WEBVTT

00:00:00.000 --> 00:00:05.600
あなたのコパイロットは賢くありません。それは着飾った自動保管機能であり、マイクロソフトのバッジをつけたカフェイン中毒のインターンです。

00:00:05.760 --> 00:00:08.560
自信満々に聞こえますが、実際には完全に迷子になっています。

00:00:08.740 --> 00:00:18.740
一般的な管理者がこれを導入し、各地域の市販機売上を要約して、といった意欲的な質問をすると、限られたコンテキストウィンドウに収まる内容を適当に返してくるため、管理者は驚くことになります。

00:00:18.940 --> 00:00:22.760
それは洞察ではなく、有効的な口調で伝えられる統計的なあて推量にすぎません。

00:00:22.760 --> 00:00:29.300
いわゆるAIコパイロットのほとんどは、ラグ・検索拡張生成と呼ばれる仕組みで動いています。理論上は素晴らしいものです。

00:00:29.440 --> 00:00:35.300
あなたが質問すると、ナレッジベースを検索し、関連する塊を取得してクロンプトに貼り付けることで、言語モデルがあたかも情報を知っているかのように見せます。

00:00:35.460 --> 00:00:38.940
しかし実際には、一人の司書に人類の全知識を尋ねるようなものです。

00:00:39.100 --> 00:00:42.900
彼女は通路を猛ダッシュして適当な本を3冊掴み、走りながら答えを叫ぶようなものです。

00:00:42.900 --> 00:00:45.780
一度のクエリ、一度の検索、そして一度の誤るチャンス。

00:00:45.880 --> 00:00:48.640
では、実際の企業の意思決定と比較してみましょう。

00:00:48.840 --> 00:00:51.220
たった一つのデータだけで十分なことはありますか?

00:00:51.360 --> 00:00:51.860
ありません。

00:00:52.100 --> 00:00:59.520
財務のスプレッドシート、シェアポイントの調査レポート、マイクロソフトファブリックの指標、そして通常はテナント外の外部市場データも必要になります。

00:00:59.760 --> 00:01:03.180
従来のラグは、正解が複数の場所に分散している瞬間に破綻します。

00:01:03.360 --> 00:01:06.600
複数の検索を計画することも、矛盾を検証することもできません。

00:01:06.600 --> 00:01:11.180
ましてや、市販機のパフォーマンスがマーケティング部門と製造部門で意味が異なることなど理解できません。

00:01:11.340 --> 00:01:14.360
それなのに、人々はこのシステムをインテリジェントと呼び続けます。

00:01:14.520 --> 00:01:15.180
間違いです。

00:01:15.340 --> 00:01:17.080
あれらはコンテキストの観光客に過ぎません。

00:01:17.240 --> 00:01:20.980
データの世界を訪れ、PDFと自撮りをして、まるで街を熟知しているかのように振る舞っているだけです。

00:01:21.120 --> 00:01:25.620
その間、管理者はコパイロットが全てのシェアポイントホルダに全知全能のアクセス権を持っていると本気で信じています。

00:01:25.820 --> 00:01:26.780
実際は違います。

00:01:26.780 --> 00:01:30.700
明示的なコネクタや推論エンジンを構築しない限り、目隠しをして操作しているのと同じです。

00:01:30.820 --> 00:01:33.040
これは非効率というだけでなく、危険なことです。

00:01:33.180 --> 00:01:36.280
エージェント型検索がなければ、企業はコンテキストの断片化に溺れてしまいます。

00:01:36.440 --> 00:01:38.580
不完全なデータに基づいて意思決定が行われます。

00:01:38.760 --> 00:01:40.620
コンプライアンス上のリスクは見過ごされます。

00:01:40.760 --> 00:01:44.440
チームは、自ら再確認しようともしないモデルが生み出した幻覚的な洞察を追いかけることになります。

00:01:44.600 --> 00:01:45.920
皮肉な話だと思いませんか?

00:01:46.040 --> 00:01:47.420
解決策はすでに存在します。

00:01:47.580 --> 00:01:48.960
エージェント型ラグの登場です。

00:01:49.120 --> 00:01:51.580
情報を取ってくるだけでなく、それを深く考え抜くのです。

00:01:51.720 --> 00:01:55.120
デジタルリサーチチームのように、計画を立て、クロスチェックを行い、推論します。

00:01:55.280 --> 00:02:00.780
このエピソードが終わる頃には、あなたのコパイロットをオウムから科学者のように変身させる方法が正確に理解できているはずです。

00:02:00.960 --> 00:02:02.380
そう、ステップは4つです。

00:02:02.540 --> 00:02:05.340
あなたの使えないコパイロットを、4つの明確なステップで改善します。

00:02:05.340 --> 00:02:08.020
ラグの神話、なぜ直線的な知能は失敗するのか?

00:02:08.100 --> 00:02:09.900
さて、この神話を解剖していきましょう。

00:02:10.040 --> 00:02:14.280
検索拡張生成は洗練された響きですが、その中身は驚くほど単純な直線的処理です。

00:02:14.460 --> 00:02:17.580
ステップ1、ベクトル類似性に基づいてテキストの一部を取得する。

00:02:17.760 --> 00:02:20.260
ステップ2、それらの断片をプロンプトに詰め込む。

00:02:20.380 --> 00:02:23.080
ステップ3、回答を生成して勝利を宣言する。

00:02:23.300 --> 00:02:24.040
それだけです。

00:02:24.180 --> 00:02:28.940
過去の検索履歴も、矛盾に対する推論も、ユーザーのコンテキストの認識もありません。

00:02:28.940 --> 00:02:33.260
クエリから回答まで一本道で、英語で書かれた大げさなSQLジョインに過ぎません。

00:02:33.420 --> 00:02:36.000
問題は、現実が複雑になった瞬間に始まります。

00:02:36.160 --> 00:02:39.600
例えば我々のデバイスの信頼性を競合他者と比較して、と尋ねるとします。

00:02:39.780 --> 00:02:45.240
単純なラグシステムは一つのインデックスを参照し、信頼性に言及した文章を掴んで要約を吐き出します。

00:02:45.400 --> 00:02:47.480
ファブリックの製造ログを確認したでしょうか?

