AI-Ready の分類とそれを支えるテクノロジー
1.2K Views
September 29, 26
スライド概要
【DAMA日本支部主催】AI-Ready を実現するデータマネジメント ～ EDW 2026 から考える実践のポイント ～における発表資料です。
https://peatix.com/event/5153331
関連スライド
各ページのテキスト
AI-Ready を実現するデータマネジメント ～ EDW 2026 から考える実践のポイント ～ AI-Ready の分類と それを支えるテクノロジー manabian
はじめに ◼Enterprise Data World 2026 をオンラインで視聴する方法を紹介します。 ◼乱立する AI 関連セッションを「AI for Data Management」「Data Management for AI」などの 5 分類で捉える視点を提示します。 ◼テクノロジートレンドとして、オントロジー・ナレッジグラフ（Semantics）が なぜ注目されているのかを、データエージェント（AI Agent）の観点から考察し ます。
自己紹介 【主業務】 レイクハウス・DWH・BI構築に関する SI ベンダーにてフェローとし て、次の業務を実施。 • データエンジニアリングの実装論の整理とライブラリ開発 • データ分析基盤とアプリケーションの設計・構築に関する支援 • データ分析基盤に関する技術検証 @manabian 【趣味】 趣味がデータ分析基盤に関する調査や検証であり、 主に Qiita を中心に記事を投稿。
Enterprise Data World 2026 の視聴方法
DATAVERSITY Training Center の月額プランにて視聴可能 ◼ DATAVERSITY Training Center は、データマネジメントなどを専門家から学べる オンライン学習サービスであり、 そのコンテンツの１つが Enterprise Data World 2026 です。 ◼ 月額プランである"Essential Subscription (Monthly)"を契約して視聴をしました。 引用元：Subscriptions 引用元：Bundle
セッションの概要を記事にて公開中 ◼ 視聴したセッションの概要を公開しています。 記事へのリンク 引用元：Enterprise Data World 2026 の整理
AI に関するセッションの分類
AI に関するセッションの分類軸が必要だった理由 ◼ AI とつくセッションが乱立し、参加してみると想定外の内容に遭遇することもあり、 セッションを捉えるための分類軸が欲しいと思いました。 データマネジメントに関する言及なし ※ 実際に参加したセッション名を変更した架空のタイトルです。 AI Agent ではなく時系列予測の事例
AI に関するセッションの分類 ◼ AI に関するセッションを 5 つに大別できます。 No. AI セッション分類 振り分け基準 1 AI for Data Management AIを手段として、データマネジメント業務を改善する ことが主題。 2 Data Management for AI AIがデータを正しく発見・解釈・利用できる状態を作 ることが主題。 3 LLM Engineering LLM、RAG、AI Agentなどを活用したAIシステムを設 計・開発・評価・運用することが主題。 4 ML Engineering 従来の機械学習モデルや機械学習システム自体を設 計・開発・評価・運用することが主題。 5 AI Adoption & Enablement AIを組織へ導入・定着させ、業務で継続的に活用でき る体制・プロセス・人材を整備することが主題。 備考
Data Management for AI で注目のセッション ◼ Semantics 領域への関心から、個人的に特に興味深かったセッションを取り上げます。 ◼ ただし、Ontology・Knowledge Graph は一部でバズワード化しているものの、実務適用の成熟 度は依然として発展途上にあると考察しています。 概要 ⚫ 現代のデータ基盤は、データ移動・変換・ 保存・アクセスといったインフラ面では成 熟している一方、業務概念やデータの「意 味」を一貫して表現・共有する仕組みは十 分に成熟していない。 ⚫ ERモデルやスキーマはデータ同士の関係を 表現できても、その関係が業務上何を意味 するかという解釈までは持たないため、AI では意味の不整合が誤解釈や信頼低下につ ながる。 ⚫ OntologyやRDF/OWLで意味を定義する だけでなく、その意味を明示的・標準化・ 機械可読な形でデータパイプラインやAIシ ステムに組み込み、実運用できる状態にす ることが重要である。 引用元： Panel: Next-Generation Data Quality and Semantics for Agentic AI Systems
