📚 参考書籍

※この記事は書籍の一部をベースに再構成しています。もう少し踏み込んだ内容（設計や具体例）は書籍の中でまとめているので、気になる方はそちらもどうぞ。

『ゼロから考える！Databricks・Snowflakeを今、どう提案するか？ ～AIを動かすデータ基盤の考え方と提案入門～』

本書を通して、「Databricksだからこう提案する」「Snowflakeだからこう提案する」という発想から一歩進み、
「この顧客だから、この提案をする」と考えられるようになること。それが、本書の目指すところです。
https://link.amazon/B0gr5I68J

📚 その他参考書籍一覧

※全書籍・全ブログ・週刊Databricksリリース情報
https://modern-tech-hub.mellow-launc-5442.chatgpt.site/books

⚡AI時代のデータ基盤提案⚡ 「データがある」だけではAIは使えない！AI活用に必要な7つの条件とは？

「データがある」だけではAIは使えない

企業の中には、すでに大量のデータが存在しています。DWHには売上や顧客データがあり、ファイルサーバーには文書があり、業務システムには履歴データが蓄積されています。

しかし、データが存在していることと、AIがそのデータを使えることは同じではありません。

AI活用を進めようとすると、「データはあるはずなのに使えない」という問題が頻繁に出てきます。原因は、データの分散、品質、鮮度、意味、権限など、AIが利用するうえで必要な条件が整っていないことにあります。

そのため、AIデータ基盤の提案では「どれだけデータを持っているか」ではなく、そのデータがAIから継続的かつ安全に利用できる状態かを見る必要があります。

データが分散している

最初に起こりやすいのが、データの分散です。

たとえば顧客に関する情報だけでも、顧客基本情報はCRM、購買履歴はDWH、問い合わせ履歴はSaaS、契約書はファイルサーバーといったように、複数の場所へ分かれていることがあります。

人が個別に確認するだけであれば、それぞれのシステムへアクセスする運用でも対応できるかもしれません。

しかしAIに「この顧客の状況をまとめて判断してほしい」と考えた場合、複数のデータを横断して利用できる仕組みが必要になります。

ここで重要なのは、すべてのデータを一か所へ物理的に集約しなければならないということではありません。

どこにデータを置くかだけではなく、AIが必要なデータへどうアクセスできるようにするかを設計することが重要です。

データ品質が悪ければAIの結果も不安定になる

AIは、与えられたデータを前提に回答や判断を行います。

そのため、元になるデータに問題があれば、AIの出力にも影響します。

たとえば、

• 顧客IDがシステムごとに異なる
• 同じ顧客が重複して登録されている
• 商品名の表記が統一されていない
• 欠損値が多い
• 古い情報が残っている
• 文書に複数の版が存在する

といった状態です。

生成AIを使えば、多少整理されていないデータでも何とかしてくれると思われることがあります。

しかし、AIが高性能になっても、元データの不整合そのものがなくなるわけではありません。

たとえば、同じ商品の価格が複数のデータソースで異なっていれば、AIはどちらを正しい情報として扱うべきか判断できないことがあります。

AI活用では、モデルの性能だけでなく、AIへ渡すデータの信頼性も重要な品質要素になります。

データが古ければ正しい判断につながらない

データの鮮度も重要です。

たとえば在庫についてAIに質問したとき、昨日の在庫情報しか参照できなければ、現在の状況とは異なる回答をする可能性があります。

一方で、すべてのデータをリアルタイムに更新する必要があるわけでもありません。

月次の経営分析であれば、日次や月次の更新で十分な場合があります。製造設備の異常検知であれば、秒単位や分単位の更新が必要になるかもしれません。

つまり重要なのは、

AI用途に必要なデータ鮮度と、現在のデータ更新頻度が合っているか

という点です。

この確認をせずにAI機能だけを導入すると、「AIは使えるが、回答の情報が古くて業務では使えない」という状態になりかねません。

データの「意味」が分からなければAIから使いにくい

データが整理されていても、その意味が分からなければ利用は難しくなります。

たとえば、DWHに「sales_amt」という項目があったとしても、それが税込売上なのか税抜売上なのか、受注金額なのか売上計上額なのかが分からなければ、正しく分析することはできません。

