Snowflake上でGeminiが呼び出せるようになりました！

データパイプラインへのAI組み込みがさらに便利になりそうなので、試してみます。

サンプルユースケース

AI利用の例として、問い合わせ内容の分類をしてみましょう。

自由記述のテキストデータ(=非構造化データ)は分析が難しく、多くの企業で活用しきれていないのが実情ではないでしょうか。

SQLを用いた従来のアプローチでは、CASE文や正規表現（LIKE '%不具合%'）などルールベースで分類を試みますが、表記ゆれや曖昧な表現に対応できず、限界がありました。

この記事では、Snowflake CortexのAI関数(Geminiモデル使用)とTROCCOを組み合わせて、問い合わせデータを毎日自動でAI分類するパイプラインを構築する方法を解説します。

この記事で学べること

Snowflake Cortex AI_COMPLETE 関数の基本的な使い方
SnowflakeでのGeminiモデル利用方法
SQLだけでLLMを呼び出すプロンプト設計
TROCCOで日次バッチ処理を自動化する方法

従来手法の課題

問い合わせ内容を分類する従来のSQLは、以下のようなものでした。

SELECT
  inquiry_id,
  inquiry_text,
  CASE
    WHEN inquiry_text LIKE '%不具合%' OR inquiry_text LIKE '%エラー%' THEN '不具合'
    WHEN inquiry_text LIKE '%追加してほしい%' OR inquiry_text LIKE '%要望%' THEN '要望'
    WHEN inquiry_text LIKE '%方法%' OR inquiry_text LIKE '%やり方%' THEN '質問'
    ELSE 'その他'
  END AS category
FROM customer_inquiries;

この方法には以下の問題があります。

課題	具体例
表記ゆれに弱い	「動かない」「止まった」を「不具合」と認識できない
文脈を理解できない	「エラーの対処法を教えて」を「不具合」ではなく「質問」と判定すべき
メンテナンスコスト	新しい表現が出るたびにCASE文を追加する必要がある

解決策: Snowflake Cortex AI_COMPLETE

Snowflake Cortexを使えば、データを外部に出さず、SQLだけでLLMを呼び出せます。

AI_COMPLETE関数の基本構文

SELECT SNOWFLAKE.CORTEX.AI_COMPLETE(
  'モデル名',
  'プロンプト'
) AS result;

問い合わせ分類の実装例

以下のSQLで、問い合わせ内容を4つのカテゴリに自動分類できます。

SELECT
  inquiry_id,
  inquiry_text,
  TRIM(SNOWFLAKE.CORTEX.AI_COMPLETE(
    'gemini-2.5-flash',
    '以下の問い合わせ内容を「不具合」「要望」「質問」「その他」のいずれか1つに分類してください。
カテゴリ名のみを出力してください。

問い合わせ内容: ' || inquiry_text
  )) AS ai_category
FROM customer_inquiries
WHERE created_at >= CURRENT_DATE - 1;

出力例

inquiry_id	inquiry_text	ai_category
1001	アプリが突然落ちるようになりました	不具合
1002	ダークモードを追加してほしいです	要望
1003	ログインできないのですがどうすればいいですか	不具合

TRIM()でLLMの出力から余分な空白や改行を除去しています。

Snowflake上で動作確認します。

プロンプト設計のポイント

先ほどの出力例で、「ログインできないのですがどうすればいいですか」という問い合わせが「不具合」と分類されていましたが、本来は「質問」と分類するのが適切そうです。
LLMに明確な指示を与えることで、分類精度の向上を図ってみます。

-- より詳細なプロンプト例
SELECT
  inquiry_id,
  inquiry_text,
  TRIM(SNOWFLAKE.CORTEX.AI_COMPLETE(
    'gemini-2.5-flash',
    '## タスク
以下の問い合わせ内容を分類してください。

