Snowflake Intelligence（後編）: データ分析の民主化を実現する次世代プラットフォーム

1．前編のおさらい

Snowflake Intelligence（前編）: データ分析の民主化を実現する次世代プラットフォーム
https://www.ctc-g.co.jp/keys/blog/detail/snowflake-intelligence-data-agent-part1

最近、日本でも生成AIの導入がどんどん進んでいますが、実際の業務にしっかり活かせているかというと、まだまだ難しいところがあるようです。「試しに使ってみたけど、うまく定着しなかった」―そのような声が多くの企業で聞かれます。この課題に対して、前編ではCortex AIとその一つの機能であるSnowflake Intelligenceをご紹介しました。

Cortex AIは、Snowflakeが提供するAIの基盤技術で、複雑な設定なしでいろんなAI機能を使えるのが特徴です。中でも「Cortex Search」と「Cortex Analyst」は、Snowflake Intelligenceを理解するうえでカギになる機能として取り上げました。

そして、そのCortex AIの力を、誰でも・簡単に・ノーコードで使えるようにしたのが「Snowflake Intelligence」です。その中心にあるのが「Cortex Agents」。まるで人間のアナリストのように、考えて、動いてくれます。

たとえば、このような感じで動きます：

1. 計画（Planning）：質問をいくつかのタスクに分ける

2. ツール使用（Tool Use）：必要なツールを自動で選んで使う

3. 振り返り（Reflection）：結果をチェックして、必要なら追加調査

4. 監視と反復（Monitor and Iterate）：やりっぱなしにせず、改善を続ける

これによって、まるでエージェント型AIのように動く対話型アプリを、誰でもサクッと作れるようになります。結果として、意思決定のスピードもぐっと上がる、というわけです。

図1：Snowflake Intelligence の構成

2．Snowflake IntelligenceでのRAG作成（実践編）

本章では実際にSnowflake Intelligenceをどのように構築するのかを見ていきます。

今回のユースケースは、「Snowflakeの機能は豊富だけれど、公式ドキュメントから必要な情報を探すのに時間がかかる」という課題に対処するものです。そこで、Snowflake公式ドキュメント全体と自然言語で対話できるチャットボットを作ってみましょう。

このチャットボットは、たとえば以下のような質問に即座に答えてくれます。

• 「Cortex Analystでセマンティックモデルを作成する手順は？」

• 「Dynamic Data Maskingの設定例を教えて」

• 「Snowparkの最新機能は何？」

しかも今回はCortex Knowledge Extensions（CKE）という Cortex SearchをSnowflake Marketplace内で共有できる機能を使うので、コーディングは一切不要。10分程度で完成します。

図2：CKEを用いたSnowflake Intelligence構成のイメージ

（参考）Cortex Knowledge Extensions（CKE）とは

Cortex Knowledge Extensions（CKE）は、外部のドキュメントやWebサイトなどの非構造化データから得られるナレッジをまとめたもので、Snowflake Marketplace（または、プライベート/組織リスト）を通じてCortex Searchとして共有できる機能です。

従来は、Cortex Searchを自身の環境で準備する必要がありました。特に、各環境でデータを準備して、Cortex Searchの設定を同様に毎回するというのは大変です。CKEを使えば、Cortex AgentsやSnowflake Intelligenceで簡単に事前に最適化されたCortex Searchを使用することが可能となります。

事前準備：

Snowflake IntelligenceはCortex Agentsの設定が必須となります。事前準備として、Cortex Agentsを格納するデータベース、スキーマと権限付与を行いましょう。今回は以下の設定で行います。

※より権限を制限したい場合は、適宜設定を変更してください

-- =========================================================
-- 事前準備: Snowflake Intelligence設定
-- =========================================================

-- DB作成 / 権限付与
CREATE DATABASE IF NOT EXISTS snowflake_intelligence;
GRANT USAGE ON DATABASE snowflake_intelligence TO ROLE PUBLIC;

CREATE SCHEMA IF NOT EXISTS snowflake_intelligence.agents;
GRANT USAGE ON SCHEMA snowflake_intelligence.agents TO ROLE PUBLIC;

