<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:media="http://search.yahoo.com/mrss/"><channel><title>BigQuery</title><link>https://cloud.google.com/blog/ja/products/bigquery/</link><description>BigQuery</description><atom:link href="https://cloudblog.withgoogle.com/blog/ja/products/bigquery/rss/" rel="self"></atom:link><language>ja</language><lastBuildDate>Wed, 18 Nov 2026 07:43:16 +0000</lastBuildDate><image><url>https://cloud.google.com/blog/ja/products/bigquery/static/blog/images/google.a51985becaa6.png</url><title>BigQuery</title><link>https://cloud.google.com/blog/ja/products/bigquery/</link></image><item><title>AI.AGG で BigQuery の数百万行にわたるデータのセマンティック集計を実現</title><link>https://cloud.google.com/blog/ja/products/data-analytics/semantic-data-aggregation-with-bigquery-and-ai-agg/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 11 月 6 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/semantic-data-aggregation-with-bigquery-and-ai-agg?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;10 年以上にわたり、BigQuery は構造化データの集計における業界標準を牽引し、ペタバイト規模の財務データの合計算出、アクティブ ユーザー数の集計、過去データの平均値算出などをわずか数秒で実行してきました。しかし、現代の企業がアプリケーション ログ、カスタマー サービスの文字起こし、製品画像、診断レポートといった急増する非構造化データに圧倒されるなか、重大なギャップが浮き彫りになっています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これまで、リレーショナル SQL エンジンには、数百万行ものテキストやマルチモーダル データから、共通するセマンティックなテーマを集計、合成、抽出するネイティブな機能が備わっていませんでした。BigQuery には強力な行レベルの AI 関数（AI.GENERATE や AI.CLASSIFY など）が最近導入されましたが、大規模なデータセットを包括的に分析する際には、大規模言語モデル（LLM）のコンテキスト ウィンドウというアーキテクチャ上の独自の課題が立ちはだかります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Gemini のような高度な基盤モデルであっても、重大なデータ切り捨てや致命的な実行エラーを回避しながら、数百万行ものデータを一度のプロンプトで処理することは不可能です。これまでは、この問題を解決するためにデータ エンジニアリング チームが複雑な外部 MapReduce パイプラインを構築し、レート制限に伴うバックオフを管理しながら、分割された要約を再帰的に繋ぎ合わせる必要がありました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;今回は、現在プレビュー版として提供されている AI.AGG について詳しく解説します。これは、BigQuery GoogleSQL にネイティブに組み込まれた、フルマネージドのマルチレベル セマンティック集計関数です。セマンティック集計を分散 MapReduce の問題として捉え直すことで、AI.AGG は、データチームがわずか 1 つの SQL クエリで数百万行ものデータに対し自然言語による指示を実行することを可能にします。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ここでは、その仕組み、革新的なエンタープライズ ユースケース、本番環境にデプロイするためのベスト プラクティスについて詳しく見ていきます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_xGJBEhT.max-1000x1000.jpg"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="uu2gi"&gt;ペタバイト規模のデータを、BigQuery 上でネイティブにセマンティックなインサイトに変換します。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;マルチレベルのバッチ処理アーキテクチャ&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; は、チャンキングや並列実行に伴う極めて複雑なエンジニアリング作業を抽象化します。&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; クエリを実行すると、BigQuery エンジンがデータベース内でネイティブに一連の処理を自動的にオーケストレートします。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;行レベルの検証: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery エンジンは、各行が最大コンテキスト ウィンドウを超えていないかを確認します（10 MiB を超えるペイロードは破棄されるか、エラーが返されます）。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;コンテキスト長を考慮したバッチ処理:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; BigQuery エンジンは、入力行を動的に小規模なバッチにグループ化して、選択した Gemini エンドポイントのトークン制限内に十分に収まるようにします。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;並列推論: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;自然言語による SQL プロンプトが各バッチに並列で適用され、Vertex AI を介して中間的なセマンティック サマリーが生成されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;再帰的合成:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 最後に、システムはこれらの中間出力をまとめてバッチ処理し、まったく同じ指示とともに LLM に渡します。この集約処理は、SQL の &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;GROUP BY&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 句ごとに最終的な集計文字列が 1 つになるまで、再帰的に繰り返されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; は、分散されたバッチ間で概念を統合するために高度な推論を必要とするため、パイプラインのすべての段階でフルウェイトの LLM に完全に依存しています。この点が、軽量化された CPU プロキシモデルを活用できる &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.CLASSIFY&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; などの行レベルの関数とは異なっています。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;マルチモーダルなエンタープライズ環境に対応&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; は、テキスト入力とマルチモーダル入力の両方にネイティブに対応しています。BigQuery オブジェクト テーブルと &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;OBJ.GET_ACCESS_URL&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 関数を活用することで、分析チームはデータの移動やコード変換を行うことなく、Cloud Storage に直接保存されている数千もの画像から視覚的なインサイトを抽出して集計できるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; データ エンジニアリングのヒント: NULL 排他ルール&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;複数の列を評価する場合、多くのユーザーは STRUCT（構造体）を関数に渡して処理します。しかし、その複合構造内のフィールドが 1 つでも NULL と評価されると、行全体が NULL と見なされ、何のアラートもなく破棄されてしまいます。データがパイプラインに確実に送られるように、NULL を許容するフィールドは常に IFNULL() で明示的にラップしてください（例: IFNULL(description, 'No data provided')）。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;エンタープライズにおける革新的なユースケース&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; の真の分析力は、標準的な SQL の &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;GROUP BY&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 操作と組み合わせることで発揮されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;1. 大量のシステムログの診断分析&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;世界中に分散されたマイクロサービスが生成するシステムログには、明示的な致命的エラーとしては現れない、わずかなパフォーマンス低下（メモリ スラッシングやシステム クロックのドリフトなど）が潜んでいることがよくあります。&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; を活用することで、DevOps チームは数百万件ものログをシステム コンポーネントごとに集約し、特定の目的に沿った、人が読める診断サマリーを生成できます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;プロンプト作成のヒント: 異常を探す前に、コンポーネントの「正常な動作」を明示的に説明するようモデルに指示します。これにより、LLM が完全に正常なログに対して誤ってエラーを検出するハルシネーションを抑えることができます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;2. Agentic Data Cloud の構築&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; は単なる分析レポートツールではなく、動的なオーケストレーション エンジンとしての側面も備えています。たとえば、明確な分類がされていない、過去のサポート チケットの膨大なリポジトリを取得したとします。&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; をデプロイすれば、未加工のテキストを読み取って決定版のカテゴリ一覧を生成し、厳密な JSON 配列として出力することが可能です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;JSON_VALUE_ARRAY&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; を使ってこの配列を展開し、生成された動的ラベルを &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.CLASSIFY&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; などの行レベルの分類器に直接渡すことで、エンドツーエンドの自律的なデータラベル付けパイプラインを SQL 上でネイティブにオーケストレートできます。これにより、外部の Python スクリプトを用意する手間を省くことが可能です。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;プロンプト エンジニアリングはデータ エンジニアリング&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;生成モデルを決定論的な SQL パイプラインに統合する場合、標準的な会話型のプロンプトではうまくいかないことがよくあります。プログラム処理を前提とした SQL 出力を得るためのプロンプト作成には、厳格なエンジニアリングの手法が求められます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;明示的な出力契約: プロンプトを API 契約として扱います。次のようなコマンドを追加します。「文字列の有効な JSON 配列を 1 つだけ返してください。マークダウンのコードブロックや会話テキストは含めないでください。」&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;コンテキスト区切り文字: 明示的なラベル（例: &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;'- Description: '&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;）を付加した文字列連結を使用して、LLM のコンテキストを固定し、高密度のバッチ処理において各フィールドが混同されるのを防ぎます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;エラー発生時の設計: 欠落している情報については、推測するのではなく厳密な null 値を返すようモデルに明示的に指示することで、後続の処理におけるスキーマのハルシネーションを防ぎます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;少数ショット アンカー: プロンプト内で期待される構造の具体的な例を提供して、モデルのアテンション機構をその構造に強力にグラウンディングします。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;ガバナンス、費用管理、ガードレール&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;セマンティック ワークロードを本番環境へ移行するには、運用面での監視が不可欠です。再帰的なバッチ処理アーキテクチャを採用しているため、Gemini に送信されるトークンの合計数は、元のソースデータのトークン数よりも多くなります。コストを抑えるため、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;WHERE&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 句や &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;LIMIT&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 句による厳格な事前フィルタリングを徹底してください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;さらに、大規模で静的なデータセットを相互参照するワークフローにおいて、BigQuery は Gemini コンテキスト キャッシュをサポートしており、入力トークンの費用と実行レイテンシを削減することが可能です。&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.COUNT_TOKENS&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; ユーティリティを使用すると、実行前にクエリのコストを見積もることができます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;管理者は、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; が BigQuery のガバナンス フレームワークに厳格に準拠し、データの引き出しを防止する VPC Service Controls（VPC-SC）をサポートしていることを確認したうえで、安心して運用できます。さらに、バッチ処理中に一時的なエラーが発生した場合でも、この関数はクエリ全体を停止させるのではなく、拒否された行をスキップして処理を継続する「グレースフル デグラデーション」を実行します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;プレビュー版を利用する際の留意事項:&lt;/strong&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;SQL グループごとの最終出力文字列は、1 グループあたり 10,000 トークンまでに厳密に制限されています。簡潔な出力にするようモデルに指示してください。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;個々のペイロード行は 10 MiB 以下である必要があります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;マルチモーダル配列を処理する際は、通知なくデータがスキップされないように、1 行あたりの画像アセットを 10 個未満に制限してください。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;安定性を最大限に高めるため、1 回のクエリで処理する行数は最大 2,000 万行、出力する SQL グループ数は最大 1,000 個にとどめることをおすすめします。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;AI.AGG を実際に使ってみる&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;利用を始める際の例として、従来の SQL 指標と併せて &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; を活用し、インサイトを合成する方法をご紹介します。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;マクロレベルのトピック検出&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;特定のトップ投稿者の発言内容を要約し、数千件におよぶコメントを簡潔な要約文にまとめます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;WITH top_commenters AS (\r\n SELECT\r\n   `by` AS author,\r\n   `text`\r\n FROM `bigquery-public-data.hacker_news.full`\r\n WHERE `type` = &amp;#x27;comment&amp;#x27;\r\n   AND `by` IN (&amp;#x27;dang&amp;#x27;, &amp;#x27;patio11&amp;#x27;, &amp;#x27;tptacek&amp;#x27;)\r\n LIMIT 5000\r\n)\r\nSELECT\r\n author,\r\n AI.AGG(\r\n   `text`,\r\n   &amp;#x27;These are comments written by this user on a tech forum. Tell me what topics this user talks about the most and what their general tone is. Keep it concise.&amp;#x27;\r\n ) AS author_persona\r\nFROM top_commenters\r\nGROUP BY author;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a7338d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_PRKEHfd.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;DevOps 向けの自律的な診断レポート（ログ分析）&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;標準的な HTTP エラーコードを集計する代わりに、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; を活用して数千もの未加工のスタック トレースやログ メッセージを読み取り、マイクロサービス名ごとにグループ化することで、システム障害の定性的な根本原因を特定できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;SELECT \r\n  service_name,\r\n  COUNT(*) AS total_errors,\r\n  AI.AGG(\r\n    STRUCT(error_code, log_message, stack_trace), \r\n    &amp;#x27;Analyze these error logs and stack traces. Provide a concise, two-sentence summary of the primary root cause or pattern causing failures in this service.&amp;#x27;\r\n  ) AS diagnostic_summary \r\nFROM `my_project.ops_logs.application_errors` \r\nWHERE severity = &amp;#x27;CRITICAL&amp;#x27; AND timestamp &amp;gt;= TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 24 HOUR)\r\nGROUP BY service_name \r\nORDER BY total_errors DESC;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679787f90&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;データ ウェアハウスの新たな時代&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; により、Google Cloud はペタバイト規模のセマンティック分析の民主化を推進しています。BigQuery のリレーショナル エンジンが持つ決定論的なグループ化機能と、Vertex AI Gemini のマクロな推論機能を融合させることで、エンタープライズ データ ウェアハウスを変革し、過去の指標を蓄積するだけの受動的なリポジトリから、高度で包括的なインテリジェンスを備えたアクティブでセマンティックなランタイムへと進化させています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エンタープライズ データが持つセマンティックな価値を活用する準備はできていますか？Google Cloud コンソールにアクセスして BigQuery のドキュメントを確認し、今すぐ最初のセマンティック集計を実行してみましょう。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;戦略的クラウド エンジニア、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Pramod Niralakeri&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;データ担当クラウド移行コンサルタント、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Shruti Malgatti&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 18 Nov 2026 01:20:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/semantic-data-aggregation-with-bigquery-and-ai-agg/</guid><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>AI.AGG で BigQuery の数百万行にわたるデータのセマンティック集計を実現</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/semantic-data-aggregation-with-bigquery-and-ai-agg/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Pramod Niralakeri</name><title>Strategic Cloud Engineer</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Shruti Malgatti</name><title>Cloud Migration Consultant, Data</title><department></department><company></company></author></item><item><title>BigQuery メジャーの一般提供を開始: BI 指標とナレッジグラフを統合して AI の精度を向上</title><link>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-measures-ga-unifying-bi-metrics-and-knowledge-graphs/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 11 月 11 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/bigquery-measures-ga-unifying-bi-metrics-and-knowledge-graphs?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;複雑なビジネス上の問いに答えるには、AI エージェントは「何」が起きたのか、そして「なぜ」起きたのかという 2 つのことを理解する必要があります。「何」とは、リスクのある収益などの管理された指標であり、「なぜ」とは、それを生み出した関係性のネットワークです。指標の定義（いわゆるメジャー）は従来、ビジネス インテリジェンス（BI）プラットフォームに存在し、関係性はナレッジグラフに存在するため、AI エージェントは全体像の半分しか把握できません。不足している半分は推測に頼るため、自信満々に聞こえても、時には間違った回答を出力してしまうことがあります。このハルシネーションの問題を解決するため、&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ja/products/data-analytics/bigquery-graphs-with-measures-for-trusted-agentic-workloads"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery にメジャーを導入&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;し、このたび一般提供を開始しました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これまで、BI とナレッジグラフの両方を必要とする組織は、信頼性の高い指標を計算するスタックと、エンティティの関係をマッピングするスタックという、2 つのサイロ化された技術スタックを運用する必要がありました。これらを橋渡しするには、脆弱なデータ パイプラインや、アナリストや AI エージェントによるランタイムでの整合性チェックが必要でした。彼らは、データ間のつながりを自分たちの頭の中や、肥大化したプロンプトに保持していたのです。この寄せ集めのアプローチは、時間がかかり、費用がかかるだけでなく、アナリストやプロンプトごとに結合や指標の定義が異なるため、データ ガバナンスが崩壊する原因にもなりました。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/Figure_1_Unified_Model_BI_and_Graphs.max-1000x1000.png"
        
