでトレーニングされている。そのすべての情報が取り込まれているため、独自データは特定のビジネスに対してAIソリューションを最適化する上で非常に価値があるだろう。
しかし、準備ができていなければ、特にすべてのファイルの最新バージョンだけでモデルをトレーニングしている場合、豊富さから希少性へと突然移行することになる。組織のデータを海に例えるなら、これは海の表面だけで独自AIモデルをトレーニングし、その下にある何マイルもの水—表層の特性を決定する水—を無視するようなものだ。
最新バージョンを超えてバージョン管理された完全なファイル履歴にまで拡張することで、モデルがアクセスできる独自の非構造化データを指数関数的に増やすことができる。さらに、これらのデータセットを特定のユースケース—例えばすべての橋梁プロジェクト、あるいはこれまでに設計されたすべてのドロップダウンメニュー—に対してモデルをトレーニングするようキュレーションすることもできる。
実現するための方法
エージェント型AIシステムがこれらの約束を実現する前に、組織はすべてのファイルデータの完全なバージョン履歴を維持し、それらのバージョンを迅速かつ効率的に閲覧できる必要がある。そして、このデータをキュレーションできなければならない。
橋梁関連の設計作業をすべてモデルに取り込みたい場合、エンジニアの子供の誕生日パーティーの写真が誤って含まれないようにしたい。カテゴリ、タイプ、その他の変数によってドメインを制限し、高品質で関連性の高いデータをモデルに供給できるようにしたい。
最後に、競合他社も同じモデルにアクセスできるが、彼らはあなたのデータ—バージョン管理されたファイル履歴に潜む何年もしくは何十年もの組織知識、プロセス、ワークフローを持っていない。このファイルデータ履歴はもはやIT費用だけではない。今や戦略的資産となったのである。
