「人間の介入」をどう設計するか

自律化の実装において鍵を握る概念が「ガードレール」だ。

上田氏は「ビジネスへの影響を考慮してガードレールを設定し、項目ごとに“人間の判断を介在させるか”を選択できる仕組みを構築している」と話す。HPEのSelf-Driving Network機能では、ループ障害の自動停止、ポートフラップによる自動復旧、帯域幅・送信出力等のパラメータ変更による無線キャパシティの最適化などが実現可能だ。影響が限定的なアクションはAIに委譲し、ネットワーク全体へ影響が及ぶ設定変更は人の承認を必須とするといった、ビジネスインパクトを考慮した柔軟な設計が可能になっている。

ただし、日本市場はまだ慎重だ。NOS ビジネス開発本部 応用技術部インフラOpsチーム マネージャーの牛込翔平氏は、「現時点でお客様からは『最終的な確認は人の手で行いたい』というコメントが大多数」と明かす。最後の承認ステップを省くことへの慎重な姿勢は、当面変わらないだろう。

ネットワンシステムズ ビジネス開発本部 応用技術部 インフラOpsチーム マネージャー 牛込翔平氏

背景には、責任の所在に対する強い意識がある。AIが自律的に設定変更を行って不具合が発生した場合、誰が責任を取るのか。この問いは、自律化の導入スピードを左右する重大なファクターだ。

「従来のITシステムは決定論的なもので、100回試せば100回同じ結果が出た。しかし、AIは確率論的に動く。この根本的な違いを踏まえた新しい考え方が求められる」。NOS ビジネス開発本部 応用技術部 インフラOpsチーム エキスパートの渡辺義和氏は、AIによる自律化を進めるためには、発想の転換が必要と説く。

ネットワンシステムズ ビジネス開発本部 応用技術部 インフラOpsチーム エキスパート 渡辺義和氏

AIが用いるデータを洗浄・統合

AIの判断の基となるデータの信頼性や鮮度を高めることで、自律化の導入を早めようとするアプローチもある。

例えば、通信事業者向けにOSS/BSSソリューションをグローバルに展開するコマーチは、ネットワークや運用システムに分散したデータを論理的に統合するデータファブリックを土台として、自律運用を支援しようとしている。ここで言うデータファブリックとは、複数システムに散在する構成情報、性能情報、障害情報等をAIが利用しやすい形に整える基盤のことだ。単にデータを1カ所に集約するのではなく、段階的なクレンジングを行い、KPIやメトリクス、機械学習用の特徴量などとして整備する。さらに、機器、回線、サービス等の関係性や制約条件を表現することで、デジタルツイン上に現実のネットワークに近い構造を再現する。

AIによる自律運用に慎重にならざるをえない理由としては、AIがどのデータをもとに判断しているのかが見えにくいことや、ハルシネーションが挙げられる。コマーチ Senior Telco Consultantの小出泰雄氏は、こうした懸念を払しょくし、自律運用の精度向上を図るには「データファブリックがリアルタイムで新鮮かつ整理されたデータをデジタルツインに提供し、ネットワークの状態やアラームの影響範囲、根本原因を構造と文脈に基づいて分析することが重要」と強調する。

HPEの上田氏も、差別化の核心はAIそのものではなくデータにあると断言する。「LLM自体はコモディティ化していく。差別化の要因になるのは、蓄積されたデータの質とモデリング化だ」。HPEでは8年以上前からデータサイエンスチームとプロダクトチームを連携させ、実際の障害パターンを収集・モデル化し、テレメトリーデータを活用しながら精度を高め続けてきたが、そうした長年の蓄積が差を生むという。