00:02:47.600 --> 00:02:50.060
シェアポイントに埋もれた新しいテストレポートを読みましたか?

00:02:50.200 --> 00:02:52.020
ウェブ上の外部データを検証しましたか?

00:02:52.020 --> 00:02:53.160
もちろん、していません。

00:02:53.360 --> 00:02:55.360
それらのソースが存在することすら知らないのです。

00:02:55.480 --> 00:02:57.700
不確実性を有弁さで塗りつぶしているだけです。

00:02:57.840 --> 00:03:00.020
図書館の悲劇的な例えで考えてみましょう。

00:03:00.260 --> 00:03:03.480
あなたが図書館に入り、一人の司書に世界経済について尋ねます。

00:03:03.660 --> 00:03:10.020
彼女は、経済、と書かれた棚へ走り、2012年の通貨交換に関する適当な本を渡し、解決したと宣言します。

00:03:10.220 --> 00:03:12.640
接客は良いですが、学術的には最悪です。

00:03:12.720 --> 00:03:18.380
真の知性なら、金融、歴史、政策の専門家など複数の司書を募り、彼らの知見を統合するはずです。

00:03:18.380 --> 00:03:20.840
それこそが、検索と推論の決定的な違いです。

00:03:20.960 --> 00:03:22.980
企業において、この失敗は増幅されます。

00:03:23.120 --> 00:03:26.240
幹部の一つの質問は、多くの場合、数十のシステムにまたがります。

00:03:26.420 --> 00:03:30.720
シェアポイントのドキュメント、パワーBIのデータセット、Azure SQLテーブル、メールスレッドなどです。

00:03:30.900 --> 00:03:34.180
従来のラグは、その複雑さすべてをたった一度のホップで平坦化してしまいます。

00:03:34.400 --> 00:03:35.140
その結果は?

00:03:35.300 --> 00:03:40.220
一貫性のない出力、浅い要約、そして自信に満ちた口調で語られる幻覚のデータです。

00:03:40.360 --> 00:03:41.840
規制遵守はどうでしょうか?

00:03:42.000 --> 00:03:42.980
諦めることです。

00:03:43.160 --> 00:03:46.740
モデルがベクトル一致しただけのテキストを拾うとき、その情報の期限は失われます。

00:03:46.940 --> 00:03:48.800
それを関西委員会に説明してみてください。

00:03:48.980 --> 00:03:51.600
それにも関わらず、コパイロットのマーケティングは万能であるかのように聞こえます。

00:03:51.740 --> 00:03:53.220
パンフレットには、何でも聞いてください。

00:03:53.360 --> 00:03:55.200
コパイロットはあなたのビジネスを知っていますと囁かれています。

00:03:55.380 --> 00:03:56.480
いいえ、そんなことはありません。

00:03:56.640 --> 00:03:58.820
それは見望書を伴うテキスト検索を実行しているにすぎません。

00:03:58.820 --> 00:04:01.200
計画することも、内製することも、検証することもできません。

00:04:01.340 --> 00:04:05.420
どのシェアポイントサイトに正しい文書があるのか、ファブリックのウェアハウスが同期されているのかさえ知りません。

00:04:05.600 --> 00:04:10.000
しかし、表現が滑らかなため、経営人は相関関係しかない場所に理解が存在すると錯覚します。

00:04:10.160 --> 00:04:13.440
企業が購入しているのは、この、知性の幻想、なのです。

00:04:13.580 --> 00:04:16.580
確率分布から折り上げられた、高価な安心毛布です。

00:04:16.620 --> 00:04:22.120
彼らはコパイロットがメールを下書きできたことを祝いますが、それがソースデータを完全に誤解していることには気づいていません。

00:04:22.120 --> 00:04:28.480
彼らはAI主導の洞察を誇りますが、その洞察が不一致なコンテキストと部分的なスナップショットから組み立てられていることに気づいていません。

00:04:28.640 --> 00:04:30.240
経済的な結末はこうです。

00:04:30.420 --> 00:04:34.480
誤って要約されたレポートや、幻覚のKPIの一つ一つが、連鎖的に誤った意思決定へと繋がります。

00:04:34.640 --> 00:04:36.700
プロジェクトはフィクションに基づいて方針転換されます。

00:04:36.840 --> 00:04:39.120
コンプライアンスチームは幻影を追いかけることになります。

00:04:39.320 --> 00:04:47.180
そして現実が追いつき、捏造された洞察が実務で失敗したとき、非難されるのはAIの限界であって、失敗を確実にした怠慢なアーキテクチャではありません。

00:04:47.360 --> 00:04:51.060
真実は、企業というものは直線的ではないため、直線的なインテリジェンスは機能しないということです。

00:04:51.200 --> 00:04:54.180
データは分散しており、文脈に依存し、しばしば矛盾を含んでいます。

00:04:54.360 --> 00:04:59.200
固定された単一クエリのパイプラインでは、たった一つのニューロンが施行できないのと同様に、そのような環境に適応することはできません。

00:04:59.200 --> 00:05:02.500
必要なのはより良いプロンプトではなく、計画を立てられるシステムです。

00:05:02.640 --> 00:05:07.060
どのサービスをどのような順序で使用し、どのように結果を検証するかを判断できるシステムが必要です。

00:05:07.220 --> 00:05:11.260
では、コパイロットにオウムではなく研究チームのように機能させるには、どうすれば良いのでしょうか。

00:05:11.380 --> 00:05:13.360
そこで登場するのがエージェンティックラグです。

00:05:13.500 --> 00:05:17.100
これは、受動的な検索から能動的な推論へと進化する飛躍的な進歩です。

00:05:17.240 --> 00:05:20.860
計画、専門化された検索機能、そして検証ループの層が追加されます。

00:05:20.860 --> 00:05:24.660
言い換えれば、賢いフリをするのをやめ、ようやく思考を学ぶのです。

00:05:24.800 --> 00:05:27.600
エージェンティックラグの導入により、検索から推論へと移行します。

00:05:27.780 --> 00:05:30.140
ここからが、単なるギミックからインテリジェンスへの移行です。

00:05:30.300 --> 00:05:32.400
エージェンティックラグは単なる流行語ではありません。

00:05:32.540 --> 00:05:35.720
コパイロットに欠けていた機能、つまり実行機能をもたらすものです。

00:05:35.860 --> 00:05:38.540
ラグが前頭前のを手に入れたと考えてみてください。

00:05:38.540 --> 00:05:48.520
一度クエリを実行して結果を祈るのではなく、問題を細分化し、専門のエージェントにタスクを割り当て、作業をチェックし、結果を統合します。

