要約
Semantic View Autopilotを中心に、自然言語分析、リアルタイムアナリティクス、トランザクション・Postgre連携に至るまで、Snowflakeの分析・AIプラットフォームの全面的な拡張可能
1. Semantic View Autopilotの概要と目的
要件の例
- 「部門別・拠点別の人員構成レポートを表示してほしい」
要件を満たすための構成要素
ユーザーの要求を満たすために、以下の要素が揃った包括的なSQLクエリが
→ Semantic View Autopilotに渡されます。
- スケール（ディメンション、Dimension）
- 集計対象（ファクト、Fact）
- 複数テーブル間の結合に必要なジョインキー
2. Semantic Viewの作成プロセス（Autopilotの動作フロー）
2.1 クエリ入力と自動分析
- SQLクエリのみが渡された場合：
- 使用中のテーブルを自動で識別
- 関連テーブルを自動でチェック
-
後続のステップで:
- 必要なカラム／不要なカラムの選択
- コンテキストの整備が可能
2.2 自動生成される構成要素
Autopilotが自動的に実行する項目：
- 論理テーブル（Logical Table）構造の分析
- テーブル間のリレーションシップ（結合）の自動定義
- 検証済みクエリ（Verified Query）の生成
- テーブル・ディメンション・メトリックに関する**説明（Description）**の自動生成
- 複数テーブル間の関係図の自動生成
→ この結果、自然言語でのクエリが可能なSemantic Viewが完成します。
3. メトリックの提案と拡張
- 画面右側に推奨メトリックの提案を提供
- 「このようなメトリックが利用できるのではないか？」という形式
- これに基づき：
- 追加のメトリックを定義
- 段階的な拡張が可能
4. 自然言語クエリとCortex Analystの連携
4.1 クエリの例
- 「職種別の従業員数を教えて」
4.2 処理の流れ
- Cortex Analystが：
- 生成されたSemantic Viewを理解
- 論理テーブルとリレーションシップに基づき分析
- 職種（Job Title）別の従業員数を算出
4.3 透明性の確保
- 生成された項目：
- 論理クエリ
- 物理SQLクエリ
-
すべて確認可能
- → SQLベースのユーザーも結果を検証可能
5. 今後の発展方向：最適化とメトリックの標準化
- Autopilotは単なる生成に留まらず：
- クエリの最適化にまで拡張される予定
- Semantic Viewを基盤として：
- 関係者間でのメトリック定義の統一
- 組織全体の分析基準の整合性確保が可能
6. インタラクティブ・アナリティクス（Interactive Analytics）
6.1 概念とユースケース
- リアルタイムデータの参照
- APIベースの分析
- リアルタイムダッシュボード
- サブ秒単位の分析要求に最適化
6.2 提供される要素
- 専用のウェアハウスタイプ
- 専用のテーブルタイプ
6.3 提供状況
- AWS環境でGA（一般提供）を開始
7. クエリ性能・可視性（Observability）の強化
提供機能
-
Performance Explorer
- SQLワークロードの性能レビュー
-
Query Insights
- クエリごとのチューニングポイントと最適化の推奨
-
Grouped Query History
- 頻繁に実行されるクエリをグループ単位でモニタリング
- Hybrid Table、Interactive Warehouseが対象
- 近日中にGA予定
8. トランザクションワークロードの拡張：Snowflake Postgre
8.1 Snowflake Postgre
- 近日中にパブリックプレビュー予定
-
特徴:
- Snowflake UIまたはSQLで作成
- フルマネージドのPostgreSQLインスタンス
-
活用:
- 業務システムのバックエンド
- AIエージェントのトランザクションバックエンド
- 大量トランザクション処理
8.2 PG Lake (オープンソース)
- PostgreSQL ↔ データレイクハウスの直接連携
- Icebergベース
-
期待される効果:
- データサイロの解消
- 不要なETLパイプラインの最小化
- 新規ユースケースの発掘が容易に