# 組織設計のスターモデル ## 定義 組織設計のスターモデル(Star Model)とは、[[Jay R. Galbraith]] が提案した、組織について考えるための一般的アプローチの1つである。戦略・構造・プロセス・報酬・人材という5つの相互に関連する設計方針(経営陣が設定できる選択肢)が、組織内の従業員の行動に影響を与えるとするフレームワークで、5要素が星形の頂点として描かれる(図13-1)。Galbraith は「ほとんどの設計作業では、組織図の作成に過剰な時間を費やし、プロセスや報酬に十分な時間を割いていない」と指摘しており、レポート構造(組織図)だけに注目する組織設計への偏りを戒める。(Source: [[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 13 MLの組織への統合]] §13.4) ## ML組織への適用(13章) 『信頼性の高い機械学習』13章は、組織設計モデルの網羅的なレビューではなくスターモデルを選び、ML を組織へ実装する課題に適用する。 - **戦略(方向)**: 組織がどの部分に注目・資金提供するか、どう評価されるかを決める。「最高水準のML」「たいていの場合合理的なML」「あらゆる側面でML」「MLを含むアプローチの多様化」といった戦略の選び方の違いは、ML導入範囲や品質許容度に異なる帰結をもたらす。(Source: ch.13 §13.4.1) - **構造(力)**: 誰が権限を有するかを表す。Galbraith が特定した機能的・製品・市場・地理的・プロセスという5つの構造選択肢のうち、機能的構造はML実装を単一チームへ集中化し、製品構造はMLチームを個々の製品チームへ分散させ、プロセス構造(水平組織)は複数製品ラインを横断する標準・プロセスを作るMLチームに適しうる。(Source: ch.13 §13.4.2) - **プロセス(情報)**: 組織内の情報と意思決定の流れを制限する。希少なリソースを割り当てる垂直プロセスと、ワークフローを管理する水平プロセスの2種がある。ML導入を垂直プロセスとして中央集権的に意思決定する場合、リーダーが依存関係とつながりをマスターしていれば機能するが、そうでなければ決定がバラバラになりうる。(Source: ch.13 §13.4.3) - **報酬(モチベーション)**: 金銭的・非金銭的な報酬があり、財務ベースだけでML人材の獲得競争をするのは難しいため使命・文化・成長で競争する方が理にかなう場合がある。MLを学習した組織全体のスタッフへの報酬という発想も含む。(Source: ch.13 §13.4.4) - **人材(スキル/考え方)**: 柔軟な組織には柔軟な人材、クロスファンクショナルチームにはゼネラリストが必要になる。MLの教育・スキルの希少性を踏まえ、既に資格を持つ人材だけでなく現場で学習できる人材の採用を検討する必要がある。(Source: ch.13 §13.4.5) - **単一次元変更の限界**: 5要素は複雑に絡み合っており、単一次元(例: プロセスの変更を伴わない戦略の変更)だけの変更はほぼ確実に事実上同じ成果しかもたらさない。ただし全ての課題を同じペース・強度で同時に進める必要はなく、戦略→プロセス→報酬のように順序立てて1つずつ対処してよい。(Source: ch.13 §13.4.6) ## 横断的知見 - **Simon の「組織は巨大な分散計算機である」という一般理論は、13章のプロセス要素における垂直プロセスの成否条件と独立に一致する**: [[市場と組織]] が扱う Herbert A. Simon の理論は、決定は多数のサブルーチンが各々の局所的情報源に依拠して実行される大きな計算機プログラムのようなものであり、事実は最も技能と情報のある場所で確定すべきだと論じる。13章は、ML 導入を中央集権的な垂直プロセスとして扱う場合、「リーダーが依存関係とつながりをマスターしていれば」機能するが、そうでなければ決定がバラバラになり、局所的な範囲内で集中化された機能が重複して非効率・摩擦増大を招くと述べる。書籍も対象領域(一般組織理論 対 ML組織実装)も異なる2つのソースが、「集権化は情報を持つ主体が意思決定するときにのみ機能する」という同じ条件に独立に収束している。(Source: [[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 13 MLの組織への統合]] §13.4.3, [[@1996__MITPress__The Sciences of the Artificial - Chapter 2 Economic Rationality - Adaptive Artifice]] ch.2 p.41) - **Galbraith の「機能的構造 対 製品構造」という対立軸は、SRE組織変革が集めた「中央集権型 対 分散型/埋め込み型」という同型の対立軸を、SRE とは異なる ML という対象領域で独立に再現する**: [[SRE組織変革]] は、Facebook の集中型オンコールチーム SRO が「クラッチ」として機能した後に解散し各ソフトウェアチームへ運用能力を分散させた経緯や、『SREをはじめよう』15章が業界の統合モデルを中央集権型/パートナー型・分散型/埋め込み型・ハイブリッド型に整理する枠組みを記録している。