{"cssClassNames":"page basicpage summit-page","templateName":"base-page-template54","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"AIの透明性とは、AIの意思決定プロセスやデータの扱いを明確にすることです。重要性や実務でのあり方に加え、説明可能性・トレーサビリティとの違い、現場で生じる一般的なギャップへの対策まで、信頼される運用のための実務情報を網羅しています。","language":"ja","title":"AIの透明性とは：重要性と課題、その対策｜Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/ja/artificial-intelligence/ai-governance/ai-transparency/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},":items":{"experiencefragment-banner":{"id":"experiencefragment-b8d0da65e0","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ja/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ja/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/ja/artificial-intelligence/ai-governance/ai-transparency"},"experiencefragment-header":{"id":"experiencefragment-4594faaa68","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ja/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ja/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/ja/artificial-intelligence/ai-governance/ai-transparency"},"responsivegrid":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_topics_row2":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_topics_row3":"aem-GridColumn aem-GridColumn--default--12"},":items":{"flexible_column_cont_939100716":{"id":"flexible-column-container-ed5641057f","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-44ddc4a4c2","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"flexible_column_cont":{"id":"flexible-column-container-d11015d8b7","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-7912be7197",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-c5bcae56f7","items":[{"id":"breadcrumb-c5bcae56f7-item-32c8cb0e6a","link":{"valid":true,"url":"/ja/artificial-intelligence/"},"active":false,"current":false,"title":"AI","appliedCssClassNames":"summit-page",":type":"snowflake-site/components/structure/page"},{"id":"breadcrumb-c5bcae56f7-item-eb314871f0","link":{"valid":true,"url":"/ja/artificial-intelligence/ai-governance/"},"active":false,"current":false,"title":"AIガバナンス","appliedCssClassNames":"summit-page",":type":"snowflake-site/components/structure/page"},{"id":"breadcrumb-c5bcae56f7-item-9c7583c5de","link":{"valid":true,"url":"/ja/artificial-intelligence/ai-governance/ai-transparency/"},"active":true,"current":true,"title":"AIの透明性","appliedCssClassNames":"summit-page",":type":"snowflake-site/components/structure/page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"title_v2":{"id":"title-v2-c1dcddc95c","additionalClasses":"hub-hero__headline","type":"heading1","lines":["AIの透明性：その意味と必要とされる要件"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-ac1aff6ce4","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EAIの透明性とは、システムの目的や入力データ、限界、実際の挙動を明確に記録し、誰もが理解できる状態にすることです。この記事では、モデルカードや監査ログといった透明性の要件をはじめ、EU AI法やNIST AI RMFなどの最新の法規制動向、具体的な運用の進め方を解説します。さらに、適切な情報開示と監査に対応するため、Snowflakeがどのように関連データを統合管理するのかについても紐解きます。\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-53311677a4","appliedCssClassNames":"snowflake-responsive-container-inner-padding-small",":type":"snowflake-site/components/container",":items":{"content_chip_copy":{"id":"content-chip-922c43db19","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"略歴を読む"},"image":{"id":"image","height":"800","lazyEnabled":true,"alt":"Laurie MacPherson","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--d2c1126d-3244-486b-9007-1d2bc56e1893/laurie-macpherson.jpg?quality=85&preferwebp=true","width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","テクニカルライター、Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip":{"id":"content-chip-603975df8f","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/fumika-kanehara/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"略歴を読む"},"image":{"id":"image","height":"3324","lazyEnabled":true,"alt":"David Gaule","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--2544e8a3-66b6-4773-8462-e61b54052fc3/fumika-kanehara---compressed.jpg?quality=85&preferwebp=true","width":"4155",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Fumika