          alt="Figure 1 Unified Model BI and Graphs"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="vl7u1"&gt;図 1: AI エージェント、SQL、GQL、ダッシュボードを強化するために、BI 指標とナレッジグラフを 1 か所で定義する統合モデル。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;手動による調整を不要にするには、ビジネスの構造とそれを計測する計算ロジックの両方を理解する単一のモデルが必要です。BigQuery メジャーは、&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ja/products/data-analytics/bigquery-graph-connecting-data-and-ai-at-scale"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery Graph&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 上に直接構築され、統合された基盤を提供します。記述対象となるグラフ エンティティ上に直接メジャーを定義することで、BI ダッシュボードや AI エージェントは、信頼できる数値だけでなく、その背後にある関係性の文脈もあわせて把握できるようになります。これにより、「何」と「なぜ」の両方に確実に答えることができるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「BigQuery のメジャーにより、自己文書化されたデータ プロダクトを提供できるようになりました。BigQuery でネイティブにメジャーを定義することで、Looker ダッシュボード、会話エージェント、データチームのクエリが同じロジックで動作するようになり、リーダーシップ全体で指標が一致し、データチームのメンテナンスのオーバーヘッドが大幅に削減されます。」- Woolworths NZ、データ イネーブルメント責任者 Amanda Reelick 氏&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;「何」と「なぜ」の両方に答える1 つのモデル&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;例を見ていきましょう。たとえば、リテールバンクのリスク分析チームが、プラハ地区で取引アクティビティが急増していることに気づいたとします。これが健全な顧客の増加を表しているのか、それともリスクが集中しているのかを知る必要があります。この質問に答えるには、実際に移動した金額（「何」）と、それが流れた具体的な口座（「なぜ」）という 2 つの証拠が必要です。ほとんどの銀行では、この質問に答えるために 2 つのチーム、2 つのツール、2 つの数字が必要であり、それらが一致することはほとんどありません。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery では、ネイティブ テーブルでも&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/introduction"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ボーダレスなレイクハウス&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;でも、基盤となるデータはすでに配置されています。単一のスキーマを使用することで、データの移動やセカンダリ システムを必要とせず、既存のトランザクション、口座、地区のテーブル上に直接セマンティック モデルを定義できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- Entities, relationships, and measures, declared in one model\r\nCREATE OR REPLACE PROPERTY GRAPH retail_banking.BankingGraph\r\n  NODE TABLES (\r\n    retail_banking.trans AS Trans\r\n      KEY (trans_id)\r\n      PROPERTIES (\r\n        trans_id, account_id, amount,\r\n        MEASURE(SUM(amount)) AS total_trans_amount\r\n      ),\r\n    retail_banking.account AS Account\r\n      KEY (account_id)\r\n      PROPERTIES (\r\n        account_id, district_id, stmt_frq,\r\n        MEASURE(COUNT(account_id)) AS account_count\r\n      ),\r\n    retail_banking.district AS District\r\n      KEY (district_id)\r\n      PROPERTIES (district_id, city, state)\r\n  )\r\n  EDGE TABLES (\r\n    retail_banking.trans AS POSTED_TO\r\n      KEY (trans_id)\r\n      SOURCE KEY (trans_id) REFERENCES Trans (trans_id)\r\n      DESTINATION KEY (account_id) REFERENCES Account (account_id)\r\n      NO PROPERTIES,\r\n    retail_banking.account AS LOCATED_IN\r\n      KEY (account_id)\r\n      SOURCE KEY (account_id) REFERENCES Account (account_id)\r\n      DESTINATION KEY (district_id) REFERENCES District (district_id)\r\n      NO PROPERTIES\r\n  );&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679a82450&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;プラハでの急増が広範な成長を反映しているのか、それともリスクの集中を反映しているのかを判断するために、チームは取引量が多くの口座に分散しているのか、それとも少数の口座によって牽引されているのかを確認します。&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;GRAPH_EXPAND&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; を使用してグラフをフラット化し、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AGG()&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 関数を使用して両方のメジャーをロールアップします。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- Volume by city, and the accounts behind it, each counted once\r\nSELECT\r\n  District_city,\r\n  AGG(Trans_total_trans_amount) AS total_volume,\r\n  AGG(Account_account_count)    AS accounts_involved\r\nFROM GRAPH_EXPAND(&amp;quot;retail_banking.BankingGraph&amp;quot;)\r\nGROUP BY District_city;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679a802d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ファクトとディメンションのモデル化方法に固定レベルの粒度が割り当てられている「グレインロック」されたメジャーを使用することで、正確なレポートを確保できます。1 つの口座に数千件の取引がある場合、2 つのテーブルを結合すると、口座の行が重複する可能性があります。標準 SQL の &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;COUNT(account_id)&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; では、これらの口座が重複してカウントされ、リスクチームとファイナンス チームで数値が一致しなくなります。BigQuery メジャーは、各エンティティのネイティブな粒度を維持し、テーブルの結合方法に関係なく、すべての口座を 1 回だけカウントします。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;調査の後半は、データ間のつながりについてです。プラハでのアクティビティを生み出しているのはどの口座でしょうか。これには、まったく同じモデルに対して GQL（ISO 規格の Graph Query Language）で走査を行うことで答えることができます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Which accounts moved money in Prague\r\nGRAPH retail_banking.BankingGraph\r\nMATCH (:Trans)-[:POSTED_TO]-&amp;gt;(a:Account)-[:LOCATED_IN]-&amp;gt;(d:District)\r\nWHERE d.city = &amp;#x27;Prague&amp;#x27;\r\nRETURN DISTINCT a.account_id&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679a83850&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;どちらのクエリも個別のシステムを必要とせず、同じガバナンスされた定義に基づいて実行されます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery メジャーの新機能&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;プレビュー版では、BigQuery Graph と緊密に統合されたグレインロック メジャーが導入されましたが、実際のプロダクション分析では、基本的な合計以上のものが求められます。また、エンタープライズ AI エージェントには、これらの指標をプログラムで検出して解釈する方法が必要です。BigQuery メジャーの一般提供（GA）版では、複雑なビジネス ロジックに対応するより高度なモデリングとビジュアリゼーション、そしてエージェント エコシステムに向けたネイティブなセマンティック検出という、2 つの主要領域に重点を置いています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;&lt;span style="vertical-align: baseline;"&gt;より豊富なモデリング、クエリ、BI ビジュアリゼーション&lt;/span&gt;&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;より表現力豊かで柔軟なメジャー定義を可能にするため、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;MEASURE()&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; は複合式と派生メジャーの両方をサポートしています。この機能は一般提供されています。クエリ間で条件ロジックを繰り返すのではなく、ベースライン集計を一度定義し、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AGG()&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; を使用して同じテーブル上でより高次の計算へと組み立てることができます。BigQuery は、スキーマのコンパイル時にこれらの数式の依存関係を検証し、循環参照や無効な集計を早期に検出します。ダウンストリームのダッシュボードと AI エージェントは、複雑な比率や純指標を任意の次元で一貫した精度でクエリできます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;たとえば、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;Trans&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; ノードで、決済済みボリュームを合計ボリュームとともに定義し、それらの構成要素から未決済ボリュームと未決済率を直接導出できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- Compose custom calculations, conditional expressions, and derived ratios\r\nPROPERTIES (\r\n  trans_id, account_id, amount, fee, is_settled,\r\n  MEASURE(SUM(amount)) AS total_trans_amount,\r\n  MEASURE(SUM(CASE WHEN is_settled = TRUE THEN amount ELSE 0.0 END))\r\n    AS settled_volume,\r\n  MEASURE(AVG(CASE WHEN amount &amp;gt; 10000 THEN amount ELSE NULL END))\r\n    AS avg_large_trans,\r\n  -- Derived: written in terms of the measures above\r\n  MEASURE(AGG(total_trans_amount) - AGG(settled_volume)) AS unsettled_volume,\r\n  MEASURE(\r\n    SAFE_DIVIDE(AGG(total_trans_amount) - AGG(settled_volume),\r\n                NULLIF(AGG(total_trans_amount), 0)) * 100.0\r\n  ) AS unsettled_pct\r\n)&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679a82e90&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;複数のファクト テーブルにまたがるクエリ&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エンタープライズ データモデルは、通常、複数のビジネス プロセスにまたがっています。同じ銀行口座にリンクされた取引とクレジット カードなど、共通のディメンションを共有する別々のファクト テーブルを結合すると、従来は「キャズム トラップ」が発生し、ファクト間の乗算によって両方の指標が膨らんでいました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;GRAPH_EXPAND&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; の新しい &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;start_node&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 引数は、各ファクト テーブルを独自の展開ツリーに分離することで、この問題を解決します。BigQuery は、共有エンティティで結果を結合する前に、各メジャーをネイティブの粒度で評価します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- Transactions and cards per account, each evaluated at its own root grain\r\nSELECT\r\n  ET.Account_account_id,\r\n  AGG(ET.Trans_settled_volume) AS settled_volume,\r\n  AGG(EC.Card_card_count)      AS total_cards_issued\r\nFROM\r\n  GRAPH_EXPAND(&amp;quot;retail_banking.BankingGraph&amp;quot;, start_node =&amp;gt; &amp;quot;Trans&amp;quot;) AS ET\r\nLEFT JOIN\r\n  GRAPH_EXPAND(&amp;quot;retail_banking.BankingGraph&amp;quot;, start_node =&amp;gt; &amp;quot;Card&amp;quot;) AS EC\r\nON ET.Account_account_id = EC.Account_account_id\r\nGROUP BY ET.Account_account_id;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679a801d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;各ファクト テーブルをそれぞれのルート（&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;Trans&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; と &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;Card&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;）から拡張することで、各ブランチは正確な粒度を維持します。これは、取引はあるがカードが発行されていない口座でも同様です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;データポータルでの可視化&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://cloud.google.com/data-studio"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;データポータル&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; の更新された BigQuery コネクタを使用すると、BigQuery グラフに直接接続し、ネイティブ メジャーを活用したインタラクティブなビジュアリゼーションを構築できます。データポータルはグラフモデルで定義された集計ロジックをそのまま引き継ぐため、クライアント側での偶発的な再集計を防ぎつつ、各種チャート間で複雑な計算の一貫性を維持できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/Figure_2__-_data_studio_with_graphs.gif"
        
