AI活用を"目的"にしたら、データの本質が見えてきた - Snowflake Intelligence実験記 / chasing-ai-finding-data

by pei0804

Slide 1

Slide 1 text

AI 活用を" 目的" にしたら、データの本質が見えてきた Snowflake Intelligence 実験記 2026-02-25 / Snowflake Night #2

Slide 2

Slide 2 text

AI はまだ早い

Slide 3

Slide 3 text

データ整備が本質

Slide 4

Slide 4 text

今日もデータ整備頑張ろう

Slide 5

Slide 5 text

完

Slide 6

Slide 6 text

…… 本当に？

Slide 7

Slide 7 text

整備が終わるのを待つ？その間にも世界は動いている

Slide 8

Slide 8 text

雑でもいいから、まず試してみよう

Slide 9

Slide 9 text

アジェンダ 1. 自己紹介 2. 「整備が先」は正論 ― でもその先が見えない 3. まず雑でも試す ― どちらに転んでも前に進む 4. 試して見えた本質 ― 足りないのはコンテキスト 5. まとめ ― 全部やるな、効くところに集中投資しろ

Slide 10

Slide 10 text

自己紹介ぺい / pei / 近森淳平株式会社CARTA ZERO — VP of Data Snowflake Data Superheroes (2024-2026) X: @pei0804

Slide 11

Slide 11 text

アジェンダ 1. 2. 「整備が先」は正論 ― でもその先が見えない 3. まず雑でも試す ― どちらに転んでも前に進む 4. 試して見えた本質 ― 足りないのはコンテキスト 5. まとめ ― 全部やるな、効くところに集中投資しろ自己紹介

Slide 12

Slide 12 text

もはやAI を活用しない手はないデータとAI の可能性を感じている人は多いはず

Slide 13

Slide 13 text

正論: データが整ってからAI AI Hierarchy of Needs 。 AI はピラミッドの頂点であり、基盤が揃ってから到達するもの。だからAI に傾倒しすぎない。まずデータ整備だ。そう考えるのは自然な流れ。 @mrogati — The AI Hierarchy of Needs

Slide 14

Slide 14 text

…… 本当にそうか？

Slide 15

Slide 15 text

データ整備の重要性は身をもって知っているデータ基盤の統合、XOps 整備。整備がどれだけ大事かは身をもって経験してきた。でも、本来やりたかったことは整備そのものではない。整備のその先にある新たな価値づくりがやりたいはず。 https://speakerdeck.com/pei0804/revops-practice-learned

Slide 16

Slide 16 text

整備の先に価値はあるのか？整備の先に何があるのか。正直、まだ見えていない。ただ、AI にはいい感じにできるパワーがある気がしている。でも本当にそれほどのポテンシャルがあるのかはよくわからない。それなら、自分の目で確かめるしかない。

Slide 17

Slide 17 text

じゃあ、やってみるか

Slide 18

Slide 18 text

アジェンダ 1. 2. 3. まず雑でも試す ― どちらに転んでも前に進む 4. 試して見えた本質 ― 足りないのはコンテキスト 5. まとめ ― 全部やるな、効くところに集中投資しろ自己紹介「整備が先」は正論 ― でもその先が見えない

Slide 19

Slide 19 text

「試す」こと自体が簡単ではなかった時代があった

Slide 20

Slide 20 text

AI 活用の「試す」にかかるコスト数年前は、試すだけでも相当なコストがかかった。環境構築、モデルの選定とデプロイ、API の接続、インフラの整備…… 雑に試すなんて軽々しく言えなかった。成果が得られるかも分からない博打に、それだけのコストは払えない環境にあった。

Slide 21

Slide 21 text

いまは、本当に数分で試せる例えば、Snowflake のSnowflake Intelligence 。 Snowflake 上にデータさえあれば、 UI 上で設定するだけでAI を使った分析環境が出来上がる。これだけ簡単になったのに、試さないことの方がリスク。競争優位の観点で、やらない理由がない。

Slide 22

Slide 22 text

Snowflake Intelligence とは自然言語でデータに問いかけ、ビジネスインサイトを即座に得るためのデータエージェント。特にSemantic View の可能性が大きい。データに文脈（ビジネスロジック・定義・関係性）を持たせることで、 AI による分析が現実的な方法で実装できる。まずはQuickStart を試してみよう → はじめての Snowflake Intelligence

Slide 23

Slide 23 text

とはいえ、気になることもある

Slide 24

Slide 24 text

Semantic View × コード管理 Semantic View の開発はやってみると分かると思いますが、設定をいじって試して、いい感じになるまで何度も設定を変えることになる。要するに変更頻度がかなり高く実験的な動きになる。仮にコアな部分だけコード管理したくても、現状のSemantic View のインタフェースはそうなっていない。そもそもSemantic View 自体もまだこなれていない。当然、Terraform もdbt もまだSemantic View に追いついていない。

