[Sponsored]

AIの真価は「今この瞬間」の感知にある。「Data Streaming Platform」で実現する「AI Ready Data」を解説

AI Ready Dataの4条件「3R+1C」とは？

2026年4月7日(火)

リスト

2026年3月11日に開催された「データマネジメント2026」（主催：日本データマネジメント・コンソーシアム〈JDMC〉、インプレス）にConfluent Japan合同会社の神田靖史氏が登壇した。Confluent ではAIに必要なデータを「信頼性」「再利用性」「リアルタイム性」「コンテキスト提供」の4条件（3R+1C）で定義する。その実現手段としてのデータストリーミングプラットフォームの活用法を解説した。
提供：Confluent Japan合同会社

Confluent Japan合同会社 Head of ISV and OEM, Japan　神田靖史氏

AIの70年の歴史とエージェント型AIへの急転換

　メインフレームからUNIX、Windows、インターネット、スマートフォン、クラウドへと、各技術はこの10年から20年の間で社会に浸透してきた。AIもここ数年で急に出てきたように感じる人が多いかもしれないが、実は1956年にアメリカの研究者によって定義された言葉であり、2026年でちょうど70年を迎えるテクノロジーだ（図1）。

図1：AIの歴史
拡大画像表示

　AI活用が現実になった最大の理由は、学習に利用できる膨大なデータが揃ったことと、GPUによる演算能力の飛躍的な向上だと神田氏は説明した。そして、AIが自律的にタスクを実行するAIエージェント、複数のエージェントが連携するエージェンティックAIが台頭し始め、生成AIは急速に経営アジェンダの最優先課題へと浮上した。

　だがどれほど優秀なAIであっても、LLMが持つデータはリリース時点の静的なデータに過ぎない。「正しくないデータを渡せば、AIは”正しく間違えます”」と神田氏は指摘する。

AI Ready Dataの定義——「3つのR」と「1つのC」

　AIエージェントを人型ロボットとして捉えると、その構成要素は脳としてのLLM、遠くの大量蔵書へのアクセスとしてのRAG、手元の参考書としてのCAGだ。だが神田氏は「最も必要なのは、今おきているリアルタイムイベントとライブデータです」と強調した（図2）。

図2：AIエージェントには、LLM、RAG、CAGに加え、ライブデータとリアルタイムイベントが不可欠

　通い慣れた道であっても、目を閉じて横断することはできない。AIも同様で、今この瞬間のイベントを感知できなければ、自律的な判断と実行に限界がある。

　企業の中に存在するリアルタイムのイベントデータとは、ネットワークのアクセスログ、システムイベントログ、オンラインストアの注文・決済情報、不正アクセスの可能性を含むログイン動向、商品クリックといった行動データなどだ。「こうしたデータをAIが感知し、即座に反応してアクションを取れるかどうかが、非常に大きな競争力の差になる」と神田氏は言う。

　ではAIを本当に活用するために必要なものは何なのか。それは、AIが理解できる形で適切に準備されたデータ「AI Ready Data」だ。Confluent Japanでは、AI Ready Dataを「3R+1C」で定義している。

信頼できるデータ（Reliable Data）
再利用可能なデータ（Reusable Data）
リアルタイムなデータ（Realtime Data）
上記の3条件を兼ね備えたデータをAIが利用できるリアルタイムなコンテキスト（Realtime Context）として提供すること

　Confluentの「Data Streaming Platform」は、データをリアルタイムで接続し、処理し、共有するための基盤だ。神田氏は「散在したデータをリアルタイムのデータ資産に変えるプラットフォーム」と語る。「Data Streaming Platform」は「3R+1C」の定義に直接対応している。

Reliable……データを三重冗長構成で管理し、ロールベースのアクセスコントロールでセキュリティを確保する。また、イベントが発生した時系列を変えることなく、改ざん不可能な状態でデータを保持する
Reusable……データが流れる過程で正規化を行い、不要なデータを排除し、階層化ストレージによって長期保管と再利用を可能にする。金融機関に求められるトランザクションログ7年保管といった規制要件にも対応できる
Realtime……ストリーム処理コンポーネント「Flink」により、従来は数時間または数日かかっていた処理をミリ秒で完了させる

コストが半減した事例も

　続いて具体的なユースケースが紹介された。まずデータウェアハウスの文脈では、従来のETL（抽出・変換・ロード）はバッチ処理が前提のため、データウェアハウスに到達した時点ですでにデータが古くなるという構造的な問題がある。Confluentを介在させることで、データは流れながらミリ秒単位で正規化・統合されてウェアハウスに届き、常に最新のデータが利用可能になる（図3）。

図3：Confluentが実現するストリーミングデータパイプライン
拡大画像表示

　SIEM製品の最適化にも有効だ。ログデータは多いほど脅威の検知精度が上がる一方、大量のデータがSIEMに流れ込むと処理負荷が増して検知速度や品質が低下するというジレンマがある。Confluentを前段に置き、正常系データはストレージに保存しつつ、SIEM側には異常検知に必要なデータだけを渡す役割分担（シフトレフト）が実現できる。

　神田氏は「海外では大規模にSIEMを運用されているお客様で、50%以上のコスト削減ができた事例が実際に出ています」と語る。なお、ライセンスがデータ流量に連動する製品では、コスト削減の副次的効果も見込めるという。

　マイクロサービス化が進む現代のアプリケーション開発においては、サービス間の同期通信がバックプレッシャー（処理遅延の連鎖）を生み、CI/CDの阻害要因になる。Confluentは非同期のメッセージキューイング方式でサービス間の依存関係を切り離し（デカップリング）、この問題を解消する（図4）。

図4：データソースとアプリケーションを完全に分離し、バックプレッシャーを解消
拡大画像表示

　また、PCI DSS、電子帳簿保存法、ISMAPといったコンプライアンス要件に応えるログ長期保管基盤としても活用できる。

Data Streaming Platformは「保険」

　既存環境に「Data Streaming Platform」を組み込んでおけば、現在の業務システムを高度化できるだけでなく、将来AIを本格活用する際にもすぐに対応できる。AIのためのデータパイプラインを新たに構築する必要がなくなるという意味で、これはAI実装に向けた基礎であり、将来への「保険」にもなり得ると神田氏は表現する。

　AIを活用するにはAIが気づき、判断し、実行できるためのリアルタイムなイベント情報を渡す仕組みが不可欠である。その基盤を整えることで、AIエージェントは今この瞬間を感知しながら自律的に動ける存在になる。AI時代に胸を張って歩いていけるかどうかは、今この瞬間のデータ基盤への取り組みにかかっていると神田氏は結んだ。