データ分析・BI

Snowflake AutoMLとは|SQLのML関数とCoCoのAuto MLスキルの違い・FORECASTの実装手順

Snowflake AutoMLとは|SQLのML関数とCoCoのAuto MLスキルの違い・FORECASTの実装手順

Snowflakeで「AutoML」に当たるものは2系統あります。1つはSNOWFLAKE.MLスキーマのML関数(ML Functions)で、時系列予測のFORECAST、異常検知のANOMALY_DETECTION、表データ分類のCLASSIFICATION、要因分析のTOP_INSIGHTSの4つをSQLだけで利用できます。TOP_INSIGHTSは状態を保持しないインスタンスを作成して分析するため、事前のモデル学習は不要です。もう1つはAIコーディングエージェントSnowflake CoCoの「Auto ML」スキルで、XGBoost・LightGBM・AutoGluonなどを横断してモデルを探索し、Pythonのノートブックとして結果を残します。この記事では、ML関数4つのSQL、FORECASTの既定アルゴリズム、行数に応じたウェアハウスの選び方、権限の付け方を公式ドキュメント(2026年11月時点)に沿って示し、Auto MLスキルやsnowflake-ml-pythonへ切り替える境目を整理します。

まとめ:SQLで定型の予測・監視を回すならML関数、モデル探索まで任せるならCoCoのAuto MLスキル

FORECAST・ANOMALY_DETECTION・CLASSIFICATIONは、CREATE文でモデルを学習させ、モデル名に「!」を付けたメソッドで推論します。TOP_INSIGHTSはインスタンスの作成後、GET_DRIVERSに分析データを渡して実行します。FORECASTの既定(methodが'best')はProphet・ARIMA・指数平滑・勾配ブースティング(GBM)のアンサンブルで、ANOMALY_DETECTIONとCLASSIFICATIONはGBM、TOP_INSIGHTSは決定木です。アルゴリズムの差し替えやハイパーパラメータ調整はできません。

採用の判断は「予測したい列が1つで、データがすでにSnowflakeにあるか」で決まります。日次売上の予測、データ品質やコストの異常監視、離反・不正の二値分類なら、XSの標準ウェアハウスから始められます。複数テーブルの関係を使う予測、文章の分類、アルゴリズムや評価指標を自分で選びたい要件は、最初からsnowflake-ml-pythonかCortex AIの関数で設計します。学習済みモデルは更新できないため、定期的な再学習をジョブとして組むことが運用の前提です。

回帰やクラスタリングを含めて複数の手法を比べたい、ハイパーパラメータ探索まで自動でやらせたい、という本来の意味のAutoMLを求めるなら、CoCoのAuto MLスキル(2026年11月時点でオープンプレビュー)が候補です。こちらは生成されたPythonコードとModel Registryで版を残せる代わりに、エージェントに渡す権限とCoCoの課金を別に設計する必要があります。

Snowflake AutoMLの正体:ML関数・CoCoのAuto MLスキル・Cortex AIの違い

「Snowflake AutoML」で調べると、ML関数、Snowflake ML(旧Snowpark ML)、CoCo、Cortex AIが混ざって出てきます。それぞれ役割が違います。

ML関数4種の一覧:用途・アルゴリズム・作成権限

公式のML Functionsの概要ページは、時系列関数として予測と異常検知、時系列を必要としない関数として分類とTop Insightsを挙げています。それぞれがSNOWFLAKE.MLのクラスで、モデルはスキーマ内のオブジェクトとして保存されます。

クラス 用途 アルゴリズム 推論メソッド 作成権限
FORECAST 時系列予測 既定はアンサンブル !FORECAST CREATE SNOWFLAKE.ML.FORECAST
ANOMALY_DETECTION 時系列の異常検知 GBM !DETECT_ANOMALIES CREATE SNOWFLAKE.ML.ANOMALY_DETECTION
CLASSIFICATION 二値・多クラス分類 GBM !PREDICT CREATE SNOWFLAKE.ML.CLASSIFICATION
TOP_INSIGHTS 指標変動の要因分析 決定木 !GET_DRIVERS CREATE SNOWFLAKE.ML.TOP_INSIGHTS

