QCon AIボストンの初期プログラムは、本番AIの背後にあるエンジニアリング作業に焦点を当てる
本文の状態
日本語全文を表示中
詳細モードで約4分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
InfoQ
QCon AIボストン（6月1-2日）の最初の発表は、コンテキストエンジニアリング、エージェントの説明可能性、基本的なRAGを超えた推論、評価、ガバナンス、現実世界の制約下でAIを確実に実行するためのプラットフォームインフラに焦点を当てている。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るSource Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
AI のパイロットプロジェクトから本番システムへの移行が進むにつれ、技術的な議論もそれに伴って変化しています。6 月 1 日から 2 日に開催予定の QCon AI Boston の最初の確定された講演内容を見ると、このイベントの初期プログラムは、AI を新奇な技術として扱うことよりも、実際の運用条件下でこれらのシステムを実用可能にするために必要なエンジニアリング作業に焦点を当てていることが示唆されています。デモを動作させることは一つの課題ですが、本番環境において信頼性があり、観測可能で、説明可能かつ安全であるものを構築することは別の課題です。
Red Hat AI のシニアプリンシパルソフトウェアエンジニア兼アーキテクトである Eder Ignatowicz、Forbes 30 Under 30 で技術リーダーに選出された Doubleword（旧 TitanML）の共同創設者兼 CEO の Meryem Arik、および Zoox のシニアエンジニアリングマネージャーであり『Ray を用いた MLOps』の著者である Hien Luu がキュレーションを務めるプログラムは、チームが信頼できる形で AI を本番環境に導入するために実際には何が必要かという中核的な問いに取り組んでいます。
2026 年の主要な AI エンジニアリングのテーマ
初期のラインナップはいくつかの繰り返されるテーマを浮き彫りにしています：
プロンプト設計を超えたコンテキストエンジニアリング：Redis の開発者関係担当リーダー、Ricardo Ferreira は、デモでは成功しても、レイテンシや限られたコンテキストウィンドウといった実世界の制約下で失敗するプロンプトについて探求し、AI をプロンプト作成の練習ではなく、システム設計の問題として再定義します。
エージェントの説明可能性：Dataiku の 575 Lab 責任者であり、ML/AI における Google デベロッパーエキスパートでもある Hannes Hapke は、なぜあるエージェントが特定のツールを選択したのかを検証する必要性について言及しています。ツールの呼び出しが誤り、その失敗が下流に波及する場合、チームは単なる出力ログではなく、意思決定の経路自体への可視性を必要とします。
基本 RAG の超越：RelationalAI のエコシステム担当副社長、Cassie Shum は、知識グラフがどのようにしてシステムを単純な検索から、エンティティ、依存関係、ドメインコンテキストにわたる複雑な推論へと進化させるかを検討しています。
オフラインとライブパフォーマンスの架け橋：Netflix のエンジニアリングリーダー、Mallika Rao は、LLM に限定されない広範な視点を持ち、推論、評価（evals）、システム設計を通じて、オフラインでの評価と messy な実世界のユーザー行動との間のギャップを埋める課題に取り組みます。
セキュリティとガバナンス：Broadcom のシニアサイト信頼性エンジニア、Advait Patel は、厳格な監査に合格しつつも機能性を維持するゼロトラストエージェントシステム（Zero Trust Agent Systems）の構築に焦点を当てており、これは AI が既存のエンジニアリングおよび運用環境に統合される様子を反映しています。
ジェネレーティブ AI プラットフォーム層：DoorDash の AI インフラストラクチャソフトウェアエンジニア、Siddharth Kodwani と、同社機械学習プラットフォームのスタッフエンジニア兼エンジニアマネージャー、Swaroop Chitlur は、チーム全体で AI 機能を支えるために必要な内部インフラストラクチャを解説します。これにはリトライ（再試行）、フォールバック、プロンプトのバージョン管理、コスト追跡などが含まれます。
追加で確定したスピーカーには、Microsoft のデータおよび応用 AI 科学の主任グループディレクターである Francesca Lazzeri 氏（信頼できる AI システムについて）、DoorDash の新事業部門における機械学習および人工知能の責任者 Sudeep Das 氏（スケールする消費者向け AI について）、そして Amazon のシニア主任エンジニアであり Rust のリードデザイナーである Niko Matsakis 氏（AI エージェント開発のオープン化について）が含まれます。
もはや問われるべきは、モデルが印象的な出力を生成できるかどうかという単純な問題ではありません。重要なのは、その能力を生産環境の制約下で信頼性が高く、スケーラブルなものにするために必要な周辺システムをチームが構築できるかどうかです。これには、コンテキスト管理、推論、評価、観測可能性（observability）、プラットフォームアーキテクチャ、ガバナンス、そして運用上の信頼性の確保が含まれます。
QCon AI Boston 2026 について詳しくはこちらをご覧ください。
著者紹介
原文を表示
As more teams move from AI pilots to production systems, the technical discussion is shifting with them. The first confirmed talks for QCon AI Boston, scheduled for June 1 to 2, suggest that the event’s early program is less concerned with AI as a novelty and more focused on the engineering work needed to make these systems usable under real operating conditions. Getting a demo to work is one thing; building something that remains reliable, observable, explainable, and secure in production is another.
