こんにちは！SCSKサイトーです🐧
最近、「AI-Ready」という言葉をよく見かけます。
ただ正直なところ、こう思ったことはないですか？
AI-Readyって実際どんな状態？
- データをSnowflakeに集めればよいのか？
- 生成AIを使えるようになればよいのか？
- それともデータカタログを整備すればよいのか？
言葉だけが先行していて、意外と具体的なイメージを持ちにくい気がします。
今回は簡単なデモを用意して
「SnowflakeにおけるAI-Readyとは何か」
を考えてみたいと思います！
【先に結論】AI-Readyとは何か？
AI-Readyの定義は様々ありますが
私はこの3つが重要だと考えています！
1. データそのものが整っている
命名規則やデータの粒度がばらばらではなく、分析に利用できる状態になっていること。
2. データの意味が定義されている
社内用語、指標、計算方法、データ同士の関係などが、AIにも解釈できる形になっていること。
3. 利用者に応じた権限が設定されている
AIがデータを理解できるだけでなく、利用者ごとに見せてよい範囲が制御されていること。
つまり、AI-Readyは「生成AIを使えるようになった！」という製品導入の話だけではありません。
AIが業務上の意味を理解し、適切なデータを、適切な人へ回答できるようにすること。
そこまで整って、ようやく「業務で使えるAI」のスタートラインに立てるのだと思います！
デモを用いて説明
今回のデモでは、次のような架空の売上データを用意しました。
- Black Companyの売上
- White Companyの売上
| White Company | Black Company | |
| 4月 | 100 | 90 |
| 5月 | 150 | 1,000 |
| 合計 | 250 | 1,090 |
上記データをSnowflake上に用意し、CoworkというSnowflakeのAIエージェント機能を使っていきます。
それではデモをしながら、AI-Readyにしていきましょう！
1. データそのものが整っている
まず最初のポイントです。
AIはデータを理解しているように見えて、意外と簡単に勘違いします。
Q：Black Companyの売上合計を教えて？
みなさんはどう回答しますか？
～⌛Thinking Time⌛～
「1,090」と回答しますよね。
でもAIはそうとは限りません。
AIが合計行の意味を理解できていない場合、4月・5月・合計をすべて集計対象としてしまうことがあります。
- 4月の行
- 5月の行
- 合計の行
を全部足して「2,090」と回答してしまいます。。
つまり、人間なら気付くデータの違和感に気付けないことがあるのです。
AI-Readyの第一歩は、
「AIが勘違いしない形にデータを整える」です！
＜AI-Ready前＞
・各月+合計のテーブル
| White Company | Black Company | |
| 4月 | 100 | 90 |
| 5月 | 150 | 1,000 |
| 合計 | 250 | 1,090 |
＜AI-Ready後＞
・各月売上のテーブル
| White Company | Black Company | |
| 4月 | 100 | 90 |
| 5月 | 150 | 1,000 |
・合計テーブル
| White Company | Black Company | |
| 合計 | 250 | 1,090 |
2. データの意味が定義されている
Black Companyを社内では、「BC」と呼んでいるとします。
よくありますよね。
企業名を略したり。
システム名を略したり。
プロジェクト名を略したり。
Q：BCの売上を教えて
と質問します。
人間ならBlack Companyだと分かります。
しかしAIは、BCは理解できません。
そこでSnowflakeのセマンティックビューを利用します。
セマンティックビューに
「BC = Black Company」
という業務知識を登録することで、AIはBCをBlack Companyとして解釈できるようになります。
「BC = Black Company」
という業務知識を登録することで、AIはBCをBlack Companyとして解釈できるようになります。
つまり重要なのは、
会社や組織固有の知識をAIへ教えることです。
今回の例は単純ですが、
実際の現場ではもっと複雑なルールがあります。
- 売上の定義
- 粗利の計算方法
- 社内独自の業務用語
- KPIの意味
＜AI-Ready前＞
＜AI-Ready後＞
3. 利用者に応じた権限が設定されている
最後のポイントです。
個人的には一番大事です。
AIのデモというと、「回答できました！」で終わりがちです。
でも業務利用ではその先があります。
例えば、
- リーダー
- メンバー
で見られるデータを変えたいことがあります。
- 売上情報
- 人事情報
- 原価情報
会社には様々な機密データがあります。
すべての社員が同じ情報を見られるわけではありません。
Snowflakeではリーダーとメンバーで異なるロールを設定できます。
メンバーに対して単純にすべてのデータを見せないのではなく、必要なデータだけを見られるよう細かく制御することが重要です。
👇ロールごとにアクセス可能なデータを制御すると、メンバーはBlack Companyの売上のみ参照できるようになります！
AIが回答できることと、
AIが回答してよいことは別。
Snowflakeの強みの一つは、
こうした既存の権限管理を活かしながらAI活用を進められることだと感じています！
＜AI-Readyデータ前＞
メンバーのロールでアクセスした場合
メンバーのロールでアクセスした場合
＜AI-Readyデータ後＞
メンバーのロールでアクセスした場合
メンバーのロールでアクセスした場合
まとめ
今回は簡易デモを題材に、
SnowflakeにおけるAI-Readyについて紹介しました！
AI-Readyとは、
AIを導入することだけではありません。
AIが正しく働けるように準備することです。
そのために重要なのが、
- データそのものが整っている
- データの意味が定義されている
- 利用者に応じた権限が設定されている
という3つです。
AIエージェントや生成AIに注目が集まっていますが、
実際に成果を左右するのは、その手前にあるデータかもしれません。
一度「AIそのもの」ではなく、
「データがAI-Readyになっているか」
を確認してみてください！
そのお手伝いをSCSKは一緒に行います！！