以前「Contribution Explorer」と呼ばれていた要因分析は、2024年11月4日にGAとなったTop Insightsに一本化されており、旧ページのURLはTop Insightsのページへ転送されます。古い解説記事で両者が別機能として並んでいても、今は同じものです。

AI_CLASSIFYとCLASSIFICATIONの入力・学習方式の違い

名前が紛らわしいのが分類です。SNOWFLAKE.ML.CLASSIFICATIONは、数値・真偽値・文字列の列から正解ラベルを学習するGBMの分類器で、公式ドキュメントは「文や段落のような自由文には対応しない」と明記しています。一方、Cortex AIのAI_CLASSIFYは大規模言語モデルに自然文でカテゴリを指示する関数で、学習データを用意しません。問い合わせ文の振り分けはAI_CLASSIFY、契約更新の有無のような表データの予測はCLASSIFICATIONと覚えておけば迷いません。Cortex AI側の関数一覧と日本リージョンの事情はSnowflake Cortex AIとは?読み方・機能一覧・料金と日本リージョンで使えるモデルで整理しています。

CoCoのAuto MLスキルによる手法探索と実験記録

Agentic ML with Snowflake CoCoのページには、機械学習スキルのひとつとして「Auto ML」が掲載されています。全アカウントで利用可能なオープンプレビュー機能であり、GAとは区別して導入を判断します。データの探索、リークの検出やベースラインの採点といった品質チェック、特徴量エンジニアリング、XGBoost・LightGBM・AutoGluonなどの候補ごとのハイパーパラメータ探索、評価までをエージェントが自律的に進めます。対象は分類・回帰・時系列予測・クラスタリングの4種類で、利用者が指定するのはデータ、予測したいもの、かける時間(既定30分)です。結果はノートブック、Experiment Trackingの記録、作成したオブジェクトを列挙するマニフェスト、特徴量重要度やSHAPの図として残ります。

ML関数との違いは、成果物が「SQLから呼ぶ固定アルゴリズムのモデル」か「Pythonのコードと実験記録」かです。ML関数は数行のSQLで済む代わりに手法を選べず、Auto MLスキルは手法を広く比べられる代わりに、生成されたコードを読んで運用に載せる人が要ります。CoCo自体の権限や課金の仕組みはSnowflake CoCoとは?旧Cortex Codeからの改称・権限境界・課金の二重経路を実装目線で解説で扱っています。前処理やアルゴリズムを人が書く場合の受け皿はsnowflake-ml-pythonで、使い分けは後半の「ML関数で足りないときの選択肢」で整理します。

FORECASTで時系列予測を動かすSQL

FORECASTの入力は、一定間隔のタイムスタンプ列と数値の目的列を持つテーブルかビューです。Snowsightの「AI & ML Studio」から画面で設定することもできますが、以下はSQLで書く場合の手順です。実行前にデータベース・スキーマ・ウェアハウスを選択し、参照先のテーブルとビューを用意します。FORECASTの時刻列はTIMESTAMP_NTZ、目的列はFLOATを前提とします。

単一系列の学習と7日先の予測

公式の時系列予測のガイドに沿うと、学習と推論は2文で実行できます。以下には入力を絞るビュー作成も含め、3文を示します。学習データに不要な列があると説明変数として扱われるため、ビューで必要な列だけに絞ってから渡します。

-- 学習用ビュー(日付と売上だけに絞り、型をTIMESTAMP_NTZとFLOATにそろえる)
CREATE OR REPLACE VIEW v_sales_train AS
  SELECT sale_date::TIMESTAMP_NTZ AS sale_date, sales::FLOAT AS sales
    FROM daily_sales WHERE store_id = 1;

-- 学習
CREATE OR REPLACE SNOWFLAKE.ML.FORECAST sales_model(
  INPUT_DATA => TABLE(v_sales_train),
  TIMESTAMP_COLNAME => 'sale_date',
  TARGET_COLNAME => 'sales'
);