テクノロジートレンド
オントロジーとナレッジグラフが注目されている ◼ オントロジーやナレッジグラフに関する機能が各ソフトウェアベンダーから相次いでリリースさ れ、注目を集めています。 ◼ その背景には、AI Agent （データエージェント）が業務の意味やコンテキストを理解する必要性 の高まりがあります。 Ontology 引用元： Data + AI Summit Keynote 2026 | Day 1 ナレッジグラフ 引用元： What Is a Semantic Layer | Graphwise Fundamentals
業務系・データ利活用系におけるデータエージェントの違い ◼ 業務系システムとデータ利活用システム（情報系システム）では、目的や処理特性が異なるため、 データエージェントもそれぞれに適した設計が必要です。 ◼ 業務系システムは個々のトランザクション処理を中心とし、 データ利活用システムは大量のデータを横断した集計・分析を中心とします。
データ利活用系におけるデータエージェントの全体像 ◼ データエージェントとは、データを自律的に探索・取得・分析・変更し、必要なアクションまで 実行するAIエージェントです。 ◼ その構築には、AIシステムだけでなく、データ基盤を含めた全体像の設計が欠かせません。 ソース 業務系 システム データ AI Endpoint データ 探索・理解 非構造化 データ 物理統合 データ取得 REST API 仮想統合 データ 仮想化 AI エージェント （データエージェント） ファイル ストレージ データ処理 統合カタログ （統合DWH） OTF統合 データ分析 MCP データ変更 データ共有 DWH OTF テーブル 認証 Agent 認可 データ 設計・実装・運用 データ ガバナンス
データエージェントとは データエージェントとは、データを自律的に探索・取得・分析・変更し、必要なアクションまで 実行するAIエージェントです。 データエージェントは、1 つ以上のケイパビリティ分類の項目を機能としてもちます。 No. ケイパビリティ分類 主目的 質問例 1 データ探索・理解 必要なデータを探索・特定する 「売上を分析するには？」 2 データ取得 データを取得する 「店舗別売上データを抽出して」 3 データ処理 データを加工・集計・計算する 「前年比や移動平均を計算して」 4 データ分析 データを解釈・考察し報告する 「売上減少を考察したレポートを作成して」 5 データ修正 データを登録・変更・削除する 「顧客ステータスを変更して」 6 データ設計・実装・運用 データ処理やMLなどのデータのコードを開発 「月別受注テーブルとそのPipelineを追加して」 7 データガバナンス データを適切に管理・統制する 「月別受注テーブルの参照権限を付与して」
DWH・BI のセマンティックレイヤー機能が充実 DWH・BI におけるセマンティックレイヤー機能の充実により、AI が適切な定義に基づいてクエ リできるようになり、データの取得・処理が容易になってきました。 Semantic Layer なし Semantic Layer あり データ利活用の要望があるたびにクエリの提供などを行う必要が生じ、 その都度コミュニケーションコストが増大するだけでなく、提供された クエリに対するガバナンスを適切に実施することも困難になる。 データ利活用の要求がある際には、再利用可能な Semantic Layer を提 供することで、コミュニケーションコストを低減しながらデータの抽出 状況を一元的に管理し、適切なガバナンスを実施できるようになる。 STEP1 データ提供依頼 データ提供者 STEP1 データ抽出と利用 STEP3 修正したクエリを利用 データ提供者 クエリ① クエリ①` AI Agent AI Agent データソース データ利用者 データ利用者 STEP2 クエリ提供 クエリ② クエリ②` XXX X データソース データ利用者 Semantic Layer データ利用者 クエリ③ クエリ③` データ利用者 データ利用者