00:05:48.720 --> 00:05:51.880
要するに、言語モデルをオウムからプランナーへと変えるのです。

00:05:52.060 --> 00:05:57.360
機械的な仕組みとして、エージェンティックラグはAzure iAgentサービス上に構築されたマルチエージェントオーケストレーションを通じて動作します。

00:05:57.540 --> 00:05:59.560
3つの役割が連動する様子をイメージしてください。

00:05:59.740 --> 00:06:00.840
まずプランナーです。

00:06:01.000 --> 00:06:03.100
これはデジタルなプロジェクトマネージャーのような存在です。

00:06:03.100 --> 00:06:06.680
プランナーはクエリを読み解き、関連するツールやデータソースを決定します。

00:06:06.820 --> 00:06:08.960
次に、リトリーバーエージェントが登場します。

00:06:09.120 --> 00:06:12.360
これらは構造化データや非構造化データにアクセスするよう訓練された専門家です。

00:06:12.540 --> 00:06:19.640
最後に、ベリファイア、検証者、またはリーズナー、推論者、エージェントが編集長として機能し、一貫性をチェックし、引用を検証して、最終的な回答を作成します。

00:06:19.780 --> 00:06:22.580
これらが一体となって適用型推論ループを実行します。

00:06:22.760 --> 00:06:26.060
クエリ、検索、検証、精査、そして実行です。

00:06:26.060 --> 00:06:28.440
ここで重要なキーワードは、適用型です。

00:06:28.560 --> 00:06:31.520
標準的なラグとは異なり、このループは最初の出力で終了しません。

00:06:31.680 --> 00:06:33.860
矛盾が生じた場合には、経路を再構成します。

00:06:34.020 --> 00:06:36.420
この連携された動きを、ニュース編集部に例えてみましょう。

00:06:36.560 --> 00:06:39.240
プランナーは、担当記者に取材を割り振る編集長です。

00:06:39.420 --> 00:06:47.200
シェアポイントで社内レポートを確認して、ファブリックからセンサーのメトリクスを抽出して、ウェブで競合データをスキャンして、各リトリーバーエージェントがそれぞれの役割を果たします。

00:06:47.200 --> 00:06:53.380
ベリファイアは統合された装甲をファクトチェックし、引用が競合すればクエリを再実行し、その後に要約要約を公開します。

00:06:53.540 --> 00:06:56.360
その結果は、最もらしく聞こえるだけのテキストの塊ではありません。

00:06:56.520 --> 00:06:58.680
一貫性があり、根拠に基づいた洞察です。

00:06:58.840 --> 00:07:01.860
ここでの飛躍は、モデルの巨大化ではなく、構造化された推論にあります。

00:07:02.040 --> 00:07:04.220
プランナーの頭脳について、さらに深く掘り下げてみましょう。

00:07:04.400 --> 00:07:07.100
それは、あなたの平易な言葉による質問をタスクマップへと解釈します。

00:07:07.100 --> 00:07:11.560
どの検索エージェントを使い、どの順序で実行し、それらの発見をどのように統合すべきかを判断するのです。

00:07:11.660 --> 00:07:14.800
ここでAzure i-Agent Serviceの存在意義が発揮されます。

00:07:14.980 --> 00:07:18.880
これは、エージェント同士を連携させるオーケストレーション層を提供します。

00:07:19.140 --> 00:07:25.200
推測ではなく、マイクロソフトエントラ認証によって管理されたAPIを介して通信するマイクロサービスです。

00:07:25.380 --> 00:07:29.980
次にセキュリティについてですが、コンプライアンス担当者はすでにパニックボタンに手をかけていることでしょう。

00:07:30.180 --> 00:07:31.700
エージェンティックラグは妥協しません。

00:07:31.700 --> 00:07:36.380
代理認証に基づいて構築されており、ユーザーのアイデンティティがリクエストと共に伝達されます。

00:07:36.540 --> 00:07:38.560
システムがユーザーになりすますことはありません。

00:07:38.720 --> 00:07:41.940
検証済みのトークンを使用して許可された情報のみを取得します。

00:07:42.160 --> 00:07:46.580
行レベルセキュリティ、RLS、トレッツレベルセキュリティ、CLSがあらかじめ組み込まれています。

00:07:46.760 --> 00:07:49.760
AIが誤ってCFOの予測をインターンに漏らすことはありません。

00:07:49.960 --> 00:07:52.920
すべての取得呼び出しは記録され、監査可能であり、取り消しが可能です。

00:07:52.920 --> 00:07:56.260
性的なラグにはユーザーコンテキストの概念がないため、これが重要になります。

00:07:56.400 --> 00:08:01.000
検索層が許可するものを何でも取得してしまい、企業の権限管理を完全に無視することがよくあるからです。

00:08:01.160 --> 00:08:03.180
エージェンティックラグはその規律を取り戻します。

00:08:03.340 --> 00:08:08.880
ファブリックの取得エージェントがレイクハウスのテーブルをクエリする際、BIダッシュボードと同じRLSルールが適用されます。

00:08:09.080 --> 00:08:15.280
シェアポイントエージェントがドキュメントライブラリを検索する際は、サイトレベルの権限とマイクロソフトパービューラベルが尊重されます。

