Upgrade to Pro — share decks privately, control downloads, hide ads and more …

「正しいデータ」の定義をAI エージェントとつくるGoogleADKによるデータ品質定義の実践

「正しいデータ」の定義をAI エージェントとつくるGoogleADKによるデータ品質定義の実践

AI エンジニア、データ アナリスト、ML エンジニア、データ エンジニアを対象に、AI エージェントを活用してデータ品質定義を支援する取り組みについて紹介します。

Google ADK で構築した AI エージェントが、アプリケーションや業務ドメインの専門家との対話を通じて、データに期待される状態や制約、既存資料に含まれる知識を引き出し、それらを機械的に実行可能なデータ品質ルールへ変換する仕組みを解説します。生成結果は、SQL による品質チェックを含む ODCS 形式の YAML として出力し、Data Scan / Data Quality と組み合わせて継続的な品質検証につなげます。

Kei Takahashi

November 18, 2026

Transcript

42 slides
  1. 登壇者 合同会社 DMM.com 開発統括本部 データ基盤開発部 高橋 慶 潮平 諒也 たかはし

    けい しおひら まさや DMM(3 年目)← 旭化成( 10 年) DMM(7 年目)← 沖縄高専 Data & AI Summit ’26 Fall 02
  2. なぜデータ品質に取り組むのか データ品質が、業務やサービスに大きく影響する 事例 時期 トラブル 影響 マイナ保険証 2023年 保険資格情報を 別人に誤ってひも付け

    別人の薬剤情報等 が 閲覧された 埼玉県新座市 2026年 確定申告データの 取り込み漏れ 税額変更の可能性 5,681 人 出典:厚生労働省(2023年公表)/新座市(2026) Data & AI Summit ’26 Fall 05
  3. データ品質とは システム品質と同様、データ品質も色んな観点がある ISO/IEC 25012 による 15 の品質特性 正確性 完全性 一貫性

    信憑性 最新性 アクセシビリティ 標準適合性 機密性 効率性 精度 追跡可能性 理解性 可用性 移植性 回復性 参考:ISO/IEC 25012:2008/W3C DQV Data & AI Summit ’26 Fall 06
  4. 品質定義に、条件・ SQL・期待値を記す 例:商品マスタの販売価格 price(円) 品質条件 販売価格は 0 円未満ではない チェック用 SQL

    SELECT COUNT(*) FROM products WHERE price < 0 0 円未満の行を数える 期待する 戻り値 Data & AI Summit ’26 Fall 0件 0 円未満の行がないことを期待 011
  5. 品質定義を、 YAML で出力する 出力される YAML(抜粋) schema: - name: products properties:

    - name: price description: 販売価格(円) physicalType: NUMERIC quality: - type: sql description: 販売価格は0円以上 query: | SELECT COUNT(*) FROM products WHERE price < 0 mustBe: '0' Data & AI Summit ’26 Fall schema テーブル products properties 列 price 販売価格(円) quality 品質ルール 販売価格は0円以上 012
  6. 対話から品質定義を作成・登録する 業務に詳しい専門家とエージェントが対話する 業務知識を伝える 案を確認・承認 最終 YAML を承認 テーブルを指定して対話 修正内容を指示する 登録する内容を確認

    品質定義の案を生成 YAML を組立・検査 GitHubに登録 確認用の案を返す 最終ファイルを返す 承認した内容を保存 専門家 AIエージェント Data & AI Summit ’26 Fall 013
  7. AI が品質条件・ SQL を考える price 列の品質定義 生成の材料 列の説明 テーブルスキーマ 販売価格(円)

    列名・型・既存の列説明 テーブルの集計結果 Gemini NULL 率・値の範囲など 品質条件と SQL 生成 業務知識(対話) 用途・仕様・例外 品質条件 販売価格は 0 円以上 SQL SELECT COUNT(*) FROM products WHERE price < 0 期待値: 0 件 Data & AI Summit ’26 Fall 014
  8. 今回の取り組みの前提となる分析基盤 各事業部のデータ 事業部 A Google Cloud の分析基盤 BigQuery 分析用データを集約 事業部

    B … テーブル・列の情報 Knowledge Catalog メタデータを管理 Data & AI Summit ’26 Fall 021
  9. 品質エージェントの全体構成 Gemini 4 Argon Cloud Run 候補の生成・修正 FastAPI + htmx

    利用者 BigQuery Google ADK 対話・確認・承認 • • • ワークフローの制御 コンテキストの収集 YAML/SQL の生成・検証 スキーマ など Knowledge Catalog GitHub Data & AI Summit ’26 Fall 022
  10. 初期化・整形・検証を担うツール 初期化・整形・形式検証は、 AI ではなくプログラムが担う エージェント Toolset / Workflow 経由 CI

