新 古川

大規模なAIプラットフォーム（ACP）において、機械学習モデルの信頼性を支える「データ品質」をいかに継続的・効率的に管理するかという課題に対し、独自のデータ品質管理システム「ACP Data Quality」を開発・導入した事例を紹介しています。  【独自DSL「DQML」の設計と実装】 データサイエンティストがSQLやプログラムを詳細に記述することなく、宣言的に品質要件を定義できるドメイン固有言語（DQML）を開発しました。  【「Data Quality as Code」の実践】 品質要件をコード化してGit等でバージョン管理可能にすることで、データ品質の評価プロセスをCI/CDやGitOpsのフローへ統合可能な構成にしました。  【Kubernetesネイティブな基盤構築】 カスタムリソース（CRD）として品質モデルを定義し、Argo Workflows等のワークフローエンジンと連携して、スケーラブルかつサーバーレスに評価・監視を実行する仕組みを構築しました。  【組織間のコミュニケーション改善】 データ消費者（サイエンティスト）と運用者（エンジニア）の間で曖昧になりがちな「品質責任」の所在を明確にし、共通言語（DQML）を通じて情報の非対称性を解消するアプローチを提案しています。  【執筆の背景】 MLOpsエンジニアおよびプロダクトオーナーとして、AIモデルの精度維持に不可欠な「データの整合性」を、属人的な作業から「仕組み」による自動管理へとシフトさせることを目指しました。プラットフォーム側で抽象度の高いツールを提供することで、各プロジェクトの構築コストを下げつつ、組織全体のデータ信頼性を底上げするための知見をまとめています。