Slide 25

Slide 25 text

コード管理しないといけないんだっけ？ Semantic View を設定する人たちはコード管理の世界の人ではないことがある。実際ビジネス部門の人が設定することも多く、 UI でさくっと試せる方がオンボーディングは楽。 Terraform やdbt などが成熟するのを待つ？待っている間に機会損失が積み上がる。

Slide 26

Slide 26 text

じゃあ、何から試す？

Slide 27

Slide 27 text

雑でもいいから、まず試す身近なユースケースから、生データをそのまま入れてさっさと試す。「手段を目的化する」のは一見アンチパターン。でもAI 活用をあえて" 目的" にして試すことで、データの現在地が驚くほど早く分かる。

Slide 28

Slide 28 text

どちらに転んでも、前に進む外れた場合なぜ外れたか分かる。当たった場合どういう時に当たるか知れる。どちらにしても、AI を知ることになる。

Slide 29

Slide 29 text

試して知る

Slide 30

Slide 30 text

勝ちパターンを見つけたら一気にエンジニアリングする

Slide 31

Slide 31 text

アジェンダ 1. 2. 3. 4. 試して見えた本質 ― 足りないのはコンテキスト 5. まとめ ― 全部やるな、効くところに集中投資しろ自己紹介「整備が先」は正論 ― でもその先が見えないまず雑でも試す ― どちらに転んでも前に進む

Slide 32

Slide 32 text

AI が効く場面と効かない場面がある

Slide 33

Slide 33 text

うまくいく場面には共通点がある答えの検証が可能で、答えとなるデータもある場面。ここはAI がうまく解けることがある。だが、ここに罠がある。

Slide 34

Slide 34 text

自明すぎる問題をAI で解いてもインパクトは出ない

Slide 35

Slide 35 text

簡単な問題は、既に解かれている答えが検証可能でデータもある問題は、往々にして自明。人々はそれなりに前からうまい解法を作っている。本当にAI にやらせたいのは、膨大な組み合わせと深度があるデータからの洞察の抽出。だが、これはかなり難しい。そもそも、どう回答させたいかも不透明なケースがほとんど。

Slide 36

Slide 36 text

データはあるのに AI で答えを出せない

Slide 37

Slide 37 text

ユーザーは何を聞けばいいか知らない 1. 要件が不透明 — 「これではない」は分かるが「これだ」は知らない 2. 利用者は雑 — 「調子どう？」と普通に聞いてくる。AI は調子なんて知らないプロンプトのチューニングを期待するのはアンチパターン。

Slide 38

Slide 38 text

なぜ、こうなるのか

Slide 39

Slide 39 text

原因はコンテキストの欠如 1. AI 側 — 質問の文脈を知らないので、類推することもできない 2. ユーザー側 — AI が知っていることを意識せず問いかける足りないのはモデル性能ではなく、コンテキスト。

Slide 40

Slide 40 text

じゃあどうするか

Slide 41

Slide 41 text

「何でも」を捨てる「何でも聞いてください」は機能しない。コンテキストが無限だから、AI も答えようがない。ユースケースを絞り、質問可能にし、回答可能にする。

Slide 42

Slide 42 text

場面を絞ってもうまくいかないことはある

Slide 43

Slide 43 text

「何ができるの？」問題一昔前のVUI （Voice User Interface ）と同じ壁がある。 Alexa を思い出してほしい。「これ、何ができるの？」が分からない。だから何を聞けばいいかも分からない。チャットだけでは広く使えるアプリにはなりにくい。「何ができるか」をうまく知らせる仕組みが要る。

Slide 44

Slide 44 text

データとAI だけでは足りない

Slide 45

Slide 45 text

色々見えてきた。でも正解かは分からないデータとAI だけあっても、まだ足りない。コンテキストと使う場面の設計。やるべきことは見えつつある。だけど、これが本当に正解なのかは分からない。

Slide 46

Slide 46 text

だから、試し続ける

Slide 47

Slide 47 text

アジェンダ 1. 2. 3. 4. 5. まとめ ― 全部やるな、効くところに集中投資しろ自己紹介「整備が先」は正論 ― でもその先が見えないまず雑でも試す ― どちらに転んでも前に進む試して見えた本質 ― 足りないのはコンテキスト

Slide 48

Slide 48 text

今日のまとめ 1. 整備を待つな。試すコストは劇的に下がった 2. 外れても当たってもAI を知ることになる 3. 足りないのはモデル性能ではなくコンテキスト 4. 「何でも」を捨てる。ユースケースを絞れば質問可能・回答可能になる 5. 正解はまだない。だから試し続ける