制御された代理AIシステム：検証可能で再現性のある意思決定パイプラインのためのガバナンス駆動型アーキテクチャ

安全性が重要かつ規制された環境に配置される人工知能システムは、予測性能だけでなく、運用制約の厳格な遵守、監査可能性、再現性も必要とする。しかし、ほとんどの現代的なアーキテクチャでは、ガバナンスは外部または事後のメカニズムとして扱われており、一貫性のある検証可能な意思決定の実行を確保する能力が制限されている。本論文は、ガバナンスを決定パイプラインに直接埋め込んだ決定論的オペレーターとして位置付ける形式的アーキテクチャフレームワークである制御代理AIシステム（CAIS）を紹介する。提案された定式化は、意思決定モデル、制約の仕様、提案された行動を許容可能な実行行動に変換するガバナンスオペレーターを統合する。フレームワークはさらに、監査トレース意味論と再生条件を定義し、意思決定軌跡の決定論的再構築を可能にする。理論的分析により、標準的な正則性仮定の下で、ガバナンスは制約認識の意思決定変換を強制しつつ有界な意思決定変動を誘導する非拡張型射影としてモデル化できることが示される。これにより、ガバナンスは摂動下でシステム動態を不安定化しないという形式的保証が提供される。これらの特性を評価するために、参照CAISアーキテクチャを実装し、多エージェントおよび連合型シミュレーション環境で制御実験を行った。結果は、ガバナンスを組み込むことで、多様なシナリオにおいて制約違反の頻度と重大度が大幅に減少することを示している。射影ベースの修復は承認のみの戦略を一貫して上回り、構造化された状況でほぼ完全な遵守を達成しつつ、介入コストを有界に維持した。重要なことに、ガバナンスは連合設定での安定性や収束を損なわず、場合によっては分散学習による行動レベルの分散を減少させる。近似とソルバーの限界によりすべての実践的環境で厳密な実現可能性を保証できないものの、実証的結果はガバナンスが不安定化効果をもたらすことなく遵守を一貫して改善する安定化変換として機能することを確認している。CAISフレームワークは、規制環境における制約認識、監査可能、再現可能な意思決定パイプライン設計のための統一的基盤を提供し、ガバナンスを代理AIシステムの第一級アーキテクチャ要素として確立する。