          alt="Figure 2  - data studio with graphs"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントの時代への適応&lt;/span&gt;&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;メジャーにビジネス上の意味を付加する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;大規模なエンタープライズ スキーマでは、複数の指標が類似した名前を共有することが多いため、メジャーにビジネス上の意味を付加できると便利です。銀行モデルだけでも、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;total_trans_amount&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;settled_volume&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;unsettled_volume&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; はすべて、ビジネス ユーザーが何気なく「volume」と呼ぶ可能性があります。この曖昧さは、レポートを作成するアナリストと、自然言語プロンプトを SQL に変換する AI エージェントの両方にとって、つまずきの原因となります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;一般提供では、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;OPTIONS&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 句を使用して、わかりやすい説明文字列、ドメインの類義語、カスタム Key-Value 拡張機能など、豊富なセマンティック メタデータを各メジャー定義に直接埋め込むことができます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Business meaning and governance metadata travel with the metric\r\nMEASURE(SUM(CASE WHEN is_settled = TRUE THEN amount ELSE 0.0 END)) \r\n  AS settled_volume\r\n  OPTIONS (\r\n    description = &amp;#x27;Transaction value that settled. Excludes fees.&amp;#x27;,\r\n    synonyms = [&amp;#x27;settled amount&amp;#x27;, &amp;#x27;cleared volume&amp;#x27;],\r\n    extensions = [(&amp;#x27;unit&amp;#x27;, &amp;#x27;USD&amp;#x27;),\r\n                  (&amp;#x27;owner&amp;#x27;, &amp;#x27;finance-analytics&amp;#x27;),\r\n                  (&amp;#x27;reporting_tier&amp;#x27;, &amp;#x27;executive&amp;#x27;)]\r\n  )&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a02eb90&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このビジネス コンテキストは SQL 式とともにスキーマ内に保持されるため、指標がクエリされる場所であればどこにでもセマンティック定義がそのまま引き継がれます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;人間と AI エージェントがメジャーを見つけられるようにする&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery は Knowledge Catalog と直接統合されており、人間と機械の双方に向けた発見と利用の一元化されたループを実現します。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Knowledge Catalog での企業全体のコンテキスト検出:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; BigQuery Graph とメジャーのメタデータは自動的に取り込まれ、テーブル、ビュー、ルーティンとともにネイティブ リソースとして Knowledge Catalog で検索可能になります。データ スチュワード、アナリスト、AI エージェントは、ビジネス上の同義語や説明を使ってカタログ全体を検索し、ガバナンスタグを検査したり、基盤となるメジャーの SQL 定義（&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;SUM(CASE WHEN is_settled = TRUE...)&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; など）を参照したりすることで、各指標の計算方法を事前に確認した上で使用できます。Knowledge Catalog では、ビジネス用語集とスチュワードシップ コンテキストを使用してグラフのメタデータを拡充することもできます。アセットの検出、ビジネス上の意味、数学的指標を 1 つのペインに統合することで、ユーザーとエージェントが同じコンテキストで作業できるようにします。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery でのランタイム スキーマ イントロスペクション:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;BQ.SHOW_GRAPH_EXPAND_SCHEMA&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; を呼び出すと、基盤となるテーブルをスキャンすることなく、展開されたグラフのスキーマが JSON 形式で返されます。指標には、説明と類義語とともに &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;"is_measure": true&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; というフラグが付けられます。&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;flatten_results =&amp;gt; FALSE&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; を渡すと、エンティティ階層がネストされた &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ROW&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;（&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;STRUCT&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;）型として保持され、エージェントはリレーショナル ツリーを検査して、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;Account.District.city&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; のようなパスを直接クエリできます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;データと AI のエコシステム全体を連携&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;さらに、BigQuery メジャーは Google Cloud のデータおよび AI スタック全体に統合されているため、すでにお使いのツール上でセマンティクスを作成、再利用し、クエリを実行することができます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;AI による作成: &lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/data-agent-kit"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Data Agent Kit&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; のグラフスキルを活用し、お好みの AI コーディング環境で自然言語プロンプトを使って BigQuery のメジャー定義をスキャフォールディング、作成、検証できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;既存の LookML モデルを再利用:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; すでに Looker でビジネス指標をモデル化している場合は、LookML ベースの&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/looker/docs/reference/param-view-derived-analytic-model#lookml-based-derived-analytic-models"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;派生分析モデル&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を使用して一度モデル化するだけで、Explore、結合、メジャーをネイティブの BigQuery Graph モデルに直接コンパイルできます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;自然言語によるクエリ:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 統合されたグラフとメジャーの定義は、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/conversational-analytics"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;会話型分析&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;ですぐにサポートされます。これにより、ビジネス ユーザーや AI エージェントは、管理された指標に対して複雑な質問を平易な自然言語で行うことができます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery メジャーを使ってみる&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この統合モデルの主なメリットは、既存の基盤から構築できることです。すでに BI セマンティック レイヤを運用している場合は、ガバナンスされた指標をその指標が表すエンティティ上に直接定義します。基盤がナレッジグラフの場合は、最も頻繁に走査する経路に統合メジャーを関連付けます。どちらから始めても、BI ダッシュボードと AI エージェントの両方に対して信頼できる唯一の情報源を構築することになります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;統合されたセマンティクスの実際の動作を確認するには、&lt;/span&gt;&lt;a href="https://www.youtube.com/watch?v=CEtOL6yDmMc" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery メジャーの紹介動画&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧いただくか、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/graph-measures"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery メジャーのドキュメント&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;と &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/graph-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery Graph の概要&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。実際に構築する準備ができたら、&lt;/span&gt;&lt;a href="https://codelabs.developers.google.com/codelabs/bq-graph-measures/instructions#0" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;音楽ストリーミング分析&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;のステップバイステップの Codelab をお試しください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;プリンシパル エンジニア&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;、Bei Li&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;グループ プロダクト マネージャー&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;、Deepak Dayama&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 11 Nov 2026 02:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-measures-ga-unifying-bi-metrics-and-knowledge-graphs/</guid><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>BigQuery メジャーの一般提供を開始: BI 指標とナレッジグラフを統合して AI の精度を向上</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-measures-ga-unifying-bi-metrics-and-knowledge-graphs/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Bei Li</name><title>Principal Engineer</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Deepak Dayama</name><title>Group Product Manager</title><department></department><company></company></author></item><item><title>AlloyDB for PostgreSQL から Iceberg に直接アクセスして、運用データと Lakehouse データを統合する</title><link>https://cloud.google.com/blog/ja/products/databases/direct-iceberg-access-in-alloydb/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 11 月 5 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/direct-iceberg-access-in-alloydb?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;適切なビジネス上の意思決定を行うには、運用データベースから得られるビジネスの最新状況と、レイクハウスやデータ ウェアハウスなどの分析システムに保存されている履歴コンテキストという 2 種類のデータが必要です。従来、これらのシステムは別々のものでしたが、現在では急速に統合が進んでいます。こうした状況を受け、このたび &lt;/span&gt;&lt;a href="https://cloud.google.com/products/alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB for PostgreSQL&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; から Iceberg に直接アクセスする機能（プレビュー版）を発表いたしました。デベロッパーは、Cloud Storage バケットに保存されている Apache Iceberg テーブルに対して AlloyDB から直接クエリし、最新の運用データと結合できるようになります。こうした処理をすべて、単一の SQL クエリで実行できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;さらに、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/sync-bigquery-data-to-alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB 同期&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;と &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/access-real-time-data-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Lakehouse フェデレーション&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;の一般提供も始まりました。Lakehouse は、データのオープンなコピーを 1 つ保持して、あらゆるエンジンから利用できるのが特徴ですが、このボーダーレスな Lakehouse を AlloyDB から操作する方法がこれで全部で 3 つになります。事例として、&lt;/span&gt;&lt;a href="https://cloud.google.com/customers/etsy-lakehouse"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Etsy&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; はボーダーレスな Lakehouse から 3 ペタバイトのデータを移動することなく結合して、パイプライン クエリを 60% 高速化しました。データの保存場所やアプリケーションからの読み取り方に応じて、AlloyDB では次のいずれかのアプローチを使用できます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Iceberg への直接アクセス:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; AlloyDB カラム型エンジンによって、Iceberg テーブルを動かすことなくその場で高速に読み取ります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB 同期:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; レイテンシについて妥協できないワークロードに対して、指定間隔で同期された Lakehouse データを AlloyDB から提供します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Lakehouse フェデレーション:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; ネイティブの BigQuery テーブルを動かすことなくその場でクエリを実行し、BigQuery で処理します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このたびの新機能により、アプリやエージェントは、運用データと Lakehouse データをまとめて処理するために、カスタム パイプラインを構築、管理する必要がなくなります。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/AlloyDB.max-1000x1000.png"
        
