正しいJSONと誤ったデータ: AIの応答スキーマだけでは確かめられないこと
正しいJSONだけでは不十分です。単位、欠損値、識別子、元資料と業務ルールとの一致を確認します。
記事の言語: 日本語

目次
結果は緑色です。パーサーはJSONを受け入れ、すべての項目は正しい型で、アプリケーションはエラーなく応答を受け取りました。ところがレコードのパネルの長さは240センチではなく240メートルです。形式上はすべて合っています。倉庫には少し大きな扉が必要になるだけです。
構造化データは形式の自由度を制限するため、AIの結果をアプリケーションへ渡す助けになります。しかし、値が本来の意味を持つかの確認は代替しません。この処理の監査では、記述の構文の正しさ、スキーマへの適合、文書と業務ルールへの一致を分けるべきです。一段階の緑色の結果で、他の段階まで同じ色に染めてはいけません。
モデルが設備の製品カードを読み、注文システム向けのレコードを作る架空の処理を追ってみます。必要なのは商品識別子、長さ、単位、数量、入手可能日です。一つひとつを確かめられる程度に小さく、それでいて複数の種類の誤りを見られる例です。
スキーマは実際に何を約束するのか
JSONはデータを認識可能な構造で表す方法です。オブジェクトには名前付きの項目があり、その項目が値を保持します。スキーマは数値型や識別子の有無など、その表現への要件を定めます。技術者でなくても、何が正確に検査され、検証結果に何が含まれないかを尋ねるために、構文のすべてを知る必要はありません。
オブジェクトに関するJSON Schemaの文書(英語)は、propertiesに項目を列挙しただけでは必須にならないと説明しています。必須指定にはrequiredを使い、追加項目の許可には別のルールがあります。そのため「応答はJSONだ」という一般的な説明ではなく、実際に使うスキーマを評価してください。
この処理では長さの項目が数値を要求することがあります。2.4と240は異なる値を表しますが、どちらも数値です。適切な条件が書かれ、仕組みが対応していれば、スキーマは許されるデータの一部を制限できます。しかし元のカードのどの箇所が選択した仕様の長さなのかは、自分では決められません。
Anthropicのstructured outputsの説明(英語)は、対応するスキーマに応答を制限する機能と、数値制約を含む対応上の限界を説明しています。したがって、任意のスキーマに書かれたすべてのルールが、あらゆるツールで自動的に強制されると考えないでください。使用する設定の具体的な契約を確かめます。
使用するスキーマとバージョンを保存します。指示はセンチメートル、スキーマはメートル、画面はミリメートルと言うなら、誤りが生じる場所はモデルだけではありません。業務を知る人と三つの説明を一緒に確認します。応答を比較する前に差を解消し、試験の期待結果を一つに合意します。
受け入れ確認用に短い対応表を作ります。パーサーが何を拒否し、構造の検証が何を調べ、何を元資料と比較し、何に業務ルールが必要か。各項目の担当段階を示します。「モデルは正しいデータを返すべきだ」という説明より、チームで確認しやすくなります。その言葉はもっともらしいものの、どこで誤りを見つけるかは示していません。
数値には意味が必要
商品カードに長さ240cmと書かれています。合意したシステムはメートルを期待しています。正しい結果は2.4mですが、モデルが240をそのまま写し、アプリケーションの期待する単位を付けることがあります。項目を個別に見れば正しく見えます。誤っているのは値、単位、出典の関係です。
試験では元の値と換算結果を両方残します。期待するルールを記録し、項目の選択と換算の正しさを別々に評価します。長さの代わりに幅を読んだなら、正しい換算をしてもレコードは直りません。報告書で両方の誤りを「数値の問題」という一般的な分類にまとめないでください。
資料に二つの仕様と似た値を加えます。カードには商品の寸法と梱包の寸法が載っているかもしれません。システムは依頼された課題に適したデータを返すべきです。文書のどこかに正しい数字があるだけでは、回答が正しい場所にそれを使っている証拠になりません。
AI処理に先立つOCR (ポーランド語)では、小数点の区切り、マイナス記号、単位表示も確認します。モデルが答える前に誤りが生じる場合があります。元の箇所を残せば、読み取りの誤りと、正しく読んだ値の解釈を誤った場合を区別できます。
許容範囲の境界で丸めを確認します。架空の課題で処理に必要なルールを定め、境界のすぐ下とすぐ上の値を用意します。モデル、アプリケーション、画面が同じ結果を示すか見ます。後の操作では元の値全体を使い、人が丸めた値を承認するなら、その差を受け入れ確認の一部として記録します。
個数にも別の評価が必要です。「三点入りのセットが二つ」は、その項目が何を保存するかによって二包装にも六点にもなります。結果を見てから直感で決めないでください。注文単位の定義は処理の実行前に存在し、レコードを使う人にも理解できる必要があります。
AI処理で使うスプレッドシート (ポーランド語)では、この違いが後の計算に渡されることがあります。試験はデータの使用先まで追うべきです。誤って定義された個数を正確に合算しても結果は同じく誤りで、合計だけが非常に丁寧に計算されることになります。
欠損値を情報のように見せない
文書には入手可能日がありません。モデルは空文字、ゼロ、または今日の日付を返します。どれも一部の表面的な検査は通過できるかもしれませんが、後続のアプリケーションにとって意味は異なります。欠損の合意された表現と、それに続く行動が必要です。