## カテゴリ定義
- 不具合: 製品の動作不良、エラー、クラッシュに関する報告
- 要望: 新機能の追加や改善の提案
- 質問: 使い方や仕様に関する問い合わせ
- その他: 上記に該当しないもの

## ルール
- カテゴリ名のみを1つ出力すること
- 迷った場合は「その他」を選択

## 問い合わせ内容
' || inquiry_text
  )) AS ai_category
FROM customer_inquiries;

指示を詳細化することで、出力が改善されました。

TROCCOで日次バッチ処理を自動化

単発の実行ではなく、毎日新しい問い合わせを自動分類するためにTROCCOを活用します。

なぜTROCCOを使うのか

観点	メリット
環境構築	Python環境やAPIキー管理が不要
スケジュール	画面上から柔軟に実行タイミングを設定
監視	実行履歴とエラー通知が標準装備
依存管理	前処理→AI分類→後処理をワークフロー化

構成イメージ

[データソース] → [TROCCO転送] → [Snowflake生データ]
                                      ↓
                        [TROCCOデータマート/クエリ実行]
                        (AI_COMPLETEを含むSQL)
                                      ↓
                              [分類済みテーブル]

設定手順

ステップ1: データマート定義を作成

TROCCOの「データマート定義」で、AI分類SQLを登録します。

-- TROCCOに登録するSQL
SELECT
  inquiry_id,
  inquiry_text,
  TRIM(SNOWFLAKE.CORTEX.AI_COMPLETE(
    'gemini-2.5-flash',
    '## タスク
以下の問い合わせ内容を分類してください。

## カテゴリ定義
- 不具合: 製品の動作不良、エラー、クラッシュに関する報告
- 要望: 新機能の追加や改善の提案
- 質問: 使い方や仕様に関する問い合わせ
- その他: 上記に該当しないもの

## ルール
- カテゴリ名のみを1つ出力すること
- 迷った場合は「その他」を選択

## 問い合わせ内容: ' || inquiry_text
  )) AS ai_category,
  CURRENT_TIMESTAMP() AS classified_at
FROM <DATABASE>.<SCHEMA>.customer_inquiries
-- 初回実行時は以下の行を削除して実行
WHERE created_at >= CURRENT_DATE - 1
  AND inquiry_id NOT IN (SELECT inquiry_id FROM <DATABASE>.<SCHEMA>.classified_inquiries)

ステップ2: 初回実行

初回の手動実行を実施し、テーブル生成と初期データ投入を同時に行います。

ステップ3: ワークフロー作成(スケジュール/通知設定)

定期実行のために、ワークフローから連携ジョブを呼び出す設定を追加します。
また、エラー発生時にSlackへ通知するよう設定しておくと、運用が楽になります。

運用Tips

コスト管理

Snowflake Cortexの利用にはクレジットが消費されます。大量データを処理する前に、サンプルで動作確認することをおすすめします。

-- まず10件でテスト
SELECT
  inquiry_id,
  TRIM(SNOWFLAKE.CORTEX.AI_COMPLETE('gemini-2.5-flash', '...')) AS ai_category
FROM customer_inquiries
LIMIT 10;

分類結果の検証

定期的に分類精度を確認し、プロンプトを改善するサイクルを回しましょう。

-- 分類結果の分布を確認
SELECT
  ai_category,
  COUNT(*) AS count,
  ROUND(COUNT(*) * 100.0 / SUM(COUNT(*)) OVER (), 1) AS percentage
FROM classified_inquiries
WHERE classified_at >= CURRENT_DATE - 7
GROUP BY ai_category
ORDER BY count DESC;

応用例

問い合わせ分類以外にも、同じ手法でさまざまなテキストデータにラベル付けできます。ここでは実務でよくあるユースケースを紹介します。

応用1: 求人データへの職種ラベル付け

求人サイトから収集したデータに、統一された職種カテゴリを付与する例です。

-- 求人タイトルと説明文から職種を推定
SELECT
  job_id,
  job_title,
  TRIM(SNOWFLAKE.CORTEX.AI_COMPLETE(
    'gemini-2.5-flash',
    '## タスク
以下の求人情報から職種カテゴリを判定してください。

