Quollio Technologiesはこの度、シリーズAラウンドにて、7.5億円の資金調達を実施し、累計調達額は10億円を突破しました。専門とするメタデータ技術から、日本のデータ&AI活用、ガバナンスの根幹を作っていきます。グローバルチームで組織拡大中です、是非ご覧ください！ quollio.com/news/release_202…

オントロジーは作った結果、出荷されたら、出荷テーブルに記録されるみたいなアクションが大事 customerが顧客であるよりも、何をしたら何ができるかは、今までのシステムでは案外、宣言的にまとまってるのがなくて、AIがわからないので、それをまとめたのがあると良い

本日、NEC様とAI Agent用のコンテキストレイヤーに関する技術検証の事例が発表されました。dotDataとsnowflakeの技術領域とquollioの共創。AI時代に不可欠な「知識の循環サイクル」をどんどん実証していきます。 quollio.com/jp/news/release_…

最近のオントロジーやセマンティクスへの関心は、15年前のメタデータ管理で注目されていたビジネスボキャブラリーを用いた複数テーブルの紐づけや、30年前のISO11179の値ドメイン（Value Domain）や概念ドメイン（Conceptual Domain）によるカラム管理と、基本的な発想は同じだと思うんです。ビジネス用語と物理DBの紐づけと、それによるビジネス部門メンバのデータ活用を目指していたところが。ではなぜ過去の値ドメインやビジネスボキャブラリーが浸透しなかったのか。ビジネス部門がその取組みに継続して協力してくれなかったから。ではどうすれば協力してくれるのか、そこを今考えないと、現在の関心も技術トレンドのひとつで終わってしまう。

かなり同感です。過去10年くらいのBtoB SaaSのプレイブック（粗利70%、The Model的分業によるセールス、LTV/CACに基づく先行投資モデル）から離れられないまま、全く原価構造の違う商品を売ろうとしているケースが多い気がします。特に所帯が大きいほど、組織的にアンラーニングするのも大変なんじゃないかな。

赤澤大臣は、アンドリーセン･ホロウィッツ共同創業者のベン･ホロウィッツ氏と会談。唯一の海外拠点を東京に設置すること、起業家育成事業を日本で実施することについて歓迎し、日本のスタートアップ･エコシステムの高度化･グローバル化、スタートアップ政策について意見交換しました。#meti_daijin

✅ウェビナー開催：5/27(水) 15時～ ヒトとAIが協働するデータ・エコシステム 👉 quollio.com/jp/resource-cent… 人とAIが協働するデータ・エコシステム（AIレディネス）への道筋を紹介します 申込締切: 5/25(日) 16時迄 #Quollio #ウェビナー #AI

"AI駆動型企業"の重要ポイントは、 …… 「AIにできる範囲でしか事業をやらないと決めている。事業の詳細はまだ模索中だが、やっぱり人が必要だ、となれば一旦やめる。AIができないことを人間が補完してしまうといつまでたっても効率が悪い」 … の部分だと思ってます。その他、いくつかの本質的ポイントを話しておりますので、ぜひ、日経新聞の記事をご一読ください。

📅ウェビナー開催：5/27(水) 15時～ AI導入の壁を越える「コンテキスト」とは 👉 quollio.com/jp/resource-cent… 人とAIが協働するデータ・エコシステム（AIレディネス）への道筋を紹介します 申込締切: 5/25(日) 16時迄 #Quollio #ウェビナー #AI

これまでデータカタログと呼んでたツールが、AIの「コンテキストレイヤー」 にシフトチェンジしていく流れは必然的ですよね。 > AIの力を引き出す「コンテキストレイヤー」を構築する──国産データテックQuollioが描く製品戦略 enterprisezine.jp/news/detai…

