AIサンドイッチアーキテクチャ

# AIサンドイッチアーキテクチャ ## 定義 AIサンドイッチアーキテクチャ(AI sandwich architecture)は、非決定論的なAI層を2層の決定論的・ルールベースのロジックで挟むアーキテクチャパターンである。Frank Chen(*Observability Engineering* 2nd Edition, Chapter 17)が命名した。システムの「物理」(不変のビジネスルール・不変条件)と「想像」(LLMの確率的な提案生成)を厳密に分離し、AIのハルシネーションがシステムの核心的整合性を汚染するのを防ぐことを目的とする。具体的には、決定論的ワークフロー(入力に対して常に同一のハッシュを再現する、監査・比較・グラウンドトゥルース生成に使う層)と動的AIワークフロー(ユーザー文脈を解析し `ActionPlan` のような構造化された「意図のスナップショット」を合成する層)の2つのループに分割する。AIの出力を直接実行することはなく、必ず決定論的エンジンでのシミュレーションを経由して不変条件(完全性・整合性・再現性)を満たすかを検証してから採否を判定する。この検証で棄却された割合(proposal rejection rate)を、インフラが健全に見えていてもAIの信頼性劣化を検知できる最高精度のシグナルとして扱う。(Source: [[@2026__OReilly__Observability Engineering 2E - Chapter 17 Ontologies as a Shared Language for Humans and AI]] "Implement the AI Sandwich Architecture") ## 横断的知見 - **「不変条件でAIの出力を検証する」という設計は、訓練時と推論時という異なる局面で独立に収束している**: [[訓練不変条件]](TrainCheck, OSDI 2025 / SREcon26)は DL 訓練プロセス内部の高レベル意味的規則(重み整合性・API呼び出し順序)をサイレントエラー検知に使う。AIサンドイッチアーキテクチャは訓練後・推論時にAIエージェントが生成する `ActionPlan` の出力を不変条件(Coverage・Arithmetic・Determinism)で検証する。両者はいずれも「AIの入力を無限に列挙してテストする代わりに、出力を有限の不変条件で制約する」という同一の設計原理を、訓練パイプラインと本番エージェントという異なる対象に適用しており、非決定論的AIコンポーネントに対する信頼性工学の共通パターンとして浮かび上がる。(Source: [[@2026__OReilly__Observability Engineering 2E - Chapter 17 Ontologies as a Shared Language for Humans and AI]], [[@2025__OSDI__Training with Confidence - Catching Silent Errors in Deep Learning Training with Automated Proactive Checks]]) - **narrow(狭スコープ)なオントロジー適用が実用上機能するという事例として、[[知識のリレーションシップモデル]] の未検証仮説を補強する**: 同ページは「知識グラフ的な形式知識表現は、ログ診断のような閉じた・構造の定まったドメインでは高精度に機能する一方、[[Mark Burgess]] が批判する汎用的な知識管理では失敗する」という仮説を持つ。本章のオントロジー(4エンティティ・3不変条件という最小限のドメインマップ)も、エネルギー請求という極めて狭く形式化されたドメインに限定して設計されており、Chen自身が「学術的な知識グラフではない」と明示的に区別している点も、スコープの狭さが成功条件であるという仮説と整合する。(Source: [[@2026__OReilly__Observability Engineering 2E - Chapter 17 Ontologies as a Shared Language for Humans and AI]], [[@2023__Medium__The Failure of Knowledge Management]]) ## 未解決の問い - 不変条件(Coverage・Arithmetic・Determinism)の3種はエネルギー請求ドメインに特化して選ばれている。他ドメイン(医療・金融取引・物流)でAIサンドイッチアーキテクチャを適用する際、不変条件のカタログはどう一般化・体系化できるか。[[訓練不変条件]] の5種の関係テンプレートのような形式的な分類法が、推論時の不変条件にも存在しうるか。 - 「提案却下率」を高精度シグナルとする主張は本章内では定性的な説明にとどまる。却下率の急上昇が実際にモデルドリフト・プロンプト劣化・入力分布シフトのどれに起因するかを切り分ける手法は示されていない。 - ゴールデンダイアログへの本番トレース昇格(closing the loop)は個人情報除去以外の品質管理基準が明示されていない。誤って学習させたくないエッジケース(意図的な攻撃・異常値)をどう除外するか。 - 決定論的シミュレーション層のコスト(反実仮想 `IntervalSeries` の生成と再計算)は、AIエージェントの提案頻度が上がった場合にスケールするか。シミュレーションのレイテンシがユーザー体験に与える影響は章内で論じられていない。 ## 関連 - ソース: [[@2026__OReilly__Observability Engineering 2E - Chapter 17 Ontologies as a Shared Language for Humans and AI]] - 概念: [[訓練不変条件]] / [[コンテキストエンジニアリング]] / [[知識のリレーションシップモデル]] / [[知識グラフ]] / [[オブザーバビリティデータモデル]] - エンティティ: [[Frank Chen]] ## 出典 - [[@2026__OReilly__Observability Engineering 2E - Chapter 17 Ontologies as a Shared Language for Humans and AI]]("Implement the AI Sandwich Architecture", "Close the Loop: Production Driving Tests")