Kanehara","ローカルエディター、Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip_copy","content_chip"]}},":itemsOrder":["flexible_column_cont","title_v2","text","container"]},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-8a9c588316",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-676106c55d","youtubeVideoId":"-HWNc-Hd90U","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-3bcd98a609","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-63639fe74a",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-ead718ba50","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003Eデータガバナンスにまつわるトピック：\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-3bc32f9fbb","additionalClasses":"related-topics ","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/ai-compliance/\" target=\"_self\"\u003EAIのコンプライアンス\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/ai-ethics/\" target=\"_self\"\u003EAI倫理\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/ai-risk-management/\" target=\"_self\"\u003EAIリスク管理\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/ai-traceability/\" target=\"_self\"\u003EAIのトレーサビリティ\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/algorithmic-bias/\" target=\"_self\"\u003Eアルゴリズムバイアス\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/eu-ai-act/\" target=\"_self\"\u003EEU AI法\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/iso-42001/\" target=\"_self\"\u003EISO 42001\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/responsible-ai/\" target=\"_self\"\u003E責任あるAI\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-3b7ccd85c4","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content","appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text":{"id":"text-1677f8664b","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EAIの透明性の定義\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EAIの透明性とは、システムの目的や入力データ、限界、実際の挙動、そしてガバナンスの記録を、開発者や利用者、監査人が正しく理解できるようにすることです。\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_intro_0":{"id":"text-495f85f7ab","text":"\u003Cp\u003EAIの透明性に関する問題は、モデルの複雑さに起因するブラックボックス問題や内部メカニズムを解明できるかといった、技術的に高度な文脈で語られがちです。しかし現実には、企業が最も頭を抱える透明性のトラブル（不祥事や監査失敗など）の多くはそこまで複雑な話ではなく、もっと初歩的な管理不足によるものがほとんどです。透明性の欠如によるトラブルは、「本番環境のモデルのバージョンがわからない」「学習データの出所が不明」「ログが残っていないため障害を再現できない」といった、初歩的な管理不足から発生します。\u003C/p\u003E\r\n\u003Cp\u003Eこの問題を解決するには、システム自体に情報を紐付ける運用が必要です。これには、モデルの用途と限界を記したモデルカード、データの出所を示すデータシート、指示内容を記録したシステムプロンプトやガードレール、そして実行時のアクセス履歴を残す監査ログが含まれます。\u003C/p\u003E\r\n\u003Cp\u003EAIの透明性とは、すべての人が複雑な数式やパラメータを理解することではありません。開発者から規制当局、エンドユーザーにいたるまで、そのAIの目的や作り方、使用してはいけない場面、そして問題発生時のエビデンスを関係者が正しく把握できる状態を作ることこそが本質なのです。\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-ai-transparency":{"id":"title-v2-d92a909d87","additionalClasses":"anchor-title anchor-title--what-is-ai-transparency","type":"heading2","lines":["AIの透明性とは"],":type":"snowflake-site/components/title-v2"},"text_what-is-ai-transparency_0":{"id":"text-e214e5b749","text":"\u003Cp\u003EAIの透明性とは、その\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/\" target=\"_self\"\u003EAI（人工知能）\u003C/a\u003Eシステムが「何を学習し、どう動き、何が得意で、どこに限界があるのか」という一連のプロセスを、開発者や利用者、さらには規制当局や一般市民にいたるまで、誰もが正しく理解し検証できる状態にすることです。\u003C/p\u003E\r\n\u003Cp\u003Eつまり実務における透明性とは、単なるスローガンではなく、システム開発の現場に組み込むべき具体的な運用ルールとなります。それは、次のような本質的な問いにひとつひとつ答えていくプロセスでもあります。\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003Eこのシステムは何か\u003C/li\u003E\r\n\u003Cli\u003Eどのようなモデルを使用しているか\u003C/li\u003E\r\n\u003Cli\u003Eどのようなデータに基づいて構築されたか\u003C/li\u003E\r\n\u003Cli\u003Eどのようなタスク向けに設計されているか\u003C/li\u003E\r\n\u003Cli\u003Eどのような用途が対象外となるか\u003C/li\u003E\r\n\u003Cli\u003EユーザーがAIの回答を安心して信じるために、どのような事前説明を表示すべきか\u003C/li\u003E\r\n\u003Cli\u003Eトラブル発生時、監査や対応チームが原因を突き止めるためにどのような運用記録が残されているか\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003EAIの透明性は、説明可能性とは異なります。説明可能性が対象とするのは個々の意思決定のレベルであり、具体的にはなぜAIがその特定のスコアやランキング、回答を出力したのかという個別の理由を解き明かすことを指します。\u003C/p\u003E\r\n\u003Cp\u003Eこれに対して透明性は、もう一つ上のシステム全体のレベルを対象とします。システムの目的や設計背景、実行時の挙動、ガバナンスの枠組みなどを証明するものであり、透明性の高いAIシステムには、そのエビデンスとなるモデルカードやデータシート、システムプロンプトの記録、監査ログ、データリネージといったアーティファクト（構成資産）が揃っています。これらのアーティファクトが揃うことで、チームはAIシステムそのものと、その出力を信頼するための条件の両方を理解できるようになります。\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-ai-transparency-matters":{"id":"title-v2-48f961f5c0","additionalClasses":"anchor-title anchor-title--why-ai-transparency-matters","type":"heading2","lines":["AIの透明性が重要である理由"],":type":"snowflake-site/components/title-v2"},"text_why-ai-transparency-matters_0":{"id":"text-5447404826","text":"\u003Cp\u003EAIの透明性が求められるのは、AIシステムがもたらす意思決定や業務への影響が広がる一方で、その影響を受ける当事者の大半はAIの開発に関わっていない一般のユーザーや顧客だからです。\u003C/p\u003E\r\n\u003Cp\u003E規制の強化に伴い、こうした背景を考慮することはもはや任意とは言えなくなってきています。