契約に含まれるなら、項目の不在、空文字、nullを区別します。次に、受け取り側のシステムがそれぞれをどう解釈するか確認します。値の経路を最後までたどってください。モデルが何も書き足さなくても、アプリケーションが空文字を既定値に変えることがあります。報告書では変換が起きた段階を示します。
曖昧な日付の事例を加えます。数字だけの日付は入力形式を決めていなければ複数の解釈が可能です。別に、構文上は正しいものの課題には合わない日付も用意します。例えばキャンペーン終了日を入手可能日として入力した場合です。日付の形だけの確認では、その意味を区別できません。
AIによるカレンダー計画 (ポーランド語)では、タイムゾーンや個々の予定の範囲も加わります。この例はdateという項目名だけでは契約の説明として不十分な場合があると示しています。日なのか、時点なのか、期限なのか、作業の開始なのかを知る必要があります。
矛盾する出典も加えます。一つの日付を示す表と、別の日付が書かれた注記です。期待結果では、明示的な優先ルールを適用するか、矛盾を報告するかを定めます。資料に見つかった日付なら何でも正しいと評価してはいけません。これは値の読み取りと、どの値を使用してよいかの判断を区別する事例です。
資料に値がないとき、必須項目を推測で埋めるようモデルに強制してはいけません。明示的な欠損状態を要求することも、使用前にレコードを止めることもできます。選択は業務によりますが試験で事前に想定すべきです。真実性を犠牲にして完成した表は目的ではありません。
識別子が完璧に見えても何も指さないことがある
結果には期待した形式の商品コードがあります。その商品が存在し、正しい仕様に対応するかをさらに確かめる必要があります。既知の識別子、形式は正しいが存在しないコード、別の仕様の実在コードという三つの事例を用意します。どれももっともらしく見えても、課題を満たすのは最初の一つだけです。
表記の正規化と内容の修正は別々に評価します。識別子の空白を取り除くことは合意された操作かもしれませんが、似た文字を数字に変えるには根拠が必要です。入力値と変換ルールを残します。なければ、誤ったコードが読み取り、モデルの応答、アプリケーションの自動修正のどこで生じたか後から判断しにくくなります。
存在確認には適切なカタログか、合意された別の出典を使います。同じモデルに自分の提案が正しいかだけを再確認させないでください。報告書には確認の根拠と出典のバージョンを示します。古いカタログのコピーにレコードがあるだけでは、現在の使用に十分とは限りません。
AI生成コードが提案する依存関係 (ポーランド語)にも似た落とし穴があります。ライブラリ名は本物の名前に似ていても、適切なパッケージを表していないかもしれません。正しい文字列は対象の同一性を確認するための入力にすぎません。
データが行動を起こす場合、検証をAI連携の権限 (ポーランド語)と結び付けます。正しいレコードを受け取っただけで注文やカタログ変更が許可されるわけではありません。制御された環境で、アプリケーションが拒否されたレコードをどう扱い、別経路で先へ渡していないか確認します。
Aeneia Auditでの確認は、入力例一つ、応答スキーマ、次の操作の説明から始められます。これにより評価が括弧の確認で終わらず、実際の用途に結び付きます。
三つの結果を別々に受け入れる
試験の記録には、構造の正しさ、値と出典の一致、業務ルールへの適合を示します。レコードが第一段階を通過して第二段階で落ちたなら、その情報を残します。機能している形式の確認を弱めずに、適切な部分を修正できます。
値は正しいものの別の文書に割り当てられたレコードも追加します。そのための合成テストセットを用意するなら、基準自体に偶発的な誤りが含まれないよう合成データの関係と出来事の一貫性 (ポーランド語)を確認します。処理は応答と入力の関係も確かめるべきです。そうしないと、すべての項目が個別の検査を通っても、データが別の案件に入ることがあります。似た二つの文書を準備し、制御された試験で意図的に応答を入れ替えます。実際のシステムには書き込みません。
受け入れ記録に指示、スキーマ、検査ルールのバージョンも加えます。後からレコードを修正したら、入力、解釈、表記方法のどれを変えたか示します。事例を繰り返し、改善した理由を確かめられます。新しく正しい答えが一つ得られただけでは、どの段階が異なった動作をしたのか、以前の誤りが戻らないかは分かりません。
拒否されたときの反応も試します。担当者は修正に必要な項目、理由、元の箇所を見られますか。修正後も出典との関係は残りますか。「データエラー」という一般的なメッセージは、文書全体を読み直す作業を人に押し付け、自動化の利用コストを隠します。
制御された試験では、空の応答、中断された応答、課題を実行できないというメッセージだけの応答も与えます。アプリケーションがこれらを完成したレコードと区別し、必須項目を任意の値で埋めないか確かめます。何としてもインポート可能なオブジェクトを作るのではなく、実行されなかった課題には別の終了が必要です。結果を待つ人に何が見え、どう作業を再開できるかを報告書に示します。
一部だけ正しいレコードも確認します。一項目に誤りがあるとき、残りを使えるか、オブジェクト全体を止めるかを決めます。答えは課題によります。説明文の草案と自動注文では異なる対応が必要です。技術的にインポートしやすいという偶然が業務ルールにならないよう、その判断を処理のルールに記録します。
指示、スキーマ、文書の読み取り方法を変えた後に再確認できるよう、難しい事例を残します。長さと梱包、欠損とゼロ、正しいコードとよく似た別のコードという実際の違いに対応するなら、小さなセットでも十分です。緑色のパーサーは引き続き役立ちます。ただし今度は一人で品質管理部門全体のふりをする必要はありません。










