こんにちは。
プロダクトDivでデータアナリスト・アナリティクスエンジニアをしているタダケンです。
データ活用技術の進化は目覚ましいですが、最近特に注目しているのが Snowflake Intelligence(以下、SI)です。
kubellでも、プロダクト・事業戦略目標の達成に向けて、この新しい技術のポテンシャルをいち早く検証すべく、PoC的に実証実験を行っています。
今回は、Snowflake Intelligenceの技術的な概要と、実際にPoCを通じて見えてきた「分析用AIエージェントを実用化するためのコンテキストの育て方」について、具体的な知見を紹介したいと思います。
- Snowflake Intelligenceの概要
- 実は大事な分析基盤の整備
- Semantic Viewの重要性:AIに「文脈」を教える
- 分析用AIエージェントにおけるセマンティックとコンテキストの育て方
- 1. Descriptionを詳細に記述する
- 2. カラム単位での丁寧な補足
- 3. Verified Queriesによるサンプルクエリの拡充
- 4. 利用と育成のサイクルを回す
- まとめ
Snowflake Intelligenceの概要
Snowflake Intelligenceは、自然言語を用いてデータと対話し、インサイトの抽出からアクションの実行までを包括的に支援するインターフェースです。実態としては、複数のコンポーネントで構成されています。
Cortex Analyst(構造化データ分析)、Cortex Search(非構造データ検索)、Cortex Agents(自動タスク実行)を通じて、対話形式で洞察を得られれます。
弊社で主に活用しているのが、以下2点になります。
- Cortex Agents: ユーザーからの自然言語の問いかけを受け取り、ツール選択やタスク実行を行うオーケストレーター。
- Cortex Analyst (Semantic View): データの意味(セマンティック)、文脈(コンテキスト)を定義し、自然言語を精度の高いSQLに変換するセマンティックレイヤー。
これらとdbtで構築したデータモデルを組み合わせて、AIエージェントを構成しています。
続きを読む