\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://artificialintelligenceact.eu/\"\u003EEU AI法\u003C/a\u003Eの第13条は高リスクAIシステムに対して、運用者がその出力を正しく理解し適切に扱える設計、開発を義務付けています。さらに、システムの機能や限界、想定される精度レベルを明記した使用説明書の提供も求めています。また第50条では、特定のAIシステムに対する透明性の義務を定めており、特定の状況下でAIシステムと対話していることをユーザーに通知することや、特定の合成コンテンツまたは操作されたコンテンツを開示またはラベル付けすることなどを求めています。\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/eu-ai-act/\" target=\"_self\"\u003EEU AI法\u003C/a\u003Eではさらに、汎用AIモデルのプロバイダーに対してもドキュメント作成の義務を導入しています。第53条には、技術ドキュメントの作成および管理や、下流のサービスプロバイダーへの情報開示を定めています。これに関連して\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://digital-strategy.ec.europa.eu/en/faqs/general-purpose-ai-models-ai-act-questions-answers\"\u003E欧州委員会の資料\u003C/a\u003Eでも、汎用AIモデルの開発企業に対し、学習データに関する公開要約の提供を求めています。\u003C/p\u003E\r\n\u003Cp\u003Eしかし、透明性の確保は単なるコンプライアンス対応のための作業ではありません。むしろ、組織がAIを実稼働させるために不可欠なプロセスなのです。たとえば営業チームは、推奨システムの得意分野や限界を正しく知ることで、AIの提案を信頼して積極的に商談へ活かせるようになります。またリスク管理チームにとっても、予期せぬエラーが起きた際にモデルのバージョンやプロンプト、データソース、ポリシーの変更履歴まで即座に遡れれば、迅速なトラブル対応が可能です。さらにデータサイエンスチームであれば、現在のパフォーマンスをリリース時の想定値と比較することで、より安全かつ確実なモデルの改善へとつなげられます。\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_9978331":{"id":"text-1adc30457a","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003Eよくある落とし穴\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003E透明性を、単なる作りっぱなしの書類で終わらせてはいけません。モデルのバージョンやプロンプト、検索ソース、ガードレール、そして日々の運用ログの変更にドキュメントがリアルタイムで連動していなければ、その情報はすぐに価値を失い、形骸化してしまいます。\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_what-transparency-looks-like-in-practice":{"id":"title-v2-bab22196f9","additionalClasses":"anchor-title anchor-title--what-transparency-looks-like-in-practice","type":"heading2","lines":["実務における透明性のあり方"],":type":"snowflake-site/components/title-v2"},"text_what-transparency-looks-like-in-practice_0":{"id":"text-ab742f1e82","text":"\u003Cp\u003E実務におけるAIの透明性とは、モデルやデータセット、プロンプト、アプリケーション、そして日々の運用ログにいたるまで、それぞれのプロセスに確かな記録を残すことに他なりません。その真の目的は、システムの可視化です。これにより担当者は、リリース前の事前評価から、運用時の適切なコントロール、さらにはトラブル発生時の原因究明までを、十分な情報に基づいて正しく判断できるようになります。\u003C/p\u003E\r\n\u003Cp\u003Eこれらのアーティファクトは、\u003Ca rel=\"noopener noreferrer\" target=\"_self\" href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/responsible-ai/\"\u003E責任あるAI\u003C/a\u003Eを運用する上での基盤でもあります。公平性、安全性、アカウンタビリティなどの原則を実務で適用するには、明確な文書作成と管理、開示、監査可能性が不可欠です。これらの記録がなければ、責任あるAIは実践的な取り組みではなく、単なるスローガンにとどまってしまいます。\u003C/p\u003E\r\n\u003Ch3\u003Eモデルカード\u003C/h3\u003E\r\n\u003Cp\u003Eモデルカードとは、モデルの想定用途やトレーニングの背景、性能特性、限界、そして公平性への配慮などをまとめた標準的なドキュメントです。このフレームワークが提唱された背景には、モデルの透明性を高める狙いがあります。特に社会的な影響が大きい領域では、全体の平均精度が高く見えても、特定のグループや特定のシチュエーションにおいて性能のばらつきが隠れてしまうリスクがあるため、それを正しく可視化、報告するために考案されました。\u003C/p\u003E\r\n\u003Cp\u003EエンタープライズAIチームにとって、モデルカードは透明性を担保するための最低限クリアすべきスタートラインといえます。そこには、モデル名やバージョン、責任者、想定される用途と対象外のユースケース、評価指標、テストデータ、既知の限界に加え、承認ステータスや運用時のモニタリング要件を明記する必要があります。\u003Ca rel=\"noopener noreferrer\" target=\"_self\" href=\"https://www.snowflake.com/ja/fundamentals/generative-ai-architecture-models-applications/\"\u003E生成AI\u003C/a\u003Eであれば、プロンプトの設計方針や検索コンテキスト、安全性評価、そして想定されるエラーパターンなども記載対象になります。\u003C/p\u003E\r\n\u003Cp\u003E実用的なモデルカードを目指すからといって、企業秘密にあたる実装詳細まで明かす必要はありません。開発者や社内審査チーム、現場の運用者が「このワークロードに最適なモデルか」を的確に判断できる情報が揃っていれば十分です。\u003C/p\u003E\r\n\u003Ch3\u003Eデータセット向けのデータシート\u003C/h3\u003E\r\n\u003Cp\u003Eモデルの動作は、それを形成したデータに依存します。データセット向けのデータシートとは、データの出所や構成、収集プロセス、前処理の手順、推奨される用途、そして既知の限界を記録したものです。これは、データの作成者と利用者のコミュニケーションを円滑にするために考案されたもので、データが当初の目的以外で再利用される際に特に威力を発揮します。\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_self\" href=\"https://www.snowflake.com/ja/data-governance/ai/\"\u003EAI向けデータガバナンス\u003C/a\u003Eや透明性を担保する上で、データシートは、モデルの仕様書だけでは見えてこない次のような問いに答える役割を果たします。\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003Eトレーニングデータに、今回の運用対象となる母集団や地域、期間が正しく含まれているか\u003C/li\u003E\r\n\u003Cli\u003E機密性の高いデータや機微な属性は適切に削除や加工されたか、あるいは評価用として切り分けられているか\u003C/li\u003E\r\n\u003Cli\u003Eラベル付けを行ったのは人間か、別のAIモデルか、それとも外部のベンダーか\u003C/li\u003E\r\n\u003Cli\u003Eどのような前処理を経て、元の生データが変更されたのか\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003Eこれらの詳細は、チーム間でモデルを再利用する場合に特に重要になります。たとえば、テーブルが新しい特徴量のために再利用されたり、データソースの所有権が変更されたり、かつては適切な代理指標として機能していたフィールドが、本来表すべきビジネス概念と一致しなくなったりする場合などです。データセットのドキュメントがなければ、こうした変化は多くの場合、パフォーマンスが低下したり、ユーザーから出力に対する指摘を受けたりした後に初めて表面化することになります。\u003C/p\u003E\r\n\u003Ch3\u003Eシステムプロンプトとガードレールのドキュメント\u003C/h3\u003E\r\n\u003Cp\u003E生成AIのガバナンスにおける透明性は、モデルそのものだけでなく、それを取り囲むアプリケーション層の設計にも大きく左右されます。