あるASEANの製造業者が、AIを導入する前にデータインフラの問題をどう解決したか

大規模にAIを導入するASEANの製造業者は、これを早期に学びました。データインフラの問題は、AIが到来しても消えません。それらはAIが失敗する原因になるのです。これは、100以上の市場で事業を展開する地域のヘルステック製造業者が、AI導入にコミットする前にデータインフラの問題をどう解決したか、そしてその決断が何を可能にしたかについての記録です。

背景:AI導入前のASEAN製造業者のデータインフラ

同社は100を超える市場でヘルステックのコマースプラットフォームを運営しています。この取り組みが始まった当時、プラットフォームは年間約4億米ドルのGMVに相当する規模で取引を処理していました。エンジニアリングチームは能力がありましたが、データ層は統一されたアーキテクチャなしに有機的に成長していました。

同社は需要予測と在庫管理を改善するためにAI機能を導入する必要がありました。それが実現する前に、基盤となる問題に対処する必要がありました。

AI導入を阻んでいたデータインフラの問題

データは市場別のシステムにわたって断片化していました。各市場は独自のデータ取り扱い慣行を発展させていました。在庫シグナル、取引記録、顧客行動データは、単一の信頼できる情報源に流れ込んでいませんでした。

地域システム間の同期ウィンドウは15分でした。ライブの在庫決定に必要な種類のリアルタイムAI推論にとって、15分の遅延はデータを運用上役に立たないものにしていました。AIモデルは、すでに古くなった情報に基づいて行動することになります。

さらなる制約がありました。EU、英国、米国市場での事業運営には、それぞれの管轄区域におけるデータ取り扱い基準への規制遵守が求められました。データインフラの再設計はいずれも、これらの要件を後付けではなく最初から組み込む必要がありました。

実施されたこと

ステップ1:全市場にわたるデータ監査

Gradionのエンジニアによって増強されたエンジニアリングチームは、100以上の市場にわたるデータソースの完全な監査を実施しました。この監査は、データの出所、形式、レイテンシ、所有権、現在の使用パターンをマッピングしました。これには6週間かかり、それまで存在しなかった依存関係グラフを生み出しました。

ステップ2:統一データスキーマの設計

市場横断的な比較可能性を犠牲にすることなく、市場レベルの変動を収容するために、標準的なデータスキーマが設計されました。市場ごとに異なるフィールドは、自由形式のフィールドではなく構造化された属性として表現され、データセット全体にわたる一貫したクエリを可能にしました。

ステップ3:パイプラインの再エンジニアリング

15分の同期ウィンドウは、バッチ同期をイベント駆動型のデータパイプラインに置き換えることで対処されました。在庫と取引記録への変更はイベントとして発行され、ほぼリアルタイムで消費されました。再エンジニアリング後の目標同期レイテンシは30秒未満でした。

この変更には、市場レベルのエンジニアリングチームからの協力と、移行中のライブ運用への混乱を避けるための慎重な順序付けが必要でした。

ステップ4:コンプライアンスアーキテクチャ

EU、英国、米国市場のデータレジデンシー要件は、地域ごとの保存境界を通じて対処されました。各管轄区域で発生したデータは、その内部に留まりました。市場横断的な分析には、規制対象の個人データを国境を越えて運ばない、匿名化または集約された表現が使用されました。

このアーキテクチャは、AI開発が始まる前に、GDPR(EU)、UK GDPR、および該当する米国の州データ要件に照らして検証されました。

結果

インフラの再構築には約5か月かかりました。その期間の終わりまでに、同社は以下を手に入れました。

すべての市場にわたる在庫および取引データの統一されたクエリ可能なビュー
コアな運用シグナルに対する30秒未満のデータ鮮度
EU、英国、米国の管轄区域にわたるコンプライアンス検証済みのデータアーキテクチャ
上流システムと計画されたAIモデルの間の文書化されたデータ契約

AI機能の開発は、その後、リアルタイム推論をサポートできる基盤の上で進められました。需要予測モデルは、展開された後、新鮮で信頼できる両方のデータに基づいて運用されました。

AIを検討するASEANの製造業者への教訓

この契約から得られた3つの教訓は、製造業およびヘルステックセクターにおけるASEANのエンジニアリング能力の課題全般に広く当てはまります。

AIはあなたのデータ品質を両方向に増幅する: 良いデータ基盤はAIを価値あるものにします。悪い基盤は、AIの出力を信頼できず、潜在的に誤解を招くものにします。
規制要件はインフラ要件である: コンプライアンスは、データアーキテクチャが構築された後に後付けすることはできません。設計段階から組み込まれなければなりません。
監査はオーバーヘッドではなく、それこそが本質的な作業である: 6週間のデータ監査は、この契約の中で最も価値のある段階でした。それは、そうでなければAI導入時に失敗を引き起こしたであろう依存関係とリスクを表面化させました。

インフラ段階をスキップするAPACの製造業ソフトウェア開発プロジェクトは、高くつくAI導入の失敗の後、それに立ち返る傾向があります。最初にそれを解決することが、一貫してより速い道です。

よくある質問:ASEAN製造業者のデータインフラとAI導入

同社はデータインフラがAIより先に来るべきだとどう判断したのですか?

最初の技術的スコーピング作業中に、エンジニアリングチームはAIモデルがどのようなデータを消費するかを定義しようとしました。その作業は、15分の同期レイテンシと市場システム間の断片化を明らかにしました。AIの要件が、インフラの問題を具体的な形で可視化したのです。

この規模でのデータインフラ再構築の典型的なコストはどれくらいですか?

コストは、データソースの数、断片化の度合い、関連するコンプライアンス要件によって大きく異なります。この規模と複雑さの契約には、通常、3〜6か月にわたる持続的なエンジニアリングチームが関わります。Gradionは、最初のデータ監査の後、範囲を定めた見積もりを提供できます。

同社は最初にデータインフラを修正せずにAIを導入できたのでしょうか?

技術的には、はい。実際には、AIモデルは古く一貫性のないデータに基づいて動作し、信頼性の低い出力を生み出したでしょう。4億米ドルのGMV規模で欠陥のあるAI推奨事項に基づいて行動する運用上のリスクは、同社の経営陣にとってそのアプローチを受け入れがたいものにしました。

これはヘルステック以外の製造業者にどう当てはまりますか?

断片化したデータ、バッチ同期、コンプライアンスの制約という核心的な課題は、物流、消費財、産業機器のASEAN製造業者全体に共通しています。具体的な規制は異なりますが、インフラのパターンと是正アプローチは広く応用可能です。

ベトナムのエンジニアリングチームはどのような役割を果たしましたか?

Gradionのベトナム拠点のエンジニアは、データインフラの再構築期間中、クライアントのチームに組み込まれました。彼らは監査、スキーマ設計、パイプライン開発、コンプライアンス検証に貢献しました。これにより、クライアントは長期化する現地採用プロセスなしに追加のエンジニアリング能力を得ることができ、これはAI導入ロードマップの時間的プレッシャーを考えると重要な要因でした。