-- 推論(7期間先まで。結果をそのままテーブルに保存できる)
CREATE OR REPLACE TABLE sales_forecast AS
  SELECT * FROM TABLE(sales_model!FORECAST(FORECASTING_PERIODS => 7));

出力はSERIES・TS・FORECAST・LOWER_BOUND・UPPER_BOUNDの5列で返ります。単一系列の場合、SERIESはNULLです。予測区間の既定は0.95です。予測は学習データの最後のタイムスタンプの続きから始まるため、日々データが増える運用では再学習しないと予測の起点が古いままになります。

複数系列と外生変数を使う予測

店舗×商品のように系列が複数ある場合は、系列を識別する列をSERIES_COLNAMEに渡すと、1回のCREATEで系列ごとのモデルが作られます。系列列は数値と文字列を含められるVARIANT型で、公式の例では店舗IDと商品名を[store_id, item] AS store_itemのように配列にまとめてビューに持たせています。天気や販促予定のような外生変数は、学習データに列として含めるだけで説明変数になります。ただし外生変数を使ったモデルでは、予測期間のすべてのタイムスタンプについて同じ列の将来値を渡す必要があります。

-- 系列キー(store_item)と外生変数(temperature, holiday)を含むビューで学習
CREATE OR REPLACE SNOWFLAKE.ML.FORECAST sales_model_multi(
  INPUT_DATA => TABLE(v_sales_with_features),
  SERIES_COLNAME => 'store_item',
  TIMESTAMP_COLNAME => 'sale_date',
  TARGET_COLNAME => 'sales',
  CONFIG_OBJECT => {'ON_ERROR': 'SKIP'}
);

-- 将来の外生変数を入れたビューを渡して予測(期間はビューのタイムスタンプで決まる)
CALL sales_model_multi!FORECAST(
  INPUT_DATA => TABLE(v_future_features),
  SERIES_COLNAME => 'store_item',
  TIMESTAMP_COLNAME => 'sale_date'
);

-- 学習に失敗した系列の確認(ON_ERROR = SKIP のとき)
CALL sales_model_multi!SHOW_TRAINING_LOGS();

ON_ERRORの既定は'ABORT'で、1系列でも失敗すると学習全体が止まります。数千系列をまとめて学習するなら'SKIP'にして、失敗した系列だけを後から調べるほうが現実的です。外生変数はカテゴリ値でもNULLを含んでもよく、ワンホットエンコーディングを使わないため高カーディナリティの列も扱えます。

method ‘best’と’fast’の違いとCONFIG_OBJECTの主な設定

CREATE SNOWFLAKE.ML.FORECASTのリファレンスによると、methodの既定は'best'で、Prophet・ARIMA・指数平滑・GBMベースのアルゴリズムのアンサンブルからデータに合うものを決めます。'fast'はGBMベースの単一アルゴリズムで、速い代わりに精度が落ちることがあり、公式は系列数が10,000以上のときに'fast'を勧めています。「Snowflakeの予測はGBM」という説明は'fast'の場合にだけ当てはまります。

キー 既定値 使いどころ
method ‘best’ 系列が1万以上なら’fast’
frequency 自動推定 ‘1 day’のように明示
aggregation_target aggregation_numericを継承、未指定なら’MEAN’ 重複タイムスタンプの集約
on_error ‘ABORT’ 多系列なら’SKIP’
evaluate TRUE 評価が不要ならFALSEで短縮
lower_bound / upper_bound NULL 売上の負値予測を防ぐ

トレンドや季節性の強さを上書きするパラメータはなく、季節成分はデータから推定されます。自己回帰特徴量の季節の長さは入力の頻度に連動し、時間単位なら24、日単位なら7です。月次データで年周期を拾いたい場合も、頻度の指定以外に調整の手段はありません。