00:08:15.280 --> 00:08:19.420
つまり、人間のユーザーを守るのと同じポリシーが、AIユーザーも守るのです。

00:08:19.540 --> 00:08:21.860
これをワークフローの現実に当てはめてみましょう。

00:08:22.080 --> 00:08:28.200
製品Aが製品Bと比較して血統値のどの範囲で性能が劣り、臨床的な影響は何か?という問いを想定します。

00:08:28.400 --> 00:08:32.560
標準的なラグは、製品Aと血統値に言及しているスニペットをすべて出力します。

00:08:32.560 --> 00:08:43.040
Azure i-Agentサービスを活用したエージェンティックラグなら、まずプランナーがファブリック、センサーデータ、シェアポイント、臨床ノート、ビング、外部出版物、という3つの取得対象を特定します。

00:08:43.200 --> 00:08:45.740
各取得エージェントが関連する証拠を集めます。

00:08:45.940 --> 00:08:52.680
検証エージェントがデータセット間を比較して不一致を指摘し、異常値があれば元のファブリッククエリを再調整することさえあります。

00:08:52.900 --> 00:08:56.740
検証を経て初めて、引用元を維持したまま最終的な洞察を統合します。

00:08:56.940 --> 00:08:58.920
これこそが反復的な推論の実行です。

00:08:58.920 --> 00:09:01.260
反応的なラグは最初のステップで停止してしまいます。

00:09:01.420 --> 00:09:04.140
エージェンティックラグは会話の途中で学習し、調整を行います。

00:09:04.320 --> 00:09:06.760
フォローアップの質問を自動的に分解することも可能です。

00:09:06.960 --> 00:09:10.140
最近の研究を使って精度を向上できるか?と尋ねたとします。

00:09:10.380 --> 00:09:14.100
するとエージェントは即座に切り替え、コンテキストを失うことなく最新の資料を取得します。

00:09:14.280 --> 00:09:17.220
これはエピソード的な記憶喪失ではなく、継続的な理解です。

00:09:17.360 --> 00:09:19.180
コンプライアンス上のメリットは絶大です。

00:09:19.180 --> 00:09:24.100
エージェントのすべての行動は監査ログで追跡可能であり、すべてのトークンが認証され、すべての文書へのアクセスが記録されます。

00:09:24.240 --> 00:09:27.400
全知全能の錯覚を得ながら、慎重な裏付け書類も確保できます。

00:09:27.620 --> 00:09:29.200
これは監査人が好むものです。

00:09:29.360 --> 00:09:31.460
つまり、哲学的な転換点はここにあります。

00:09:31.680 --> 00:09:33.620
検索だけでは情報が得られるにすぎません。

00:09:33.780 --> 00:09:36.320
エージェント化はその情報をプロセスへと変換します。

00:09:36.320 --> 00:09:42.960
Azure Agent Serviceは、計画、専門家、検証を導入することで、断片的なデータプールを説明責任のある推論チェーンに変えます。

00:09:43.100 --> 00:09:48.280
エンタープライズの世界において、それこそが、信頼できるアシスタント、と、ひっそりと無効化されるアシスタントの境界線なのです。

00:09:48.400 --> 00:09:52.240
コパイロットが脳として機能するようになった今、次はしっかりとした記憶を与える番です。

00:09:52.400 --> 00:09:57.320
言い換えれば、シェアポイントの非構造化データという混沌とした場所から、実用的な情報源を探すのです。

00:09:57.500 --> 00:10:00.260
シェアポイントを統合し、混沌を知識へと変えます。

00:10:00.440 --> 00:10:02.960
シェアポイントは、企業の知識が隠れる場所です。

00:10:03.120 --> 00:10:10.280
どの企業にも、パワーポイント、議事録、古い使用書最終版V12、本当の最終版、といった名前のファイルが眠る考古学的な発掘現場のような場所が存在します。

00:10:10.440 --> 00:10:12.380
人間にとって、それはまさに混沌です。

00:10:12.520 --> 00:10:15.340
単純なラグシステムにとっても、それは解読不能な混沌です。

00:10:15.340 --> 00:10:21.700
キーワード検索は忠実に何千もの結果を返しますが、そのほとんどは無関係で、ユーザーは延々とスクロールするしかありません。

00:10:21.840 --> 00:10:26.160
助けを求めてコパイロットに尋ねても、時代錯誤な要約が返ってくるのがオチです。

00:10:26.320 --> 00:10:31.140
エージェンティクラグはシェアポイントを単なるライブラリではなく、知識の基盤として扱います。

00:10:31.380 --> 00:10:40.160
そこには、構造化されたテーブルでは決して捉えられない、文脈や意思決定、根拠といった定性的な洞察が埋もれていることを理解しているからです。

00:10:40.160 --> 00:10:48.300
そのため、単なるキーワード検索ではなく、シェアポイント取得エージェントはセマンティック埋め込みとベクトル検索を用いて、テキストだけでなく意味をマッピングします。

00:10:48.480 --> 00:10:53.660
湿度の高い環境での製品信頼性について尋ねても、その特定の単語に固執することはありません。

00:10:53.820 --> 00:10:58.480
故障モード、結露耐性、接着性能などについて論じている文章を捉えます。

00:10:58.720 --> 00:11:00.820
それは、意図を認識するからです。

00:11:01.000 --> 00:11:04.440
ここで、権限管理の意識が成功を左右する重要な機能となります。

00:11:04.440 --> 00:11:09.860
すべてのシェアポイントサイトには、権限、チームサブサイト、機密ホルダーが複雑に入り組んだ構造があります。

00:11:10.060 --> 00:11:15.020
単純なクローラーはそれを無視して、マーケティングレポートに人事の苦情を誤って表示してしまうことがあります。

00:11:15.220 --> 00:11:20.020
しかし、エージェンティックモデルはユーザーの代わりに認証を行い、ユーザーのセキュリティコンテキストをそのまま継承します。