人間であれば、担当者へ確認しながら理解することもできます。

しかし、AIから企業データを利用する場合には、データの意味や関係性をより明確にしておく必要があります。

• このテーブルは何を表しているのか
• この項目は何を意味するのか
• どのデータが正式な情報なのか
• データ同士はどのような関係にあるのか
• 業務用語はどのように定義されているのか

こうした情報が整理されていることで、AIも企業データをより適切に利用しやすくなります。

AI時代では、データそのものだけでなく、データの意味を管理することも提案テーマになります。

📚 参考書籍『ゼロから触ってわかった！ Databricksで学ぶオントロジー完全ガイド ― 概念・知識グラフ・推論からOntoBricksによる構築・AI連携まで』

オントロジーを「知る」だけでなく、Databricks環境で実際に「触って理解する」ための技術解説書です。RDF、OWL、知識グラフ、推論といった基礎理論から、Databricks OntoBricksを利用したオントロジーの構築、LLMによる自動生成、データマッピング、AI Agentとの連携まで、基礎と実践の両面から体系的に解説します。
https://link.amazon/B097rHrAm

権限が整理されていなければAIに見せられない

AI活用では、セキュリティや権限も大きな論点になります。

たとえば、営業担当者がAIへ顧客について質問した場合、その担当者が本来見ることのできない顧客情報まで回答に含まれてはいけません。

人事情報、契約情報、個人情報、機密文書などを扱う場合には、さらに慎重な設計が必要です。

そのため、AIへデータを接続する前に、

• 誰がどのデータを利用できるのか
• 部門によって閲覧範囲を変える必要があるか
• AIにも利用者と同じ権限を反映できるか
• 機密データをAI利用対象から除外する必要があるか

といった点を整理する必要があります。

AIにデータを利用させることは、単に接続先を増やすことではありません。

既存のアクセス制御をAI利用の世界まで拡張することだと考える必要があります。

📚 参考書籍『ゼロから考えてわかった！Databricks ガバナンス 完全ガイド ― 導入後に困らない設計・権限・運用のベストプラクティス』

サイバー攻撃やAI活用が進む今こそ、ガバナンスが重要。🔐
設計・権限管理・セキュリティ・運用を体系的に解説！
https://link.amazon/B0izqqRtA

「使えるデータ」の条件を整理する

AIが使えるデータの状態を整理すると、次のように考えることができます。

観点	確認すること
所在	必要なデータがどこにあるか分かる
接続性	AIから必要なデータへアクセスできる
品質	欠損・重複・不整合などが管理されている
鮮度	AI用途に必要な更新頻度が確保されている
意味	データや業務用語の意味が分かる
権限	利用者やAIごとのアクセス範囲が管理されている
継続性	一度だけではなく継続的にデータが更新される

この状態になって初めて、「AIから企業データを利用できる」と言えるようになります。

AI導入の前にデータ課題が見つかること自体が提案機会になる

顧客が「生成AIを導入したい」と考えていても、ヒアリングを進めると、実際にはその前段に多くの課題が見つかることがあります。

「必要なデータが複数システムに分かれている」「どのデータが正しいのか分からない」「文書管理が部門ごとに異なる」「権限設計が統一されていない」といった課題です。

これはAI導入が失敗する理由ではなく、むしろ提案機会です。

AI機能だけを提案するのではなく、AIが使える状態へデータを整えるところから提案することができます。

そのため、DatabricksやSnowflakeを提案するときも、

「AI機能があります」

だけで終わるのではなく、

企業データをどのように集め、整え、意味を持たせ、安全にAIへ届けるのか

まで含めて考えることが重要です。

AI時代に価値を持つのは、単に大量のデータを持っている企業ではありません。

必要なデータを、必要な形で、必要な権限のもと、継続的にAIが利用できる企業です。

「データがある」状態から「AIが使えるデータがある」状態へ変えること。

それが、AIデータ基盤提案の重要なテーマになります。

---