著者Ananth PackkilduraiはData Engineering Weeklyの運営者で、 記事の結論は、著者が提唱する ECL（Extract, Contextualize, Link）フレームワークと Context Storeというものに該当します。 Context Storeとは、従来のデータカタログをエージェントがクエリして意味を取得するためのストア にするというもので、およそ以下のものを含みます。 - Context Object：売上の定義、誰がいつ検証したか、確信度。長期的に蓄積する - Decision Object：エージェントがどの定義を使って何を推論したかの監査ログ あと、記事タイトルがETL is deadというタイトルで煽り気味で、AIが生成したクリックベイトタイトルとかコメント欄で叩かれているのが面白いです。

NEC、Anthropicと協業　「Claude Cowork」活用の業務特化型ソリューションを共同開発 itmedia.co.jp/aiplus/article…

AWSが公開した「AI駆動の業務変革手法『AI BPR』」の記事がめちゃくちゃ面白かったので整理してみます📝 まず驚いたのが、AWSが自社で3ヶ月間お客様にAIエージェント導入プログラムを提供してみた結果「正しいアプローチが全く機能しない」という壁にブチ当たった、という赤裸々な報告から始まる点です。普通こういう事業系の記事って「成功しました」で終わるじゃないですか。そうじゃなくて「なぜ失敗したのか」を構造的に解剖しているのが神でした。 何が起きていたのか。AWSは当初、王道の手順でAI BPRをつくっていました。ゴール設定、業務フロー分析、ボトルネック特定、AIエージェントで解決、計測。いわゆるBPRの教科書通りです。ところが現場からは「AIエージェントに任せるのはBCP上危険」「提案の枠が狭くて大きな進歩を感じない」という反応が返ってくる。これらは一見もっともらしいのですが、よくよく分解すると全然別の構造が見えてきます。 1つは、長年積み上げてきた専門性がAIに代替されることへの「アイデンティティへの脅威」。Stanfordの研究でも、45%がAIの精度を懸念し23%が職の代替を恐れている。これは能力の問題ではなく存在意義の問題なんですよね。 もう1つは、「責任の所在」を人間に残しておきたいという組織心理。「この業務は◯◯さんが詳しい」は、裏を返せば責任分担の合意です。AIに委譲するということは、業務停止時の責任もIT部門に一気に流れ込むということ。そりゃ抵抗しますよね。 この2つが合わさると、「やっぱり人間でないと難しい」という一見合理的な「落としどころ」に着地します。AWSはこれをArgyrisの言う「防衛的ルーティン」「熟達した無能力」と結びつけて説明していて、ここが本当に上手い。 そこでAWSがやったのが、AI BPRを一旦ぶっ壊してゼロから組み直すという決断でした。結論からいうと、従来の「課題は何ですか？」と聞くアプローチをやめて、「強みは何ですか？」から入る設計に変えた。 具体的には、Cooperrider & Srivastvaが提唱した「Appreciative Inquiry」という手法を採用。問題を分析して修正するのではなく、組織の既存の強みと成功体験を発見して増幅することで変革を起こす。面白いのが、これを実装する際にコンマリメソッドを参考にしている点です。「捨てるもの」ではなく「ときめくもの」に注目させる片づけの手法を、AIとの対話プロセスに翻訳している。こういう接続の仕方ができる人、マジで才能だと思います。 組み直し後の4ステップはObserve（強み・価値・リスクのマッピング）、Shift（委譲か卓越かの二択判断）、Simulate（実装と評価）、Forecast（計画立案）。所要時間は合計170分程度。 結果として何が起きたか。満足度は一度3.63まで下がったあと、最新では5.0満点、変革可能性も6.50/7.0。大手物流企業では役員自ら「AIに置き換えたい」と言い出し、製造業の役員からは「業務可視化は人間のコンサルより圧倒的にAIが良い」との評価。しかも最新のデリバリーは、開発したDevRelチームではなくアカウントチームが実施した非属人の成果です。 ここから学べることを整理すると、AIエージェント導入で本当にハマるのは技術じゃなく「人間側の適応課題」という点です。Heifetzの言う通り、適応課題を技術的課題として扱った瞬間に変革は失敗する。プロンプトやツールをいくら磨いても、当事者の認識が変わらなければ一歩も進まない。 そしてもう1つ重要なのが、「課題は何ですか？」という問いそのものが、実は防衛反応を誘発する最悪のフレームだったという発見です。強み起点・能動的な判断・即時的なアウトプットの3点セットで初めて、人は自ら手を挙げて変わり始める。 AI導入で苦戦している企業の多くは、ツール選定やROI計算より先に、問いの設計を見直すべきなのかもしれません。これはAWSに限らず、あらゆるDX/AI推進担当者が今すぐ読むべき一本だと思います。

