【ITニュース解説】I gave Hindsight a memory bank with a narrow job

Project Arbitrageは、外国為替に関連する財務リスクを管理・レビューするために設計されたプラットフォームである。このシステムは、人工知能（AI）の一種である「Hindsight」という記憶システムを組み込んでいるが、その役割は厳しく制限されており、金融のようなミッションクリティカルな分野でAIを安全に活用するための模範的な設計思想を示している。

このプラットフォームの基本的な考え方は、AIに「過去の経験」を記憶させ、それを現在のリスク評価の「参考情報」として提供させることにある。しかし、Hindsightはリスクの計算、ルールの変更、アクションの承認、実際の取引実行といった「決定権」を一切持たない。AIが提供するのはあくまで「情報提供」であり、最終的な判断は常に人間が行うという点が、このシステムの最も重要な原則だ。

Project Arbitrageのアーキテクチャは、三つの主要な運用境界に基づいて設計されている。一つ目は、AIであるHindsightが「文脈（コンテキスト）」を提供する層である。Hindsightは過去のレビュー事例や関連情報を記憶し、現在の状況と照らし合わせて役立つ情報を提供する。二つ目は、アプリケーションロジックが「ルールを強制する」層である。この部分は、システムのビジネスロジックや政策ルールを厳格に適用し、数値計算や条件チェックを行う。これはAIの影響を受けずに独立して機能する。三つ目は、「資格を持つ人間による最終承認」の層である。どのような情報が提供され、どのような計算が行われても、最終的な判断や承認は必ず熟練した人間が行う。これらの三つの層を厳しく分離することで、システム全体の堅牢性と信頼性が保たれている。

システムは複数の独立したコンポーネントから構成されている。バックエンドの処理と外部との連携を管理するのが「FastAPI」だ。外国為替の参照レートや過去の時系列データは「Frankfurter」から取得する。システム内の主要なデータ（エクスポージャー、ポリシー設定、評価、決定、監査証跡など）を永続的に記録・管理するのが「SQLite」というデータベースである。長期的な記憶の管理、過去の事例の検索、文脈情報の呼び出しを担当するのがAIの「Hindsight」だ。さらに、迅速な推論を行い、構造化された定性的な評価を生成するために「Groq」が利用される。これらの情報を受け取り、最終的なレビューや決定を行うためのインターフェースは「レビュアーインターフェース」として提供され、財務アナリストが利用する。各サブシステムは厳密に役割が分担されている。数値計算やポリシーの検証は決定論的なアプリケーションコードによって行われ、Hindsightは定性的な過去の事例を検索する。そして、取引の承認権限は排他的に人間のレビュアーに委ねられている。

Hindsightという記憶層は、リスクの姿勢を評価したり、拘束力のある行動を推奨したりする機能が意図的に制限されている。Hindsightが記憶するのは、過去の財務リスク評価、マクロ経済や地政学的なレビューの文脈、最終的な人間の決定内容、手動での介入やエスカレーションの理由、そしてそれらの決定がもたらした実際の成果など、構造化された過去のレビューの記録である。これらの記録は、プロジェクトのメタデータや変更できない評価識別子と明確に紐付けられている。Hindsightに対するクエリは「過去のサイクルで同等の外国為替の変動やポリシーの例外は見られたか、その結果はどうだったか？」といった、過去の事例を発見することに焦点を当てており、「このエクスポージャーに対してどのような決定を適用すべきか？」といった指示的なアドバイスを求めるものではない。この設計により、AIの記憶はあくまで情報補助として機能し、自律的な意思決定エンジンにはならないことが保証されている。

Hindsightのような記憶操作がコアのビジネスロジックに直接影響を与えないよう、すべての記憶操作は専用のサービス抽象化層の背後に隔離されている。これにより、記憶システムとビジネスロジックの間に直接的な結合が生まれず、独立性が保たれる。現在の通貨ペア、市場シナリオ、エクスポージャープロファイルに基づいて動的にクエリが組み立てられ、Hindsightが関連する過去の文脈を取得する。その取得された情報が最終的なレビューにどのように利用されるかは、下流のアプリケーションロジックによって厳密に管理される。

歴史的な数値比較も記憶層からは完全に切り離されている。例えば、為替の変動を評価する際、システムはライブおよび過去の参照レートを直接市場データソースから取得する。その後、コアアプリケーションがスポットの変動、ボラティリティ、標準偏差を決定論的に計算し、これらの数値と定義された基準範囲を比較する。これらの定量的な指標はHindsightから導き出されることはない。Hindsightの定性的な記憶記録と、市場データプロバイダが提供する認証された数値データは、根本的に異なる種類の真実のソースと見なされている。記憶は過去の運用チームがどのように困難に対応したかを伝えるが、金融計算に必要な経験的な値は市場データプロバイダから提供されるのだ。