たとえば、AIの役割や応答スタイル、検索アルゴリズム、回答の拒否ルール、エラー時のエスカレーション経路、外部ツールの利用制限などを定義するシステムプロンプトがあります。そして、不適切な入出力を遮断し、マスキングによる保護や、要審査データの振り分け、監査用ログの記録などを制御するガードレールです。\u003C/p\u003E\r\n\u003Cp\u003Eこうしたアプリケーション側のコントロール手段をしっかりと文書化しておくことで、開発チームは、何がモデル由来の挙動で、何がアプリケーション側の制御によるものかを明確に見分けられるようになります。たとえば、カスタマーサポートのAIがポリシーに違反する回答をしてしまった場合、その真の原因がベースモデルにあるのか、検索ソース、システムプロンプト、ガードレールの設定、あるいはツールを呼び出すオーケストレーションのロジックにあるのかを特定するのは容易ではありません。だからこそ、透明性の記録には、これらのレイヤーのどこで何が起きたのかを事後検証できるだけの高い可視性が求められます。\u003C/p\u003E\r\n\u003Cp\u003E開示要件もこのレイヤーに関連しています。ユーザーへの情報開示を設計するのも、まさにこのアプリケーション層です。ユーザーが出力を信頼して行動を起こす前に、それがAIとの対話なのか、AIが生成したコンテンツなのか、機密性の高い機能が動いているか、人間によるレビュープロセスが用意されているかといったシステムの全体像を、通知画面などを通じてあらかじめ明確に伝えておく必要があります。\u003C/p\u003E\r\n\u003Ch3\u003Eユーザー向けの情報開示\u003C/h3\u003E\r\n\u003Cp\u003E透明性アーティファクトには社内向けのものもありますが、ユーザーに直接届けるべきものもあります。情報開示により、チャットボットとやり取りしていること、画像や動画がAIによって生成または改変されたものであること、あるいはシステムが感情認識やバイオメトリック分類を使用していることなどをユーザーに伝えることができます。\u003C/p\u003E\r\n\u003Cp\u003E生成されたメディアについては、視覚的なラベル表示と、機械読み取り可能なプロビナンスを組み合わせることができます。Coalition for Content Provenance and Authenticity（\u003Ca rel=\"noopener noreferrer\" href=\"https://c2pa.org/\" target=\"_blank\"\u003EC2PA\u003C/a\u003E）は、コンテンツの出所や編集履歴を証明するためのオープンな技術規格を提供しています。その中核となる\u003Ca rel=\"noopener noreferrer\" href=\"https://spec.c2pa.org/specifications/specifications/2.4/explainer/Explainer.html\" target=\"_blank\"\u003EContent Credentials\u003C/a\u003Eは、暗号技術を用いてデータの変更履歴を強固に紐付け、改ざん不可能な形で記録する仕組みです。\u003C/p\u003E\r\n\u003Cp\u003E情報開示の仕組みは、開発の最後に帳尻合わせで付け足すのではなく、あらかじめシステム設計の根幹に組み込んでおくべきです。チャットボットである旨の告知、AI生成コンテンツのラベル、そして高リスクな意思決定に関する通知など、これらはそれぞれ届けるべき対象が異なります。ユーザーがその情報を知ることで、次の判断や受け止め方を変える、最適なタイミングで提示されなければなりません。\u003C/p\u003E\r\n\u003Ch3\u003Eトレーニングデータのサマリー\u003C/h3\u003E\r\n\u003Cp\u003E汎用AIモデルのプロバイダーにとって、トレーニングデータの透明性確保はより公式な義務となりつつあります。EU AI法の第53条は、汎用AIモデルの開発企業に対して技術ドキュメントの整備を義務付けており、欧州委員会もその一環として、トレーニングデータの概要を一般向けに広く公開するよう求めています。\u003C/p\u003E\r\n\u003Cp\u003Eそのため、他社製の基盤モデルを調達して自社サービスに組み込む企業にとっては、サプライチェーンの下流として開発元の情報開示姿勢をどう見極め、ガバナンスを担保するかという新たな調達リスクが生じることになります。開発チームが他社から提供されたトレーニングデータのすべてを直接チェックすることは現実的に困難です。しかし、ベンダー選定や審査のプロセスにおいて、開発元が発行する仕様書や概要、適正利用ポリシー、制限事項の明示、アップデート通知などを提出させることは十分に可能です。\u003C/p\u003E\r\n\u003Cp\u003Eこれと同じ基準は、当然ながら社内で内製するAIモデルにも適用されるべきです。トレーニングデータの概要をまとめる際は、データのカテゴリや取得元のシステム、収集期間、前処理の手順はもちろんのこと、あえて除外したデータ、把握しているデータの偏り、さらには著作権をはじめとする権利関係や利用制限にいたるまで、重要な情報を網羅しておく必要があります。\u003C/p\u003E\r\n\u003Ch3\u003E監査ログとアクセス履歴\u003C/h3\u003E\r\n\u003Cp\u003Eドキュメントが設計の意図を記録するものであるのに対し、監査ログはシステムが実際にどう動いたかを記録します。具体的には、モデルのバージョン、プロンプトと回答のセット、ツールの呼び出し履歴、参照した検索ソース、ユーザーのアクセス状況、適用されたポリシー、そしてデータの移動経路にいたるまで、実行時のあらゆる挙動が対象です。インシデント対応の現場において、この運用ログが残っているかどうかは死活問題になります。ログがなければ原因は推測にとどまりますが、確かな記録があれば、どのバージョンのモデルが動き、どの情報を参照し、どのポリシーが適用され、どのユーザーがその出力を受け取り、どこのシステムへと流れていったのかという、事故の正確なタイムラインを完全に再現できるようになるからです。\u003C/p\u003E\r\n\u003Cp\u003EたとえばSnowflakeでは、\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://docs.snowflake.com/ja/sql-reference/account-usage/access_history\"\u003EACCESS_HISTORYビュー\u003C/a\u003Eを使用して、テーブル、ビュー、列を含むSnowflakeオブジェクトのアクセス履歴を365日間の範囲内でクエリできます。Snowflakeのリネージ機能は、オブジェクトと列のリネージ履歴を1年間保持します。これらの記録はモデルドキュメントに代わるものではありませんが、AIワークロードがガバナンスの確保されたデータを使用する際に、ガバナンスチームやセキュリティチームが検査できる証拠となります。\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_478476658":{"id":"text-b300309388","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003Eクイックヒント\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003E透明性を担保するためのアーティファクトは、モデルのバージョンやトレーニングデータセット、システムプロンプト、アクセスポリシー、データのリネージ、監査ログなど、開発チームが普段から運用している管理対象へ直接紐付ける形で一元管理すべきです。\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_v2":{"id":"title-v2-fbff9c5890","additionalClasses":"anchor-title anchor-title--ai-transparency-vs-explainability-vs-traceability","type":"heading2","lines":["AIの透明性 vs. 説明可能性 vs. トレーサビリティ"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_ai-transparency-vs-explainability-vs-traceability_0":{"id":"text-4c67a4244c","text":"\u003Cp\u003E\u003Cu\u003E\u003C/u\u003EAIの透明性、説明可能性、トレーサビリティは重複する部分もありますが、全く同じではありません。\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003E透明性\u003C/b\u003Eとは、システム全体におよぶ情報開示を意味します。そこには、システムの目的や責任者、想定用途、制限事項をはじめ、各種ドキュメント、ユーザー向けの通知画面などが広く含まれます。 モデルカードやデータシート、トレーニングデータのサマリー、チャットボットである旨の告知などは、そのすべてがシステムの本質と、あるべき運用方法を周囲に正しく理解してもらうための具体的なアーティファクトに他なりません。\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E説明可能性\u003C/b\u003Eとは、AIが行った個々の意思決定における具体的な根拠を指します。AIがなぜその特定の出力やスコア、レコメンデーションを導き出したのか、その理由を人間が納得できるように紐解くための仕組みです。