Declarative Data Services: Structured Agentic Discovery for Composing Data Systems
本論文は、宣言的ユーザー意図と反復的なランタイムフィードバックによって導かれる境界付きの型付き層へと探索空間を分解することにより、異種データシステムにおける無制限の自律的発見の収束失敗を克服する構造化アーキテクチャである宣言的データサービス（DDS）を導入する。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
以下は、論文「Declarative Data Services: Structured Agentic Discovery for Composing Data Systems」の解説を、平易な言葉と創造的な比喩を用いて説明したものです。
大きな問題：AI コーディングの「無法地帯」
あなたが非常に賢く、読書家である建築家（AI エージェント）に家を建ててほしいと想像してください。「3 部屋で、太陽光発電の屋根、プールがあり、予算は 30 万ドル」と言います。
過去には、単一のアプリのコードを AI に書かせれば、通常は素晴らしい成果が得られました。しかし、複雑なデータシステム（1 秒間に何千もの株式取引を処理し、数年分の履歴を保存し、かつ高速を維持する必要がある取引プラットフォームなど）の構築を AI に頼むと、事態は悪化します。
なぜでしょうか？それは AI が、図書館のすべての本を読み尽くした天才である一方で、実際に家を建てたことがないからです。AI は「Kafka」キューや「ClickHouse」データベースが何であるかは知っていますが、それらが現実世界でどのように組み合わさるかは知りません。そのため、間違った材料を選んだり、配管の接続を忘れたり、圧力に耐えられない設計を選んだりする可能性があります。
単に AI に「直して」と言い、何度も推測させ続ける（これを「無制限な探索」と呼びます）と、AI はしばしば堂々巡りになります。屋根を変えることで配管を直そうとしたり、小さなミスをするたびに家を最初から作り直したりします。それは決して機能する解決策に収束しません。
解決策：DDS（「構造化された建築家」）
著者たちは、**Declarative Data Services（DDS）**と呼ばれる新しいシステムを提案しています。AI が無目的にさまようのを許すのではなく、DDS は厳格で組織的な建設マネージャーのように機能し、AI に特定の 4 段階の設計図に従うことを強制します。
DDS を、各階に特定の役割と特定のルールがある4 階建てのビルと想像してください。AI（「サブエージェント」）が作業を行いますが、フレームワーク（「マネージャー」）が設計図を保持し、各段階で作業をチェックします。
DDS ビルの 4 つの階
1 階：「何をするか」（意図）
- 役割: 建設前に、何を望むかを正確に定義する必要があります。
- 比喩: 「かっこいい家が欲しい」と言うのではなく、ユーザーは「3 部屋、2 浴室、太陽光パネル、予算 30 万ドルが必要」と言います。
- 魔法: システムは、AI に曖昧な願いを厳格で型付けされたチェックリスト（データモデル、速度、コストなど）に変換させることを強制します。リクエストが不可能な場合（例：「500 ドルで豪邸が欲しい」など）、システムはコードが書かれる前にそれを止めます。
2 階：「どのようにするか」（設計図）
- 役割: 具体的なブランドを選ぶことなく、データの流れを設計します。
- 比喩: 建築家は図面を描きます。「水が入り、フィルターを通り、タンクへ、そしてシャワーへ」と。まだ「Whirlpool製のフィルターを使う」とは言いません。システムの形状を決めるだけです。
- 魔法: これにより、設計と製品が分離されます。設計が間違っていれば、特定の配管のブランドではなく、図面を修正します。これにより、AI が 1 本の配管が漏れたという理由だけで家全体を変更することを防ぎます。
3 階：「どれを使うか」（スキル）
- 役割: 実際の製品と設定を選びます。
- 比喩: ここで建築家は具体的なアイテムを選びます。「Whirlpool製のフィルターとPVC製の配管を使います」。しかし、ここには秘密のソースがあります。システムは**「スキルブック」**（永続的なメモリ）を使用します。
- 魔法: このスキルブックは、生きたマニュアルのようなものです。以前の家の建設で、Whirlpool製のフィルターには特定のアダプターが必要だったために問題が発生した場合、その事実はスキルブックに記されます。次に AI が家を建てる際、スキルブックを読み、どのアダプターを使用すべきかを正確に知ります。「推測」したり、このミスを「再学習」したりする必要はありません。
4 階：「確認」（ランタイムアトリビューション）
- 役割: 構築し、起動し、何が壊れるかを確認します。
- 比喩: 水を出します。もしシャワーから漏れれば、システムは単に「家が壊れている」と言うのではなく、「漏れはPVC 配管の接続部（3 階）にあります」と言います。
- 魔法: これが最も重要な部分です。システムが失敗した際、決定がなされた正確な階までエラーを遡って追跡します。
- 予算が低すぎる場合は、1 階に戻ります。
- 設計が不可能な場合は、2 階に戻ります。
- 特定の製品選択が悪かった場合は、3 階のスキルブックを更新します。
- AI に家全体をもう一度推測させることはありません。小さく、的を絞った修正を行います。
なぜこれが機能するか（「ひらめき」の瞬間）
この論文は、単に推測と再試行を繰り返す「無制限な」AI エージェントに対してこれをテストしました。
- 無制限エージェント: 正解が出るまでランダムな数字を書き出して数学の問題を解こうとする学生のようなものです。時間がかかり、コスト（計算資源）が高く、しばしば諦めてしまいます。
- DDS エージェント: 教科書と電卓を使う学生のようなものです。ステップを間違えれば、教科書がどのルールを破ったかを正確に教えてくれます。その 1 つのルールを修正し、先に進みます。
結果:
取引バックエンドを構築するテストにおいて：
- 無制限エージェント: 多くの試行を経ても、10 回中 8 回で機能するシステムの構築に失敗しました。堂々巡りに陥りました。
- DDS: 10 回中 10 回で機能するシステムを構築しました。より速く、安価で、システムは実際に実データで動作しました。
「スキルブック」の比喩
この論文は、知識には居場所が必要であると強調しています。
- 従来の AI 手法では、AI が「Kafka はポート 9092 が必要だ」と学んでも、明日にはそれを忘れるかもしれません。毎回再学習する必要があります。
- DDS では、その知識はスキルファイル（YAML ファイルなど）に保存されます。
- AI がミスを犯した場合（例：「ポート 9092 の開放を忘れた」）、システムはスキルファイルを修正します。
- 重要なのは: AI が次にシステムを構築する際、修正されたスキルファイルを読み取るということです。そのミスは二度と繰り返されません。「修正」は一時的なパッチではなく、永続的なものです。
まとめ
この論文は、AI を用いて複雑なデータシステムを構築するには、AI に「即興」させるだけではダメだと主張しています。以下の構造化されたフレームワークが必要です。
- 問題を明確で型付けされたステップ（意図 -> 設計 -> 製品 -> コード）に分解する。
- 先に進む前に、各ステップで AI に作業を確認させる。
- 永続的な「スキルブック」にミスを記憶させ、繰り返させない。
- エラーを正確に特定し、AI が何を修正すべきか推測させない。
これにより、「AI の推測」という混沌としたプロセスが、ソフトウェア構築のための信頼性の高い産業用組立ラインへと変換されます。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。