ANOMALY_DETECTIONによる時系列の異常検知

異常検知モデルは、分析対象の期間について予測値を作り、実測値がその予測区間から外れた点を異常とします。異常検知のガイドは、学習に最低2点、単純でない結果に12点、非線形な結果に60点が必要としています。

教師なしでの学習とDETECT_ANOMALIESの出力

既知の異常ラベルが無ければ、LABEL_COLNAMEに空文字を渡して教師なしで学習します。検査対象のデータは、学習データより後の時刻でなければなりません。

CREATE OR REPLACE SNOWFLAKE.ML.ANOMALY_DETECTION cost_ad_model(
  INPUT_DATA => TABLE(v_daily_cost_train),
  TIMESTAMP_COLNAME => 'usage_date',
  TARGET_COLNAME => 'credits',
  LABEL_COLNAME => ''
);

CREATE OR REPLACE TABLE cost_anomalies AS
  SELECT * FROM TABLE(cost_ad_model!DETECT_ANOMALIES(
    INPUT_DATA => TABLE(v_daily_cost_recent),
    TIMESTAMP_COLNAME => 'usage_date',
    TARGET_COLNAME => 'credits'
  ));

結果にはFORECAST・LOWER_BOUND・UPPER_BOUNDに加えて、IS_ANOMALY(真偽値)、PERCENTILE、DISTANCEの列が付きます。アラートの条件はIS_ANOMALYだけでなく、DISTANCEの大きさで優先度を付けると通知の量を絞れます。

prediction_intervalによる感度調整と教師あり学習

感度は推論時のCONFIG_OBJECT => {'prediction_interval': 0.995}のように指定します。既定は0.99で、データのおよそ1%が異常と判定されます。値を上げると異常と判定される点が減り、下げると増えます。実際の通知件数は系列数や予測誤差にも左右されるため、過去データで許容件数と既知の異常の検出率を確かめて決めます。検知できるのは推論に渡したデータの中の異常だけで、学習データの中の異常は検知されません。学習期間に過去の障害日など既知の異常が含まれる場合は、真偽値のラベル列を作ってLABEL_COLNAMEに渡すと教師ありになります。このとき観測数として数えられるのはラベルがFALSEの行で、既知の異常に予測が引きずられて予測区間が広がるのを避けられます。複数系列は予測と同じくSERIES_COLNAMEで1モデルにまとめられます。深層学習で外れ値を捉える方法との違いは、VAE(変分オートエンコーダ)とは|仕組み・損失関数・GANや拡散モデルとの違いとPyTorchでの実測の異常検知の章と比べると見えやすくなります。

CLASSIFICATIONによる離反・不正の分類

CLASSIFICATIONはタイムスタンプを必要としない表データ向けの分類器です。分類のガイドによると、二値分類はAUCを損失関数に、多クラス分類はロジスティック損失を使うGBMで学習します。

学習とPREDICTの出力形式

CREATE OR REPLACE SNOWFLAKE.ML.CLASSIFICATION churn_model(
  INPUT_DATA => SYSTEM$REFERENCE('view', 'v_churn_train'),
  TARGET_COLNAME => 'churned'
);

-- {*} で全列を特徴量として渡す
SELECT customer_id,
       churn_model!PREDICT(INPUT_DATA => {*}) AS prediction
  FROM v_churn_score;

PREDICTはclass(予測クラス)とprobability(クラスごとの確率)を持つオブジェクトを返します。prediction:probability:"True"のように取り出せば、確率の高い順に施策対象を並べられます。数値の列は連続値、文字列と真偽値はカテゴリとして扱われ、タイムスタンプはTIMESTAMP_NTZ型でなければなりません。推論データに学習時に無かった列があっても無視されます。

評価メソッド・特徴量重要度・推論だけを渡すロール

学習後はSHOW_EVALUATION_METRICS、SHOW_GLOBAL_EVALUATION_METRICS、SHOW_THRESHOLD_METRICS、SHOW_CONFUSION_MATRIXで精度を、SHOW_FEATURE_IMPORTANCEで特徴量の寄与を確認できます。分類モデルにはmladminとmlconsumerという2つのモデルロールがあり、mlconsumerは予測APIだけを使えます。スコアを使う側のチームにはmlconsumerだけを付与すれば、評価結果や特徴量重要度を見せずに推論を開放できます。