これまでの主流である予測モデルでは、どのデータが結果に影響を与えたかを示す特徴量の寄与度分析や、条件がどう変われば結果が反転したかを示す反事実シナリオ、ブラックボックスなモデルを外側から解釈する事後説明手法などが用いられてきました。一方で、現代の生成AIシステムにおいてはアプローチが異なり、根拠とした検索コンテキストや引用元の明示、プロンプトの実行プロセスを追うプロンプトトレース、あるいは思考ステップを可視化する推論サマリーなどがその役割を担い、審査担当者が回答の生成プロセスを正しく評価できるようにします。\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/ai-traceability/\" target=\"_self\"\u003Eトレーサビリティ\u003C/a\u003E\u003C/b\u003Eとは、データからモデル、そして最終的な出力にいたるまでのリネージを指します。具体的には、分析に使った特徴量を元データの列へと遡ったり、特定のモデルバージョンを当時の学習フェーズと紐付けたり、プロンプトへの回答を参照元のデータセットと照合したり、生成されたレコメンデーションをそれを組み込んだ実際のワークフローと紐付けたりする仕組みです。トレーサビリティが重要なのは、実行時の確かなログがなければ、立派に構築された透明性も単なる静的な書類となってしまうからです。また、リネージがない説明可能性は、そもそも根拠にしたデータが正しかったのかを検証できないまま、出された結果の言い訳をつくるだけに終わってしまいかねません。\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003E成熟した\u003Ca href=\"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/\" target=\"_self\"\u003EAIガバナンス\u003C/a\u003Eプログラムには、これら3つの要素すべてが必要です。透明性は、システムの本質やあるべき運用方法をあらかじめ明示しておくことです。説明可能性とは、なぜその特定の出力が導き出されたのか、その理由を人間が理解できるように紐解くアプローチです。そしてトレーサビリティは、それらの出力を形成した元のデータやモデルのバージョン、プロンプトの設定にまで遡って履歴を紐付ける仕組みであり、出力結果を後から完全に再現したり、その妥当性に異議が申し立てられたりした際の検証において不可欠なものです。\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_1870354977":{"id":"title-v2-e04ac00d34","additionalClasses":"anchor-title anchor-title--common-transparency-gaps-and-how-to-close-them","type":"heading2","lines":["一般的な透明性のギャップとその解消方法"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_118447583":{"id":"text-272a164030","text":"\u003Cp\u003EAIの透明性にギャップが生じる最大の原因は、モデルやデータ、アプリの更新スピードに、ドキュメント作成やガバナンスのプロセスが追いつかなくなることです。\u003C/p\u003E\n\u003Ctable\u003E\n\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003E透明性のギャップ\u003C/th\u003E\n\u003Cth\u003E具体的な状況\u003C/th\u003E\n\u003Cth\u003E解消方法\u003C/th\u003E\n\u003C/tr\u003E\u003C/thead\u003E\u003Ctbody\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003Eプロバイダーのドキュメントなしで使用される基盤モデル\u003C/b\u003E\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003E\u003Ci\u003E\u003C/i\u003E開発チームがAPIや組み込みアプリケーションを通じてモデルを採用しているものの、トレーニングのコンテキスト、評価、想定される用途、制限事項に関する情報が限られている状態\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003Eモデルカード、トレーニングデータ概要、許容される使用ポリシー、評価結果、更新通知を契約上要求する\u003C/p\u003E\n\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003EAIであることを開示しない生成出力\u003C/b\u003E\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003Eユーザーが、AIの関与を知らされないまま、生成されたテキスト、画像、要約、推奨事項を受け取っている状態\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003Eシステムレベルのラベリングや、ユーザー向けの視覚的な開示を導入し、必要な場合は機械読み取り可能なプロビナンスによって補完する\u003C/p\u003E\n\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003E説明可能性が欠如した、ブラックボックス状態のスコアリング\u003C/b\u003E\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003E算出されたスコアが審査や優先順位付け、割り振りに影響を及ぼしているにもかかわらず、審査担当者にはなぜそのスコアになったのかの根拠が全く見えない状態\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003E事後説明手法を導入してその仕組みをドキュメント化し、個々の意思決定ごとに、入力データと出力されたスコアを監査ログとして確実に記録する\u003C/p\u003E\n\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003E不透明なトレーニングデータパイプライン\u003C/b\u003E\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003E開発チームはどのモデルが本番環境にあるかは把握しているが、どのソーステーブル、機能、変換、データバージョンがそのモデルを形成したのかを把握していない状態\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003E機能やトレーニングデータをソースシステム、所有者、リフレッシュパターンまで遡って追跡するデータリネージツールを採用する\u003C/p\u003E\n\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003Eランタイムの動作から乖離した静的なドキュメント\u003C/b\u003E\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003Eモデルカードは存在するものの、モデルバージョン、プロンプト、検索ソース、ガードレールがレビューなしで変更される状態\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003Eドキュメントを、リリースワークフロー、モデルレジストリ、プロンプト管理、アクセス履歴、監査ログに紐づけて一元管理する\u003C/p\u003E\n\u003C/td\u003E\n\u003C/tr\u003E\u003C/tbody\u003E\u003C/table\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_1205645823":{"id":"title-v2-48977bbaf4","additionalClasses":"anchor-title anchor-title--ai-transparency-on-snowflake","type":"heading2","lines":["SnowflakeにおけるAIの透明性"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_870755485":{"id":"text-d3d3fba9e2","text":"\u003Cp\u003EAIの透明性を担保するには、メタデータやリネージ、アクセス履歴、ガバナンスの統制ルールが不可欠であり、これらは対象となるデータやシステムと常にセットで管理されていなければなりません。Snowflakeでは、モデル開発、ガバナンスの確保されたデータアクセス、ランタイム検査にわたり、複数の機能がその基盤をサポートしています。\u003C/p\u003E\r\n\u003Cp\u003ESnowflake Model Registryは、モデルバージョン、モデルメトリクス、モデルメタデータを保存・管理すると同時に、Snowflake ML Observabilityを通じたモデルライフサイクル管理、モデルアクセス制御、パフォーマンスモニタリングもサポートします。モデルカードを一元管理する上で、レジストリは非常に有用な管理の土台となります。モデルのバージョンやメトリクス、責任者、承認サイン、そしてリリースに必要な各種メタデータを、モデルのレコードに集約できるからです。