GRANT CREATE AGENT ON SCHEMA snowflake_intelligence.agents TO ROLE PUBLIC;

ステップ1：Cortex Knowledge Extensionの作成

それでは、Snowflake MarketplaceからCKEを取得していきましょう。まずは自身のSnowflake環境にログインし、以下の手順を実行します。

　①左メニューから「Marketplace」をクリック

　②Marketplaceのホーム画面に移ります。

　③Marketplaceの検索ボックスに「snowflake documentation」と入力

　④Snowflake Documentationをクリック

開いたSnowflake Documentation画面から、「Get」を入力します。

すると、設定画面が開き、CKEを保存するデータベース名とアクセス権限を付与するロールを指定し、再度「Get」をクリックします。そして、Ready to Useという画面が表示されれば取得が完了しました。

ステップ2：Cortex Agentsでエージェントを作成

続いて、Snowflake Intelligenceで必要となるCortex Agentsの設定を行います。ホーム画面に戻り、以下の手順を実行します。

①左メニューから「AI&ML」→「Agents」をクリック

②Agents画面に遷移

③「Create agent」をクリック

④開いた画面で、事前準備で作成したデータベース、スキーマを指定し、任意のエージェント名を入力→「Create agent」をクリック

すると、Agent画面が開くので、右上にある「Edit」をクリックし、編集していきます。

※まだ「Preview in Snowflake Intelligence」はクリックしないでください

編集画面に移り、「Tools」タブをクリックすると、Tools追加を行う画面が表示されます。その中の「Cortex Search Services」にある「+Add」をクリックします。

すると、新たにメニューが開くので、以下設定を行い、「Add」をクリックします。

Cortex Search：
　Schema：SNOWFLAKE_DOCUMENTATION.SHARED
　Cortex Search ：SNOWFLAKE_DOCUMENTATION.SHARED.CKE_SNOWFLAKE_DOCS_SERVICE
　Max results：デフォルト値
　ID column：SOURCE_URL
　Title column：DOCUMENT_TITLE
Tool details：
　Name：snowflake_documentation
　Description：Snowflake Official Documentation Search Service

そして、右上にある「Save」をクリックし、編集画面から作成したエージェントのホーム画面に戻ります。

ステップ3：Snowflake Intelligenceへエージェントの適用

では、最後に作成したエージェントをSnowflake Intelligenceへ適用していきましょう。とはいっても、適用はすぐに可能です。

先ほどのエージェントのホーム画面から「Preview in Snowflake Intelligence」をクリックすると、Snowflake Intelligenceの画面に移り、設定が終了します。

これだけで終了です。では早速、Snowflake Intelligenceで結果を出力してみましょう。

このように簡単に公式ドキュメントを基にした回答を行える1次サポートチャットのようなアプリケーションがすぐに作成できます。

（参考）実装のポイント：より良いエージェントにするために

ポイント1：エージェントの説明を充実させる

エージェントのオーケストレーションは、AIが自分の役割を理解するための重要な指示書です。具体的にシステムプロンプトや実行の手順などを書くほど、適切な回答が得られます。

良い例：

あなたはSnowflakeの技術エキスパートです。
ユーザーがSnowflakeの機能を理解し、
実装できるよう、具体的な手順と例を示してサポートしてください。

悪い例：

Snowflakeについて答えてください。

ポイント2：定期的な検索対象のデータ更新

頻繁に更新されるデータであれば。都度Cortex SearchやCortex Analystが正しいデータを検索対象として、認識できているかの確認が必要です。Cortex Searchはコンテキストの内容、Cortex Analystはセマンティックモデルおよびビューを定期的に確認しましょう。