ポリシーの適用と安全対策のチェックは、言語モデルや情報検索エンジンとは独立して実行される。もし過去の参照データが取得できない場合、システムはそれを潜在的なリスク要因として扱い、手動による確認を必須とする。データが完全な場合でも、システムは定義されたポリシーの制限と照らし合わせて変動指標を計算し、もし為替レートの動きが過去の閾値を超えた場合、自動的に手動でのエスカレーションを義務付ける。Hindsightが過去の閾値違反に関する文脈を提供することはあっても、重要度評価を下げたり、エスカレーションの要件を迂回させたりすることはできない。

決定は、記憶の検索結果から直接実行されることはない。アプリケーションは「評価生成 → ポリシー再評価 → 人間による決定 → 不変の監査ログ」という厳格なレビューパイプラインを強制する。決定を記録する前には、システムは評価識別子を解決し、現在の状態の一貫性を検証し、すべての決定論的な安全チェックが満たされていることを確認する。レビュアーは、定量的な情報と文脈的な情報を合わせて評価し、明示的に承認、エスカレーション、または拒否の決定を下す。Hindsightはこのステップに至るレビューの文脈を情報提供するが、承認権限チェーンには参加できない。

Project Arbitrageには、リスク軽減戦略をモデル化するための実行シミュレーション機能も含まれている。しかし、この機能は厳しくサンドボックス化されており、相殺する契約や資金移動といったパラメータを生成することはできるが、実際の取引を送信することはできない。結果として生成されるすべての記録には、シミュレーションされたアクションのみであるという透かしが入れられる。これにより、自動化されたシステムによる推奨が実際の資金移動を引き起こすリスクが排除される。

データの完全性を保つため、保存される記憶はアクティブなパイプラインに入る前に系統的な検証を受ける。合成データ、統合テストデータ、一時的なステージング実行データが、過去の記憶プールを汚染することがないように厳しくチェックされる。このゲートにより、認証された本番環境の評価と検証された人間の決定のみが、将来の評価のための先例として機能することが保証される。

外部のマネージドサービスが一時的な利用可能性の問題に遭遇する可能性があるため、コンプライアンスと監査追跡は外部インフラにのみ依存してはならない。レビュアーが権限のある決定を提出する際、プラットフォームはHindsightへのバックグラウンドでの保持を開始する前に、まずその取引をローカルのSQLiteデータベースにコミットする。これにより、外部ネットワークの遅延やサービス停止に関わらず、主要な監査証跡が耐久性があり、完全な状態で維持されることが保証される。

金融業務においては予測可能な状態遷移が不可欠である。同じレビューアクションを繰り返し提出しても、重複するレコードが生成されたり、取引の状態が変更されたりすることはない。システムは、更新を処理する前に、評価がすでに解決されているかどうかを検証する。この冪等性の境界は、記憶の保持にも同様に適用される。重複した書き込みを防ぐことで、記憶インデックスが重複イベントで汚染されず、検索の関連性が低下しないようにする。

典型的な運用サイクルは、九つの段階を経て進行する。まず、リアルタイムの為替データを取り込み、通貨エクスポージャーのベースラインと変化率を計算する。そのポジションをリスク管理ポリシーの制限と照合して検証し、現在のレート変動を過去のベンチマークデータと比較する。Hindsightに、関連する文脈的な先例と過去のレビュー決定をクエリし、収集した定量的な情報、ポリシーフラグ、記憶からの文脈を構造化された推論プロンプトとして組み立てる。Groqを使って定性的な評価を生成し、生成された評価を完全な出所情報メタデータとともにSQLiteに永続化する。最後に、統合された分析結果を財務アナリストに提示し、権限のある承認を求める。承認またはエスカレートされた後、最終決定とレビュアーのコメントはSQLiteに書き戻され、Hindsightにインデックス化されることで、その後の市場イベントに対する検証可能な先例が確立される。

このように、AIの記憶をミッションクリティカルなワークフローに導入することは、厳格な境界線の必要性を減らすどころか、むしろその必要性を強調する。堅牢なシステムアーキテクチャは、Hindsightが長期的な歴史的文脈と定性的な先例の検索を管理し、アプリケーションロジックが数値計算、ポリシーチェック、決定論的な安全対策を統治し、推論エンジンが自然言語による合成と定性的なリスク分析を生成し、人間のレビュアーが承認、エスカレーション、拒否に対する唯一の権限を保持し、ローカルデータベースが権限のある、改ざん防止された記録システムを収容するという、明確な責任分担を維持しているのである。