00:11:20.160 --> 00:11:22.480
ユーザー自身が閲覧を許可されている内容しか読み取りません。

00:11:22.660 --> 00:11:24.940
出力結果はポリシーによって自動的にトリミングされます。

00:11:25.100 --> 00:11:27.960
マイクロソフトエントラおよびパービューラベルによるセキュリティトリミングです。

00:11:28.160 --> 00:11:31.160
そのため、AIの知能が権限の範囲を超えることはありません。

00:11:31.360 --> 00:11:33.040
具体的なシナリオを見てみましょう。

00:11:33.240 --> 00:11:37.860
研究開発マネージャーが、沿岸地域における製品Aの性能差を要約してと入力します。

00:11:38.040 --> 00:11:40.320
プランナーがこれをサブクエストに分割します。

00:11:40.320 --> 00:11:43.760
パブリック取得エージェントが数値センサーデータを分析する一方、

00:11:43.760 --> 00:11:47.800
シェアポイントエージェントが湿度に関連する用語がついた社内研究論文、

00:11:48.120 --> 00:11:50.040
保守ログ、技術メモを深掘りします。

00:11:50.360 --> 00:11:54.800
2023年のフィールドテスト報告書材料腐食に関するディスカッショントレッド、

00:11:55.220 --> 00:11:57.820
信頼性チームによる要約文書を見つけ出します。

00:11:58.000 --> 00:12:01.360
各文書はセマンティックな関連性に基づいてベクトルスコア付けされ、

00:12:01.420 --> 00:12:03.760
抽出され、検証エージェントに渡されます。

00:12:03.940 --> 00:12:08.000
その検証エージェントが、訂正的な結果とファブリックの数値を照らし合わせます。

00:12:08.180 --> 00:12:12.100
矛盾が生じた場合、例えば古い文書が最小限の腐食だと主張している場合など、

00:12:12.460 --> 00:12:15.160
その不整合を指摘し、より新しいデータを要求します。

00:12:15.360 --> 00:12:20.460
最終的に統合された回答は、どの部品が高湿度で劣化するかを研究開発マネージャーに正確に伝え、

00:12:20.700 --> 00:12:22.060
検証済みのソースを引用します。

00:12:22.060 --> 00:12:27.320
これまで数時間かけて手作業で言っていた調査が、今や一つの継続的な推論サイクルへと集約されます。

00:12:27.500 --> 00:12:32.220
シェアポイントは、単なる受動的な保存場所から、企業インテリジェンスの能動的な参加者、

00:12:32.580 --> 00:12:34.900
いわば企業意思決定の神経記憶へと進化します。

00:12:35.080 --> 00:12:37.280
エージェンティックラグソーは単に文書を読み取るだけでなく、

00:12:37.620 --> 00:12:41.680
関係性やプロジェクトの系譜、作成者の傾向、文脈のクラスターを学習し、

00:12:42.020 --> 00:12:44.040
それらを一貫した論理へと紡ぎ上げることができます。

00:12:44.040 --> 00:12:48.080
コンプライアンス担当者は、自律的な検索という言葉を聞くと、今でも顔をしかめるかもしれません。

00:12:48.240 --> 00:12:49.060
ご安心ください。

00:12:49.300 --> 00:12:53.120
すべてのクエリと文書へのアクセスは記録され、監査証跡は保持されます。

00:12:53.300 --> 00:12:57.520
ISO-27001やGDPRなどの規制フレームワークは説明責任を重視しますが、

00:12:57.820 --> 00:12:59.480
このシステムはそれを自動的に提供します。

00:12:59.640 --> 00:13:01.540
エージェントは、生成されたすべてのフレーズに、

00:13:01.740 --> 00:13:04.860
文書パスとアクセス時のタイムスタンプを引用したメタデータを付与することさえ可能です。

00:13:04.860 --> 00:13:08.700
つまり、AIが行うすべての主張は、特定のファイルバージョンまで遡ることができ、

00:13:08.980 --> 00:13:10.620
ロボットにとっての否認防止が実現します。

00:13:10.760 --> 00:13:13.820
要するに、シェアポイントをエージェンティックラグの下に統合することで、

00:13:14.040 --> 00:13:16.240
コンテンツの混沌が知識の競争へと変わるのです。

00:13:16.380 --> 00:13:19.180
非構造化データという過去の資産が、意味による検索が可能になり、

00:13:19.380 --> 00:13:22.080
ポリシーによって保護され、相互参照によって検証されるようになります。

00:13:22.240 --> 00:13:26.040
シェアポイントは、デジタルな屋根裏部屋から認知インフラへと変貌を遂げるのです。

00:13:26.040 --> 00:13:28.780
しかし、訂正的な文脈は脳の半分に過ぎません。

00:13:28.920 --> 00:13:32.180
もう半分、つまり数値的な構造の真実はマイクロソフトファブリックの中にあり、

00:13:32.460 --> 00:13:33.500
次はその話をしましょう。

00:13:33.660 --> 00:13:36.560
構造化データの対局となるマイクロソフトファブリックについてです。

00:13:36.720 --> 00:13:40.040
あなたの企業能のもう一つの反給、構造化された側へようこそ。

00:13:40.160 --> 00:13:42.340
シェアポイントが暗黙値を保存する場所なら、

00:13:42.620 --> 00:13:45.240
マイクロソフトファブリックは客観的な真実を保持する場所です。

00:13:45.320 --> 00:13:47.140
これは統合された分析のバックボーンであり、

00:13:47.420 --> 00:13:50.900
数値、モデル、イベントストリームが融合し、一貫性を生み出す場所です。

00:13:51.020 --> 00:13:53.700
多くの組織は、これを単なるデータウェアハウスとして扱っています。

00:13:53.880 --> 00:13:56.440
エージェンティックラグの下では、それは推論の基盤となります。

00:14:03.500 --> 00:14:06.220
そのためにはレイクハウス、ウェアハウス、セマンティックモデルが存在し、

00:14:06.480 --> 00:14:08.120
それぞれが異なる構造の言語を話します。

00:14:08.280 --> 00:14:11.660
Azure AIエージェントサービス上に構築されたファブリックデータエージェントは、

