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

Snowflake Night #2 - みんなの Data Superhero 特集（2026-02-25）
https://snowflakejapan.connpass.com/event/382971/

「データ整備が先、AIはまだ早い」。正論だけど、整備を待っている間にも世界は動いている。
Snowflake　Intelligenceで雑でもいいからまず試してみたら、AIが効く場面と効かない場面がはっきり見えてきた。
足りないのはモデル性能ではなくコンテキスト。ユースケースを絞り、「何でも」を捨てることで質問可能・回答可能にする。正解はまだない。だから試し続ける。

Transcript

1. 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
2. AI はまだ早い
3. データ整備が本質
4. 今日もデータ整備頑張ろう
5. 完
6. …… 本当に？
7. 整備が終わるのを待つ？ その間にも世界は動いている
8. 雑でもいいから、 まず試してみよう
9. 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
10. 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
11. 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
12. 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
13. 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
14. …… 本当にそうか？
15. 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
16. 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。
17. じゃあ、やってみるか
18. 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
19. 「試す」こと自体が 簡単ではなかった時代があった
20. 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。
21. 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。
22. 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
23. とはいえ、気になることもある
24. 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。
25. 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。
26. じゃあ、何から試す？
27. 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。
28. 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。
29. 試して知る
30. 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
31. 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
32. AI が効く場面と 効かない場面がある
33. 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。
34. 自明すぎる問題をAI で解いても インパクトは出ない
35. 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。
36. データはあるのに AI で答えを出せない
37. 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。
38. なぜ、こうなるのか
39. 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。
40. じゃあどうするか
41. 「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。
42. 場面を絞っても うまくいかないことはある
43. 「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。
44. データとAI だけでは足りない
45. 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。
46. だから、試し続ける
47. 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
48. 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
49. AI にはまだ答えがない
50. 乗りこなし、楽しもう
51. ありがとうございました Authored by Claude Code