このハンズオンラボでは、Snowflake内で完全なAI搭載リテール分析プラットフォームを構築します。外部インフラは一切不要です。Snowflake CoCoをAI支援開発環境として使用し、データライフサイクル全体を通して作業します：Snowpipe Streamingによるリアルタイムオーダーのストリーミング、Gen2 Warehouseを使用した本番テーブルへのMERGE、3層Dynamic Tablesパイプラインによる変換、低レイテンシのポイントルックアップのためのInteractive Tablesによるサービング。

dbtによる分析モデルの構築、Data Metric Functionsによるデータ品質の監視、再利用可能なワークフロー用のカスタムCoCoスキルの作成を行います。最後に、Snowflake CoWork — Cortex AgentがCortex AnalystとAgentic Searchを連携させて、構造化データと非構造化データの両方から「何が起きたか」と「なぜ」に答える会話型AIインターフェースですべてを統合します。さらに、グラウンドトゥルースデータセットによるエージェント評価、行レベルセキュリティの実装、外部AIクライアント向けのマネージドMCPサーバーとしてエージェントを公開します。

Snowflake上のプロダクショングレードAI搭載リテール分析プラットフォーム — 生データから会話型AIインサイトまで、単一プラットフォーム内で完結します。動的変換パイプライン、インタラクティブ低レイテンシテーブル、dbt分析モデル、構造化・非構造化データにまたがる質問に回答するCortex Agent、AIを通じて透過的に動作する行レベルセキュリティ、外部クライアントにエージェントを公開するMCPサーバーを構築します。

Snowflake CLI（snow）を使用すると、ターミナルからSQL実行、アプリのデプロイ、Snowflakeオブジェクトの管理が可能です。

macOS（Homebrewを使用）：

Homebrewがまだインストールされていない場合は、ターミナルを開いて以下を実行します：

次にSnowflake CLIをインストールします：

Windows：

Linux：

インストールを確認します：

Snowflake CLI version: 3.x.x のような出力が表示されるはずです。

Snowflake CoCoは、ターミナルで動作するAI搭載コーディングアシスタントです。自然言語プロンプトを使用して、SQL作成、パイプライン構築、アプリのデプロイ、データ探索を支援します。

macOSおよびLinux：

Windows（PowerShell）：

インストールを確認します：

ビジュアルIDE体験を好む場合は、CLIの代わりに（または併用して）CoCo Desktopをダウンロードしてください。ファイルエディター、統合ターミナル、エージェントブラウザ、同じAI機能を備えたネイティブMac/Windowsアプリです。

初回起動時は、オンボーディングウィザードに従います：

1. Welcomeスクリーンで「Next」をクリック
2. 接続を追加（上記と同じアカウント識別子と認証情報を使用）するか、connections.tomlから検出された既存のものを選択
3. Agentモードを選択
4. テーマを選択し、「Get Started」をクリック

詳細はCoCo Desktopドキュメントをご覧ください。

Snowflakeに対してコマンドを実行する前に、接続の設定が必要です。これにより、CLIがどのSnowflakeアカウントに接続し、どのように認証するかを指定します。

対話型接続ウィザードを実行します：

以下の値の入力を求められます（1つずつ入力）：

接続をテストします：

Status: OK と表示されるはずです。

Snowflake CoCoを起動して接続を確認します：

次に、コアインフラストラクチャスクリプトを実行します（約10-15分かかります）：

これにより、データベース、スキーマ、ウェアハウス、テーブル、Dynamic Tablesパイプライン、Interactive Tables、Cortex Search Services、セマンティックビュー、シードデータ（1,000万注文、2,500万注文アイテム、200万顧客）、Row Access Policyが作成されます。

セットアップが完了したので、作成されたものを確認しましょう。CoCoとの最初のインタラクションです — データについて自然言語で質問してみてください。

CoCoにプロンプト：

CoCoがINFORMATION_SCHEMAをクエリし、データベース構造を表示します：RAW（ソーステーブル＋ビュー）、STAGING（ストリーミングランディングゾーン）、DYNAMIC_TABLES（パイプライン）、INTERACTIVE（低レイテンシ）、SEMANTIC（AIレイヤー）。

期待される結果：約1,000万注文、約2,500万注文アイテム、200万顧客、10製品、1,200レビュー、1,200サポートチケット。

期待される結果：2025年6月から2025年9月。

これにより、変換と分析を開始する前にデータセットのメンタルモデルが形成されます。

Data Metric Functions (DMFs)を使用すると、テーブルの列に直接自動品質チェックを付加できます。Snowflakeはスケジュールに従ってそれらを実行し、結果をSNOWFLAKE.LOCAL.DATA_QUALITY_MONITORING_RESULTSに保存します。組み込みDMFにはNULL_COUNT、DUPLICATE_COUNT、UNIQUE_COUNT、FRESHNESSが含まれます。カスタムDMFも作成可能です。

セットアップスクリプトはorders.total_amountとorder_items.quantityに約200のNULL値、order_items.product_nameに約150のNULL値を注入しました。DMFは最初の2つを検出しますが、ギャップがあります。

