高い技術的負債を低コストに変える

長期的な計画を立てることは健全な知恵のように思えるかもしれません。しかし、ペースの速いテクノロジーの世界では、長期的には永遠に来ない日のように感じられます。新しいテクノロジーやデジタルエクスペリエンスは、常に運用上の利点を求める管理者を惹きつけます。議論は、組織内の現在のシステムの置き換えに移ることがよくあります。

多くの場合、管理者は新しいテクノロジーを採用する前に技術的負債に直面しなければなりません。技術的負債は、即時導入または予算目標を達成するために現在のシステムを維持するために許容されるトレードオフのコストです。この負債は、ソフトウェアエンジニアリングプロジェクトでのプログラミング上の決定や、旧式のシステムのアップグレードを遅らせるというコスト削減の決定など、さまざまな事例から発生します。たとえば、アプリ開発では、製品のよりシンプルなバージョンをすぐにリリースすると、機能が省略されることになり、新機能を追加するときに対処しなければならない技術的負債が生じます。長期的に技術的により良い選択と比較した場合、技術的負債はコスト削減の手段であるように「感じる」場合があります。

エンタープライズソリューションの立ち上げによる潜在的な根本原因の数が増加しているため、技術的負債が管理者の間で話題になっています。企業は、現在サービスやプロセスを管理している多くの時代遅れのシステムを置き換えるために、機械学習、AI、クラウドソリューションを採用しています。古いシステムに関連する技術的負債は、時間の経過とともに増大する隠れた運用コストとして明らかになり、対処する必要があります。

多くの技術変革は、ソフトウェア設計の選択によるものと同じくらい、データ管理の決定による影響を受けています。データプライバシー規制を考えてみましょう。プライバシーコンプライアンス要件を満たすために、システム内のデータ保持を特定する必要があります。データ管理は、コンプライアンスがどのように遵守されているかを強調する必要があります。

実際、IT プロフェッショナルの間で技術的負債の一種であるデータ負債が生じています。データ負債は、データ管理のトレードオフの積み重ねです。データ負債は通常、品質管理やサイバーセキュリティの脅威インテリジェンスなど、データ運用を支えるあらゆる場所で発生します。技術的負債と同様に、データ負債もデジタル資産（この場合は運用データ）の維持または管理への投資が遅れることで発生します。

データ負債は、技術的負債の場合と比較して、よく知られていますが、トレードオフに明確な違いを生み出します。その間技術的負債は、製品やサービスを提供するために使用されるテクノロジーに対処する包括的な用語であり、データ負債は、サイロ、観察の重複、ソースからの不一致などのデータタッチポイントに対処する包括的な用語です。機械学習の台頭と、現在注目を集めている AI の導入により、不十分な投資によるデータ管理による潜在的なリスクの回避がより複雑になっています。

AIへの投資が増加するにつれて、IT管理者はさらなるデータ負債の問題に直面することになるだろう。 LangChain フレームワークや Meta が新たに発表した Llama2 などのオープンソースの大規模言語モデル (LLM) では、ChatGPT の背後にあるトレーニングモデルよりも少ないパラメーターで AI モデルとアプリケーションを作成する機能が導入され、その結果、モデルサイズが小さくなります。オープンソース LLM は、独自のデータを使用して動作する AI 強化アプリのための、より管理しやすい AI 開発を提供します。これにより、トレーニングデータとテストデータの透明性が向上し、モデルのパフォーマンスを変更したり中断したりする可能性があるサードパーティのサーバーや API からのデータアクセスへの依存が排除されます。

社内 AI プラットフォームを管理すると、データの使用から課題が変わります。多くの LLM は、非構造化データやドキュメントのインデックスを作成するためのデータストレージメディアであるベクトルストアを使用して開発されています。ベクターストアは、埋め込みデータ (LLM を使用して非構造化データから作成されたデータセット) に適用されます。 Vectorstore は、モデルのトレーニングとテストのためのドキュメントアクセスを容易にするために特別に設計されています。しかし、モデルを計画している企業は、古い媒体に保存されたドキュメントを使用している可能性があります。したがって、高度な開発では、古いデータストレージからアクセスされているデータのデータ負債の状況が明らかになることがよくあります。