はじめに
株式会社NTTデータ デジタルサクセスソリューション事業部 の nttd-saitouyun です。
今回は、DATA + AI Summit 2024 で発表された Databricks SQL の AI Functions を使って kaggle で公開されているデータを分析してみようと思います。
AI for SQL アナリスト
これまでSQLでAIを利用するには、データサイエンティストがAIモデルをAPI化し、データアナリストがSQLのUDFにAPIを登録をして呼び出すなど、一手間かかっており、データアナリティクス・BIとAIの間には壁がありました。
Databricksでは、AI Functions を活用することでシームレスにAIのパワーをデータアナリティクス・BIに活用することができます。
The Best Data Warehouse is a Lakehouse at DATA+AI Summit 2024
Databricks SQL AI Fuctions によるデータ分析
事前準備
前回と同様に、kaggle が公開してる「PII | External Dataset」を活用します。データはここから入手できます。
ai_mask function を活用したマスキング処理
ai_mask function を活用して textカラムに含まれる PII（個人情報）をマスキングしてみようと思います。マスキングする項目は氏名、メールアドレス、電話番号、住所とします。
以下のSQLを実行してみます。
CREATE OR REPLACE TABLE masked_pii_dataset_100 AS
SELECT
document,
text,
ai_mask(text, array('person', 'email', 'phone', 'address')) AS masked_text
FROM pii_dataset_100
次のような結果が得られました。指定した項目が [MASKED] の文字に置き換わっています。
nullもあるためマスキングに失敗しているケースもありそうです。確認したところ、14件はマスキングに失敗していました。
補足：ai_query function を活用したマスキング処理
AI Functions には、ai_query function という基盤モデルにプロンプトを与えて回答を得るという汎用的な関数があります。この関数を使ってマスキングをやってみようと思います。
基盤モデルは最近リリースされた Meta Llama 3.1 405B Instruct を使ってみます。
CREATE OR REPLACE TABLE masked_aiquery_pii_dataset_100 AS
SELECT
document,
text,
ai_query("databricks-meta-llama-3-1-405b-instruct",
CONCAT('次の文章の中で、氏名、メールアドレス、電話番号、住所を[MASKED]という文字列に置き換えてください。:\n', text)) AS masked_text
FROM pii_dataset_100
以下のような結果となりました。ai_mask function で null となっていたレコードもマスクされました。
ai_summarize function を活用したテキスト要約
次に、ai_summarize function を活用し、文章を要約してみます。
CREATE OR REPLACE TABLE summarized_pii_dataset_100 AS
SELECT
document,
text,
masked_text,
ai_summarize(masked_text, 20) AS summarized_text
FROM masked_pii_dataset_100
WHERE masked_text IS NOT NULL
以下のような結果になりました。短く要約されました。
しかし、5、6行目を見てみると、マスキングされたはずの氏名が表示されています。確認すると、マスキング処理が不十分な場合は、氏名などの特徴的なワードは要約で拾われてしまうようです。いくつかのレコードは同様の状況になっていました。
要約とマスキング処理の順序には気をつけましょう。
ai_fix_grammar function を活用した文法修正
要約などAIで生成された文章は文法が間違っているケースがあるので、ai_fix_grammar function を使って文章を修正してみます。
以下のクエリを実行します。
CREATE OR REPLACE TABLE fix_grammar_pii_dataset_100 AS
SELECT
document,
text,
masked_text,
summarized_text,
ai_fix_grammar(summarized_text) AS fixed_text
FROM summarized_pii_dataset_100
以下のような結果となりました。
うーん、ちょっとどこが変わったかわかりにくいです。
ai_similarity functionを使って類似度を計算してみます。
CREATE OR REPLACE TABLE compare_fix_grammar_pii_dataset_100 AS
SELECT
document,
summarized_text,
fixed_text,
ai_similarity(summarized_text, fixed_text) AS similarity
FROM fix_grammar_pii_dataset_100
パッと見では、ai_fix_grammar function では文章が変わらないように見えましたが、ほとんども文章が微妙に修正されていることがわかりました。67行目「quest → the quest」、68行目「student → the student」のように冠詞が補われているケースが多そうです。
生成AIの時代になり、非構造データであるテキストを扱うことも増えてきています。
AI Functions を使えば SQL で簡単に高度なテキスト処理ができますね。
おわりに
いかがでしたでしょうか？
使い慣れたSQLからAIの力を利用することで、高度な分析がこんなに簡単にできることをご理解いただけたのではないかと思います！