公式のテストでは、MediumのSnowpark最適化ウェアハウスで1,000列・6億行までの学習が成功しています。目的列のクラス数は2以上255以下かつ行数未満である必要があり、全行が同じラベルのデータでは学習できません。

TOP_INSIGHTSによる指標変動の要因分析

TOP_INSIGHTSは予測ではなく「なぜ変わったか」を調べる関数です。Top Insightsのガイドによると、決定木でデータを区分けし、比較対象(FALSE)と分析対象(TRUE)を分ける真偽値のラベル列について、指標の差に効いたセグメントを返します。インスタンスは状態を持たないため、1つ作れば使い回せます。

CREATE SNOWFLAKE.ML.TOP_INSIGHTS IF NOT EXISTS my_insights();

-- 直近1か月をTRUE(分析対象)、それ以前をFALSE(比較対象)にしたビュー
CREATE OR REPLACE VIEW v_sales_label AS
  SELECT region, product_category, sales,
         sale_date >= DATEADD(month, -1, CURRENT_DATE) AS label
    FROM daily_sales;

CALL my_insights!GET_DRIVERS(
  INPUT_DATA => TABLE(v_sales_label),
  LABEL_COLNAME => 'label',
  METRIC_COLNAME => 'sales'
);

結果は全体を示すOverall行を先頭に、各セグメントのCONTRIBUTION、RELATIVE_CONTRIBUTION、GROWTH_RATEなどを返します。これらの値は負になることもあります。数値列は連続値として自動で区間に分けられるため、数値をカテゴリとして扱いたいときは文字列にキャストします。カテゴリが25値を超える列は影響の大きい上位25値だけが使われ、1ジョブで1億行を超えるとSnowpark最適化ウェアハウスでもメモリが尽きることがあります。FORECASTの予測が外れた月にTOP_INSIGHTSで原因の候補を出す、という組み合わせで使うと説明に使える材料が揃います。

精度の評価と再学習の運用

ML関数は数行で動く分、精度を確かめずに本番へ載せてしまいがちです。評価と再学習の仕組みを最初に決めておきます。

SHOW_EVALUATION_METRICSとクロスバリデーションの設定

FORECASTは既定で学習データの一部を検証用に取り分けて評価し、CALL sales_model!SHOW_EVALUATION_METRICS();でMAE・MAPE・MSE・SMAPE・MDA(方向の一致率)・WINKLER_ALPHA(予測区間の幅と区間外の予測誤差を評価するWinklerスコア)・COVERAGE_INTERVAL(予測区間に実測が入った割合)を返します。評価の分割はscikit-learnのTimeSeriesSplitに準じ、evaluation_configでn_splits(既定1)、test_size、gap、max_train_sizeを設定できます。学習行数が「n_splits×test_size+gap」に満たないと評価指標は出ません。またn_splitsが1のままだと指標の標準偏差はNULLになり、たまたま当たった1区間の数字を見ているだけになります。本番判断に使うなら3分割以上にして、ばらつきも確認します。

CREATE OR REPLACE SNOWFLAKE.ML.FORECAST sales_model(
  INPUT_DATA => TABLE(v_sales_train),
  TIMESTAMP_COLNAME => 'sale_date',
  TARGET_COLNAME => 'sales',
  CONFIG_OBJECT => {
    'evaluation_config': {'n_splits': 3, 'test_size': 28, 'gap': 0}
  }
);
CALL sales_model!SHOW_EVALUATION_METRICS();
CALL sales_model!EXPLAIN_FEATURE_IMPORTANCE();

比較の基準として、前年同週の値や直近4週の平均といった単純な予測の誤差も同じ期間で計算しておくと、ML関数を使う意味があるかを判断できます。単純な基準に勝てないなら、データの粒度や外生変数を見直す段階です。