          alt="image1"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="z1v26"&gt;AlloyDB とボーダーレスな Lakehouse: Apache Iceberg または BigQuery データを動かさずにその場で直接クエリするか、または AlloyDB にデータを同期できます。これにより、リアルタイム アプリケーションや AI エージェントに対して、運用データおよび Lakehouse データの両方への制御アクセスを提供することが可能となります。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;アクションと同時に意思決定&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB とボーダーレスな Lakehouse のインテグレーションにより、過去のコンテキストと本番環境のトランザクションの直接連携が可能となるため、カスタム パイプラインを構築、管理しなくても、アクションと同時に意思決定を行えるようになります。例:&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;不正行為やリスクの判定:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 不正行為検出エージェントが、支払いの承認前に、データベース内の過去 30 日間の履歴に加えて、Iceberg 内の過去 5 年間の顧客取引履歴をチェックできます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;パーソナライズ:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; ショッピング エージェントが、ページに滞在中のユーザーのカート情報と、Lakehouse からのライフタイム バリューおよび返品履歴を組み合わせて、最適な特典情報を判断します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;動的な価格設定:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 価格設定エージェントが、AlloyDB のリアルタイムの在庫と、Lakehouse の需要および天候の履歴データを組み合わせて、状況に即した価格を設定します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;データ プロダクト:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; データチームがキュレートしたテーブルを Iceberg にひとたび公開すれば、数十のアプリケーションがそれぞれ独自のコピーを保持することなく Iceberg から読み取れるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;いずれの場合も、履歴は Lakehouse に残り、意思決定はデータベース側で行います。具体的には、エージェントが、アクセス許可されたテーブルおよび権限を使って、AlloyDB で人間の代わりに処理を行います。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;では、3 種類の統合方法について詳しく見ていきましょう。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB から Iceberg への直接アクセス（プレビュー版）&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Iceberg への直接アクセスでは、AlloyDB はバケットパスまたは Lakehouse ランタイム カタログを使用して、Cloud Storage から Apache Iceberg テーブルを直接読み取ります。Iceberg テーブルをいったん登録すると、他の PostgreSQL テーブルと同様にクエリを実行できるようになり、本番環境の運用テーブルとの結合も行えます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Register five years of transaction history stored as Iceberg\r\nCREATE TABLE transaction_history (\r\n  customer_id BIGINT, category TEXT, amount NUMERIC, ts TIMESTAMPTZ)\r\nUSING iceberg\r\nWITH (uri = &amp;#x27;gs://my-bucket/warehouse/payments/transaction_history&amp;#x27;);\r\n\r\n\r\n-- Compare the payment in flight with the customer&amp;#x27;s history\r\nSELECT t.amount,\r\n       AVG(h.amount) AS usual_spend,\r\n       MAX(h.amount) AS largest_past_purchase\r\nFROM recent_transactions t                -- live, in AlloyDB\r\nJOIN transaction_history h                -- five years, in Iceberg\r\n  ON h.customer_id = t.customer_id AND h.category = t.category\r\nWHERE t.transaction_id = &amp;#x27;TX-1001&amp;#x27;\r\nGROUP BY t.amount;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe6984c9390&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;AlloyDB は、Lakehouse のデータをコピーすることなく、Iceberg テーブルをその場で読み取って、本番環境の運用データと結合します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB に Iceberg サポートが組み込まれ、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/columnar-engine/about"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB カラム型エンジン&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;によって加速される仕組みになっているため、Lakehouse データへのクエリが高速に処理されます。これらのクエリは、アプリケーションが使用するのと同じデータベース インスタンス上で実行され、読み取り用インスタンスを別途用意する必要はありません。また、社内の諸部門が Lakehouse に公開した最新のデータを読み取れます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Storage の 1 TB のデータセットを対象に、集計クエリを使ってテストしたところ、AlloyDB から Iceberg への直接アクセスは、Amazon の同等の PostgreSQL 互換サービスよりも&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;最大 7 倍高速&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;、オープンソースの PostgreSQL 拡張機能よりも&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;最大 3.5 倍高速&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;でした。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB 同期による最小レイテンシの読み取り（一般提供）&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;どんなテーブルでも動かさずにその場で読み取ったほうがいい、というわけではありません。たとえば、小売業者のリスクスコアは、支払いが発生するたびに参照、チェックされますが、このスコアが変更されるのは、データチームが夜間に再計算したときのみです。このように、リクエストのたびに読み取られ、更新はスケジュールに従って行われるようなデータは、AlloyDB 内にローカル テーブルとして持つと処理が最速となります。このようなケースでは、パイプラインを構築、維持することなく、データのコピーを最新状態に保つことが課題となります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/sync-bigquery-data-to-alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB 同期&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;は、Lakehouse データを BigQuery から AlloyDB に一度、またはスケジュールに従って定期的にコピーし、最新の状態に保ちます。このコピーは AlloyDB のローカル テーブルとなるため、アプリは他のテーブルと同じ速度で読み取ることができます。また、インデックスを作成したり、読み取りプールを使用したり、カラム型エンジンやベクトル検索を使ったりすることもできます。同期処理は、BigQuery コンソールまたは SQL からワンクリックで開始できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Keep merchant risk scores refreshed every hour\r\nSELECT alloydb_sync.create_bq_sync_table(\r\n  &amp;#x27;my-project.risk.merchant_risk_scores&amp;#x27;,\r\n  &amp;#x27;merchant_risk_scores&amp;#x27;,\r\n  INTERVAL &amp;#x27;1 hour&amp;#x27;);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe698349790&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;Lakehouse フェデレーション（一般提供）&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;すでに BigQuery に長年の分析データを蓄積している組織は、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/access-real-time-data-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Lakehouse フェデレーション&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;によって、ネイティブの BigQuery テーブルを動かすことなく AlloyDB から直接クエリして、本番環境の運用データと結合するところまでを、1 つのクエリで行えます。AlloyDB は、フィルタリング、集計、制限の処理を BigQuery に push し、BigQuery がほとんどの処理を行って、結果のみを返します。また、これらのクエリに対して課金されるプロジェクトを設定したり、クエリを使用できるロールを制限したりすることもできます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Loyal Guru などの Google Cloud のお客様は、すでに AlloyDB と BigQuery をこのように組み合わせて使っています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;「AlloyDB を、BigQuery のような Google Cloud プロダクトと併用すれば、プラットフォームの機能を継続的に強化していくためのアジリティとパフォーマンスを確保できるほか、後手に回らぬよう新たなトレンドを予測することもできます。」&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; - &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Loyal Guru、共同創業者 / 最高技術責任者、Javi Fernández 氏&lt;/strong&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;適切な方法を選んで使ってみる&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;現在、運用システムと分析システムを統合する動きが広がっています。Google Cloud 環境でそれを実現する方法は、以下のようにユースケースに応じて選択できます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Iceberg への直接アクセス:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; アプリで Iceberg の過去データと本番環境のデータを統合する場合は、この方法が最適です。この方法では、AlloyDB カラム型エンジンによって処理が高速化されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;ul&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;試す:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Iceberg への直接アクセスを PostgreSQL 18 インスタンスで有効にしてから、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/access-iceberg-data-from-alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB から Iceberg データにアクセスする&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;の手順に沿って操作してください。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB 同期: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;アプリがテーブルの読み取りを頻繁に行い、レイテンシを最小におさえたい場合に最適です。読み取るコピーは、更新後の最新のものとなります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;ul&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;実装する:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Google Cloud コンソールまたは psql を使って、BigQuery のテーブルを選択して &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/sync-bigquery-data-to-alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB に同期&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Lakehouse フェデレーション:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; ネイティブの BigQuery テーブルに保存されている履歴データを BigQuery で処理したい場合に最適です。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;ul&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;始める: &lt;/strong&gt;&lt;a href="https://cloud.google.com/alloydb/docs/configure-access-real-time-data"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery のリアルタイム データへの AlloyDB アクセスを構成する&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;の手順に沿って操作してください。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;詳細については、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/choose-access-bigquery-data-from-alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB から BigQuery データにアクセスする方法を選択する&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;データベース担当プロダクト管理リード、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt; Nikhil Gaekwad&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;データベース担当グループ プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Bala Narasimhan&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 11 Nov 2026 01:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/databases/direct-iceberg-access-in-alloydb/</guid><category>BigQuery</category><category>Data Analytics</category><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>AlloyDB for PostgreSQL から Iceberg に直接アクセスして、運用データと Lakehouse データを統合する</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/databases/direct-iceberg-access-in-alloydb/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Nikhil Gaekwad</name><title>Product Management Lead, Databases</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Bala Narasimhan</name><title>Group Product Manager, Databases</title><department></department><company></company></author></item><item><title>損害保険ジャパン:「正しく使われる」ための運用設計で、約 2 万ユーザーの Gemini Enterprise 活用を推進</title><link>https://cloud.google.com/blog/ja/topics/customers/sompo-japan-promotes-the-use-of-gemini-enterprise/</link><description>&lt;div class="block-paragraph"&gt;&lt;p data-block-key="lumft"&gt;2026 年 1 月、損害保険ジャパン株式会社（以下、損保ジャパン）は、全社員約 2 万人を対象に Gemini Enterprise を PoC として検証導入しました。その後、わずか半年で週次アクティブ ユーザー率（WAU）が約 80% を記録。多くの社員が、日常業務で AI エージェントを利用しています。利用浸透・定着の背景には、従来型システムとは異なるリスクの捉え方と、ガバナンス、活用拡大・定着を一体で進める設計がありました。同社 DX 推進部の担当者に、その詳細を伺います。&lt;br/&gt;&lt;/p&gt;&lt;p data-block-key="b0eqj"&gt;&lt;b&gt;利用しているサービス:&lt;/b&gt;&lt;br/&gt; &lt;a href="https://cloud.google.com/ai?e=48754805"&gt;Gemini Enterprise&lt;/a&gt;, &lt;a href="https://cloud.google.com/bigquery?hl=ja"&gt;BigQuery&lt;/a&gt;, &lt;a href="https://cloud.google.com/dns?e=48754805"&gt;Cloud DNS&lt;/a&gt;, &lt;a href="https://cloud.google.com/security/products/armor?e=48754805"&gt;Cloud Armar&lt;/a&gt;, &lt;a href="https://cloud.google.com/load-balancing?e=48754805"&gt;Cloud Load Balancing&lt;/a&gt;, &lt;a href="https://cloud.google.com/run?e=48754805"&gt;Cloud Run&lt;/a&gt;, &lt;a href="https://cloud.google.com/security/products/secret-manager?e=48754805"&gt;Secret Manager&lt;/a&gt;, &lt;a href="https://docs.cloud.google.com/scheduler/docs/schedule-run-cron-job?hl=ja"&gt;Cloud Scheduler&lt;/a&gt;, &lt;a href="https://cloud.google.com/storage?e=48754805"&gt;Cloud Storage&lt;/a&gt;, &lt;a href="https://docs.cloud.google.com/iam/docs?hl=ja"&gt;Cloud IAM&lt;/a&gt;, &lt;a href="https://cloud.google.com/monitoring?e=48754805"&gt;Cloud Monitoring&lt;/a&gt;, &lt;a href="https://cloud.google.com/logging?e=48754805"&gt;Cloud Logging&lt;/a&gt;, &lt;a href="https://docs.cloud.google.com/trace/docs?hl=ja"&gt;Cloud Trace&lt;/a&gt;, &lt;a href="https://docs.cloud.google.com/artifact-registry/docs?hl=ja"&gt;Artifact Registry&lt;/a&gt;, &lt;a href="https://cloud.google.com/vpc?e=48754805"&gt;Virtual Private Cloud（VPC）&lt;/a&gt;&lt;/p&gt;&lt;h3 data-block-key="b071g"&gt;&lt;b&gt;恐れたのは「システムが落ちること」ではなく「使われない」こと&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="einfq"&gt;国内「 3 メガ損保」の一角として知られる ＳＯＭＰＯホールディングスの中核を担う損保ジャパン。同社は業務効率化のために全国 2 万人の社員向けにチャットボット型 AI を開発し、2025 年から約 1 年にわたって提供していました。しかし、ほどなくして Gemini Enterprise への移行を決断します。同社 DX 推進部 チーフエンジニア 城市 由佳理氏は、その理由を次のように説明します。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_with_image"&gt;&lt;div class="article-module h-c-page"&gt;
  &lt;div class="h-c-grid uni-paragraph-wrap"&gt;
    &lt;div class="uni-paragraph
      h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
      h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3"&gt;

      






  

    &lt;figure class="article-image--wrap-small
      
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/_53A9856-1_small.max-1000x1000.jpg"
        
          alt="_53A9856-1_small"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  





      &lt;p data-block-key="itk1x"&gt;「私たちは効率的なリサーチや文書作成、定型業務の自動化のために、全社でもっと AI 活用を推進していきたいと考えていました。そこでまず、目を付けたのが Gemini Notebook です。社内文書をアップロードするだけで、専門知識の検索・要約ができる Gemini Notebook こそ、当時の私たちが求めていたものでした。そして、そのノートブックと連携・活用できる AI エージェント基盤として Gemini Enterprise を選んだという流れです。」&lt;/p&gt;&lt;p data-block-key="etolh"&gt;とは言え、生成 AI サービス、特に AI エージェントのような新しい技術は、提供するだけでは定着しません。社員が最初の一歩を踏み出すにはまず「何に使えるのか」を知ってもらう必要があります。同時に、誤った使い方を防ぐガードレールも欠かせません。機密情報の漏洩や倫理、セキュリティ上の問題は、そこで生じるからです。城市氏は、これらの課題を解決すべく、従来から大きく考え方を変えることを決意しました。&lt;br/&gt;&lt;/p&gt;&lt;p data-block-key="ejhub"&gt;「従来のシステム運用では、落とさず安定稼働させることが最大の命題でした。しかし AI エージェントの運用では、より多くの人たちに使ってもらえること、そしてなにより、正しく使われることにこそ比重を置くべきだと考え、『活用拡大』『安全な利用・ガバナンス』『利用の定着』を達成すべき 3 つの目標としました。」（城市氏）&lt;/p&gt;
    &lt;/div&gt;
  &lt;/div&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/QuanTiakiTu_SOMPO.max-1000x1000.png"
        
          alt="全体アーキ図_SOMPO"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;可視化が支える定着、市民開発が広げる活用&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;最後の「利用の定着」に向けては、Discovery Engine API の監査ログをBigQuery に集約し、全体の DAU・WAU や継続率、公式ノートブックやカスタム エージェントの利用数、部署ごとの利用率という 3 つの切り口で可視化し、細かな手立てを打っていきました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;また、活用が進む先進部署の取り組みを推進事例として展開し、勉強会などのイベント効果をデータで検証・対策。Cloud Monitoring で致命的エラーの即時通知、内部エラー多発の閾値検知、API クォータ逼迫の予兆検知という 3 種類のアラートを設定し、利用者のモチベーションを削ぐ障害をプロアクティブに防ぐ取り組みも行っています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;さらに、2026 年 5 月には、カスタム エージェントの作成・共有機能を現場に開放。社内のポリシーに最適化してより柔軟な作成・権限管理を実現するために、エージェント一覧データを BigQuery に集約してルール逸脱を自動モニタリングし、該当ユーザーに是正案内を送る仕組みを独自開発しています。一律に利用を制限するのではなく、監視と是正によって「自由な市民開発」と「ガバナンス」を両立させた成果について、城市氏はこう語ります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「自分たちで作って公開するものは、その部署の人たちが本当に使いたいものです。自分たちの業務に必要なものを、自分たちで作れるようになったことで、日次アクティブ ユーザー率（DAU）が 50% 超、週次アクティブ ユーザー率（WAU）が約 80% にまで高まりました。また、Gemini Enterprise 導入以降の生成 AI 活用の盛り上がりを受けて、生成 AI を相棒のように捉え、どう使えばよいかを社員同士で情報交換する文化も生まれました。勉強会を開いたり、各部門を回って使い方を教えたり、その中から新しいエージェントを開発したりする動きも加速しています。そうした中、各部署においてAI 活用を牽引する社員も増えてきており、今後、さらに市民開発が加速していくことを期待しています。」&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI エージェント基盤の価値は、契約ライセンス数や利用者数だけでは測れません。利用資格を教育で担保し、入出力されるデータの安全性を確保し、利用状況データを次の支援へ生かし、ガバナンスを維持しながら現場の創意を発展させることが肝要です。損保ジャパンの取り組みは、生成 AI を「会社から配布されたツール」から「社員が自らを成長させる業務インフラ」へ変えていく好例だと言えるでしょう。&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt; &lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_with_image"&gt;&lt;div class="article-module h-c-page"&gt;
  &lt;div class="h-c-grid uni-paragraph-wrap"&gt;
    &lt;div class="uni-paragraph
      h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
      h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3"&gt;