仲間募集
NTTデータ デザイン＆テクノロジーコンサルティング事業本部 では、以下の職種を募集しています。
1. クラウド技術を活用したデータ分析プラットフォームの開発・構築(ITアーキテクト/クラウドエンジニア)
クラウド／プラットフォーム技術の知見に基づき、DWH、BI、ETL領域におけるソリューション開発を推進します。https://enterprise-aiiot.nttdata.com/recruitment/career_sp/cloud_engineer
2. データサイエンス領域（データサイエンティスト／データアナリスト）
データ活用／情報処理／AI／BI／統計学などの情報科学を活用し、よりデータサイエンスの観点から、データ分析プロジェクトのリーダーとしてお客様のDX／デジタルサクセスを推進します。https://enterprise-aiiot.nttdata.com/recruitment/career_sp/datascientist
3.お客様のAI活用の成功を推進するAIサクセスマネージャー
DataRobotをはじめとしたAIソリューションやサービスを使って、 お客様のAIプロジェクトを成功させ、ビジネス価値を創出するための活動を実施し、 お客様内でのAI活用を拡大、NTTデータが提供するAIソリューションの利用継続を推進していただく人材を募集しています。4.DX／デジタルサクセスを推進するデータサイエンティスト《管理職/管理職候補》
データ分析プロジェクトのリーダとして、正確な課題の把握、適切な評価指標の設定、分析計画策定や適切な分析手法や技術の評価・選定といったデータ活用の具現化、高度化を行い分析結果の見える化・お客様の納得感醸成を行うことで、ビジネス成果・価値を出すアクションへとつなげることができるデータサイエンティスト人材を募集しています。ソリューション紹介
Trusted Data Foundationについて
～データ資産を分析活用するための環境をオールインワンで提供するソリューション～https://enterprise-aiiot.nttdata.com/tdf/
最新のクラウド技術を採用して弊社が独自に設計したリファレンスアーキテクチャ（Datalake+DWH+AI/BI）を顧客要件に合わせてカスタマイズして提供します。
可視化、機械学習、DeepLearningなどデータ資産を分析活用するための環境がオールインワンで用意されており、これまでとは別次元の量と質のデータを用いてアジリティ高くDX推進を実現できます。
NTTデータとDatabricksについて
NTTデータは、お客様企業のデジタル変革・DXの成功に向けて、「databricks」のソリューションの提供に加え、情報活用戦略の立案から、AI技術の活用も含めたアナリティクス、分析基盤構築・運用、分析業務のアウトソースまで、ワンストップの支援を提供いたします。TDF-AM（Trusted Data Foundation - Analytics Managed Service）について
～データ活用基盤の段階的な拡張支援（Quick Start) と保守運用のマネジメント（Analytics Managed）をご提供することでお客様のDXを成功に導く、データ活用プラットフォームサービス～https://enterprise-aiiot.nttdata.com/service/tdf/tdf_am
TDF-AMは、データ活用をQuickに始めることができ、データ活用の成熟度に応じて段階的に環境を拡張します。プラットフォームの保守運用はNTTデータが一括で実施し、お客様は成果創出に専念することが可能です。また、日々最新のテクノロジーをキャッチアップし、常に活用しやすい環境を提供します。なお、ご要望に応じて上流のコンサルティングフェーズからAI/BIなどのデータ活用支援に至るまで、End to Endで課題解決に向けて伴走することも可能です。
NTTデータとSnowflakeについて
NTTデータでは、Snowflake Inc.とソリューションパートナー契約を締結し、クラウド・データプラットフォーム「Snowflake」の導入・構築、および活用支援を開始しています。 NTTデータではこれまでも、独自ノウハウに基づき、ビッグデータ・AIなど領域に係る市場競争力のあるさまざまなソリューションパートナーとともにエコシステムを形成し、お客さまのビジネス変革を導いてきました。 Snowflakeは、これら先端テクノロジーとのエコシステムの形成に強みがあり、NTTデータはこれらを組み合わせることでお客さまに最適なインテグレーションをご提供いたします。NTTデータとInformaticaについて
データ連携や処理方式を専門領域として10年以上取り組んできたプロ集団であるNTTデータは、データマネジメント領域でグローバルでの高い評価を得ているInformatica社とパートナーシップを結び、サービス強化を推進しています。NTTデータとTableauについて
ビジュアル分析プラットフォームのTableauと2014年にパートナー契約を締結し、自社の経営ダッシュボード基盤への採用や独自のコンピテンシーセンターの設置などの取り組みを進めてきました。さらに2019年度にはSalesforceとワンストップでのサービスを提供開始するなど、積極的にビジネスを展開しています。これまでPartner of the Year, Japanを4年連続で受賞しており、2021年にはアジア太平洋地域で最もビジネスに貢献したパートナーとして表彰されました。
また、2020年度からは、Tableauを活用したデータ活用促進のコンサルティングや導入サービスの他、AI活用やデータマネジメント整備など、お客さまの企業全体のデータ活用民主化を成功させるためのノウハウ・方法論を体系化した「デジタルサクセス」プログラムを提供開始しています。
NTTデータとAlteryxについて
Alteryxは、業務ユーザーからIT部門まで誰でも使えるセルフサービス分析プラットフォームです。 Alteryx導入の豊富な実績を持つNTTデータは、最高位にあたるAlteryx Premiumパートナーとしてお客さまをご支援します。導入時のプロフェッショナル支援など独自メニューを整備し、特定の業種によらない多くのお客さまに、Alteryxを活用したサービスの強化・拡充を提供します。