00:14:11.980 --> 00:14:15.760
自然言語を構造化クエリに変換し、それらのレイヤーを安全に横断します。

00:14:15.960 --> 00:14:19.120
製品Aの地域別市販機収益差異を表示して、と尋ねれば、

00:14:19.400 --> 00:14:23.700
適切なテーブルとパーティションをターゲットにした最適化されたSQLクエリを裏で密かに作成します。

00:14:23.700 --> 00:14:26.240
あなたの認証されたコンテキストに基づいて実行されます。

00:14:26.360 --> 00:14:27.980
プロンプトやパワーBIツールは不要。

00:14:28.180 --> 00:14:30.140
直接的な管理下のインテリジェンスが機能します。

00:14:30.360 --> 00:14:32.540
数値への生のアクセスは保護がなければ無意味です。

00:14:32.740 --> 00:14:36.400
そのため、ファブリックにおけるセキュリティは選択肢ではなく、アーキテクチャそのものです。

00:14:36.600 --> 00:14:40.060
すべてのインタラクションはマイクロソフトエントラーIDを通じて暗号化、認証され、

00:14:40.320 --> 00:14:43.220
エージェントがあなたの検証済みユーザートークン化で動作することを保証します。

00:14:43.400 --> 00:14:47.180
業レベルのセキュリティを無視するサービスプリンシパルのショートカットが招いた混乱を覚えていますか?

00:14:47.300 --> 00:14:49.120
ここでは、それらは禁止されています。

00:14:49.300 --> 00:14:51.840
オンビハーフオブ、プロがあなたのIDをエンドツーエンドで引き継ぎ、

00:14:52.060 --> 00:14:55.200
RLS、業レベルセキュリティ、トレツレベルのセキュリティを自動的に強制します。

00:14:55.380 --> 00:14:59.320
財務部門が特定の列を機密とマークすれば、AIがそれを見ることは決してありません。

00:14:59.520 --> 00:15:04.100
また、すべての実行はファブリックの監査ログに足跡を残し、ログを愛読する監査人の要求も満たします。

00:15:04.300 --> 00:15:06.540
その上に、パービューガバナンスが配置されます。

00:15:06.680 --> 00:15:08.640
秘密ラベルはデータと共に移動します。

00:15:08.820 --> 00:15:11.660
秘密、社内限定、輸出制限といったラベルです。

00:15:11.820 --> 00:15:15.840
ファブリックデータエージェントがこれらのフィールドを使用してクエリを作成すると、ポリシーが即座に介入します。

00:15:16.040 --> 00:15:19.840
侵害の試みは、データが1バイトでも流出する前にDLP、情報漏洩防止によって阻止されます。

00:15:19.960 --> 00:15:22.780
これは、本質的にAIのためのエンタープライズグレードのベビーガードです。

00:15:22.780 --> 00:15:25.180
モデルは探索できますが、自ら感電することはありません。

00:15:25.320 --> 00:15:29.240
では、この構造化された規律と、シェアポイントの曖昧な直感を組み合わせるとどうなるでしょうか。

00:15:29.340 --> 00:15:31.900
Azure AIエージェントサービスがそれを調整します。

00:15:32.100 --> 00:15:33.460
法廷を想像してください。

00:15:33.660 --> 00:15:40.660
ファブリックエージェントが証拠となるグラフ、数値、センサー平均値を提供し、シェアポイントエージェントが証言を提供します。

00:15:40.700 --> 00:15:47.960
検証エージェントがこれらを称号し、数値と記述が一致していることを確認した上で、引用付きの統一された回答として結論を提示します。

00:15:48.100 --> 00:15:49.260
例を挙げてみましょう。

00:15:49.260 --> 00:15:53.500
運用責任者がパッケージの欠陥により効率が低下しているか?と尋ねます。

00:15:53.660 --> 00:15:58.080
プランナーはファブリックエージェントを派遣し、倉庫から生産ライン別のぶどまりを取得させます。

00:15:58.280 --> 00:16:02.900
同時に、シェアポイントエージェントを派遣し、ポシュログやサプライヤーとの通信記録を精査させます。

00:16:03.020 --> 00:16:07.440
ファブリックエージェントは、湿度の上昇と相関する軽微な低下を示すデータセットを返します。

00:16:07.440 --> 00:16:12.380
シェアポイントエージェントは、同じ期間の梱包材の歪みに言及したメールスレッドを浮き彫りにします。

00:16:12.580 --> 00:16:19.700
検証エージェントは両者を裏付け、相関関係が確実であると判断し、システムは定量的なグラフと参照ドキュメントを添えた簡潔な調査結果を作成します。

00:16:19.860 --> 00:16:23.500
徹夜の分析担当者なしで、即座にシックスシグマの診断が可能です。

00:16:23.680 --> 00:16:30.120
内部では、Azure AIエージェントサービスが同時並行処理を管理し、マイクロサービスメッシュを介して取得をバッチ処理します。

00:16:30.120 --> 00:16:36.960
各エージェントは、ファブリックスキーマ、シェアポイントメタデータ、Bingのオープンウェブコンテキストなど、アクセス可能な範囲をスキーマとして公開します。

00:16:37.100 --> 00:16:39.920
プランナーはそのレジストリをAPIディレクトリのように活用します。

00:16:40.120 --> 00:16:42.460
その結果、モジュール化されたインテリジェンスが実現します。

00:16:42.620 --> 00:16:47.000
コパイロット全体を書き直すことなく、新しいデータ領域が出現するたびにエージェントを入れ替えたり拡張したりできます。

00:16:47.000 --> 00:16:51.500
パフォーマンスの面で言えば、革新はモデルの巨大化ではなく、検索順序の賢明さにあります。

00:16:51.700 --> 00:16:56.860
プランナーはまずファブリックにクエリして数値の境界を定義し、それを使ってシェアポイントの探索範囲を絞り込むことができます。

00:16:57.040 --> 00:16:59.680
これによりノイズが減り、結論に至るまでの速度が向上します。

00:16:59.860 --> 00:17:02.080
これを論理によるデータ選定と考えてください。

00:17:02.280 --> 00:17:07.720
1万件のドキュメントに溺れる代わりに、数値がすでに質問を絞り込んでいるため、システムは重要な10件を知っています。

