社内知識と外部標準を参照し、品質ルールとSQL・Pythonを作ります。重大なルールや業務ルールは専門家が確認し、承認済みのルールを中央で管理する構成です。 約30時間から約4時間への工数減は同社の導入例の推定です。生成の速さと、業務上の意味や権限を確認する体制を合わせて評価します。 構造上の正しさと業務上の意味を結び付ける AWSは11月4日、IndegeneがNEXT Unified Data Platformに構築したデータ品質エージェントを紹介しました。ライフサイエンス企業では、欠損や重複を調べる技術的なルールと、業務として妥当かを判断する基準が別々に管理されがちです。スキーマや業務定義が変わると、それらの整合を保つ負担が増えます。今回の事例は、既存の品質管理を支援し、ルールの作成と確認を一つの流れにまとめるものです。Amazon Bedrock、Strands Agents、AgentCoreを中心に構成しています。生成した判断をそのまま適用するのではなく、人の確認と中央管理を組み込んでいます。 二つの知識基盤と実データの状態を参照 社内向けの知識基盤は、用語集、手順書、既存ルール、過去の異常、専門家の意見を集めます。外部向けの知識基盤には、承認された標準や参照情報を蓄積します。エージェントはさらに、表と列の情報、実データの統計、過去からの変化、既存のルールを参照します。利用者は列単位、表単位、独自の問い合わせから生成方式を選び、提案を編集できます。承認されたルールからSQLやPythonを作り、検証後に保存する流れです。対象はデータ管理者や品質分析の担当者と見られます。単純な形式確認に加え、市場シェアの合計や関連項目の整合など、業務固有の条件を扱います。業務の定義を誰が管理するかが、この仕組みの基礎になります。承認した規則の再利用もこの流れに含まれています。 短縮効果をレビューと補正の負担とともに見る 記事では、導入例に基づく推定として、ルールの定義と実装がデータセット当たり約30時間から約4時間になったと報告しています。新しい表の受け入れも、2〜5営業日から2〜4時間へ短縮したとしています。ただし、これは個別の稼働事例の値です。ルールが最初からすべて正しいことを意味しません。高い確信度でリスクの低いものだけを自動承認し、重大なものと業務ルールは常に専門家へ回します。生成コードも構文やスキーマ、可能な場合は標本データで確認します。導入側では、工数の比較にレビューや修正を含めることが論点です。既存の規則と矛盾しないか、変更の責任者が記録されるかも確認する必要があると見られます。確認作業を削減率の外へ置かないことも重要です。 修復の自動化は今後の拡張として扱う Indegeneは今後、失敗した品質検査に対する修復案や、繰り返す異常の原因分析を強化する方針です。現時点であらゆるデータ不良を自動で直すという発表ではありません。次の判断点は、提案から承認、実行、監視までを自社の管理へ接続できるかです。参照する標準と社内用語の更新にも担当が必要になると見られます。生成の時間が短くなっても、何を正しいデータとするかを決める作業は残ります。品質の基準と変更履歴を維持する体制が焦点です。