    や別エージェント Tools • SQL (sqlfluff) ◦ 整形・検証 • YAML (datacontract-cli) ◦ 初期化・整形・検証 CLI / ライブラリ経由 再利用可能 Data & AI Summit ’26 Fall 023
  11. After:エージェントによる探索で業務知識を補う 非専門家 コーディング エージェント 対象テーブルを指定 資料を探索・依頼 品質 エージェント 自律的に 作成

    データ 品質定義 条件の案を作る 探索 データ生成元の資料 コード・仕様書 変更履歴・議論 Data & AI Summit ’26 Fall 業務に詳しくなくても、 資料を根拠に定義作成を進める 028
  12. コーディングエージェントに代行してもらう 既存の入口 Web UI 既存の品質エージェント 対話・確認・承認 Google ADK 業務に詳しい利用者 追加した入口

    コーディング エージェント MCP プロキシ経由 依頼・応答を往復 GitHub MCP で YAML を登録 品質条件・SQL 案を作成 GitHub 整形・検証・登録 YAML 資料探索・依頼 生成元のコード・仕様書を探索 エージェントが業務の専門家のようにふるまい、データ品質定義作成を進める Data & AI Summit ’26 Fall 029
  13. エージェント間の対話をプロキシでつなぐ A2A 対応エージェントを、 MCP クライアントから呼び出せる仕組み コーディング エージェント MCP a2a-proxy A2A

    品質エージェント 1 エージェントを見つける Agent Card から利用できる機能やスキルを取得する 2 呼び出しを橋渡しする MCP のツール呼び出しを A2A のリクエストへ変換する 3 対話・タスクを継続する 対話・タスクの ID を受け渡し、状態確認などを可能にする Data & AI Summit ’26 Fall 030
  14. Example:NYC タクシーの乗車記録 BigQuery の公開データ|NYC タクシー(2022 年) bigquery-public-data.new_york_taxi_trips.tlc_green_trips_2022 レコードの粒度 主な列(抜粋) 記録する内容

    1 行=1 回の乗車 pickup_datetime dropoff_datetime 乗車・降車の日時 trip_distance 走行距離(マイル) fare_amount / total_amount 運賃・支払総額 vendor_id / rate_code 提供元・料金区分のコード テーブルの規模 24 列・約 77 万行 Data & AI Summit ’26 Fall 031
  15. Example:データ品質定義を作る 依頼 対象テーブル ID と Skill を指定 エージェントが 自律的に実行 資料・実測値を調べ、条件・SQL

    を生成 評価して修正 GitHub PR 品質定義 YAML: 24 列のスキーマと 15 ルール Data & AI Summit ’26 Fall 032
  16. 034

  17. エージェントが見つけた確認点 NYCタクシーのデータから、3つの例 エージェントが見つけたこと エージェントの判断・対応 走行距離 / 走行時間が 100 mph超え 暫定の監視条件を提案

    1〜11月のみ。12月分がない 月別の有無を調べる検査を追加 2022年以外の日時や、 降車が乗車より前の記録 対象年・日時の前後関係の検知を追加 Data & AI Summit ’26 Fall 035
  18. エージェントが見つけた本番データの不整合 不整合があった列 実データで見つかった不整合 決済の完了日時 決済ステータスは「完了」だが、完了日時が NULL 決済のキャンセル日時 決済ステータスは「キャンセル」だが、キャンセル日時が NULL ヘッダーの遷移先リンク

    ヘッダーのリンク文字列の前後に、空白が残っている IDの参照先がない IDが参照する別テーブルのレコードが見つからない 画像 URL 旧画像 URL に、今回のチェックで想定した形式と異なる値がある Data & AI Summit ’26 Fall 039
  19. 不整合データが生成された経緯 アプリが仕様どおりでも、保存済みデータが正しいとは限らない 1 過去の書き込み アプリ データ ベース Data & AI

    Summit ’26 Fall 不具合 古い仕様 2 修正・仕様変更 修正後の仕様 書き込み アプリの修正だけでは 保存済みデータは変わらない 当時の処理で データを保存 過去のデータが そのまま残る 3 現在 現在の仕様 不整合 現在の仕様と 不整合なデータ 040
  20. まとめ 1 業務知識を使って、品質定義を作る 専門家と AI が対話する Web 版を試作。 作業ステップの多さとメリットの見えにくさから、協力を得られず。 2

    資料探索とエージェントの協業へ コード・仕様・実測値を調べ、SQL を含む品質定義を YAML 化。 決めきれない点も根拠とともに残し、PR にまとめる。 3 本番データの不整合を発見 状態と日時の不一致、古い設定データの残存を検出。 事業担当者に、不整合の内容と扱いを確認した。 Data & AI Summit ’26 Fall 041

More Decks by Kei Takahashi

Other Decks in Technology