要旨: 現代のクラウド基盤の規模と複雑性により、デプロイメントを管理するためのインフラストラクチャ・アズ・コード（IaC）が不可欠になっています。大規模言語モデル（LLM）は自然言語からIaC設定を生成するためにますます利用されている一方で、ユーザの要求はしばしば十分に特定されていません。従来のコード生成とは異なり、IaC設定は低コストで実行したり、反復的に修復したりすることができないため、LLMはほぼ一発勝負（ワンショット）型の領域に追い込まれます。私たちは、IaCにおける曖昧さが扱いやすい合成（コンポジショナル）構造を持つことを観察しています。すなわち、設定は3つの階層的な軸（リソース、トポロジ、属性）に分解され、より上位の意思決定が下位の意思決定を制約します。私たちは、学習不要かつ不一致（ディスアグリーメント）駆動の枠組みを提案します。これは、多様な候補仕様を生成し、これらの軸にまたがる構造上の不一致を特定し、不一致を情報量に基づいて順位付けし、設定空間を段階的に狭めていく、的を絞った明確化の質問を生成します。私たちは、曖昧なプロンプトを含む検証済みの300件のIaCタスクからなるベンチマーク extsc{Ambig-IaC}を導入し、グラフ編集距離と埋め込み類似度に基づく評価枠組みを提示します。提案手法は最も強力なベースラインを上回り、それぞれ構造評価で+18.4 ext%、、属性評価で+25.4 ext%の相対的改善を達成します。
Ambig-IaC：インタラクティブなクラウド Infrastructure-as-Code（IaC）合成のための多層的な曖昧性解消
arXiv cs.AI / 2026/4/6
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、Infrastructure-as-Code（IaC）生成にLLMを用いる際の重要な制約に取り組む。すなわち、自然言語による要求はしばしば情報が不足しており、また誤ったIaCは安価に実行して反復修正できないため、改善が困難である。
- IaCの曖昧性は、3つの軸（リソース、トポロジ、属性）にまたがって、構成的・階層的な構造を持ち、高位の選択が低位の選択を制約すると提案する。
- 著者らは、学習不要で、意見の不一致に基づく（disagreement-driven）枠組みを導入する。複数の候補仕様を生成し、構造上の不一致を検出し、情報量に基づいて順位付けし、曖昧性を段階的に減らすための的を絞った明確化質問を行う。
- Ambig-IaCベンチマークを公開する。検証済みのIaCタスク300件を含み、曖昧なプロンプトとともに提供される。加えて、グラフ編集距離と埋め込み類似度を用いた評価手法も提示する。
- 実験では、最強のベースラインに対する相対的な改善として、+18.4%（構造）および+25.4%（属性）が報告される。これは、本手法が情報不足の入力に対するLLMベースのIaC合成を改善することを示唆している。