      






  

    &lt;figure class="article-image--wrap-small
      
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/_53A9888-2_small.max-1000x1000.jpg"
        
          alt="_53A9888-2_small"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  





      &lt;p data-block-key="itk1x"&gt;&lt;a href="https://www.sompo-japan.co.jp/"&gt;&lt;b&gt;損害保険ジャパン株式会社&lt;/b&gt;&lt;/a&gt;&lt;br/&gt;1888 年創業。SOMPO ホールディングスの中核企業として、自動車保険や火災保険をはじめとする損害保険事業やリスクマネジメントサービスなどを展開。「安心・安全・健康のテーマパーク」の実現を掲げ、デジタル技術や生成 AI の積極的な業務活用を通じて、社会課題の解決と新たな価値創出に取り組んでいる。&lt;br/&gt;&lt;/p&gt;&lt;p data-block-key="4g6ik"&gt;&lt;b&gt;インタビュイー&lt;/b&gt;&lt;br/&gt;DX 推進部 チーフエンジニア&lt;/p&gt;&lt;p data-block-key="e2q1k"&gt;城市 由佳理 氏&lt;/p&gt;
    &lt;/div&gt;
  &lt;/div&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;hr/&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;▼ セッション動画を観る&lt;br/&gt;&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;本事例のインタビュイーによるセッション動画が公開中です。あわせてご覧ください。&lt;br/&gt;&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;【Next Tokyo 26 セッション】&lt;/span&gt;&lt;a href="https://www.googlecloudevents.com/next-tokyo/v/s-4393272" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;損害保険ジャパンにおける 2 万人規模の Gemini Enterprise 安定運用を支える技術的アプローチ&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;▼他の導入事例記事を読む&lt;br/&gt;&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;その他の Google Cloud 導入事例は&lt;/span&gt;&lt;a href="https://cloud.google.com/customers?hl=ja&amp;amp;e=48754805"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Mon, 09 Nov 2026 01:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/topics/customers/sompo-japan-promotes-the-use-of-gemini-enterprise/</guid><category>AI &amp; Machine Learning</category><category>BigQuery</category><category>Cloud Run</category><category>Customers</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/hero_image_sompo_horizontal_1.max-600x600.jpg" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>損害保険ジャパン:「正しく使われる」ための運用設計で、約 2 万ユーザーの Gemini Enterprise 活用を推進</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/hero_image_sompo_horizontal_1.max-600x600.jpg</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/topics/customers/sompo-japan-promotes-the-use-of-gemini-enterprise/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Google Cloud Japan Team </name><title></title><department></department><company></company></author></item><item><title>BigQuery ObjectRef の一般提供を開始: 会話分析用のマルチモーダル データ プラットフォームをすべて SQL で構築</title><link>https://cloud.google.com/blog/ja/products/data-analytics/analyze-unstructured-data-in-bigquery-with-objectref/</link><description>&lt;div class="block-paragraph"&gt;&lt;p data-block-key="8laja"&gt;※この投稿は米国時間 2026 年 10 月 22 日に、Google Cloud blog に&lt;a href="https://cloud.google.com/blog/products/data-analytics/analyze-unstructured-data-in-bigquery-with-objectref?e=48754805&amp;amp;hl=en"&gt;投稿&lt;/a&gt;されたものの抄訳です。&lt;/p&gt;&lt;p data-block-key="elr43"&gt;データ サイエンス、データ エンジニアリング、ML を担当する各チームにとって、画像、動画、音声、ドキュメントなどの非構造化データの価値を引き出すということは、これまで、サイロ化されたデータ パイプラインを管理することを意味していました。構造化データと非構造化データを別々に、さらには、分析と AI / ML のユースケースを別々に扱う必要があると考えられてきました。たとえファイルが Cloud Storage 内にあっても、推論を実行するには外部の ML ワークロードをオーケストレートする必要があり、その後、構造化された推論出力を再度データ ウェアハウスに結合させるという、複雑で脆弱な課題に取り組まなければなりません。この事後的なデータ結合は、運用上のオーバーヘッドを増大させるばかりか、データベースの整合性も危うくします。&lt;/p&gt;&lt;p data-block-key="cdgl2"&gt;この問題を解決するために、このたび、BigQuery の &lt;b&gt;ObjectRef&lt;/b&gt; とマルチモーダル データ分析が&lt;b&gt;一般提供（GA）&lt;/b&gt;となり、BigQuery が包括的なマルチモーダル エージェント データ プラットフォームとして確立されました。&lt;/p&gt;&lt;p data-block-key="590la"&gt;ObjectRef を使用すると、Cloud Storage と分析エンジンのギャップを BigQuery でネイティブに埋めることができます。非構造化データを ObjectRef 列としてネイティブに取り込み、従来のリレーショナル データベースの構造化データ列と並列で扱うことが可能になったのです。会話分析において、単一の SQL クエリまたは自然言語クエリで&lt;b&gt;マルチモーダル、複数列の入力&lt;/b&gt;を Gemini モデルに直接受け渡せるので、スタンドアロン モデル API と比較しても大きなメリットが得られます。BigQuery AI、BigQuery の会話型分析、そして Gemini Enterprise で ObjectRef を使用できるようになったことで、Cloud Storage のファイルを、構造化データベースの豊富なコンテキストや、メタデータ、タイムスタンプ、カスタム エージェントへの指示などと簡単に組み合わせることができます。&lt;/p&gt;&lt;p data-block-key="lcf1"&gt;これにより、完全なサーバーレス コンピューティング、低い総所有コスト、大規模な処理が可能な組み込みの推論といった、BigQuery ならではの強みを活用しながら、非構造化から構造化、非構造化から非構造化、そしてマルチモーダルからマルチモーダルへの高度なパイプラインをフルに構築、実行、管理できるようになりました。しかも、これらに個別のコンピューティング クラスタは必要ありません。重要なのは、ObjectRef を非構造化オブジェクトと同じ行に保存することで、抽出された特徴とアノテーションを非構造化オブジェクト自体と直接組み合わせることができる点です。この結合されたデータを会話分析と AI エージェントで直接使用することで、非構造化ファイルを純粋な構造化形式に変換する際に発生しがちな、データやコンテキストのニュアンスの喪失を回避できます。多くのお客様はすでにこのアプローチを使用して、&lt;b&gt;マルチモーダル ベクトル検索用のエンベディングを生成&lt;/b&gt;し、&lt;b&gt;生成 AI を使用して大規模な分類&lt;/b&gt;を実行し、膨大なドキュメントやメディアのアーカイブから正確な&lt;b&gt;データと特徴を抽出&lt;/b&gt;しています。これらは、以下のように、すべて標準 SQL で実行できます。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;SELECT\r\nAI.AGG(image_ref, &amp;quot;Summarize the major categories of pictures&amp;quot;)\r\nFROM\r\n`bigquery-public-data.cymbal_pets.products`;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a7e4150&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="8laja"&gt;&lt;b&gt;ObjectRef で非構造化データも構造化データ同様に処理&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="94s7c"&gt;ObjectRef は、BigQuery の外部オブジェクトを参照する（ポインタとなる）組み込みの事前定義された STRUCT データ型です。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- ObjectRef is a special STRUCT in BigQuery \r\nSTRUCT&amp;lt;\r\n  uri STRING,\r\n  version STRING,\r\n  authorizer STRING,\r\n  details JSON&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a7e6bd0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="pgq21"&gt;これらのポインタを従来の構造化データの列とともに標準の BigQuery テーブルにネイティブに保存することで、BigQuery は非構造化ファイルを第一級オブジェクトのデータとして扱います。さらに、このアーキテクチャは独立したデータ ライフサイクルをサポートします。これは、GCS データと BigQuery テーブルが、他のシステムの基盤となるデータに影響を与えることなく、独立して変更できることを意味します。&lt;/p&gt;&lt;p data-block-key="6ji8v"&gt;このアプローチは、複数のデータペルソナに対し、大きなメリットをもたらします。&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="449kq"&gt;&lt;b&gt;ゼロコピー アーキテクチャ:&lt;/b&gt; 大量のメディア ファイルを Cloud Storage に安全に保管し、BigQuery で即座にクエリを実行できます。データ グラビティを尊重し、コストのかかるデータ重複を回避できます。&lt;/li&gt;&lt;li data-block-key="fujpg"&gt;&lt;b&gt;SQL と Python の相互運用性:&lt;/b&gt; 標準 SQL または BigQuery DataFrames を使用して非構造化データをクエリできます。重要なのは、ObjectRef を BigQuery Python UDF に受け渡すことができる点です。これにより、OpenCV などのオープンソース Python ライブラリをデータに直接適用し、データを移動することなくカスタム ロジックを実行できます。&lt;/li&gt;&lt;li data-block-key="bmgqt"&gt;&lt;b&gt;独立したライフサイクルとバージョニング:&lt;/b&gt; ObjectRef は、特定の GCS 世代番号を追跡することで、推論の再現性を確保します。基盤となる GCS ファイルが変更された場合でも、クエリは、行が書き込まれたときに存在していたファイルの正確なバージョンを参照できます。&lt;/li&gt;&lt;li data-block-key="k8hp"&gt;&lt;b&gt;ガバナンスの統一:&lt;/b&gt; BigQuery の既存のセキュリティ ポリシーと IAM 制御を使用して、構造化された列とそれに関連する非構造化ファイルの両方へのアクセスを保護、監査、共有できます。&lt;/li&gt;&lt;/ul&gt;&lt;p data-block-key="btad7"&gt;&lt;b&gt;SQL で完全な忠実度の ETL を構築&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="82jid"&gt;ObjectRef のプレビュー版をリリースして以来、ユーザーの間で、&lt;b&gt;SQL のみで完全な忠実度の ETL パイプラインを構築する&lt;/b&gt;、盤石で非常に効果的なパターンが醸成されています。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_4ahVBX3.max-1000x1000.png"
        