FORECAST・ANOMALY_DETECTIONの更新制約と再学習設計

FORECASTとANOMALY_DETECTIONのモデルは学習後に変更できず、新しいデータを足すには作り直すしかありません。バージョン管理もなく、公式はデータの到着頻度に合わせて日次・週次・月次で再学習するよう勧めています。モデルはクローンできず、スキーマやデータベースをクローンしてもモデルオブジェクトは飛ばされます。アカウント間のレプリケーションも対象外です。CREATE OR REPLACEで同名のモデルを作り直すと、それまでのモデルは置き換わるので、精度が悪化したときに前のモデルへ戻すことはできません。戻せるようにしたいなら、日付付きの名前でモデルを作り、予測を呼ぶSQL側が参照するモデル名を切り替えます。

Snowflakeがアルゴリズムを改良した場合、既存のモデルは動作変更リリース(BCR)で廃止されるまで作成時の版で予測を続け、再学習したときに新しい版が使われます。以前の版に戻す手段はありません。再学習の前後で精度が大きく変わったときは、データの変化だけでなく版の違いも疑います。

ウェアハウス選定と料金・権限

ML関数に専用の料金表はなく、モデルのストレージと、学習・推論を実行する仮想ウェアハウスのコンピュートで課金されます。費用の大半は学習で決まります。

行数と系列数で選ぶウェアハウスの目安

時系列予測のガイドは、行数と系列数で次の目安を示しています。単一系列では大きいウェアハウスにしても速くならず、複数系列のときだけノード全体に学習が分散されます。

系列 500万行未満 500万〜1億行 1億行超
単一 標準XS Snowpark最適化XS 粒度を粗くする
複数 標準・サイズを上げる Snowpark最適化・サイズを上げる 系列ごとにジョブを分ける

学習時間の目安も公開されています。標準XSで評価を切った場合、10万行で約400秒、100万行で約850秒です。Gen1の標準XSは1時間1クレジットで秒単位課金(起動ごとに最低60秒)なので、100万行の学習1回はおよそ0.24クレジットになります。評価を有効にすると、学習時間は分割数にほぼ比例して増えます。分類は試作なら標準XS、本番規模ならMediumのSnowpark最適化ウェアハウスが推奨です。標準ウェアハウスはサイズを上げてもSnowparkのメモリ上限が増えないため、メモリ不足で落ちる場合はサイズではなく種類を変えます。

モデルのストレージ費とAccount Usageでの確認

モデルインスタンスの中身はACCOUNT_USAGE.TABLESとACCOUNT_USAGE.STAGESに、データベース名とスキーマ名がNULLでinstance_idが入った行として現れます。個別には消せないので、使わないモデルをDROPしてストレージを減らします。日付付きの名前で再学習を重ねるなら、古いモデルの削除も同じジョブに入れます。

モデル作成権限の付与SQL

モデルはスキーマレベルのオブジェクトで、作成するロールにはスキーマへのCREATE権限が要ります。ML関数は既定では呼び出し元のデータにアクセスできない限定的な権限で動くため、入力はTABLEキーワードかSYSTEM$REFERENCEで参照として渡します。

GRANT USAGE ON DATABASE analytics_db TO ROLE analyst;
GRANT USAGE ON SCHEMA analytics_db.ml TO ROLE analyst;
GRANT CREATE SNOWFLAKE.ML.FORECAST ON SCHEMA analytics_db.ml TO ROLE analyst;
GRANT CREATE SNOWFLAKE.ML.ANOMALY_DETECTION ON SCHEMA analytics_db.ml TO ROLE analyst;
GRANT CREATE SNOWFLAKE.ML.CLASSIFICATION ON SCHEMA analytics_db.ml TO ROLE analyst;

ML関数を使うセッションではAUTOCOMMITが有効である必要があります(新しいセッションでは既定で有効)。Snowparkから呼ぶ場合、session.callはML関数のモデルに未対応なので、session.sql("CALL my_model!FORECAST(...)").collect()の形で実行します。