\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/ja/product/features/horizon/\" target=\"_self\"\u003ESnowflake Horizon カタログ\u003C/a\u003Eを活用すれば、Snowflake内のデータはもちろん、Apache Iceberg、外部リレーショナルデータ、BIツールにいたるまで、あらゆるデータ資産のメタデータを一元化し、チーム全員が1箇所から素早く検索・把握できるようになります。AIの透明性を高める上で、データカタログは重要な情報源となります。カタログを参照することで、承認済みのデータはどれか、責任者は誰か、どう分類されているか、そしてそれらが下流のAIシステムとどう結びついているのかを、チーム全体で正確に把握できるようになるからです。\u003C/p\u003E\r\n\u003Cp\u003Eこうした事前のコンテキストに、実行時の確かな証拠として肉付けされるのが、アクセス履歴とリネージです。アクセス履歴をたどれば、テーブルやビュー、特定の列など、Snowflake上のどのデータにアクセスがあったかを特定できます。それと同時にリネージを活用することで、データ同士がどう影響し合っているのかを可視化し、検証することが可能です。\u003C/p\u003E\r\n\u003Cp\u003Eさらに、自律的に動くエージェント型AIや生成AIのような複雑なシステムにおいては、ランタイムのモニタリングを組み合わせることで、こうした証拠の網羅性をより一層高めることができます。Snowflake Cortex Agentsを活用すれば、監査やデバッグに不可欠な会話の全プロセスを、詳細なログとして自動で記録できます。そこには、過去の会話履歴だけでなく、AIが次に何をすべきかを考えたプランニングの軌跡、ツールの選定理由、実際の実行結果、そして最終的な回答を出力するにいたるまでのステップが、すべて可視化された形で残されます。Snowflake Cortex AIのガードレールに関するドキュメントでは、ガードレールログを確認して、フラグが設定されたプロンプトのパターンを特定することを推奨しています。\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://trust.snowflake.com/\" target=\"_blank\"\u003ESnowflakeのCompliance Center\u003C/a\u003Eは、スキャナーの検出結果と推奨事項に基づいて、Snowflakeアカウントにおける潜在的なセキュリティリスクをチームが評価、監視、軽減できるように支援します。AIガバナンスは、既存のセキュリティやプライバシー、アクセス管理の仕組みと地続きです。データを守るための日常的なアカウント制御こそが、そのAIシステムが安全に統制された環境で動いているかを証明する、確かな担保になります。\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003ESnowflakeの2人のトップエグゼクティブ、プロダクト担当EVPであるChristian KleinermanとプリンシパルデータストラテジストであるJennifer Belissentが、生成AIと倫理について語る内容をご覧ください。\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"youtube":{"id":"embed-651a99524a","youtubeVideoId":"DPs8nz59kss","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_v2_248983382":{"id":"title-v2-6adbe11df9","additionalClasses":"anchor-title anchor-title--make-ai-systems-legible-before-they-become-consequential","type":"heading2","lines":["社会的影響が大きくなる前に、AIを可視化する"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_793426992":{"id":"text-7918943048","text":"\u003Cp\u003EAIの透明性を確保するなら、システムが広く普及する前に対策を講じるのが最も容易です。一度モデルが業務プロセスに組み込まれ、チャットボットが顧客応対を始め、生成された要約が経営判断を左右するようになってからでは、手遅れになりかねません。運用の開始後に、欠落していたドキュメントを後から再構築したところで、そこに寄せられる信頼を取り戻すのは困難だからです。\u003C/p\u003E\r\n\u003Cp\u003E現実的かつ確実なアプローチは、開発チームが普段から運用している管理対象に、透明性のための記録をはじめから直接紐付けておくことです。モデルのバージョン、トレーニングデータセット、システムプロンプト、アクセスポリシー、データリネージ、ユーザーへの通知画面、そして監査ログが常に一体となって管理されていれば、必要なエビデンスはいつでも手の届く場所にある状態になります。これによりリリースの妥当性を検証する開発者、AIの出力を信頼して業務を進めるユーザー、そしてシステムの安全性を社会に説明するガバナンスチームの誰もが、必要なときにいつでも確かな証拠にアクセスできるようになるのです。\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_2114659006":{"id":"text-a21a562050","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003E重要なポイント\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EAIの透明性とは、モデルの膨大なパラメータを一つひとつ説明することではありません。真に求められるのは、システムの目的や使用データ、制限事項、ユーザーへの開示情報、データリネージ、そして監査の証拠にいたるまで、システム全体の挙動を誰もがクリアに把握できる状態をつくることなのです。\u003C/p\u003E\n\u003Cp\u003E \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["text","text_intro_0","title_what-is-ai-transparency","text_what-is-ai-transparency_0","title_why-ai-transparency-matters","text_why-ai-transparency-matters_0","text_9978331","title_what-transparency-looks-like-in-practice","text_what-transparency-looks-like-in-practice_0","text_478476658","title_v2","text_ai-transparency-vs-explainability-vs-traceability_0","title_v2_1870354977","text_118447583","title_v2_1205645823","text_870755485","youtube","title_v2_248983382","text_793426992","text_2114659006"]},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside","appliedCssClassNames":"snowflake-responsive-container-inner-padding-small",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-ed6f8ae4ac","appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-44621f3bb4","additionalClasses":"eyebrow-text","text":"\u003Cp\u003E本ガイドの内容\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-5196d2d616","additionalClasses":"page-toc","text":"\u003Cul\u003E\n\u003Cli data-anchor=\"what-is-ai-transparency\"\u003EAIの透明性とは\u003C/li\u003E\n\u003Cli data-anchor=\"why-ai-transparency-matters\"\u003EAIの透明性が重要である理由\u003C/li\u003E\n\u003Cli data-anchor=\"what-transparency-looks-like-in-practice\"\u003E実務における透明性のあり方\u003C/li\u003E\n\u003Cli data-anchor=\"ai-transparency-vs-explainability-vs-traceability\"\u003EAIの透明性 vs. 