## 職種カテゴリ
- エンジニア: ソフトウェア開発、インフラ、データ分析など技術職
- 営業: 法人営業、個人営業、インサイドセールスなど
- マーケティング: 広告運用、PR、ブランディングなど
- バックオフィス: 経理、人事、総務、法務など
- その他: 上記に該当しないもの

## ルール
- カテゴリ名のみを1つ出力すること

## 求人タイトル
' || job_title
  )) AS job_category
FROM job_postings
WHERE job_category IS NULL;

出力例:

job_id	job_title	job_category
2001	Webアプリケーションエンジニア（React/Python）	エンジニア
2002	カスタマーサクセス責任者候補	営業
2003	SNSマーケター / TikTok運用担当	マーケティング

応用2: 商品レビューの感情・トピック分類

ECサイトのレビューを複数の観点で分類する例です。

-- 感情とトピックを同時に抽出
SELECT
  review_id,
  review_text,
  TRIM(SNOWFLAKE.CORTEX.AI_COMPLETE(
    'gemini-2.5-flash',
    '## タスク
以下の商品レビューを分析してください。

## 出力形式（JSON）
{"sentiment": "positive/negative/neutral", "topic": "品質/価格/配送/サポート/その他"}

## ルール
- 必ず上記JSON形式で出力すること
- sentimentとtopicの両方を判定すること

## レビュー内容
' || review_text
  )) AS analysis_json
FROM product_reviews
WHERE analyzed_at IS NULL;

JSON形式で出力させる場合、TRY_PARSE_JSON()で安全にパースすることをおすすめします。

-- JSONをパースして個別カラムに展開
SELECT
  review_id,
  review_text,
  TRY_PARSE_JSON(analysis_json):sentiment::STRING AS sentiment,
  TRY_PARSE_JSON(analysis_json):topic::STRING AS topic
FROM (
  -- 上記のSELECT文
);

応用3: 社内ドキュメントの部門タグ付け

社内Wikiやナレッジベースの記事に、自動で部門タグを付与する例です。

SELECT
  doc_id,
  doc_title,
  TRIM(SNOWFLAKE.CORTEX.AI_COMPLETE(
    'gemini-2.5-flash',
    '## タスク
以下の社内ドキュメントのタイトルと概要から、関連する部門を判定してください。

## 部門一覧
- 開発部: システム開発、技術仕様、リリースノートなど
- 営業部: 提案資料、顧客情報、商談管理など
- 人事部: 採用、評価、研修、福利厚生など
- 経理部: 経費精算、請求、予算管理など
- 全社共通: 社内規定、セキュリティ、ITツールなど

## ルール
- 最も関連性の高い部門名を1つだけ出力すること

## ドキュメント情報
タイトル: ' || doc_title || '
概要: ' || doc_summary
  )) AS department_tag
FROM internal_documents;

応用のポイント

これらの応用例に共通するベストプラクティスをまとめます。

ポイント	説明
カテゴリ定義を明確に	曖昧なカテゴリは分類精度を下げる。各カテゴリの境界を具体例で示す
出力形式を限定	「カテゴリ名のみ」「JSON形式」など、パースしやすい形式を指定する
複数項目は段階的に	一度に多くの情報を抽出しようとせず、必要なら複数回に分ける
エラーハンドリング	`TRY_PARSE_JSON()`やCOALESCEで、想定外の出力に対応する

まとめ

Snowflake Cortex とTROCCO を組み合わせて、問い合わせデータをAI自動分類するパイプラインを構築する方法を解説しました。

Snowflake Cortex を使えば、SQLだけでLLMを呼び出せる
プロンプト設計次第で分類精度をチューニングできる
TROCCO と組み合わせれば、日次バッチ処理を簡単に自動化できる

定性データ（自由記述）を定量データ（カテゴリ）に変換することで、分析の幅が大きく広がります。

ぜひ、あなたのデータパイプラインでも試してみてください。

参考リンク