ML関数で足りないときの選択肢:snowflake-ml-pythonとCoCoのAuto MLスキル

ML関数の制約に当たったときは、Pythonで人が作り込むか、CoCoのAuto MLスキルに探索させるかを選びます。

観点 ML関数 snowflake-ml-python CoCo Auto MLスキル
書くもの SQLのみ Python 自然文の指示
アルゴリズム選択 不可 自由 エージェントが探索
対象タスク 予測・異常検知・分類・要因分析 制限なし 分類・回帰・予測・クラスタリング
成果物 SQLで呼ぶモデル コードとモデル ノートブックと実験記録
Model Registry 表示されない 登録できる 登録を指示できる

snowflake-ml-pythonで作り込む場合の構成

PyPIのsnowflake-ml-pythonは2.9.0(2026年11月9日公開・Python 3.10以上3.15未満)が最新です。Snowflake MLの概要ページが挙げる構成は、CPUやGPUで任意のオープンソースパッケージを使って学習するContainer Runtime、特徴量を定義して共有するFeature Store、学習結果を比べるExperiments、VS CodeやPyCharmなど外部のIDEから処理を送ってパイプライン化するML Jobs、Snowflake外で学習したモデルも登録できるModel Registry、本番モデルの性能やドリフトを監視するML Observabilityです。ML関数で学習したモデルはModel Registryに表示されないため、版管理や監視を基盤の機能として組み込みたい場合は、Model RegistryとML Observabilityが候補です。ML関数でも、日付付きモデル名と評価結果の保存を組み合わせれば、旧モデルの保持・参照先の切り替え・精度の比較はできます。需要予測のアルゴリズムを自分で選ぶ場合の考え方は需要予測アルゴリズムの選び方と実装手順|時系列・機械学習・Python、FORECASTのアンサンブルにも入っているProphetの現状はProphet(Meta・旧Facebook)とは:時系列予測の使い方とv1.5の開発状況【2026年10月】で扱っています。

BigQueryのAI.FORECASTや外部AutoMLとの位置関係

BigQueryのAI.FORECASTは、自社データで学習せず事前学習済みのTimesFMで予測する点がML関数と違います(TimesFMとは:BigQueryのAI.FORECASTで試す時系列予測とTimesFM 3.0の多変量・共変量【2026年10月時点】)。DataRobotやH2O.aiなど外部AutoMLを含む製品の類型はAI予測分析ツールとは?5タイプの比較と主要製品・チャーン予測AIの選び方【2026年11月】、DWHの選び方はBigQueryとSnowflakeの比較:課金モデルの構造差と同時実行で決める選定基準で扱っています。

導入判断:ML関数が向く業務と見送るべき業務

ML関数が向くのは、日次売上の予測、クレジット消費やデータ件数の異常監視、離反の二値分類のように、目的の列が1つで入力が1枚の表にまとまり、SQL中心のチームが学習から結果のテーブル保存まで回す業務です。逆に、次の場面では主役にしません。

見送るべき業務:多テーブル横断・自由文・説明責任が重い判断

第一に、顧客・注文・商品など複数テーブルの関係そのものが効く予測です。ML関数は1枚の表を前提にするので、集計で特徴量を作り込むか、snowflake-ml-pythonで設計します。第二に、問い合わせ文や文書の分類です。CLASSIFICATIONは自由文に対応しないため、Cortex AIの関数を使います。第三に、与信や価格決定のように、モデルの版とその時点の精度を後から説明する必要がある判断です。ML関数のモデルには版管理がなく作り直すと消えるため、監査に耐える記録はModel Registry側で残す方が確実です。

本番導入の失敗条件:評価不足・再学習漏れ・通知過多

よくある失敗は、評価指標を確認せずに予測テーブルをダッシュボードへ流すことです。n_splitsが既定の1のままでは1区間の誤差しか見えず、季節の変わり目で大きく外れても気づけません。もう1つは、再学習のジョブを作らずに最初のモデルを使い続けることです。予測の起点は学習データの最終日で固定されるため、数週間後には「予測」が過去の日付を指すようになります。異常検知でprediction_intervalを既定の0.99のまま多数の系列に当てると、系列ごとの通知が積み重なり、確認しきれなくなるおそれがあります。導入初日に、評価の分割数、再学習の頻度、許容するアラート件数の3つを決めてから本番に載せます。社内に予測モデルの設計や運用の担い手がいない場合は、AI予測分析開発・需要予測開発のような外部支援でPoCの評価設計から始める方法もあります。

Snowflake AutoMLに関するよくある質問

Snowflake AutoMLとは何ですか?