DWH・BI のセマンティックレイヤーの課題 ◼ 多くのセマンティックレイヤー機能では、実用的に扱えるテーブル数や複雑性に制約があるため、 用途に応じてモデルを分割する必要があり、結果としてセマンティックレイヤーが乱立しやすい という課題があります このモデルが多い ① OBT(One Big Table・大福帳)型 ②ディメンショナルモデル型 ③サブジェクト型 メトリックス （メジャー） メトリックス （メジャー） メトリックス （メジャー） メトリックス （メジャー） メトリックス （メジャー）
次のテーマは Data Discovery(データ探索・理解)の実装 ◼ 特定のサブセットにおけるデータ取得と処理を行う方法論に目処が立ってきたため、 目的に応じたデータ探索・理解 （Data Discovery）の実施が次の注目テーマとなっています。 データ 探索・理解
ケイパビリティ分類におけるデータ探索・理解 ◼ ケイパビリティ分類におけるデータ探索・理解が該当します。 No. ケイパビリティ分類 主目的 質問例 1 データ探索・理解 必要なデータを探索・特定する 「売上を分析するには？」 2 データ取得 データを取得する 「店舗別売上データを抽出して」 3 データ処理 データを加工・集計・計算する 「前年比や移動平均を計算して」 4 データ分析・提供 データを解釈・考察し報告する 「売上減少を考察したレポートを作成して」 5 データ修正 データを登録・変更・削除する 「顧客ステータスを変更して」 6 データ設計・実装・運用 データ処理やMLなどのデータのコードを開発 「月別受注テーブルとそのPipelineを追加して」 7 データガバナンス データを適切に管理・統制する 「月別受注テーブルの参照権限を付与して」
Data Discovery の実現方法 ◼ データエージェントにデータ探索・理解 （Data Discovery）を実装するために、 オントロジー・ナレッジグラフで実現できると言われています。 ◼ 成熟段階にはないものの、統制語彙などのデータマネジメント活動が前提となっています。 Ontology 引用元： Data + AI Summit Keynote 2026 | Day 1 ナレッジグラフ 引用元： What Is a Semantic Layer | Graphwise Fundamentals
オントロジー構築のステップ ◼ 最も具体的なステップとして Ontology Pipelines という方法論があります。 ◼ 統制語彙の検討から入るため、重要なのは統制語彙などのデータマネジメント活動です。 1 2 3 4 5 6 出所：The Ontology Pipeline - by Jessica Talisman, MLS 統制語彙 Controlled Vocabulary 用語を定義し、表記ゆれ・同義語を統一する土台 メタデータ標準 Metadata Standards 構造・記述・管理の要素をスキーマで統制する タクソノミー Taxonomy 統制語彙を階層化し、親子関係を与える シソーラス Thesaurus 同義語を関連づけ、親子関係を超えて拡張する オントロジー Ontology クラス・関係・属性を定義し、論理推論を導入する ナレッジグラフ Knowledge Graph 全段階を統合し、意味的なつながりを可視化する
まとめ
まとめ ◼ 「Data Management for AI 」における注目テーマの１つは オントロジーとナレッジグラフです。 ◼ その背景には AI Agent （データエージェント）があり、 今でも従来のデータマネジメント活動 が必要とされています。 1 2 3 4 5 6 統制語彙 Controlled Vocabulary 用語を定義し、表記ゆれ・同義語を統一する土台 メタデータ標準 Metadata Standards 構造・記述・管理の要素をスキーマで統制する タクソノミー Taxonomy 統制語彙を階層化し、親子関係を与える シソーラス Thesaurus 同義語を関連づけ、親子関係を超えて拡張する オントロジー Ontology クラス・関係・属性を定義し、論理推論を導入する ナレッジグラフ Knowledge Graph 全段階を統合し、意味的なつながりを可視化する 出所： The Ontology Pipeline の画像を参考に作成
ありがとうございました 参考になった記事には いいねをお願いします manabian 𝕏: @manabian Qiita: manabian