          alt="image1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="pgq21"&gt;データや ML の担当チームは BigQuery のサーバーレス アーキテクチャを活用して、AI / ML をデータ環境に直接統合できます。データの移動や推論の処理のために個別のコンピューティング クラスタを用意する必要はありません。GCS 内の非構造化データを標準の BigQuery 列として管理することで、べき等性のあるパイプラインの構築、再現性の確保、シームレスなバックフィルの実行といったデータ エンジニアリングの基本的なベスト プラクティスを、画像、動画、音声、ドキュメントに直接適用できます。&lt;/p&gt;&lt;p data-block-key="fnf2h"&gt;このようにデータを盤石の状態で準備できたら、いつでも BigQuery 内で Gemini を使用して、完全な忠実度の ETL を実行できます。元の ObjectRef を同じ行に固定したまま、特徴を抽出して非構造化データにアノテーションを付けることで、&lt;b&gt;2 層式の分析&lt;/b&gt;が可能になります。つまり、構造化された出力が高速フィルタリング、レポート、BI ダッシュボードを可能にし、アタッチされた非構造化オブジェクトは、コンテキストを重視した詳細な推論に利用できます。たとえば、顧客との通話録音のアーカイブから感情スコアとトピックタグを抽出し、BI ダッシュボード（構造化レイヤ）でリスクのある顧客アカウントにすばやくフラグを立てることも可能です。同時に、エスカレーション プロセスを評価する会話分析エージェントは、元の音声ファイルにシームレスにフォールバックして、発信者とカスタマー サービス担当者のやり取りを分析できます。これにより、非構造化から構造化への ETL パイプラインで発生しがちな、重要なニュアンスの喪失を防ぐことができます。&lt;/p&gt;&lt;p data-block-key="4b753"&gt;&lt;b&gt;業界リーダーの声（実証済みユースケース）&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="47ins"&gt;「Snap では、コミュニティの安全を最優先に考えており、コミュニティ ガイドラインに違反するコンテンツをユーザーから遮断できるよう取り組んでいます。そこで、公開投稿のサンプルを定期的に審査しているのですが、ObjectRef と BigQuery AI の活用により、単純なランダム サンプリングから事後層別サンプリングへの移行を実現しました。この移行により、人間による審査プロセスの効率が向上し、時間と労力が節約できて新しいワークフローや既存ワークフローの拡充に再投資できるようになったため、有害リスクのコンテンツを検出して対処する能力がさらに向上しました。」 - &lt;b&gt;Snap、データ サイエンティストCarlos Ortiz 氏&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="ec2e7"&gt;BigQuery ObjectRef は、すでにプレビュー段階において多岐にわたる重要なワークロードに導入されています。お客様は、これらの試験運用パイプラインを本番環境に移行し、非構造化データを実用的な構造化されたインサイトに変換することに成功しています。代表的な事例をいくつか挙げます。&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="c0047"&gt;&lt;b&gt;コンテンツの管理:&lt;/b&gt; 各種オンライン プラットフォームが、BigQuery を活用してマルチメディア アセットを標準テレメトリー データとともに単一パイプラインに統合し、管理機能と安全性を抜本的に向上させています。&lt;/li&gt;&lt;li data-block-key="f6fj0"&gt;&lt;b&gt;プロアクティブな脅威検出:&lt;/b&gt; 多くの企業では、セキュリティ チームが BigQuery を使用して、ウェブの視覚的要素と構造的要素をネットワーク ログとともに分析し、脅威をプロアクティブに特定する仕組みを劇的に進化させています。&lt;/li&gt;&lt;li data-block-key="d68im"&gt;&lt;b&gt;インベントリ コンプライアンス:&lt;/b&gt; 各種オンライン小売業者が、膨大な画像リポジトリからテキストとコンテキストを直接抽出して、規制やブランド コンプライアンスに関わる問題の大規模な自動フラグ付けを実現しています。&lt;/li&gt;&lt;li data-block-key="2tn9k"&gt;&lt;b&gt;カスタマー エクスペリエンスの向上:&lt;/b&gt; サービス指向の企業は、BigQuery AI を使用してサポート エージェントと顧客の音声によるやり取りを分析し、顧客の感情評価をサービスの向上につなげています。&lt;/li&gt;&lt;/ul&gt;&lt;p data-block-key="6bqet"&gt;&lt;b&gt;一般提供で追加された新機能&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="7j4at"&gt;一般提供リリースでは、お客様の幅広いユースケースのサポートに重点を置き、デベロッパー エクスペリエンスを効率化しました。&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="8j6rt"&gt;&lt;b&gt;柔軟な認証:&lt;/b&gt;&lt;ul&gt;&lt;li data-block-key="201av"&gt;一般提供（GA）では、&lt;b&gt;ObjectRefs のエンドユーザー認証情報（EUC）サポート&lt;/b&gt;が導入されました。ユーザーが自分の IAM ID を使用して非構造化データを直接すばやくクエリ、探索できるアドホック分析が可能になりました。&lt;/li&gt;&lt;li data-block-key="okod"&gt;プレビュー版では、非構造化ファイルに対してクエリを実行するには、ObjectRef 用に明示的な BigQuery 接続の設定が必要でした。この接続は、&lt;b&gt;サービス アカウント主導の堅牢な本番環境パイプラインの推奨ベスト プラクティス&lt;/b&gt;として引き続き完全にサポートされますが、追加設定の手間を省くため、GA ではアドホック分析サポートが追加されました。&lt;/li&gt;&lt;/ul&gt;&lt;/li&gt;&lt;li data-block-key="ou60"&gt;&lt;b&gt;Cloud Storage メタデータの統合サポート:&lt;/b&gt; 非構造化データのメタデータは、Google Cloud のさまざまな場所に存在します。ObjectRef は、これらのデータソースをすべてネイティブにサポートするようになりました。メタデータが現在 &lt;b&gt;BigQuery オブジェクト テーブル&lt;/b&gt;にあろうが、&lt;b&gt;Cloud Storage Insights データセット&lt;/b&gt;、あるいは標準 BigQuery テーブル内の&lt;b&gt;生文字列 URI&lt;/b&gt; として存在していようが、ObjectRef をシームレスに作成、管理でき、基となるデータを分析することができます。&lt;/li&gt;&lt;li data-block-key="e8ch9"&gt;&lt;b&gt;比較分析のための配列サポート:&lt;/b&gt; 配列に含まれる ObjectRef の処理をネイティブにサポートできるようになりました。これにより、複数ドキュメントを相互比較したり、一連の画像を分析したり、1 回のセマンティック呼び出しで複数アイテムをバッチ処理したりするなど、これまでできなかったタイプのワークロードを処理できます。&lt;/li&gt;&lt;/ul&gt;&lt;p data-block-key="73c92"&gt;&lt;b&gt;実用例: エンドツーエンドのマルチモーダル分析&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="9fijc"&gt;これらの GA アップデートの機能性を確認するために、簡素化された SQL 演算子を使用して実践的なマルチモーダル パイプラインを構築する方法を見てみましょう。&lt;/p&gt;&lt;ol&gt;&lt;li data-block-key="6p80p"&gt;&lt;b&gt;完全な忠実度の ETL: コールセンターの音声分析&lt;/b&gt;&lt;/li&gt;&lt;/ol&gt;&lt;p data-block-key="ag3sb"&gt;カスタマー サービスの通話分析において、従来は、音声ファイルを文字起こしと自然言語処理のための専用クラスタに移動する必要がありました。しかし、ObjectRef を使用すると、音声ファイルを解析して構造化されたビジネス インテリジェンスを抽出し、標準的なリレーショナル データベースの列として直接追加できます。&lt;/p&gt;&lt;p data-block-key="an2rg"&gt;GA で追加された OBJ.MAKE_REF() 関数を使用して、生文字列 URI から音声形式を自動的に検出し、一般的なユースケースに BigQuery の&lt;a href="https://docs.cloud.google.com/bigquery/docs/generative-ai-overview#managed_ai_functions"&gt;マネージド AI 関数&lt;/a&gt;を適用できます。たとえば、AI.CLASSIFY() を使用して顧客の通話タイプを分類することができます。BigQuery は&lt;a href="https://docs.cloud.google.com/bigquery/docs/optimize-ai-functions"&gt; AI 関数向けに最適化モード&lt;/a&gt;をデフォルトで使用して、消費されるトークン数を削減します。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;CREATE OR REPLACE TABLE call_center.annotated_call_logs AS\r\nSELECT \r\n  customer_id,\r\n  call_date,\r\n  OBJ.MAKE_REF(audio_uri) as ref,\r\n  AI.CLASSIFY(\r\n    OBJ.MAKE_REF(audio_uri), [\r\n      &amp;quot;Lost or stolen card&amp;quot;, \r\n      &amp;quot;Declined card payment&amp;quot;, \r\n      &amp;quot;Activate my card&amp;quot;,\r\n      &amp;quot;Order physical card&amp;quot;,\r\n      &amp;quot;Cancel transfer&amp;quot;,\r\n      &amp;quot;Password or pin forgotten&amp;quot;,\r\n      &amp;quot;Virtual card not working&amp;quot;,\r\n      &amp;quot;Card swallowed by ATM&amp;quot;,\r\n      &amp;quot;Balance not updated after bank transfer&amp;quot;,\r\n      &amp;quot;Balance not updated after check or cash deposit&amp;quot;,\r\n      &amp;quot;Extra charge on statement&amp;quot;,\r\n      &amp;quot;Transfer fee charged&amp;quot;\r\n    ]\r\n  ) AS customer_issue_type,\r\n  FROM \r\n  call_center.raw_call_logs;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a7e6510&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="pgq21"&gt;このテーブルは、BigQuery 会話型分析エージェントのマルチモーダル データソースとして機能します。エージェントは自然言語クエリを SQL に変換しますが、追加情報が必要な場合は BigQuery AI 関数を使用して音声ファイルを分析します。&lt;/p&gt;&lt;p data-block-key="b040g"&gt;&lt;b&gt;2.大規模な生成 AI フィルタリング: プロダクト コンプライアンス&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="fhdls"&gt;データ エンジニアは、画像やドキュメントの内容に基づいて大規模データセットのフィルタリングを頻繁に行う必要があります。そこで GA では、重い生成クエリを実行してテキスト出力を解析する代わりに、WHERE 句で標準 SQL とともに宣言型の AI.IF() 演算子をネイティブに使用できるようになりました。デフォルトの&lt;a href="https://docs.cloud.google.com/bigquery/docs/optimize-ai-functions"&gt;最適化モード&lt;/a&gt;では、消費されるトークンの数が削減され、ワークロードもさらに最適化されます。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image2_folidzi.max-1000x1000.png"
        