SQLで呼ぶML関数と、CoCoのAuto MLスキルの2系統を指します。ML関数はFORECAST(時系列予測)、ANOMALY_DETECTION(異常検知)、CLASSIFICATION(分類)、TOP_INSIGHTS(要因分析)の4つで、SQLだけで利用できます。前者3つはデータからモデルを学習し、TOP_INSIGHTSは事前学習なしで分析します。Auto MLスキル(オープンプレビュー)はエージェントがXGBoost・LightGBM・AutoGluonなどを比べてモデルを作り、Pythonのノートブックとして残します。

Snowflake ML関数とSnowflake ML(snowflake-ml-python)の違いは何ですか?

ML関数は決まった用途をSQLで自動学習させる機能で、アルゴリズムの変更や版管理はできません。snowflake-ml-pythonはPythonで任意のモデルを作り、Model Registryで版を管理できる開発基盤です。どちらもデータをSnowflakeの外へ出さずに学習・推論できます。

Snowflakeの予測(FORECAST)はどんなアルゴリズムを使っていますか?

既定のmethodは'best'で、Prophet・ARIMA・指数平滑・GBMベースのアルゴリズムのアンサンブルです。'fast'を指定するとGBMベースの単一アルゴリズムになり、系列数が1万以上のときに推奨されています。異常検知と分類はGBM、Top Insightsは決定木です。

ML関数の料金はどれくらいかかりますか?

専用の料金はなく、ウェアハウスのコンピュートとモデルのストレージで課金されます。公式の目安では、標準XSで評価を切った100万行の予測モデルの学習が約850秒で、1時間1クレジットのGen1標準XSなら、学習中のコンピュートはおよそ0.24クレジットです。評価の分割数を増やすと学習時間はほぼ比例して延びます。

Pythonを書けなくてもSnowflakeで機械学習はできますか?

はい。ML関数は学習・推論・評価・権限付与までSQLで完結し、Snowsightのワークシートで動かせます。時系列予測なら「AI & ML Studio」の画面からの設定も可能です。Pythonが要るのは独自の学習処理を書く場合で、Model Registryに登録済みのモデルの版の切り替えや推論はSQL(ALTER MODEL・SHOW VERSIONS IN MODELなど)でも扱えます。

関連記事

お気に入りに入れた記事の一覧

一創の公式 SNS

X では毎朝の新着記事と IT ニュースの速報を、YouTube・TikTok・Instagram・LinkedIn・Facebook では記事の解説動画を配信しています。

この記事は以下の記事からリンクされています

資料請求

今日のトレンド記事 直近 24 時間で、いつもより多く読まれている記事

  1. 2026.11.13 テックブログ 宝くじ公式サイト不正アクセス:4,436名の対象確認とパスワード再設定、変更された仕組み
  2. 2026.11.14 テックブログ Gitの脆弱性6件:CVE-2026-111760の再帰クローン対策と2.56.1への更新手順
  3. 2026.11.14 テックブログ ImageMagickの脆弱性VU#580079:policy.xmlの許可リスト設定と影響判定の手順
  4. 2025.04.09 コラム ダブルバーレル質問(二重質問)とは?例文と直し方、多重質問・誘導質問との違い
  5. 2026.11.13 テックブログ KARTEの不正アクセス:メールアドレス79,249件と連携認証情報の漏えい、利用企業の対応手順【11月16日時点】

RELATED POSTS 関連記事

目次