論文の概要: Beyond the Data Mesh Illusion: Designing Modern AI-augmented Lakehouses to Bridge the Gap Between Theory and Practice
- arxiv url: http://arxiv.org/abs/2605.27131v1
- Date: Tue, 26 May 2026 15:00:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.286391
- Title: Beyond the Data Mesh Illusion: Designing Modern AI-augmented Lakehouses to Bridge the Gap Between Theory and Practice
- Title（参考訳）: データメッシュのイリュージョンを超えて - 理論と実践のギャップを埋めるために、最新のAI強化レイクハウスを設計する
- Authors: Oliver Angélil, Jan Migon,
- Abstract要約: エンタープライズデータプラットフォームは、ドメインのセルフサービスと全体的ガバナンスの間の永続的な緊張に直面します。
本稿では,近代的なレイクハウスアーキテクチャ上に構築されたAI強化ハブ・アンド・スポークモデルにより,柔軟性と制御のトレードオフを緩和することができることを論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enterprise data platforms face an enduring tension between domain self-service and holistic governance. The data mesh paradigm proposed decentralized domain ownership as a remedy, but pure implementations frequently underdeliver: teams inherit new responsibilities without the platform maturity, tooling, or coordination mechanisms needed to exercise them effectively. This paper argues that the flexibility-versus-control trade-off can be relaxed through an AI-augmented hub-and-spoke model layered on a modern lakehouse architecture. A central hub (Center of Excellence) provides shared platform services, policy automation, and AI-enabled governance, automatically standardizing data products, generating quality rules, drafting data contracts, and reviewing changes for regressions. Domain spokes own business semantics, product backlogs, and local iteration cadence, progressively assuming greater responsibility as they mature. The same LLMs that automate governance tasks also lower the barrier for domain practitioners to develop genuine cross-functional expertise spanning business and data engineering, enabling spoke teams to take on greater end-to-end ownership without proportionally increasing their dependence on the hub. Natural-language conversational interfaces further democratize access for business users, exposing historically underutilized enterprise data. On the organizational side, we propose a staged framework that shifts ownership from hub to spokes, avoiding both centralized bottlenecks and uncoordinated decentralization. We evaluate the architecture through three outcome metrics: data product adoption, time-to-find, and time-to-insight, that tie platform success to measurable business value rather than internal activity.
- Abstract（参考訳）: エンタープライズデータプラットフォームは、ドメインのセルフサービスと全体的ガバナンスの間の永続的な緊張に直面します。
データメッシュパラダイムは、分散化されたドメインオーナシップを救済として提案するが、純粋な実装は、しばしば過小評価される。
本稿では,近代的なレイクハウスアーキテクチャ上に構築されたAI強化ハブ・アンド・スポークモデルにより,柔軟性と制御のトレードオフを緩和することができることを論じる。
中央ハブ(Center of Excellence)は、共有プラットフォームサービス、ポリシ自動化、AI対応ガバナンス、データプロダクトの自動標準化、品質ルールの生成、データコントラクトのドラフト、レグレッションの変更のレビューを提供する。
ドメインはビジネスのセマンティクス、プロダクトバックログ、そして局所的なイテレーションのケイデンスについて話し、成熟するにつれて徐々に大きな責任を負います。
ガバナンスタスクを自動化したLLMは、ビジネスやデータエンジニアリングにまたがる真のクロスファンクショナルな専門知識を開発するための障壁も低くなります。
自然言語の会話インターフェイスはビジネスユーザーのアクセスをさらに民主化し、歴史的に利用されていないエンタープライズデータを公開する。
組織側では、オーナシップをハブからスポークにシフトし、集中的なボトルネックと非協調的な分散化の両方を避ける、段階的なフレームワークを提案する。
データプロダクトの採用、タイム・トゥ・フィニッシュ、そしてプラットフォームの成功を内部アクティビティよりも測定可能なビジネス価値に結びつける、タイム・トゥ・インサイト(Time-to-insight)という3つの結果メトリクスを通じてアーキテクチャを評価します。
関連論文リスト
- Data-driven and distributed governance of building facilities management using decentralized autonomous organization, digital twin, and large language models [1.6767862854236946]
本稿では,スマートビルディング管理のための新しいAIとデータ駆動型分散ガバナンスフレームワークを紹介する。
このフレームワークは、分散自律組織(DAO)、デジタルツイン、大規模言語モデル(LLM)、ブロックチェーン技術を統合する。
論文 参考訳（メタデータ） (2026-04-16T20:10:35Z) - Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。
我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。
我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
論文 参考訳（メタデータ） (2026-04-09T06:13:59Z) - RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
ロボットのためのロバスト自動データ取得(RADAR)について紹介する。
RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。
シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
論文 参考訳（メタデータ） (2026-03-12T11:18:52Z) - SoDA: An Efficient Interaction Paradigm for the Agentic Web [28.5099993831108]
我々は,時間削減から省エネへの根本的な変化を実現することを目的とした,将来指向のユーザ主権相互作用パラダイムを定義する。
メモリをアプリケーションロジックから切り離すと、データロックインの構造的基盤がなくなる。
明示的なマニュアル命令から暗黙的な意図のアライメントへのシフトは、実行の複雑さをオフロードすることで認知的過負荷を解消する。
論文 参考訳（メタデータ） (2025-12-11T00:44:08Z) - Trustless Federated Learning at Edge-Scale: A Compositional Architecture for Decentralized, Verifiable, and Incentive-Aligned Coordination [0.0]
連合学習が成熟するにつれて、センシティブなデータを保持する何十億ものエッジデバイスが、一括してモデルを改善することができる。
この民主的ビジョンは、特定の構成的ギャップのために実現されていない。
この研究は、暗号化レシートを活用してアグリゲーションの正しさを証明することで、これらのギャップに対処する。
論文 参考訳（メタデータ） (2025-11-26T07:13:38Z) - Autonomy-Aware Clustering: When Local Decisions Supersede Global Prescriptions [0.3058685580689604]
我々は,その形態を事前に知ることなく,地域自治の影響を学習し,考慮するフレームワークである自律型クラスタリングを導入する。
また,アダプティブ距離推定ネットワーク(ADEN, Adaptive Distance Estimation Network)を提案する。
論文 参考訳（メタデータ） (2025-09-30T04:44:36Z) - Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。
高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。
CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
論文 参考訳（メタデータ） (2025-01-17T17:51:22Z) - Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。
既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。
本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-29T07:04:48Z) - Networked Communication for Decentralised Agents in Mean-Field Games [59.01527054553122]
平均フィールドゲームフレームワークにネットワーク通信を導入する。
当社のアーキテクチャは、中央集権型と独立した学習ケースの双方で保証されていることを証明しています。
ネットワーク化されたアプローチは、障害の更新や人口規模の変化に対する堅牢性という点において、両方の選択肢に対して大きなメリットがあることが示されています。
論文 参考訳（メタデータ） (2023-06-05T10:45:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。