00:17:07.720 --> 00:17:11.720
コンプライアンス担当者は、インテリジェンスとともにガバナンスも拡張されるこの構成を高く評価します。

00:17:11.880 --> 00:17:14.880
すべてのエージェント呼び出しはログに記録され、すべての変換は追跡可能です。

00:17:15.040 --> 00:17:22.040
CFOがこの数値はどこから来たのか?と尋ねたとき、ファブリックテーブル、タイムスタンプ、実行ユーザーのトークンを直接指し示すことができます。

00:17:22.280 --> 00:17:24.720
その透明性は、恐怖を信頼へと変えます。

00:17:24.880 --> 00:17:28.560
これは金融や医療といった規制の厳しい業界において不可欠な通貨です。

00:17:28.560 --> 00:17:35.200
これらの特性を組み合わせることで、ファブリックの構造的な精度とシェアポイントの文脈的理解が調和した分析のシンフォニーが構築されます。

00:17:35.320 --> 00:17:39.320
企業は、検索して期待する段階から取得し、検証し、決定する段階へと移行します。

00:17:39.480 --> 00:17:41.400
そして確かに、そのスピードは驚異的です。

00:17:41.540 --> 00:17:44.380
この多層的なリコールに推論を組み合わせれば、加速が生まれます。

00:17:44.540 --> 00:17:50.580
恐ろしいほどのスピードで、かつては多くの分析官を要した調査から意思決定までのサイクルが、今や数時間へと短縮されます。

00:17:50.760 --> 00:17:53.280
そして、これこそが最終段階へと繋がるのです。

00:17:53.420 --> 00:17:54.140
インパクトです。

00:17:54.320 --> 00:17:56.640
企業のインパクトは、数ヶ月から数分へと変わります。

00:17:56.880 --> 00:17:58.260
その結果について話しましょう。

00:17:58.480 --> 00:17:59.580
良い意味での結果です。

00:17:59.740 --> 00:18:04.460
ファブリックやシェアポイントにおいて、受動的なラグからエージェント型ラグへと移行すれば、企業の平均的なタイムラインは劇的に変化します。

00:18:04.500 --> 00:18:08.200
数ヶ月かかっていた報告書作成が、数分で検証済みの統合データへと変わるのです。

00:18:08.340 --> 00:18:12.160
AIはもう、人間が質問をデータクエリに変換するのを待つ必要はありません。

00:18:12.320 --> 00:18:15.720
AI自身が変換、検証、そして要約を自動的に実行します。

00:18:15.900 --> 00:18:17.520
研究開発を例に挙げましょう。

00:18:17.740 --> 00:18:21.100
以前は、データ調整のために部門横断的な委員会を招集する必要がありました。

00:18:21.100 --> 00:18:28.380
エンジニアがテスト指標を抽出し、分析官が整理し、コンプライアンスが権限を確認し、誰かが結局ファイルを最終版の最終版、などと名付けるのです。

00:18:28.520 --> 00:18:30.660
エージェント型ラグはこのサイクルを粉砕します。

00:18:30.660 --> 00:18:40.020
プランナーがエージェントを編成し、ファブリックのパフォーマンス表とシェアポイントの設計メモを同時に取得、統合し、引用元やセキュリティラベル付きの検証済み要約を作成します。

00:18:40.200 --> 00:18:42.460
意思決定の遅延はほぼゼロになります。

00:18:42.660 --> 00:18:45.320
コンプライアンスや監査も同様の衝撃を受けます。

00:18:45.520 --> 00:18:48.680
従来の監査では、数週間にわたって証拠資料をメールで送る必要がありました。

00:18:48.820 --> 00:18:52.900
今では、レポートを作成した同じAIが、その推論プロセスを必要に応じて再現できます。

00:18:52.900 --> 00:18:56.940
すべての検索呼び出し、クエリ文字列、ファイルパス、タイムスタンプが記録されます。

00:18:57.080 --> 00:19:02.620
監査人は結論に至る正確な手順を再生でき、デューデリジェンスを宝探しからチェックリストへと変革します。

00:19:02.780 --> 00:19:05.740
かつてのリスク要因は、今やガバナンスの宝となります。

00:19:05.960 --> 00:19:08.240
製造現場は予測的な優位性を獲得します。

00:19:08.420 --> 00:19:11.340
ファブリックの定量的なストリームがプロセスの逸脱を明らかにします。

00:19:11.560 --> 00:19:14.200
シェアポイントの訂正的なメモがその原因を説明します。

00:19:14.200 --> 00:19:20.340
エージェント型ループがアラート発生前にこれらを送還させ、シックスシグマのコンサルタントなしで継続的な改善を実行します。

00:19:20.500 --> 00:19:26.860
過労気味のインターンを、眠らず、文脈を忘れず、予算も超過しない専門コンサルタント集団に入れ替えるようなものです。

00:19:27.060 --> 00:19:30.060
それこそが、知性を複合させるオペレーション上の同義語です。

00:19:30.240 --> 00:19:33.020
もちろん、自動化は説明責任があってこそ意味があります。

00:19:33.020 --> 00:19:41.160
エージェント型ラグは、企業が持つ継承関係、権限、秘密ドラベル、監査ログのすべての層を保持するため、CIOはリスクを拡大させることなく知性をスケールできます。

