【#OpenDataSpaces】# ＼Interview Part 3 公開／ 分断された現場や組織の壁を越え、データを価値ある資本へ。 Part 3では #ダイナミックオントロジー# をはじめ、AIに必要な #コンテキストレイヤー# としてのOpen Data Spacesの技術設計に迫ります。フル版はWEBサイトで公開中🔗

SaaStr 「エンタープライズAIの現実」 ■ ダッシュボードの死とセルフサービス分析 全てのフォーチュン500企業がAI推進を命じた結果、トークン消費だけが肥大化し価値が見えないAIスプロールが起きている。これに伴い従来のBIダッシュボードは完全に死を迎え、自然言語で直接対話するセルフサービス型分析が台頭している。実際に大手自動車メーカーでは、7万人もの非技術職ユーザーを直接オンボーディングする大規模なデータ活用改革を断行した。彼らは社内データにプレーンテキストで直接クエリを投げ、データアナリストの承認を待つことなく即座に回答を得ている。組織内のデータ流通におけるボトルネックを取り除くことこそが、現場の意思決定スピードを数日から数分へと劇的に引き上げる。 ■ データではなくコンテキスト（セマンティックレイヤー）の壁 多くのエンタープライズ企業でAIエージェントが失敗に終わるのは、データやモデルの質ではなく、運用のためのコンテキスト（文脈）が足りないからだ。自社の地域定義や会計年度、売上計上ルールなどを体系化したセマンティックレイヤーがなければ、AIは正確な意思決定を行えない。膨大なデータが単にデータベースに蓄積されていることと、そのビジネス的な意味が機械可読な形で定義されていることは全く別物である。企業はビジネス用語の標準的な解釈を定義する「オントロジー」を、あらかじめ機械にインプットしておかなければならない。独自のセマンティックな語彙集を盤石に整備することだけが、AIが妄想することなく真に信頼に足る出力を返すための唯一の手段である。 ■ 30日以内のレガシーシステム移行革命 かつて数年がかりで巨額のコストを要した企業のレガシーシステム移行が、LLMの導入によって劇的に高速化している。Databricksでは、コードの解析やデータモデルの変換、さらには移行前後の完全な整合性検証にLLMを活用している。この仕組みにより、これまで数年を要したエンタープライズ規模 of システム移行をわずか30日以内で完了させる体制を構築した。従来支払われていた数年間の巨額なコンサル費用と時間ロスが、実質的にゼロに近い水準まで削減される。移行コストの劇的な低廉化は、企業の近代的なテクノロジースタックへの移行ハードルを完全に消し去っている。 ■ 24ヶ月以内に崩壊するソフトウェア独占 システム移行や開発のコストが極限まで低下したことにより、今後24ヶ月以内に既存のエンタープライズ向けソフトウェアの独占構造は崩壊する。巨額のサンクコストや移行障壁に守られていた業界の大手 incumbent も、安価なAIネイティブ競合の出現により強烈な価格破壊プレッシャーに晒される。ユーザー企業は特定の高価で不便なシステムを使い続ける客観的な理由を完全に失うことになる。これにより、自社のニーズに最も合致した最新の競合製品へ容易に乗り換える動きが世界的に加速する。自社独自の顧客データや固有のコンテキストで強固な差別化を構築できないSaaSは、この価格破壊の波を乗り越えられない。 ■ 危険な「曖昧な中間」を避ける予算選別 企業のIT予算は「純粋なAI予算」と「従来のソフトウェア予算」の二極化が進んでおり、自社製品がどちらの枠にいるかを見極める必要がある。ここで最も危険なのは、どちらの予算枠からも真っ先に削減される「曖昧な中間（マキシー・ミドル）」に位置する製品である。自社プロダクトが現場の作業を10倍自動化する本物のAI兵器なのか、それとも従来のワークフロー管理ツールに過ぎないのかを徹底的に峻別すべきだ。企業はただのAI機能のアドオンに留まらず、顧客に対して具体的かつ明確なコスト削減や業務時間の短縮といった実数値を証明しなければならない。顧客のAI予算を確実に獲得するためのポジショニングの再設計と、価値提案の刷新こそが全B2Bベンダーに今求められている。

