LookerとADKで作る社内AIエージェント

「AI-Readyなデータモデリング ― メタデータ整備とロジック保守の仕組化 ―」の登壇資料です。
https://levtechlab.connpass.com/event/389515/

1. 2026/05/18 Yu Nakamura - chanyou LookerとADKで作る 社内AIエージェント @chanyou0311
2. Yu Nakamura - chanyou • スタートアップでデータエンジニアとして交通データ分析基盤 の構築‧運⽤を経験 • その後、株式会社タイミーの DRE グループにジョイン • 最近はデータ利活⽤の⺠主化をキーワードに、 データモデリングやAIエージェントの開発に注⼒ • 広島在住。趣味はおうち Kubernetes クラスタ
3. タイミーとは 3 ｢働きたい時間｣と｢働いてほしい時間｣を マッチングするスキマバイトサービス 従来の「求⼈サイト」でも「派遣」でもない
4. タイミーの実績 スキマ バイト No.1 ※1 [調査⽅法]インターネット調査 [調査対象]直近1年以内にスキマバイトを経験したことのある18〜69歳の男⼥1033⼈ [調査内容]株式会社マクロミル 直近1年以内に2回以上働いた経験があるスキマバイトサービスを聴取 [調査期間]2025年1⽉31⽇〜2025年2⽉4⽇ [調査委託先] ※2 2026年1⽉時点 利⽤率 ‧リピート率 ※1 ※1 導⼊事業者数 226,000企業 ワーカー数 1,340万⼈ ※2 ※2
5. 目次 • AI時代のデータ抽出アプローチと課題 • AIエージェント開発プラットフォーム • 指標出⼒エージェント「メトリっち」
6. 1 AI時代のデータ抽出 アプローチと課題
7. AI時代のデータ抽出アプローチ • Text-to-SQL • セマンティックレイヤー どちらかが正しいというよりは、適材適所で使い分けるべき
8. タイミーでは指標の⼀貫性が重視されてきた • コンサンプションモデルで、クライアントに使い続けてもらうことが重要 • カスタマーサクセス担当者が、利⽤状況を確認しながらクライアントと伴⾛ ◦ 全員が SQL を読み書きするのはハードルが⾼い
9. タイミーでは指標の⼀貫性が重視されてきた • ビジネスを適切に表現する指標定義が複雑になるケースが多々ある ◦ 例えば「スーパーの品出しスタッフ募集🔰」という求⼈ ◦ 同じ業務でも 5/18 の募集と 5/19 の募集を分けて分析したいケース ※ 画像は実際のアプリの画⾯とは異なります。
10. Looker を通したデータ活⽤が当たり前に • BigQuery をデータウェアハウス • dbt でディメンショナルモデリング • Looker で可視化する構成を整備してきた • 社内‧社外関わらず、同じ指標で会話できるように • 結果として、⽉間800名を超える社員が Looker を通してデータ活⽤を⾏っている • ⼀⽅で、探索的なデータ分析はデータアナリストが伴⾛している
11. タイミーにおけるAI時代のデータ抽出アプローチ • Text-to-SQL ◦ PdM を中⼼に分析⽤の Agent Skills を運⽤し始めている • セマンティックレイヤー ◦ BigQuery をデータウェアハウス、 dbt でディメンショナルモデリング、 Looker で可視化する構成 ◦ この構成を拡張して、AI を通して利⽤‧参照していく
12. セマンティックレイヤーとAIを取り巻く課題 🌀 Looker でデータ抽出するまでのステップが多い 🙅 事前定義されていない切り⼝や指標を出⼒できない 🚫 営業組織で利⽤できるAIサービスが限定的 🤔 AIを取り巻く進化は⽬まぐるしく、ベストプラクティスが確⽴しにくい
13. 指標出⼒エージェント「メトリっち」
14. 2 AIエージェント開発プラットフォーム
15. AI エージェント開発プラットフォーム
16. AI エージェント開発プラットフォーム
17. AI エージェント開発プラットフォーム • Slack をインターフェイスとして、普段の会話の延⻑でデータを参照できる • AI エージェントのフレームワークは ADK(Agent Development Kit) で、 最⼩限のプロンプトだけで稼働開始できる • Google Cloud の Agent Runtime でセッション管理も⼿軽に任せられる
18. プラットフォームの特徴 • 「メトリっち」以外の AI エージェントもデプロイできるモノレポ構成を採⽤ • PR ごとにプレビュー環境を構築 ◦ Slack で PR のブランチのエージェントの動作確認ができる • AI開発における多数のプラクティスを同時並⾏して試せる ◦ 例) Multi-Agent と A2A のどちらが効果的かすぐに試して評価できる
19. 3 指標出⼒エージェント 「メトリっち」
20. ADK アプリケーションとして構築
21. Multi-Agent System 構成
22. ゴールデンクエリ • ゴールデンクエリを定義して、データ取得時のプロンプトとして挿⼊ ◦ 質問とデータ取得時のフィールド‧フィルタ設定の対応表 ▪ いわゆるFew-shotプロンプティング ◦ Looker で作成できる Data Agent で有⽤だったので参考にした
23. adk eval を使った評価 • AIエージェントはユニットテストなどの決定論的なテストが難しい • ツール呼び出し ◦ ワイドテーブルを正しく選択できているか ◦ フィールドを正しく選択できているか（表⽰、フィルタ、ソート等） • LLM-as-Judge ◦ E2E で質問に対して適切な回答ができているか
24. フィードバック機能 • ユーザーが会話を評価して、 質問に答えられなかったケースを把握して改善に繋げられる • AI の挙動というよりは、そもそも今のセマンティックレイヤーで対応できない分析 の切り⼝をフィードバックしてもらうことも • 認識していなかったニーズに気づけて、セマンティックレイヤーの拡充の⽷⼝に ◦ 例) 過去ではなく未来のデータに関⼼が強い
25. 4 まとめ
26. セマンティックレイヤーとAIを取り巻く課題 🌀 Looker でデータ抽出するまでのステップが多い 🙅 事前定義されていない切り⼝や指標を出⼒できない 🚫 営業組織で利⽤できるAIサービスが限定的 🤔 AIを取り巻く進化は⽬まぐるしく、ベストプラクティスが確⽴しにくい
27. AIエージェント開発プラットフォームによる成果 • Slack をインターフェイスとしたAIエージェントを社員誰もが利⽤できるよ うに ◦ 📈 Looker のダッシュボードを開かなくてもサッとデータが確認できる ◦ 🤖 営業組織でも利⽤できる • 複数AIエージェントのモノレポ構成や PR プレビュー環境があることで、開 発者は多数のプラクティスをすぐに試せるように ◦ 󰠁 ベストプラクティスを追求しやすい
28. メトリっちによる成果 • フィードバックによって具体的なニーズが把握できるようになった • セマンティックレイヤーの改善の⽅向性がつかみやすくなった
29. 今後の展望 • Text-to-SQL の探索的なデータ分析のアプローチとの統合や棲み分けを整理 したい ◦ ADK でも Agent Skills が使えるようになっている ◦ ドメイン固有のプロンプトをスキルに寄せることで再利⽤性が ⾼まるかもしれない
30. 積極的に採⽤中です！！ データ基盤を通して、プロダクトと組織の成⻑を⼀緒に⽀えましょう！ https://product-recruit.timee.co.jp/casual