00:19:41.340 --> 00:19:45.820
個々の洞察は、それを作成したユーザー資格情報とガバナンスされたリポジトリまで追跡可能です。

00:19:45.980 --> 00:19:51.220
システムは思考の金融帳簿のように機能し、透明性が高く、過逆的で改ざんを検知できるのです。

00:19:51.360 --> 00:19:54.400
そして人間への影響は、退屈な作業の現象です。

00:19:54.580 --> 00:19:58.660
専門家はエクスポートされたデータのコピペから解放され、統合された真実を解釈し始めます。

00:19:58.840 --> 00:20:02.120
AIが検証済み証拠を提示するため、会議は短縮されます。

00:20:02.320 --> 00:20:05.360
データとナラティブが即座に融合するため、プロジェクトは加速します。

00:20:05.560 --> 00:20:07.780
多くの経営幹部が見落としているのはこの点です。

00:20:07.980 --> 00:20:10.520
推論が記録されていれば、スピードを上げても無謀ではありません。

00:20:10.660 --> 00:20:13.260
本当に無謀なのは、今なお、使えないコパイロットを作ることです。

00:20:13.380 --> 00:20:16.560
反発的で、文脈を理解せず、戦略化のフリをした、オウムを構築することです。

00:20:16.720 --> 00:20:20.120
それらは、クリッピーの隣に並ぶ、初期のAIの珍品として博物館に展示されるべきでしょう。

00:20:20.280 --> 00:20:23.240
もしあなたの企業が未だに検索するだけのコパイロットを称賛しているなら、おめでとうございます。

00:20:23.440 --> 00:20:25.860
あなたは高価な自動保管ツールに資金を提供しているようなものです。

00:20:26.020 --> 00:20:29.540
真剣に取り組んでいる企業は、計画し、検証し、実行するエージェントを既に活用しています。

00:20:29.740 --> 00:20:32.540
所要時間が数ヶ月から数分に短縮されるのは、表面的なメリットにすぎません。

00:20:32.700 --> 00:20:34.700
より深いメリットは、認識の完全性にあります。

00:20:34.920 --> 00:20:38.920
意思決定が現実を正確に反映するのは、それを構築する知性に説明責任が伴うからです。

00:20:39.080 --> 00:20:43.200
だからこそ、単純なコパイロットを作り続けるのは非効率なだけでなく、無責任なのです。

00:20:43.200 --> 00:20:48.420
エンタープライズAIの未来はプロンプトの巨大化ではなく、優れた記憶とガバナンスを備えた小さなフィードバックループにあります。

00:20:48.620 --> 00:20:50.760
エージェント型ラグは、その両方を実現します。

00:20:50.900 --> 00:20:54.100
知性はついに、一家制の余興ではなく、システムとして機能するようになりました。

00:20:54.260 --> 00:20:56.080
構築の手を止めて、思考を始めてください。

00:20:56.220 --> 00:20:58.340
エージェンシー、主体性のないラグはすでに時代遅れです。

00:20:58.480 --> 00:21:01.300
それは昨日のアーキテクチャで明日の問題に対処しようとするようなものです。

00:21:01.440 --> 00:21:04.560
現代の企業に必要なのはチャットボットではなく、認知インフラです。

00:21:04.900 --> 00:21:09.600
それは、あなたのIDの下で、あなたの代わりではなく、計画、検証、実行できるシステムのことです。

00:21:09.600 --> 00:21:14.480
それこそがエージェント型ラグであり、アジュールアイアジェントサービス上に構築された意図的な推論のエコシステムです。

00:21:14.600 --> 00:21:19.980
シェアポイントやマイクロソフトファブリックとセキュアに連携し、まるで認証された一つの脳を共有する専門家チームのように機能します。

00:21:20.140 --> 00:21:26.300
もしあなたのコパイロットが、いまだに独自の検索スケジューリングや参照の検証、推論プロセスの説明ができないのなら、それをインテリジェントと呼ぶのはやめましょう。

00:21:26.520 --> 00:21:27.720
それは単なる飾りです。

00:21:27.720 --> 00:21:31.160
知性とは、意図、検証、そして結果を伴うものです。

00:21:31.360 --> 00:21:35.200
装飾的なAIは独白を演じ、エージェント型AIは実験を行います。

00:21:35.420 --> 00:21:37.260
その違いは、説明責任にあります。

00:21:37.460 --> 00:21:40.160
一方は出力を生成し、もう一方は理解を生成します。

00:21:40.320 --> 00:21:43.080
このアーキテクチャの転換は、もはや選択肢ではなく必須です。

00:21:43.240 --> 00:21:47.720
構造化データと非構造化データにまたがる意思決定が必要になった瞬間、性的なラグは崩壊します。

00:21:47.720 --> 00:21:54.120
コンプライアンス担当者はすでにそれを理解し、アナリストは肌で感じており、リーダー層は間もなく、自信に満ちた口調だけでなく、推論の証拠を求めるようになるでしょう。

00:21:54.240 --> 00:21:56.960
マイクロソフトのスタックが、ついにその基盤を提供します。

00:21:57.140 --> 00:22:05.120
オーケストレーションのためのAzure iAgentサービス、定量的な真実のためのファブリックデータエージェント、コンテキストを得るためのシェアポイント検索、そしてシステム全体を統括するパービューのガバナンスです。

00:22:05.260 --> 00:22:06.900
さて、あなたへの挑戦状です。

00:22:07.060 --> 00:22:09.200
見せかけだけのツールを導入するのはやめましょう。

00:22:09.420 --> 00:22:12.340
真実が合意されるまで、互いに議論させるエージェントを構築してください。

00:22:12.500 --> 00:22:14.380
マルチエージェントによる計画を試してください。

00:22:14.560 --> 00:22:16.260
認証に基づいたテストを行ってください。

00:22:16.420 --> 00:22:20.000
AIが自らの回答を正当に説明できるようになるまで、ファブリックとシェアポイントを接続し続けてください。

00:22:20.140 --> 00:22:22.700
なぜなら、アクションを伴わない知性は、もはや知性とは呼べないからです。

00:22:22.820 --> 00:22:26.080
もしこの説明があなたのベンダーのどの説明よりも明確だったなら、ぜひ登録してください。

00:22:26.080 --> 00:22:30.920
次の詳細解説では、Microsoft 365 AIにおけるマルチエージェント設計を紐解きます。

00:22:31.080 --> 00:22:35.720
あなたのコパイロットを単に反応するだけでなく、ポリシー内で意識的に振る舞わせる方法についてです。

00:22:35.860 --> 00:22:38.520
効率化とは魔法ではなく、アーキテクチャによるものです。

00:22:38.680 --> 00:22:43.400
アップグレードへの道筋を固定し、登録して通知を有効にし、新しいインサイトが自動的に展開されるようにしましょう。

00:22:43.580 --> 00:22:44.280
始めましょう。