AIエージェントをエンタープライズシステムに組み込むプラクティス 【セマンティックレイヤー -- 組織知識グラフと指標定義の一元化】 💡 「売上を教えて」とAIに聞いたら、税込？税抜？受注ベース？入金ベース？ -- 定義が曖昧なまま回答するAIは、正確に間違える最悪のツールです。指標と組織の「意味」を一元管理し、ハルシネーションを定義済みの事実で置き換えます。 🔥 解決する課題 - 数値/用語のハルシネーション：「売上」の定義が曖昧なまま回答し実際と異なる数値を生成する - 指示語の解決不能：「私のチーム」「先月」等の曖昧な参照を正確に解決できない - 組織階層スコープの欠如：部署・プロジェクトに応じたデータ範囲の制御ができない 🏗️ 提案パターン BIのセマンティックレイヤー（dbt Semantic Layer / Cube等）でメトリクス定義を一元管理します。「売上 = 受注金額の税抜合計、期間はFY基準」のように厳密に定義します。組織グラフはSCIM/HRIS（Workday等）から同期し、「私のチームの売上」を「ユーザーの所属部署メンバーの受注金額合計」と自動解決します。自然言語の曖昧性をハルシネーションではなく定義済みの事実で解決する仕組みです。 ✅ 選定条件 - 採用する場合：分析支援・組織横断の業務・権限依存の処理、指標や用語の定義が重要な業務 - 採用しない場合：定義が固まっていない探索的な領域（定義の整備が先） ⚠️ 落とし穴 - 定義の維持コスト：メトリクス定義と組織グラフの鮮度を保つ運用フローが必要です - 定義の粒度：細かすぎると管理が破綻し、粗すぎると曖昧性が残ります。利用頻度の高い指標から段階的に整備します - 組織変更への追従：部署再編・異動が頻繁な組織ではSCIM同期の頻度とタイミングが重要になります 🛠️ 実装方針 1. dbt Semantic Layer / Cubeでメトリクス定義（「売上 = 受注金額の税抜合計、期間はFY基準」等）を一元管理し、エージェントの第一級コンテキスト源として接続します 2. Workday / OktaからSCIM同期で組織グラフ（人・部署・プロジェクト・役職・権限）をNeo4j / Amazon Neptuneに構築します 3. 自然言語→定義済みメトリクス/関係へのマッピングレイヤーを実装し、「私のチームの売上」を「所属部署メンバーの受注金額合計」と自動解決します 4. 利用頻度の高い指標から段階的に定義を整備し、定義の鮮度を保つ定期レビューの運用フローを確立します 5. 組織グラフの変更検知（部署再編・異動）をSCIM同期のWebhookで即時反映し、スコープ制御の遅延を最小化します #AIエージェント# #エンタープライズアーキテクチャ#

3名のデータチームに毎週積み上がるリクエスト、事前定義されたダッシュボード以外の分析は全員がデータチームを経由する——それがLangChainのBI時代の日常でした。 🔍 チームは変化を決意しました。求めたのは「ダッシュボード・ノートブック・会話型インターフェースを統合し、ネイティブにAIエージェントを扱える」プラットフォームです。Hexを選び、dbtデータモデル・セマンティックレイヤー・ワークスペースガイド・エンドースメント（信頼シグナル）・GitHub連携という5層のコンテキスト構造を設計しました。移行は6週間で完了し、社員全員が採用するという結果になりました。 変化の核心は技術ではなく「明示性」でした。「account_statusはアカウントのステータスです」という曖昧な定義を、ライフサイクル状態・デフォルトフィルタ・レポート規約を含む詳細な記述に書き換えるだけで、エージェントの回答精度が劇的に変わります。ARR・パイプライン・カスタマーヘルスなど主要指標はセマンティックレイヤーで一元定義し、複数のアセットが同一概念を扱う際にエージェントが混乱しないよう信頼シグナル（エンドースメント）で正規ソースを明示しました。 今、マーケティング・プロダクト・営業・カスタマーエンジニアリングの全部門が、データチームを介さずに自分で分析を進められるようになっています。月間約2,200件のエージェント会話が生まれ、3名のチームが手動で対応できる量の40倍のリクエストをエージェントが処理しています。データチームの仕事は「質問に答える」から「他者が質問に答えられるシステムを設計する」へと変わりました。LangChainの実践記録「How LangChain Built an Agent-First Data Stack」は、エージェント時代のデータチームのあり方を具体的な数字と設計思想で語っています。 #DataStack# #AIエージェント#