【プレスリリース📢】 株式会社Resilire（レジリア）、金型の無償保管リスクを可視化する「Resilire 金型管理」を正式リリース 組立業界におけるサプライヤー調査では、金型等の保管費用が全額支払われている企業は3割強にとどまり、大多数が適切な補填が得られていない現状がわかりました。 resilire.jp/posts/ONXI8WRv

AIはなぜ文脈がないと使えないのか？ - Quollioが示す、AI活用の前提となる「コンテキストレイヤー」 news.mynavi.jp/article/20260…

AIエージェントのSkills（スキル）を自動生成し、一元管理するシステム『SkillNet』が発表されました。 人間の作業ログや文書からスキルを作り出し、品質評価やスキル同士の関係性の記録までをまとめて行います。 浙江大学やアリババなどの研究チームによる論文です。 従来のスキルは個々が独立しており、スキル同士の関係や「Aの次にBを使う」といった連携の全体像を管理する仕組みが欠けていました。そのため、複数の手順をまたぐ長期的なタスクを、最後まで自律的にやり遂げることが難しいという問題がありました。 今回発表されたSkillNetは、3つのステップでこの問題を解決します。 1. スキルの自動生成 人間の作業ログ、GitHubのプロジェクト、PDFドキュメントといった散在する情報をAIが読み解き、標準化されたスキルの形式に変換します。 2. 5つの基準による品質評価 生成されたスキルの品質を担保するため、以下の基準で自動評価を行います。 -安全性: 意図しないファイル削除などの危険な動作がないか -完全性: 処理の手順に抜け漏れがないか -実行可能性: 安全な環境でエラーなく実行できるか -保守性: アップデート時に他の機能に悪影響を及ぼさないか -コスト効率: 実行時間やAPIの消費コストは適切か 3. スキル間の関係性のグラフ化 単にスキルを生成するだけでなく、「このスキルは別のスキルで代替可能」「スキルAを実行するには、事前にスキルBの準備が必要」といった相互の関係性を整理し、ネットワークとして構築します。 この仕組みにより、AIがタスクと使用スキルの全体像を踏まえて、実行手順を組み立てられるようになりました。シミュレーション実験では、タスクの成功率が40%向上し、完了までのステップ数も30%削減されるというパフォーマンス改善が確認されています。 散在するスキルを、ひとつのネットワークとして統合するこのアプローチは、システム開発の観点からも非常に興味深い方法です。

datayokocho.info/?p=1500 「メタデータ通り」レポートです。シリーズ６回はいったん終了しますが、これからの議論が始まりな気がする。再会準備中。 >これまでは「人が使うために集めたメタデータを、いかにAIにも使えるようにするか」と考えてきた。しかし今は、「AIが使えるレベルに整備すれば、自然と人にも使いやすくなる」という方向にシフトすべきだというのです。

データ横丁主催の「メタデータ通り」最終回、現場のリアルな議論が飛び交い、とても濃密で意義のある内容。レポートで非常に良くまとめていただきました。

これはほんとそう。コネクタをただ繋いだだけの某エンタープライズサーチプロダクトも検索してもまともにヒットしない。 コンテキストエンジリングで適材適所でコンテキストを程よく注入するのと、ハーネスエンジニアリングでSQL、権限、ユーザーレベル制御、メタデータなどを組み合わせて決定論的な制御を検索結果でしないと大企業では使えないのが実態と考えてる。 道路と車があっても、車線も速度制限もガードレールもなきゃまともに走れない