ポイント3：複数ツールの組み合わせ

構造化データ（使用状況のログなど）とドキュメント検索（Cortex Search）を組み合わせることで、さらに高度な回答が可能になります。

3．Snowflake Intelligenceを用いたユースケース

実際のビジネスシーンでは、Snowflake Intelligenceがどのように活用されているのでしょうか？業界別、部門別に分けて、具体例を紹介します。

※カスタムツールも使った例となっています

【金融業界】リスク管理の高度化と迅速化

ユースケース：市場リスク分析の自動化

従来、市場リスクアナリストは、社内の取引データを分析し、さらに各種ニュースサイトや規制当局の発表を手動で確認する必要がありました。

Snowflake Intelligence活用後：

質問：

米国金利上昇が当社のポートフォリオに与える影響を、今週の取引データと最新の市場ニュースから分析してください

エージェントは以下を自動実行します。

1. Cortex Analyst：社内取引データから金利感応度を分析

2. Web Search（カスタムツール）：FRBの最新発表、市場ニュースを収集

3. 統合分析（カスタムツール）：リスクエクスポージャーを定量化

4. Chart生成n：影響度をグラフで可視化

結果： 従来△時間かかっていた分析が〇分に短縮。リアルタイムなリスク管理が可能に

【製造業】品質管理の精度向上

ユースケース：不良品原因の特定

製造ラインで不良品が発生した際、過去の品質データと製品仕様書を突き合わせる作業は、熟練エンジニアでも数時間を要していました。

Snowflake Intelligence活用後：

質問：

製品番号ABC-123の不良率が先週から上昇している原因と、類似の過去事例での対処方法を教えてください

エージェントの処理：

1. Cortex Analyst：過去6ヶ月の品質データから異常パターンを検出

2. Cortex Search：製品仕様書、製造手順書、過去の改善報告書を検索

3. 相関分析（カスタムツール）：温度・湿度などの環境要因との関連を特定

4. 推奨アクション：過去の成功事例に基づく改善策を提示

結果： 原因特定時間が〇%削減。早期対応により不良率が半減

※SnowflakeのML機能と組み合わせると、AIモデルでのより正確な予測ができます

【小売・EC】パーソナライズされた顧客体験

ユースケース：リアルタイムレコメンデーション最適化

ECサイトのマーケティングチームは、キャンペーン効果を迅速に評価し、次の施策に活かしたいと考えています。

Snowflake Intelligence活用後：

質問：

今週のセールキャンペーンのROIを、顧客セグメント別に分析し、来週の推奨アクションを提案してください

エージェントの処理：

1. Cortex Analyst：購買データからセグメント別ROIを算出

2. Cortex Search：顧客レビュー、問い合わせ内容から反応を分析

3. Web Search（カスタムツール）：競合のキャンペーン情報を収集

4. 最適化提案：セグメント別の推奨施策を生成

結果： キャンペーン改善サイクルが週次から日次に。コンバージョン率が〇%向上。

【経理部門】社内発注の自動審査システム

シーン：社内発注製品の異常審査

経理担当の田中さんは、各部署から上がってくる発注申請の審査業務を担当しています。従来なら、予算管理システムで残高確認、過去の発注履歴の照合、社内規定の確認、類似案件の審査理由の検索などで異常な発注はないかを適宜調べる必要がありました。