説明可能性 vs. トレーサビリティ\u003C/li\u003E\n\u003Cli data-anchor=\"common-transparency-gaps-and-how-to-close-them\"\u003E一般的な透明性のギャップとその解消方法\u003C/li\u003E\n\u003Cli data-anchor=\"ai-transparency-on-snowflake\"\u003ESnowflakeにおけるAIの透明性\u003C/li\u003E\n\u003Cli data-anchor=\"make-ai-systems-legible-before-they-become-consequential\"\u003E社会的影響が大きくなる前に、AIを可視化する\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"]}},":itemsOrder":["container"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-c8390c294b","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-719cb42791","additionalClasses":"hub-faq__headline","type":"heading2","lines":["よくある質問"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-bc6365ad9e","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EAIの透明性に関するよくある質問に、Snowflakeのエキスパートが回答します。\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-13e463a4a5","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"AIの透明性とは何ですか？","richText":"\u003Cp\u003EAIの透明性とは、そのAIシステムが何を目的とし、どのように構築され、どのようなデータやモデルを根拠に動いているか、そしてどこで使うべきで、どこで使うべきではないのかを、あらゆる関係者が正しく理解できる状態にすることを指します。これは単にソースコードや技術的な仕組みを公開することではなく、システムの背景や運用の限界を含めた全体像を誰もが把握できるようにするアプローチです。\u003C/p\u003E\r\n\u003Cp\u003E実務においてこの透明性を担保するには、適切なドキュメント作成やユーザーへの告知、リネージ、日々の監査ログ、そして厳格なガバナンス統制など、システム全体の挙動を証明する仕組みを一体として運用していくことが求められます。\u003C/p\u003E\r\n"},{"title":"AIの透明性は法的に義務付けられていますか？","richText":"\u003Cp\u003Eはい、多くの国や地域、および特定のビジネス領域において、すでに法的な義務化が進んでいます。\u003C/p\u003E\r\n\u003Cp\u003E代表的な例として欧州のEU AI法が挙げられ、同法では第13条でハイリスクAIシステムに対する透明性の確保を義務付けているほか、第50条では特定のAIシステムにおけるユーザーへの告知義務を、第53条では汎用AIモデルのプロバイダーに対するドキュメント作成義務をそれぞれ明確に規定しています。\u003C/p\u003E\r\n\u003Cp\u003Eさらに、EU以外の地域や特定の業界においても、その法域やシステムの性質に応じて、適切な情報開示や監査可能性、あるいは意思決定の根拠を示す説明可能性といった実質的な透明性を求める法規制や業界ルールが急速に整備されつつあります。\u003C/p\u003E\r\n"},{"title":"モデルカードとは何ですか？","richText":"\u003Cp\u003Eモデルカードとは、AIモデルの設計思想や性能を客観的に記した標準的な仕様書のことです。\u003C/p\u003E\r\n\u003Cp\u003E具体的には、そのモデルが想定している本来の用途をはじめ、トレーニングに用いたデータの背景、性能指標、技術的な限界、評価テストの結果、そして公平性への配慮といった極めて重要な情報が網羅されています。\u003C/p\u003E\r\n\u003Cp\u003Eこのモデルカードが共通のインフラとして機能することで、開発者はもちろん、リスクを審査する担当者や、そのモデルを自社のシステムに組み込んで利用する下流のユーザーにいたるまですべての関係者が、そのモデルが特定の業務やワークロードに対して本当に適しているかどうかを正しく、かつ迅速に判断できるようになります。\u003C/p\u003E\r\n"},{"title":"AIの透明性は説明可能性と同じですか？","richText":"\u003Cp\u003Eいいえ、これらは異なる概念です。透明性が焦点を当てているのはシステムそのものの全体像であり、そのシステムが何であるか、どのようなデータを使用しているか、本来どのような目的で設計されたか、そしてどのような制限事項や開示ルールが適用されるべきか、といった仕組みの開示を意味します。\u003C/p\u003E\r\n\u003Cp\u003E一方で説明可能性は、AIが導き出した個々の出力や意思決定に焦点を当てたものです。なぜモデルがその特定のスコアを算出したのか、なぜその分類やレコメンデーション、あるいはテキスト回答を生成したのかという結果に至る具体的な根拠を人間が理解できるように紐解くアプローチを指します。\u003C/p\u003E\r\n"},{"title":"AI生成コンテンツはどのように開示すればよいですか？","richText":"\u003Cp\u003EAIによって生成、または大幅に改変されたコンテンツを開示する際は、ユーザーが直接目にする視覚的なシグナルと、システムが検出できる機械読み取り可能なシグナルの両方を組み合わせて導入することが推奨されます。\u003C/p\u003E\r\n\u003Cp\u003Eこれと同時に、コンテンツの出所や編集履歴を証明する国際標準規格であるC2PAなどを活用し、ファイル自体に改ざん防止のメタデータを埋め込むアプローチが極めて有効です。この機械読み取り可能なプロビナンスが裏付けとなることで、ユーザーへの分かりやすい開示と、ファイルが本物であることの証明を両立させた強固なガバナンスが実現します。\u003C/p\u003E\r\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-9ddedb2eec","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-f026095dc2",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-e70c908fa4","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["AI関連資料を見る"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-b8e5d216e6","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-5bca0e678a","tagText":"レポート","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/ja/lp/radical-roi-generative-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"全文を読む"},"headline":{"id":"title","type":"heading5","lines":["2026年 生成AIとエージェントのROI"],":type":"snowflake-site/components/title-v2"},"appliedCssClassNames":"snowflake-content-chip-white-bg",":type":"snowflake-site/components/content-chip"},"resource_chip_1":{"id":"content-chip-a74e1de1c6","tagText":"eBook","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/resource/the-ultimate-guide-to-data-ai-for-industries/?lang=ja"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"全文を読む"},"headline":{"id":"title","type":"heading5","lines":["業界別：データ＋AIの究極ガイド2026"],":type":"snowflake-site/components/title-v2"},"appliedCssClassNames":"snowflake-content-chip-white-bg",":type":"snowflake-site/components/content-chip"},"resource_chip_2":{"id":"content-chip-61311337cd","tagText":"レポート","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/ja/lp/snowflake-ai-data-predictions/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"全文を読む"},"headline":{"id":"title","type":"heading5","lines":["AI + Data