Curated by Eder Ignatowicz, senior principal software engineer and architect @Red Hat AI, Meryem Arik, co-founder and CEO @Doubleword (Previously TitanML), recognized as a Technology Leader in Forbes 30 Under 30, and Hien Luu, Sr. engineering manager @Zoox & author of MLOps with Ray, the program tackles a central question: what does it actually take to get AI into production in a way teams can trust?
Key AI Engineering Themes for 2026
The early lineup highlights several recurring themes:
Context Engineering Over Prompting: Ricardo Ferreira, lead, Developer Relations @Redis, explores how prompts that ace demos often fail under real-world constraints such as latency and limited context windows, reframing AI as a systems design problem rather than a prompt-writing exercise.
Agent Explainability: Hannes Hapke, head of 575 Lab @Dataiku and Google developer expert for ML/AI, addresses the need to inspect why an agent selected a specific tool. When tool calls are wrong and failures propagate downstream, teams need visibility into the decision path itself, not just output logs.
Moving Beyond Basic RAG: Cassie Shum, vice president of Ecosystem, Product Engineering @RelationalAI, examines how knowledge graphs can elevate systems from simple retrieval to complex reasoning across entities, dependencies, and domain context.
Bridging Offline and Live Performance: Mallika Rao, engineering leader @Netflix, broadens the scope beyond LLMs, tackling the gap between offline evaluation and messy real-world user behavior through inference, evals, and system design.
Security and Governance: Advait Patel, senior site reliability engineer @Broadcom, focuses on building Zero Trust Agent Systems that pass strict audits while remaining functional, reflecting AI's integration into existing engineering and operational environments.
The GenAI Platform Layer: Siddharth Kodwani, software engineer, AI Infrastructure @DoorDash, and Swaroop Chitlur, staff engineer / engineering manager, Machine Learning Platform @DoorDash, break down the internal infrastructure needed to support AI capabilities across teams, including retries, fallbacks, prompt versioning, and cost tracking.
Additional confirmed speakers include Francesca Lazzeri, principal group director of Data and Applied AI Science @Microsoft, on trusted AI systems, Sudeep Das, head of machine learning and artificial intelligence, New Business Verticals @DoorDash, on consumer AI at scale, and Rust lead designer Niko Matsakis, senior principal engineer @Amazon, on opening up AI agent development.
The question is no longer simply whether a model can produce an impressive output. It is whether teams can build the surrounding systems needed to make that capability dependable and scalable under production constraints. This means managing context, reasoning, evaluation, observability, platform architecture, governance, and operational trust.
Learn more about QCon AI Boston 2026.
About the Author
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み