Snowflake Intelligence活用後：

質問：

営業部からの300万円のマーケティングツール購入申請について、予算残高、過去の類似発注の承認状況、契約条件のリスク評価を確認し、承認可否を判断してください

エージェントの処理：

1. Cortex Analyst - 予算管理データから営業部の残高と執行率を分析、および過去の類似金額・カテゴリの発注履歴と承認パターンを検索

2. Cortex Search - 社内発注規定、契約書テンプレートから契約条件のリスクポイントを抽出

3. Custom Tools - リスクスコア計算、承認権限の検証を実行

4. 統合判断 - 全データを統合し、承認可否の判定と詳細な根拠を提示

結果：社内発注業務の審査内容についての最終確認を行うだけになり、〇％業務効率化

図4：社内発注の自動審査システムのイメージ

【カスタマーサポート】問い合わせ対応の効率化

シーン：複雑な技術的問い合わせ

サポート担当者が、「製品Xの設定方法が分からない」という問い合わせを受けました。

Snowflake Intelligence活用後：

質問：

製品Xの初期設定手順と、よくあるトラブルシューティング方法を、過去の問い合わせ履歴も参考にして教えてください

エージェントの処理：

1. Cortex Search：製品マニュアル、FAQから設定手順を抽出

2. Cortex Analyst：過去の問い合わせデータから類似ケースを検索

3. 統合回答：手順書と実際の問題解決例を組み合わせて提示

結果： 平均対応時間が〇%削減。顧客満足度が向上。

【データエンジニア部門】データ品質チェックの自動化

シーン：週次データ品質のチェック

データエンジニアの山田さんは、毎朝複数のデータソースから取り込まれたデータの品質チェックを行っています。従来なら、決まったルールで個別にSQLクエリを実行し、結果を手動で確認する必要がありました。

Snowflake Intelligence活用後：

質問：

今朝取り込まれた売上データについて、レコード数の異常、NULL値の増加、重複レコード、データ型の不整合を確認し、過去30日間のトレンドと比較して品質レポートを作成してください

エージェントの処理：

1. Cortex Search - 過去の品質問題レポート、データ仕様書から類似の問題事例を検索

2. 改善方法チェック＆提案：内部のLLMでCortex Search結果をCortex Analystに解釈しやすいように結果をまとめる

3. カスタムツール– 必要であれば、検索対象のセマンティックモデルを修正・変更する処理

4. Cortex Analyst -  提案された改善方法からSQLクエリを生成し、データを修正を行うSQLを生成

5. チャート生成 - 品質指標のトレンドグラフを自動作成

6. 統合レポート – 出力結果から異常箇所、影響範囲、推奨対応策を含む包括的なレポートを提示

結果：データ品質業務の〇％業務効率化が行われ、データ品質も規定に沿った形で保存され、将来的にも分析に使用しやすくなる

図5：データ品質チェックの自動化のイメージ

上記はあくまで例ではありますが、このように様々な活用法がSnowflake Intelligenceを使用することにより考えられます。ぜひ皆さんの業務で使用できるところはないか、検討してみてください。

4．CTCのAIエージェント支援について

　第３章でSnowflake intelligenceを用いたユースケースについて、紹介いたしました。ただ、AIエージェントもしくはエージェンティックAIの作成は複雑になることが多く、課題もあります。そこで、AIエージェントの設計に、デザインという考え方がございます。18個のデザインパターンについて記された論文※1では、AIエージェント設計のデザインパターンを考慮することで、効率的な信頼性の高いエージェントが構築できることが強調されています。

　例を挙げると、第３章で紹介した「社内発注の自動審査システム」もデザインパターンに基づいてAIエージェント部分を考えてみると、以下の図のようなエージェント設計（RAG & Self-reflection）が考えられます。

図6：社内発注の自動審査システムのデザインパターン例

CTCではこのようなデザインパターンも考えながら、AIエージェントの作成を行う支援も可能です。「Data&AI Offering Suite」といった、AIエージェントの活用を前提とした業務変革を支援するサービス群を提供しています。その一部として「AIエージェント実装」や「伴走・定着化支援」として、SnowflakeのAI機能活用もご支援させていただきます。

図7：Data＆AI Offering Suiteのイメージ

もしご興味あれば、以下URLを参照およびご相談いただけますと幸いです。

AIエージェントで業務変革を支援する「Data＆AI Offering Suite」を開始

5．まとめ

いかがでしたでしょうか。今回は簡易なSnowflake Intelligenceを用いたRAGチャットボットの作成とSnowflake Intelligenceの使用ユースケース例を業界、業種別に紹介しました。今回ご紹介した内容をよりCortex Agentsのオーケストレーションやカスタムツールを充実させれば、より複雑な処理を行うことも可能です。

最後にご紹介したData&AI Offering Suiteの中で、Snowflakeの生成AI活用支援も可能です。もっと複雑なエージェント処理をSnowflakeの中でやってみたい、活用をひろげたい！などがあれば、ご相談およびご支援可能です。

ぜひ、ご興味ございましたらお問い合わせいただけますと幸いです。

参考文献

※１：Liu, Yue, et al. "Agent design pattern catalogue: A collection of architectural patterns for foundation model based agents." Journal of Systems and Software 220 (2025): 112278.