13章の Galbraith 構造類型における機能的構造(ML実装を単一チームへ集中化)の欠点として挙げられる「適切なリーダーが見つからない場合、または集中化が既存のエンジニアリング文化にうまく適合しない場合の明らかな欠点」は、SRE 組織で観察された集中型チーム依存のリスクと同じ構造的緊張であり、対象が SRE から ML に変わっても独立に同種の欠点が指摘されている。(Source: [[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 13 MLの組織への統合]] §13.4.2, [[SRE組織変革]]) - **14章の3シナリオは、スターモデル5要素のうちプロセス・報酬・人材の3要素だけを一貫した構成で具体化し、戦略・構造には明示的に触れない**: 14章は冒頭で「各選択がプロセス、報酬、人材といった側面にどのように影響するかを13章で紹介したスターモデルを用いて考察します」と述べたうえで、新規集中型(§14.1)・分散型(§14.2)・ハイブリッド(§14.3)の3シナリオそれぞれを「背景と組織の説明→プロセス→報奨→人材→標準の実施手順」という同一の見出し構成で記述する。13章がスターモデルの5要素(戦略・構造・プロセス・報酬・人材)を均等に論じたのに対し、14章は「戦略」「構造」を各シナリオの背景説明に溶け込ませ、独立した節としては立てていない。5要素のうち3要素だけが実装事例レベルで反復される構成になっている点は13章からは読み取れず、14章を読んで初めて分かる。(Source: [[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 13 MLの組織への統合]] §13.4, [[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 14 実践的なML組織の事例]] 冒頭, §14.1-§14.3) - **13章が指摘した中央集権化の脆弱性(「リーダーが依存関係とつながりをマスターしていなければ決定がバラバラになる」)は、14章のシナリオ1で「他部門との連携ニーズの拡大」という具体的な引き金として裏づけられる**: 13章§13.4.3は、ML導入を垂直プロセスとして中央集権的に意思決定する場合の失敗条件を抽象的に述べるにとどまっていた。14章§14.1.1は同じ失敗を、YarnItの中央集権型MLチームが成長しプロジェクトが多様化するにつれて「他の多くの部門もML組織とより多く連携する必要が出てくる」ときに中央集権化が不利に転じる、という具体的な成長シナリオとして描く。抽象的な失敗条件(13章)が、時間経過に伴う組織成長という具体的なトリガーによって発生することを14章が示しており、[[市場と組織]]が扱うSimonの「集権化は情報を持つ主体が意思決定するときにのみ機能する」という一般理論に、ML組織における具体的な発生条件(成長・多様化)を加える。(Source: [[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 13 MLの組織への統合]] §13.4.3, [[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 14 実践的なML組織の事例]] §14.1.1) - **『機械学習システムデザイン』11章が独立に論じる「本番運用を別チームに任せるか、データサイエンティストがエンド・ツー・エンドで担当するか」という対立は、Galbraithの機能的構造対製品構造という対立軸を、13章・14章とは異なる第三の書籍で再現する**: 11章§11.2.2は、機械学習プロジェクトのOps側の専門知識(デプロイ・コンテナ化・ジョブオーケストレーション)を組織にどう持ち込むかについて、(1) Ops・プラットフォーム・機械学習エンジニアリングチームという別チームを構成する方法と、(2) データサイエンティストにプロセス全体を見てもらう方法という2つのアプローチを対比する。前者はコミュニケーションと調整のオーバーヘッド・デバッグの困難さ・責任追及の押し付け合い・プロセス全体を最適化する主体の不在という欠点を伴うとされ、これは本概念が13章から引く「機能的構造(ML実装を単一チームへ集中化)」の欠点、および[[SRE組織変革]]が記録する集中型チーム依存のリスクと同型である。後者(データサイエンティストのエンド・ツー・エンド化)は、Netflix・Stitch Fixの事例が示すように、専門家が担当箇所を自動化するセルフサービス型ツールへの依存を前提とする点で、13章の「製品構造」がMLチームを個々の製品チームへ分散配置する発想と対応する。3冊目の独立した書籍が同じ対立軸に到達したことで、この対立が特定の書籍の主張ではなく、ML組織設計に繰り返し現れる構造的な緊張であることが裏づけられる。