          alt="image2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;SELECT \r\n  product_id,\r\n  seller_id,\r\nFROM \r\n  ecommerce.vendor_uploads\r\nWHERE \r\n  upload_date &amp;gt;= CURRENT_DATE() - 1 AND\r\n  AI.IF((&amp;quot;Does this product image contain a restricted item or policy violation?&amp;quot;, OBJ.MAKE_REF(image_uri)))&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a7e4510&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;3. 複数オブジェクトの推論: プロアクティブな脅威検出&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;GA で配列がネイティブにサポートされたことで、Gemini を 1 度だけ呼び出して ObjectRef の配列を受け渡し、複数のファイルを同時に分析できるようになりました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これにより、複雑な比較ロジックを SQL で直接実行することができます。たとえば、セキュリティ チームは、公式ログインページのスクリーンショットと、新たに発見された不審なウェブページのスクリーンショットを同時に Gemini に渡すことで、フィッシングの検出を大規模に実施できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;SELECT\r\n  uri,\r\n  size,\r\n  updated,\r\n  result.animal_type,\r\n  result.item_color\r\nFROM (\r\n  SELECT\r\n    uri,\r\n    size,\r\n    updated,\r\n    AI.GENERATE(\r\n      (&amp;quot;What type of animal is this pet product for, and what is its primary color?&amp;quot;, ref),\r\n      output_schema =&amp;gt; \&amp;#x27;animal_type STRING, item_color STRING\&amp;#x27;\r\n    ) AS result\r\n  FROM\r\n    OBJ.LIST(\&amp;#x27;gs://cloud-samples-data/bigquery/tutorials/cymbal-pets/images/*.png\&amp;#x27;)\r\n);&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a7e53d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;SELECT \r\n  log_id,\r\n  suspect_domain,\r\n  assessment.is_phishing,\r\n  assessment.visual_discrepancies\r\nFROM (\r\n  SELECT \r\n    log_id,\r\n    suspect_domain,\r\n    AI.GENERATE(\r\n      (\r\n        &amp;quot;Compare these two web UI screenshots. The first is our official, trusted login page. The second is a suspected spoofed page. Identify any visual discrepancies, missing logos, or fake elements, and determine if it is a phishing attempt.&amp;quot;, \r\n        [OBJ.MAKE_REF(trusted_ui_uri),OBJ.MAKE_REF(suspect_ui_uri)]\r\n      ),\r\n      output_schema =&amp;gt; \&amp;#x27;is_phishing BOOLEAN, visual_discrepancies STRING\&amp;#x27;\r\n    ) AS assessment\r\n  FROM \r\n    cybersecurity.network_ui_logs\r\n);&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a7e6c10&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="pgq21"&gt;&lt;b&gt;ObjectRef を使用して今すぐ分析を開始する&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="ac9sc"&gt;BigQuery ObjectRef は、BigQuery のすべてのエディションとオンデマンド料金ティアで一般提供されています。&lt;/p&gt;&lt;p data-block-key="5saiu"&gt;現在 Cloud Storage ファイルで ML 推論を実行するためだけに断片化された複雑なインフラストラクチャを管理されているのなら、ぜひ統合を検討することをおすすめします。AI はストレージに直接組み込めます。既存のデータ エンジニアリング手法を活用して、堅牢でスケーラブルかつ安全なマルチモーダル分析パイプラインを BigQuery 内に直接構築しましょう。&lt;/p&gt;&lt;p data-block-key="2i9tr"&gt;ObjectRef およびマルチモーダル分析のご利用を開始するには、以下のリソースをご覧ください。&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="fh4fa"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/multimodal-data-sql-tutorial"&gt;ハンズオン チュートリアル&lt;/a&gt;で、合成データを使用して画像キャプションを生成し、商品カテゴリを割り当てる方法をご確認ください。&lt;/li&gt;&lt;li data-block-key="abnr0"&gt;Cloud Next のライブデモで、&lt;a href="https://www.youtube.com/watch?v=hBg8FB6vCQ8&amp;amp;t=1s" target="_blank"&gt;非構造化データと構造化データの統合&lt;/a&gt;と、&lt;a href="https://www.youtube.com/watch?v=dPcta6Jvuvs&amp;amp;t=2s" target="_blank"&gt;LLM を使用したテキストの生成とベクトル検索の実行&lt;/a&gt;をご覧ください。&lt;/li&gt;&lt;li data-block-key="d14g3"&gt;BigQuery ドキュメントで &lt;a href="https://docs.cloud.google.com/bigquery/docs/work-with-objectref"&gt;ObjectRef の操作方法&lt;/a&gt;をご確認ください。&lt;/li&gt;&lt;/ul&gt;&lt;p data-block-key="468sc"&gt;&lt;b&gt;&lt;i&gt;-&lt;/i&gt;&lt;/b&gt; &lt;i&gt;エンジニアリング マネージャー、&lt;/i&gt;&lt;b&gt;&lt;i&gt;Guarav Soni&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="1u74g"&gt;&lt;b&gt;&lt;i&gt;-&lt;/i&gt;&lt;/b&gt; &lt;i&gt;プロダクト マネージャー、&lt;/i&gt;&lt;b&gt;&lt;i&gt;Jamy Su&lt;/i&gt;&lt;/b&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Fri, 30 Oct 2026 02:30:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/analyze-unstructured-data-in-bigquery-with-objectref/</guid><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>BigQuery ObjectRef の一般提供を開始: 会話分析用のマルチモーダル データ プラットフォームをすべて SQL で構築</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/analyze-unstructured-data-in-bigquery-with-objectref/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Gaurav Soni</name><title>Engineering Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Jamy Su</name><title>Product Manager</title><department></department><company></company></author></item><item><title>非構造化データ ワークフローのモダナイズ: Alteryx Live Query と Google Cloud BigQuery の連携</title><link>https://cloud.google.com/blog/ja/products/data-analytics/modernize-unstructured-data-workloads-with-alteryx-and-bigquery/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 10 月 10 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/modernize-unstructured-data-workloads-with-alteryx-and-bigquery?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Alteryx One Live Query と Google Cloud BigQuery は、分断されたツールへの依存を減らし、データの移動を最小限に抑え、ウェアハウス ネイティブの実行を可能にすることで、企業が複雑な非構造化データを大規模に処理する方法を一新します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Live Query は、ビジネス ユーザーがコードを 1 行も記述することなく高度なデータ パイプラインを構築できる、直感的なブラウザベースの環境を提供します。BigQuery のスケールとパフォーマンスを組み合わせることで、安全な SQL プッシュダウンが可能になります。つまり、データ変換ロジックは、ネットワーク経由でデータを移動させることなく、ウェアハウス内で直接実行されます。この相乗効果は、ドキュメントを多用するワークフローで特に威力を発揮します。Live Query は、BigQuery 環境の厳格なデータ ガバナンスとセキュリティを維持しながら、Gemini などの Google の高度な AI および ML モデルをオーケストレートして、PDF や画像から情報を抽出できます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;請求書 PDF の処理から、Live Query を使用した BigQuery での例外レポート管理まで&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;財務チームやオペレーション チームは、ベンダーからの請求書の山に埋もれてしまうことがよくあります。これらのドキュメントは PDF 形式で届きますが、データに一貫性がなく、請求書番号の形式もさまざまであるため、手作業によるエラーが発生するリスクが高くなっています。従来、データチームは手動でデータを抽出するか、分断された複数のツールを使用してデータをウェアハウスに移す必要がありました。このプロセスには、時間がかかるだけでなく、データの重複や金額の不一致が発生しやすいという問題がありました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;Live Query for BigQuery&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; のインテグレーションにより、請求書のライフサイクル全体を自動化できるようになりました。データチームは、BigQuery エコシステム内で直接、PDF の処理、主要なフィールドの抽出、結果の標準化を行うことにより、ドキュメント内の異常やデータの問題といった例外をより迅速に特定できると同時に、BigQuery のきめ細かなアクセス ポリシーに基づいて構成、ガバナンス管理された企業データを、ウェアハウスの外部に転送する必要がなくなります。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;ソリューションの概要: 抽出、分類、検証、ルーティング、計上&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Live Query ソリューションの仕組みについて、さらに詳しく見ていきましょう。請求書 PDF は、非構造化ドキュメントとして Google Cloud Storage に届きます。Live Query ワークフローでは、ドキュメント抽出ツールが、ユーザーが選択したモデル（Gemini や Document AI など）を使用して構造化フィールドを抽出します。その後、結果は信頼性の高い照合が行えるよう標準化され、BigQuery にすでに格納、ガバナンス管理されている請求書の履歴レコードと照合されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この自動化されたワークフローは、手作業による介入を最小限に抑えながら、ドキュメントから意思決定へとスムーズに至れるよう設計されています。エンタープライズ規模では、このパターンは少数の PDF を処理するだけにとどまりません。照合ロジックを BigQuery と整合させながら、数百万件もの非構造化ドキュメントに対する分析や AI 活用を可能にします。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI を活用した抽出と BigQuery ネイティブの実行を組み合わせることで、このソリューションは以下を実現します。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ストレート スルー処理の向上&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 手作業を減らし、より多くの請求書を自動的に処理できるようにします。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;照合の迅速化と手動例外の削減:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 抽出した請求書をプロセスの早い段階で BigQuery データと照合することにより、チームは重複や不一致を早期に特定し、手動での確認が必要な請求書の数を減らすことができます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;監査可能性の強化&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: ソースから最終的な業務出力まで、データの明確な処理履歴を保持します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;データ移動の削減&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: データを BigQuery 内にとどめ、その組み込み機能を活用することで、セキュリティ、ガバナンス、管理機能を強化します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;アーキテクチャ: Google Cloud ネイティブ パターン&lt;/strong&gt;&lt;/h4&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_1k1nSQi_c5ubZpu.max-1000x1000.jpg"
        
          alt="image1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;大まかに言うと、請求書 PDF は Cloud Storage にステージングされ、ブラウザ上の Live Query ワークフローで処理された後、BigQuery にすでに格納、ガバナンス管理されている請求書履歴と照合され、ファイナンス チームの最終的な業務出力として書き戻されます。このパターンのアーキテクチャ上の主な利点は、ワークフローの作成をブラウザ上で行える一方、変換や照合のロジックは、プラットフォーム サービスを通じて、ガバナンス管理されたデータ環境に対して実行されることです。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;Live Query&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; アーキテクチャは、ウェアハウス規模の処理とガバナンス管理された実行を目的として設計されています。安全な SQL プッシュダウンを使用して、変換と照合のロジックを &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 内で直接実行し、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Gemini &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; と連携することで、ドキュメントの抽出、分類、要約といった高度な AI 機能を実現します。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Live Query（ブラウザ）:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; ユーザーはブラウザ上でワークフローを視覚的に作成し、ドキュメントの抽出、分類、クレンジング、検証、ルーティングのロジックを構成します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Alteryx One Platform Services:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;変換サービス&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;は、ブラウザ ワークフローとお客様のデータ環境の間におけるリクエスト処理、実行計画、結果取得を調整します。また、これらのサービスにより、ワークフローの実行全体にわたるトレーサビリティとオブザーバビリティが向上し、運用モニタリングと監査可能性の両方が強化されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;お客様の Google Cloud&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 請求書 PDF は &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Google Cloud Storage（GCS）&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;にステージングされ、請求書の履歴データは &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; でガバナンス管理された状態で保持されます。AI を活用した抽出はその環境に対して実行され、ワークフローの出力は BigQuery に書き戻されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このパターンでは、ブラウザがオーサリング レイヤ、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Alteryx One Platform Services&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; が調整レイヤ、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Google Cloud&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; がガバナンス管理されたデータおよび実行レイヤとなります。この構成により、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Live Query&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; でワークフロー ロジックを視覚的に作成しながら、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; でガバナンス管理されたデータおよびウェアハウス規模の処理と連携して実行できます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;Live Query ワークフロー解説: PDF から分析情報まで&lt;/strong&gt;&lt;/h4&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image2_PTc7471.max-1000x1000.jpg"
        