CoCoにプロンプト：

CoCoがTOTAL_AMOUNT（200 NULLs）とQUANTITY（200 NULLs）に違反があることを表示しますが、product_nameのNULLは検出されていません。

CoCoが約150のNULLを見つけ、DMFがproduct_nameではなくproduct_categoryに誤って付加されていることを明らかにします。

これは実際のワークフローを示しています：監視、ギャップの発見、カバレッジの修正。

Dynamic Tablesは宣言的データパイプラインです — ターゲット状態をSQLクエリとして定義すると、Snowflakeが自動的にインクリメンタルリフレッシュを処理します。TARGET_LAGパラメータで鮮度を制御します：Tier 1テーブルには時間ベースのラグ（例：1 minute）を設定し、Tier 2以降にはDOWNSTREAMを使用して上流ソースが変更された場合にのみリフレッシュします。

CoCoにプロンプト：

CoCoが3層パイプラインを表示します：

CoCoに質問：

期待される結果：上位5日は2025年9月（新学期のピーク）で、各日約$183Mの収益と約117K注文。

dbt-snowflakeは、SQL SELECTステートメントを使用して生データを分析可能なモデルに変換します。dbt-snowflakeアダプターはSnowflakeとネイティブに統合され、インクリメンタルモデル、スナップショット、組み込みテストをサポートします。このHOLでは、dbtが顧客生涯価値、セグメンテーション、製品パフォーマンス、サポート分析のためのステージングビューとマートテーブルを作成します。

CoCoにプロンプト：

CoCoがdbt depsを実行し、次にdbt buildですべてのステージングビューとマートテーブル（9以上のモデル）を作成します。CoCoはアクティブなSnowflake接続をdbtプロファイルに自動的に注入します — 手動設定は不要です。

Gen2 WarehousesはOptima Indexingを導入します — 明示的なクラスタリングキーなしにクエリ時にパーティションをプルーニングする自動インデックスレイヤーです。Gen2ウェアハウスはクエリパターンから学習し、ポイントルックアップやフィルタスキャンを高速化する内部インデックスを構築します。

Optima Indexingの動作を実証します：

CoCoにプロンプト：

Snowsightでクエリプロファイルを開き、パーティションプルーニングを確認してください — 明示的なクラスタリングキーがないにもかかわらず、スキャンされるパーティションはごく一部です。これがGen2のOptima Indexingの動作です。

Interactive Tablesは、低レイテンシ・高並行性のポイントルックアップ専用に構築されています。等価述語に最適化されたクラスタリングで事前計算結果を維持し、ダッシュボードフィルターやフルテーブルスキャンが必要なアプリケーションクエリにサブ秒のレスポンス時間を提供します。

Snowsightでクエリを実行し、サブ秒のレイテンシを観察します：

CoCoにプロンプト：

200並行セッション（合計1000クエリ）をInteractiveとStandardの両方のウェアハウスに対して実行し、P50/P90/P99レイテンシを比較します。Interactiveウェアハウスで顕著に低いレイテンシと高いスループットが見られるはずです。

ウォームキャッシュの効果を観察するため、負荷テストをもう一度実行してみてください。結果はアカウント、リージョン、データスケールによって異なる場合があります。

CoCoカスタムスキルを使用すると、繰り返し可能なワークフローを名前付きコマンドにパッケージ化し、チームメンバーが呼び出せるようにできます。スキルはMarkdownファイル（.cortex/skills/<name>/SKILL.md）で、トリガー、パラメータ、CoCoがスキル起動時に従うステップバイステップの指示を定義します。

テーブルプロファイリングを自動化する再利用可能なスキルを作成します：

CoCoにプロンプト：

CoCoが.cortex/skills/profile-table/SKILL.mdにスキル定義、トリガー、ステップバイステップの指示を作成します。

チームが再利用可能なワークフローを共有可能なCoCoスキルとしてパッケージ化する方法を実証しています。

Cortex Agentsは、質問を適切なデータソースにルーティングするマルチツールAIオーケストレーターです。Cortex Analyst（セマンティックビューを介したtext-to-SQL）とCortex Search（非構造化データに対するベクトル＋キーワード検索）を組み合わせ、単一の会話インターフェースから「何が起きたか」と「なぜ」の両方に回答します。

CoCoにプロンプト：

SnowsightでSnowflake CoWorkインターフェースを開きます：AI & ML → CoWork に移動（またはグローバル検索バーで「CoWork」を検索）。BUSINESS_INSIGHTS_AGENTエージェントを選択します。各質問を試して、異なるツールルーティングを実証します：

これがクライマックスです — エージェントが構造化データ（text-to-SQL）と非構造化データ（Cortex Search）にまたがってルーティングし、「何が起きたか」と「なぜ」に回答します。

Row Access Policiesは宣言的に行レベルセキュリティを施行します — どの行がどのロールに表示されるかを決定するブール式を定義すると、Snowflakeがすべてのクエリ（AIエージェントが生成したものを含む）に透過的に適用します。アプリケーションコードの変更は不要です。