(Source: [[@2023__OReillyJapan__機械学習システムデザイン - Chapter 11 機械学習の人的側面]] §11.2.2, [[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 13 MLの組織への統合]] §13.4.2) - **11章のNetflix「開発者の全体サイクル」(図11-3)は、13章のプロセス要素における「情報を持つ主体が意思決定するときにのみ集権化が機能する」という条件を、ツール自動化という具体的な実装で満たす一事例である**: [[市場と組織]]・13章が導く「集権化は情報を持つ主体が意思決定するときにのみ機能する」という一般原則に対し、11章はNetflixのモデルとして、まず専門家(元々プロジェクトの一部を担っていた人)が自分の担当箇所(ビルドツール・デプロイパイプライン・指標とアラート・インサイトツール)を自動化するツールを作成し、データサイエンティストがそのツールを駆使してプロジェクト全体を担当する、という具体的な運用形態を示す。これは「専門知識(情報)を持つ人がその専門知識をツールに埋め込み、情報を持たない人でも意思決定できるようにする」という、集権化の条件を満たすための実装パターンであり、13章・14章が抽象的に論じる条件に、11章はツール化という具体的な解決策を加える。(Source: [[@2023__OReillyJapan__機械学習システムデザイン - Chapter 11 機械学習の人的側面]] §11.2.2.2, [[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 13 MLの組織への統合]] §13.4.3) ## 未解決の問い - Galbraith のスターモデル原典(https://jaygalbraith.com/services/star-model)の詳細(5要素の相互作用の理論的根拠、ML以外の適用領域での実証例)は13章に明示されておらず、13章の要約がどこまで単純化されているかは未検証。 - 「戦略→プロセス→報酬のように順序立てて1つずつ変更してよい」という13章の推奨について、[[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 14 実践的なML組織の事例]] を確認したところ、14章はこの順序の妥当性や代替順序の実例を扱っておらず(戦略・構造には明示的に触れず、プロセス・報酬・人材のみを並列に論じる)、この問いは未解決のまま残る。14章以外の章(15章など)で順序立てた変更の実例が示されるか確認が必要。 - Simon の「組織は巨大な分散計算機である」という一般理論とGalbraithのプロセス要素(垂直/水平プロセス)の対応関係は本ページの解釈であり、両ソースが明示的に接続しているわけではない。Team Topologies など第3の組織設計理論を交えた検証の余地がある。 - Galbraith の構造5類型(機能的・製品・市場・地理的・プロセス)と、SREエンゲージメントモデルの4区分(Kitchen Sink/Product・Embedded・Consulting・Infrastructure/Tools)は、どちらも「誰がどう関わるか」を扱うが対応関係は未整理。両者を突き合わせる価値があるか要検討。 - 11章が示すNetflixの「専門家がツールを自動化してからデータサイエンティストへ委譲する」という順序は、Galbraithの構造類型のどれにも明示的に対応しない第4の型(ツール仲介型の分散、とでも呼べるもの)である可能性がある。13章・14章の類型論に11章の事例を正式に位置づけるには、Galbraith原典またはNetflix Full Cycle Developersの一次資料(11章脚注8, Netflix Technology Blog, 2018)まで遡った検証が必要。 ## 関連 - 概念: [[SRE組織変革]] — 中央集権型/分散型の対立軸をSRE領域で先行して蓄積してきた概念 - 概念: [[市場と組織]] — 集権化の成否条件を一般理論として論じるSimonの議論 - 概念: [[機械学習プロジェクトの進め方]] - 実体: [[Jay R. Galbraith]] / [[YarnIt]] / [[Netflix]] / [[Stitch Fix]] / [[Eric Colson]] / [[Eugene Yan]] - source: [[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 13 MLの組織への統合]] / [[@2024__OReillyJapan__信頼性の高い機械学習 - Chapter 14 実践的なML組織の事例]](プロセス・報酬・人材の3要素を3つの組織シナリオで具体化する事例) / [[@2023__OReillyJapan__機械学習システムデザイン - Chapter 11 機械学習の人的側面]](別チーム対エンド・ツー・エンドなデータサイエンティストという第三の書籍からの対立軸) ## 出典 - Cathy Chen ほか, 『信頼性の高い機械学習 ―SRE 原則を活用した MLOps』, オライリー・ジャパン, 2024, 13 章, §13.4. - 同書, 14 章. - Chip Huyen 著, 江川崇・平山順一 訳, 『機械学習システムデザイン』, オライリー・ジャパン, 2023, 11章 §11.2.2.