🔄Loop Engineeringとはなにか？ もう「AIにプロンプトを打つ」作業は終わりにしませんか？これからは、エージェントを自律的に回す仕組みそのものを設計する時代です。AIコーディングのパラダイムシフトの正体に迫ります。 💡 1. プロンプトからシステム設計への転換 従来のAIコーディング（AI-assisted Coding）は、人間がループの「中心」にいました。 👨‍💻 これまでのアプローチ: 人間がコンテキストを考え、プロンプトを打ち、AIの出力を読み、手元でテストを実行し、エラーが出たら再度プロンプトを打つ。AIは「高機能な関数」や「道具」であり、制御の主体は常に人間です。 🔄 ループエンジニアリング: 人間はループの「外側」に出て、システム全体のデザイナー（作者）になります。仕事の検知、AIへのコンテキスト注入、出力の自動テスト、進捗の記録、次のステップの判断という一連のライフサイクルを小さなプログラムに実行させます。 ここで重要なのは、AIモデルがシステムにおける「サブルーチン（部品）」へと降格し、代わりに環境（テストスイートやリポジトリの状態）からのフィードバックをループ処理する構造へ進化したという点です。 ⚙️ 2. ループを駆動する5つのコアコンポーネント＋1つの記憶 抽象的な概念を動くシステムに落とし込むため、ループは以下のコンポーネントに分解されて設計されます。 ① ⚡ 自動化（Automations） ループの心臓部であり、発火トリガーと停止条件を定義します。 ツール（Claude CodeやCodexなど）では、単に定期実行する /loop だけでなく、明確な終了条件（例：「すべてのテストがパスするまで」）を満たすまでAIを回し続ける /goal コマンドなどがこれに該当します。条件が達成されるか、ハードストップ（予算や上限回数）に達するまで回り続けます。 ② 🌳 ワークツリー（Worktrees） 複数のAIエージェントが並列で動く場合、同じディレクトリで作業するとファイルの衝突（コンフリクト）が発生します。これを防ぐため、Gitの worktree 機能を使い、エージェントごとに独立した作業ディレクトリとブランチを隔離して自動生成します。機械的な衝突を回避し、並列性を担保する基盤です。 ③ 🧠 スキル（Skills） リポジトリのルールやコンテキストをカプセル化したものです。 通常、AIは実行ごとに前回の文脈を忘れますが、SKILL.md のようなファイルに「このプロジェクトのビルド手順」「命名規則」「過去の障害から得た注意点」を明文化しておくことで、AIは毎実行時にそれを読み込み、プロジェクト固有のシニアエンジニアのような振る舞いを固定化できます。 ④ 🔌 プラグイン／コネクタ（Connectors） filesystem（ローカルファイル）しか見えないAIを、本物の開発環境につなぐ架け橋です。 Model Context Protocol（MCP）などをベースに、GitHub（PR作成やIssue取得）、Linear/Jira（チケット更新）、Slack（人間への通知）、Sentry（エラーログの取得）と接続します。これにより、AIが「修正案を出す」だけでなく「Issueを読んで、コードを直し、PRを送り、Slackに報告する」というエンドツーエンドの行動が可能になります。 ⑤ 🤖 サブエージェント（Sub-agents） 役割を分担された独立したAIインスタンスです。「コードを書く役割（Maker）」と「コードを検証・レビューする役割（Checker）」を完全に分離します。 ➕ 💾 記憶：状態ファイル（State File） 地味ですが、ループの成否を分ける最も重要な要素です。STATE.md やJSONファイル、あるいは外部のチケット管理システムに「現在どのブランチが進行中で、何が完了し、次に何をすべきか」を永続化します。「エージェントは忘れるが、リポジトリは忘れない」という原則に従い、昨日の続きを今日のループが再開できるようにします。 🕰️ 3. なぜ「ただのcron（定期実行）」ではないのか？ 懐疑派から「1975年に発明されたcronジョブのリブランド（名前の付け替え）に過ぎないのではないか」という指摘があります。これは半分正解で、半分は間違いです。 スケジュールやトリガーのレイヤーは確かにcronそのものです。しかし、従来のcronは「固定されたスクリプトを機械的に実行するだけ」でした。 ループエンジニアリングが異なるのは、ループの真ん中に「状況を動的に判断する意思決定者（LLM）」がいる点です。 テストが落ちたとき、どのファイルをどう修正すべきか、コンテキストをどう組み立て直すかという分岐は、ハードコードされた if/else ではなく、AIの推論によって動的に決定されます。工学的な面白さは、この「崖から落ちるかもしれない不確実な意思決定者」の周りを、いかに硬牢な自動テストやガードレールで固めるかというシステムデザインにあります。 ⚠️ 4. コストと運用リスクの現実 熱狂的な議論で無視されがちなのが、経済性とセキュリティの現実です。 💸 膨大なトークン消費（コスト） コード生成自体は安価になりましたが、ループを回すと「コンテキストの再読み込み」「リトライの繰り返し」「探索パターンの実行」により、トークン消費量が爆発的に増加します。 実際に、米Uberではエンジニア1人あたり月1,500ドルの上限を設けたにもかかわらず、年間のAI予算をわずか4ヶ月で使い切った事例があります。「最大反復回数」「金額上限」「進捗ゼロ検知による強制終了」の3つのガードレール（ハードストップ）の設計が不可欠です。 🛡️ 攻撃面の拡大（セキュリティ） 無人で動くループは、無人で動く攻撃面（アタックサフェース）になります。AIコーディングツールに起因するCVE（脆弱性）が多数確認されており、コマンドインジェクションやSSRF、XSSのリスクがあります。また、外部から取り込んだ「スキル」の説明文がプロンプトインジェクションの経路になり、デバッグログ経由で認証情報（資格情報）が漏洩するケースも監査で報告されています。 🧩 理解の負債（Comprehension Debt） AIが高速でコードを書き、テストが通ってマージされ続けると、リポジトリ内のコードベースと「人間の理解度」の距離がどんどん離れていきます。これを「理解の負債」と呼びます。最も高くつくのはトークンの請求書ではなく、「チームの誰も読んだことがなく、構造を理解していないシステム」をある日突然人間がデバッグしなければならなくなるコストです。 🛠️ 5. 実践：4条件テストと最小実用ループ（MVL）の構築 ループエンジニアリングを実務に導入する際は、厳格な仕分けとステップが必要です。 📋 導入のための4条件テスト 1. タスクが繰り返されるか？（週1回未満なら、手動プロンプトや使い捨てスクリプトの方が早い） 2. 検証が完全に自動化されているか？（テスト、型チェック、Linter、ビルドが悪い出力を100%機械的に弾けるか。これがないと人間がレビューの椅子に縛り付けられる） 3. トークン予算が無駄を吸収できるか？（従量課金で予算に余裕がない場合は無謀） 4. エージェントが環境を操作する道具を持っているか？（ログ確認や再現環境など） 🚀 最小実用ループ（MVL）から始める手順 最初から複雑なマルチエージェントを組むとシステムは確実に崩壊します。以下の順番でボトムアップに構築します。 1. 手動実行の確実化: 1回の手動プロンプトと環境操作で、タスクが完全に完了することを確認する。 2. スキルの文書化: その際のコンテキストや制約を SKILL.md にまとめる。 3. ループのラップとゲート配置: AIが書いたものを自動テスト（ゲート）にかけ、失敗したらAIに戻すという1サイクルを組む。 4. スケジューリング: 最後にそれをcronやイベントトリガーで自動化する。 🎯 レバレッジの支点は「コードを書くこと」から「コードを書く仕組みを定義し、検証すること」へ移動しました。人間は、AIが自分の宿題を甘く採点しないよう、冷徹な「検証ゲート」を設計するエンジニアであり続ける必要があります。