Row Access PolicyとWEST_COAST_MANAGERロールはsetup.sqlで作成済みです。ロールに基づいて行レベルセキュリティがデータを透過的にフィルタリングする方法を実証します：

ACCOUNTADMIN（フルアクセス）として：

結果：全10州が表示されます。

WEST_COAST_MANAGER（制限付き）として：

結果：CA、OR、WAのみが表示されます — Row Access Policyが透過的にデータをフィルタリングします。

重要なポイント：同じクエリ、同じテーブル — 誰が質問しているかによって異なる結果。行レベルセキュリティは、アプリケーションロジックを変更せずにデータ境界を施行します。

Snowsightで WEST_COAST_MANAGER ロールに切り替え、CoWorkを開いてエージェントに質問します：

エージェントはCA、OR、WAのみの結果を返します — Row Access PolicyはAI生成SQLを通じても透過的にデータをフィルタリングします。

Streamlit in Snowflakeを使用すると、Snowflakeアカウント内で直接インタラクティブなデータアプリケーションを構築・デプロイできます — 外部インフラは不要です。アプリはSnowflake内で安全に実行され、データへのネイティブアクセスと同じロールベースのアクセス制御が適用されます。

CoCoにプロンプト：

CoCoがstreamlit-dashboard/ディレクトリからsnow streamlit deployを実行します。デプロイ後、SnowsightでアプリURLを開いて探索します：

エージェント評価を使用すると、グラウンドトゥルースデータセットとLLM-as-judgeスコアリングでエージェント品質を測定できます。入力クエリと期待される回答を定義し、Snowflakeが各質問に対してエージェントを実行し、回答の正確性（レスポンスがグラウンドトゥルースと一致するか？）と論理的一貫性（推論ステップが内部的に一貫しているか？）でスコアリングします。

評価データセット（7問＋グラウンドトゥルース）はsetup.sqlで作成済みです。Snowsightで評価を実行します：

1. Snowsightで ACCOUNTADMINロールに切り替え（左上のロールセレクター）
2. AI and ML > Agents > BUSINESS_INSIGHTS_AGENT > Evaluationsタブに移動
3. 「New evaluation run」をクリック、名前を付け（例：hol-eval-run-1）、「Next」をクリック
4. 「Create new dataset from table」を選択
5. Source tableで、Database and schemaをDASH_AUTOMATED_INTELLIGENCE_DB.SEMANTICに設定し、AGENT_EVALUATION_DATAを選択
6. New dataset locationはDASH_AUTOMATED_INTELLIGENCE_DB.SEMANTICのまま
7. Dataset name：hol_eval_dataset
8. 「Next」をクリック
9. Define metricsで、Input query = INPUT_QUERYを確認
10. Answer Correctnessをオンにし、Expected answer = GROUND_TRUTHを設定
11. Logical Consistencyをオンに
12. 「Create」をクリック — 評価が自動的に開始されます（約3分）

論理的一貫性で低スコアの質問がある場合：

1. 低スコアの行をクリックし、Thread detailsを表示
2. Planningステップでのツール選択に関する曖昧な推論を探す
3. エージェントの指示をより明確に更新
4. エージェントを再作成し、評価を再実行

Snowflake MCPサーバーは、Cortex Agents、セマンティックビュー、Search Servicesをオープンなモデルコンテキストプロトコル（MCP）で発見可能なツールとして公開します。MCP互換クライアント（CoCo CLI、Claude Desktop、カスタムアプリ）がサーバーエンドポイントに接続し、プログラム的にツールを呼び出せます — SnowflakeのAIスタックを再利用可能なサービスレイヤーにします。

Business Insights AgentをマネージドMCPサーバーとして公開します：

CoCoにプロンプト：

CoCoがMCPサーバーを作成します：

これでMCP互換クライアント（CoCo、Claude Desktop、カスタムアプリ）が標準MCPプロトコルでこれらのツールを発見・呼び出しできます。

CoCoにプロンプト：

CoCoがCATALOG='SNOWFLAKE'（外部ボリューム不要）でテーブルを作成し、フィルタクエリでパーティションプルーニングを実証します。

CoCoがENABLE_ICEBERG_MERGE_ON_READ = TRUEでV3テーブルを作成し、データを挿入し、完全なファイル書き換えの代わりに削除ベクトルを使用するUPDATEを実行します。

データファイルを書き換えずにV3スキーマエボリューションを実証します。

Snowpipe Streaming認証用の鍵を生成します：

profile.jsonを編集し、account、user、private_key（rsa_key.p8の内容）、roleを設定します。

ステージングに10,000注文と約50,000注文アイテムが見られるはずです。

CoCoを使用してストリームデータをマージします：

おめでとうございます！ストリーミング取り込みから会話型AI、MCPサーバー公開まで、Snowflake上の完全なAI搭載リテール分析プラットフォームの構築に成功しました。

ドキュメント：