Predictions 2026年の展望"],":type":"snowflake-site/components/title-v2"},"appliedCssClassNames":"snowflake-content-chip-white-bg",":type":"snowflake-site/components/content-chip"},"resource_chip_3":{"id":"content-chip-12fb0823bb","tagText":"eBook","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/resource/a-practical-guide-to-ai-agents/?lang=ja"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"全文を読む"},"headline":{"id":"title","type":"heading5","lines":["AIエージェント実践ガイド"],":type":"snowflake-site/components/title-v2"},"appliedCssClassNames":"snowflake-content-chip-white-bg",":type":"snowflake-site/components/content-chip"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-0b8c7e500f","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-20f3e04cc0","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-93d617bedc","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["AI関連トピックを見る"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-f693d77845","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003E人工知能のあらゆる側面を深く掘り下げる\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-11d25aeeb0","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-6aeb30396c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-ce90e49163","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["EU AI法"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/eu-ai-act/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"さらに詳しく"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EEU AI法のリスクベースの枠組みと、AIシステムに求められるコンプライアンス要件を理解しましょう。\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-d0aece9f36",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-2b94c41c49","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["責任あるAI"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/responsible-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"さらに詳しく"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003E公平で安全、かつ説明責任を果たすAIシステムを構築するための原則と実践方法を探ります。\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-4d981bd8a2",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-e78e412a0f","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["AIのトレーサビリティ"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/ja/artificial-intelligence/ai-governance/ai-traceability/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"さらに詳しく"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003Eリネージとランタイムの記録によって、AIの出力がデータ、モデル、構成にどのように紐付けられるかを学びます。\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_topics_row2":{"id":"flexible-column-container-34b17c1eb3","propertiesId":"hub-explore-topics-grid-row2","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none",":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_topics_row3":{"id":"flexible-column-container-c8db6e88b9","propertiesId":"hub-explore-topics-grid-row3","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none",":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023","flexible_column_cont_topics_row2","flexible_column_cont_topics_row3"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-b247b776d7",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-9419a1afca","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-6e5b76a0d7","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-20da5dc9dd","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-8ec0ad40e2","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ja/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ja/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/ja/artificial-intelligence/ai-governance/ai-transparency"},"experiencefragment":{"id":"experiencefragment-4b8a7fba0f","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ja/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ja/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/ja/artificial-intelligence/ai-governance/ai-transparency"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],":hierarchyType":"page",":path":"/content/snowflake-site/global/ja/artificial-intelligence/ai-governance/ai-transparency","isPasswordProtected":false,"analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","pipeline":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/ja/artificial-intelligence/ai-governance/ai-transparency","language":"ja","category":"general","pageName":"AIの透明性：その意味と必要とされる要件","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"locale":"ja"}