エジプトイベント2日目は、総勢100名のコスプレイヤーさんが参加するコンテストでした！🏆 我々は朝から夜遅くまで鬼の衣装審査で本当に大変でしたが エジプトのクリエイティブなレイヤーさんの衣装沢山見られて楽しかったですー！☺️ #INSOMNIAEGYPT# #cosplay#

📣9月26日（土） 🎆大洗海上花火大会2026🎆 🎇COS★FES TREASURE ×黒田崇矢 降臨🎇 花火後の会場に現れるのは‼️ 【COS★FES TREASURE 〜runway〜】 光と音が交差するランウェイステージを、 豪華コスプレイヤー達が舞う🪩✨ さらに今回は… 人気声優《 黒田崇矢さん ＠takayakuroda 》 とのスペシャルコラボステージ🐲💥 ここでしか見れない景色をみんなで楽しもう✨🔥 さらにさらに、 ＼＼一般コスプレ参加、大歓迎‼️／／ 大迫力の花火をバックに、 ここだけの一枚を📸🎆 フォトコンテストも開催します♪ 昼間は皆様の応援で作られた1日限りの特別なエリアで、 公式レイヤーのグッズやチェキの販売・交流に加え、 ⚔️「レアワークス　@rarerarerare　」による大剣 体験展示も‼️ 🗺️他にも会場内にはキッチンカー・スーパーカー展示・アクロバティックエアショー・ステージ企画、そして2万発の花火‼️ 昼から夜まで楽しみが盛り沢山🔥 《🎆 9月26日は大洗で、特別な1日を！》 🎫 チケットはこちら ▶︎コスプレ参加の方は、下記URLより参加ガイドをご確認のうえ、ご参加ください🔻 #大洗海上花火大会2026# #COSFESTREASURE#

その日、大洗は“別世界"になる…🏮✨ \ 🎆COS★FES TREASURE 参画🎆 / 豪華！二万発の花火が夜空を彩る大洗海上花火大会に、今年も人気コスプレイヤーたちが集結！ 一般コスプレ参加も大歓迎💎 フォトコンテストも開催‼️ コスプレして会場でしか撮れない奇跡の一枚を収めよう📷✨ さらに今年は・・・ 🆕COS★FESエリアが解放✨ （体験・展示・物販を予定！） 会場そのものが、エンタメになり"幻想的"な空間に包まれる🎇 メインステージでは公式レイヤーによるランウェイなど、ここでしか味わえないコンテンツが盛りだくさん！🪩 📣本日から超早割チケットが発売開始🎟️ ぜひお得にGETして、夏の終わりの特別な1日を過ごそう✨ 《　詳しくはリプライをチェック↓　》

長いコンテキストのLLM推論、KVキャッシュをディスクに逃がすべきかGPUで再計算すべきか、実は「常に正解」は存在しません。それを定量的に判断する仕組みを作った論文です。 タイトル: Building py-kvcache: A Performance Characterization of External KV Caching for vLLM with NVMe SSDs URL: 📝 概要 vLLM向けの外部KVキャッシュシステム「py-kvcache」を提案。io_uringによる非同期I/OでPython実装ながらSSDの読取帯域13.5GB/sをほぼフルに引き出します。 ❗ 解決する課題 既存の外部KVキャッシュ（LMCacheなど）は「いつ使うべきか」の判断基準を持たず、短いプリフィクスや高速GPUでは再計算の方が速いのに無条件にディスクから読み込んでしまう問題がありました。 ⚙️ 方法論 リクエストの待機時間中にディスク読込を先行させる「スケジューラ認識プリロード」と、TTFT改善が見込めない場合はロードを拒否する「ブレークイーブンゲート」を導入しています。 📊 実験結果 LongBenchのマルチ文書QAでGPU再計算比6.02〜7.43倍、LMCache比2.77〜3.64倍高速化。マルチターンのSCBenchでは、ネイティブvLLMのディスク読取3.4TBに対しpy-kvcacheは85GBに抑え、完了時間も1200秒超から480秒へ短縮しました。 🖥️ ユースケース H100のような高性能GPUでは外部キャッシュなしでも十分高速なのに対し、RTX 4000 Adaのような手元のGPUでは外部キャッシングが明確に有効という、ハードウェア次第の判断指針も提供しています。 #LLM推論# #vLLM#

🧠 「コンテキストを読む」から「コンテキストからスキルを身につける」へ。人手の注釈も外部フィードバックも使わず、自己対戦だけでLLMが文脈固有のスキルを獲得する手法です。 タイトル: From Context to Skills: Can Language Models Learn from Context Skillfully? URL: 📝 概要 LLMは事前学習にある知識は得意ですが、新規で専門的な文脈には弱いです。本論文は、人手注釈や外部フィードバックなしに、文脈固有のスキルを自律的に発見・洗練するCtx2Skillを提案します。 ❓ 解決する課題 長く専門的な文書ではアノテーションのコストが高すぎます。さらにコーディングと違い、コンテキスト学習には実行フィードバックのような検証信号がなく、自動的なスキル構築が困難でした。 💡 方法論と提案手法 ・凍結したLMによる5役割のマルチエージェント自己対戦を、M=5タスクにN=5回反復します ・Challengerが弱点を突くタスクとルーブリックを作り、Reasonerが解き、Judgeが合否を判定します ・ProposerとGeneratorが失敗を診断してスキル更新を合成します ・Cross-Time Replayで、難問と易問の性能の積を最大化し、反復をまたいで最も汎化するスキルセットを選びます 🎯 ユースケース 専門領域の長文ドキュメントを与えて、その場でモデルに必要なスキルを獲得させる用途に向きます。ドメイン固有の知識へ素早く適応させたい実務に直結します。 📊 実験結果 ・CL-Bench（500コンテキスト、1,899タスク）で、GPT-4.1の解答率が11.1%→16.5%に向上 ・GPT-5.1は21.1%→25.8%、GPT-5.2は18.2%→21.4% ・強いモデルのスキルが弱いモデルへ転移し、GPT-5.1のスキルをGPT-4.1に適用すると16.1% ・適用後のGPT-4.1（16.5%）は、拡張なしのGemini 3 Pro（15.8%）を上回りました #LLM# #InContextLearning#