          alt="image2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;請求書を例に、Live Query ワークフローが非構造化 PDF をどのように処理するかを詳しく見ていきましょう。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;請求書 PDF を取り込む&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;ワークフローは、未加工の PDF ファイルが格納されている Google Cloud Storage のディレクトリ入力を指定することから始まります。実際には、このステップではフォルダを特定するだけでなく、PDF の場所を列挙し、絶対ファイルパス、サイズ、作成 / 更新タイムスタンプといったファイルレベルのメタデータを返します。これにより、ワークフローは適切なドキュメント セットをダウンストリームの抽出ステップに確実に渡すことができます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;主要なフィールドを抽出する&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;Alteryx の Document Extract ツールを使用して、ワークフローは Google Cloud Storage に格納されている PDF 請求書を処理し、構造化または半構造化された結果を BigQuery 内で直接抽出します。抽出ステップでは、ワークフローの構成に応じて、ユーザーが選択したモデル（Document AI または Gemini AI）が使用されます。このツールは、内部で入力ドキュメントの URI から一時的な外部オブジェクト テーブルを構築し、適切な関数（Document AI モデルの場合は ML.PROCESS_DOCUMENT、Gemini AI モデルの場合は AI.GENERATE）を実行します。このワークフローでは Gemini の処理ルートが使われており、AI.GENERATE がリクエストされた請求書フィールドをダウンストリームの Live Query ワークフローに返します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;インタラクティブな設計時、Live Query はプレビューのためにドキュメント URI のごく一部のみに処理を制限しますが、ランタイム実行ではすべての請求書 PDF を処理します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- illustrative pattern only\r\nSELECT *\r\nFROM AI.GENERATE(\r\n  MODEL project.dataset.gemini_model,\r\n  (\r\n    SELECT\r\n      uri,\r\n      &amp;#x27;Extract invoice_number, invoice_amount, vendor_name, net_amount, tax_amount, and line_items.&amp;#x27; AS prompt\r\n    FROM project.dataset.temp_invoice_object_table\r\n  )\r\n);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679ca7cd0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;抽出されたデータの内容を分類する&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;抽出後、ワークフローは Alteryx の Classify ツールを使用して、抽出された請求書テキストにゼロショット分類を適用します。このユースケースでは、BigQuery の AI.CLASSIFY を使用して、明細項目の内容を、工業用品や事務用品などの事前定義されたビジネス カテゴリに分類します。これにより、予測ラベルが新しい列としてダウンストリーム ワークフローに返されます。このビジネス コンテキストにより、抽出されたデータは、ダウンストリームでの照合、例外処理、レポート作成においてより有用なものとなります。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- illustrative pattern only\r\nSELECT *,\r\n  AI.CLASSIFY(line_item_text, categories =&amp;gt; [&amp;#x27;industrial&amp;#x27;, &amp;#x27;office&amp;#x27;]) AS line_item_classify\r\nFROM upstream&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679aac250&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;データを正規化する&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;抽出された請求書番号はクレンジングされ、標準化されます。これにより、空白文字や書式の不一致といった軽微な表記の違いによって照合中に重複の可能性が見落とされることがなくなります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;履歴と比較する&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;ワークフローは、正規化された現在の請求書レコードを、すでに BigQuery に格納されている請求書の履歴データと結合します。この照合ステップでは、履歴にすでに存在する請求書番号と一致するレコードを特定し、重複の可能性があるものとしてフラグを立てます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;例外にフラグを立てる&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;次に、数式ステップで、残りのレコードにビジネスルール ロジックを適用します。これらのルールはワークフローによって異なり、金額の不一致、必須フィールドの欠落、無効な合計額、その他の財務特有の例外に対するチェックなどが含まれます。この例では、1 つのルールで invoice_amount が net_amount + tax_amount と一致するかどうかを確認し、不一致があれば確認対象としてフラグを立てます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;業務出力を生成する&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;このワークフローでは 2 つの業務出力が生成されます。1 つは、履歴レコードと一致し、重複の可能性があるとしてフラグが立てられた請求書に関するものです。もう 1 つは、履歴と一致しなかった今回の請求書に関するもので、検証と必要に応じて例外のラベル付けが行われ、未払い請求書の処理に回されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;その結果得られるのは、単に抽出されたデータにとどまらず、ファイナンス チームがすぐに確認して対応できる、ガバナンス管理された業務出力です。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;まとめ: ドキュメントから意思決定まで、ガバナンス管理されたワークフロー&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;私たちの共通のお客様は、ビジネス プロセスの改善に役立つこれらの新機能に大きな期待を寄せています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「Alteryx One: Google エディションで特に印象的だったのは、Google Cloud のエクスペリエンスに自然にフィットしている点です。ビジネス ユーザーが直感的でガバナンス管理されたエクスペリエンスを通じて BigQuery データを操作できるようにすることで、分析をより身近なものにする機会が得られることを嬉しく思います。」 - &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Papa Johns、エンタープライズ データおよびコーポレート ソリューション担当バイス プレジデント、Michael Wyant 氏&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これは、単なる抽出ツールのユースケースにとどまりません。非構造化ドキュメントを実用的な業務出力に変換する、強力な Google Cloud ネイティブ パターンを表しています。このワークフローは、分断された準備ツールにウェアハウス データを移動するのではなく、ストレージ、抽出、照合、出力生成を、BigQuery にすでに格納されているガバナンス管理された企業データと整合させます。Alteryx One Live Query の直感的な設計と BigQuery のスケールおよび AI 機能を組み合わせることで、ファイナンス チームは手作業による負担を減らし、例外処理を迅速化して、より価値の高い戦略的な取り組みに注力できるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;Alteryx、シニア プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Kira Droganova 氏&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;Google、データ分析スペシャリスト、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Rama Vundela&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Fri, 23 Oct 2026 01:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/modernize-unstructured-data-workloads-with-alteryx-and-bigquery/</guid><category>BigQuery</category><category>Partners</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>非構造化データ ワークフローのモダナイズ: Alteryx Live Query と Google Cloud BigQuery の連携</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/modernize-unstructured-data-workloads-with-alteryx-and-bigquery/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Kira Droganova</name><title>Senior Product Manager, Alteryx</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Rama Vundela</name><title>Data Analytics Specialist, Google</title><department></department><company></company></author></item><item><title>BigQuery で多変量時系列予測を行う TimesFM 3.0 のご紹介</title><link>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-timesfm-3-0-with-multivariate-time-series-forecasting/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 10 月 13 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/bigquery-timesfm-3-0-with-multivariate-time-series-forecasting?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;概要&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery に&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-forecast"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AI.FORECAST&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を使用したゼロショット時系列予測が導入されて以来（当初は TimesFM 2.0 を搭載し、後に TimesFM 2.5 にアップグレード）、カスタムモデルのトレーニングや管理を行うことなく、SQL で直接予測を生成できるようになりました。しかし、TimesFM 2.5 までは、これらの基盤モデルは単変量予測に限定されており、単一の時系列の履歴のみから将来の値を予測していました。実際には、現実世界の予測問題のほとんどは多変量であり、関連するターゲットと、天気、プロモーション、休日などの外部要因が組み合わさって将来の結果を形成します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;本日、BigQuery での TimesFM 3.0 プレビュー版のリリースをお知らせできることを嬉しく思います。Google Research が開発した&lt;/span&gt;&lt;a href="https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TimesFM 3.0&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は、3 億 3,000 万のパラメータを持つ最先端の基盤モデルで、BigQuery SQL 内で直接、組み込みの多変量時系列予測を実現できるように設計されています。TimesFM 3.0 は、GIFT-Eval、FEV-Bench、TIME という 3 つの主要な公開時系列リーダーボードすべてで 1 位を獲得しており、既存の基盤モデルと比較して、共変量予測タスクと多変量予測タスクの両方で最高のゼロショット精度を達成しています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;TimesFM 3.0 は、新しい多変量機能に加えて、AI.FORECAST による単変量予測と&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-detect-anomalies"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AI.DETECT_ANOMALIES&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; による異常検出のドロップイン アップグレードとしても機能します。既存のワークフローでも、&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;model =&amp;gt; 'TimesFM 3.0'&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; を指定するだけで、向上したベンチマーク精度の恩恵をすぐに享受できます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;新機能: 多変量基盤モデリング&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;TimesFM 3.0 により、BigQuery では AI.FORECAST を通じて、使い慣れた SQL ワークフローにエンタープライズ グレードの多変量モデリングを取り入れることができます。&lt;/span&gt;&lt;/p&gt;
&lt;div align="left"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;&lt;table&gt;&lt;colgroup&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;/colgroup&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;機能&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;TimesFM 2.0 / 2.5&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;TimesFM 3.0&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;予測の範囲&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;単変量のみ&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;単変量と多変量&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ターゲット列&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;単一のターゲット&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;単一または複数のターゲット&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;過去の値のみを含む共変量列&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;非対応&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;サポート対象&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;過去と未来の値を含む共変量列&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;非対応&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;サポート対象&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery SQL を使用した多変量予測&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これらの機能がどのように連携するかを確認するために、NYC Citi Bike の一般公開データセット（&lt;/span&gt;&lt;a href="https://console.cloud.google.com/bigquery?ws=!1m5!1m4!4m3!1sbigquery-public-data!2snew_york!3scitibike_trips"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;bigquery-public-data.new_york.citibike_trips&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）を使用して、7 日間の通勤（subscriber_trips）とレジャー（casual_trips）の自転車利用を予測してみましょう。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery は、多変量予測に単一テーブルの入力形式を使用します。この形式では、次の 2 つの行セットが結合されます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;過去の観測行&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 開始時間（2016 年 1 月 1 日）から予測カットオフ日（2016 年 6 月 1 日）までのタイムスタンプ。ターゲット指標、過去の共変量、既知の将来の共変量がすべて入力されています。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;将来のホライズン行&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 7 日間の予測ホライズン（2016 年 6 月 1 日～2016 年 6 月 7 日）にわたるタイムスタンプ。既知の将来の共変量が入力され、ターゲット列と過去のみの共変量は NULL に設定されています。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;WITH data AS (\r\n  SELECT\r\n    DATE(starttime) AS date,\r\n    IF(MIN(starttime) &amp;lt; &amp;#x27;2016-06-01&amp;#x27;, COUNTIF(usertype = &amp;#x27;Subscriber&amp;#x27;), NULL) AS subscriber_trips,\r\n    IF(MIN(starttime) &amp;lt; &amp;#x27;2016-06-01&amp;#x27;, COUNTIF(usertype = &amp;#x27;Customer&amp;#x27;), NULL) AS casual_trips,\r\n    IF(MIN(starttime) &amp;lt; &amp;#x27;2016-06-01&amp;#x27;, AVG(tripduration / 60.0), NULL) AS avg_duration_min,\r\n    IF(EXTRACT(DAYOFWEEK FROM MIN(starttime)) IN (1, 7), 1.0, 0.0) AS is_weekend\r\n  FROM `bigquery-public-data.new_york.citibike_trips`\r\n  WHERE starttime &amp;gt;= &amp;#x27;2016-01-01&amp;#x27; AND starttime &amp;lt; &amp;#x27;2016-06-08&amp;#x27;\r\n  GROUP BY date\r\n)\r\nSELECT\r\n  *\r\nFROM\r\n  AI.FORECAST(\r\n    TABLE data,\r\n    MODEL =&amp;gt; &amp;#x27;TimesFM 3.0&amp;#x27;,\r\n    TIMESTAMP_COL =&amp;gt; &amp;#x27;date&amp;#x27;,\r\n    TARGET_COLS =&amp;gt; [&amp;#x27;subscriber_trips&amp;#x27;, &amp;#x27;casual_trips&amp;#x27;],\r\n    PAST_COVARIATE_COLS =&amp;gt; [&amp;#x27;avg_duration_min&amp;#x27;],\r\n    FUTURE_COVARIATE_COLS =&amp;gt; [&amp;#x27;is_weekend&amp;#x27;]\r\n  );&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;lang-sql&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe6984dee10&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このクエリは、TimesFM 3.0 でサポートされている 3 つの多変量ディメンションを示しています。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;相関するターゲット（&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-forecast#multivariate"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;target_cols&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;）の予測&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 利用者セグメントごとに個別のモデルを実行する代わりに、TARGET_COLS =&amp;gt; ['subscriber_trips', 'casual_trips'] を渡すことで、1 回の呼び出しで両方の指標を同時に予測できます。TimesFM 3.0 は、通勤利用者とカジュアル利用者における系列間の動向（天候に対する共通の感度や、週末の利用パターンの違いなど）を捉えます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;過去の共変量（&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-forecast#multivariate"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;past_covariate_cols&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;）の使用&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 平均乗車時間（avg_duration_min）、過去の来店数、計画外のサービス中断など、一部のシグナルは過去にしか観測できず、事前に把握できません。PAST_COVARIATE_COLS =&amp;gt; ['avg_duration_min'] を渡す（将来のホライズン行は NULL に設定）ことで、モデルに過去のコンテキストが提供されます。これにより、その特徴量の将来の値を必要とせずに、一時的な変動と根本的な傾向を区別できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;将来の共変量（&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-forecast#multivariate"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;future_covariate_cols&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;）の使用&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 週末（is_weekend）、休日、予定されているプロモーションなど、その他の外部要因は、履歴ウィンドウと予測ホライズンの両方で事前に把握できます。FUTURE_COVARIATE_COLS =&amp;gt; ['is_weekend']（2016 年 6 月 7 日までのすべての行に設定）を渡すことで、TimesFM 3.0 は今後のカレンダー イベントを直接反映して 7 日間の予測を行うことができます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;出力について&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;関数は、&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;target_cols&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; で指定された各ターゲット列の構造化された予測を返します。target_cols の列ごとに、AI.FORECAST はポイント予測（値）と、予測区間の下限および上限を含む構造体を返します。&lt;/span&gt;&lt;/p&gt;
&lt;div align="left"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;&lt;table&gt;&lt;colgroup&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;/colgroup&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;日付&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;subscriber_&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;trips.value&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;subscriber_trips.prediction_&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;interval_lower_bound&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;subscriber_trips.prediction_&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;interval_upper_bound&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;casual_trips.value&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;casual_trips.prediction_&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;interval_lower_bound&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;casual_trips.prediction_&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt;interval_upper_bound&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;time_series_type&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;confidence_level&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ai_forecast_status&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2016-06-01 00:00:00 UTC&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;44699.64&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;32590.76&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;55723.44&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;4581.32&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1727.91&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;9189.31&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;予測&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;0.95&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2016-06-02 00:00:00 UTC&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;44611.75&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;30413.05&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;57209.19&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;4647.17&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1466.23&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;10273.55&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;予測&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;0.95&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2016-06-03 00:00:00 UTC&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;41379.15&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;26218.65&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;54940.09&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;5341.36&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1568.23&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;11805.86&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;予測&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;0.95&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2016-06-04 00:00:00 UTC&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;30164.34&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;14266.43&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;45075.92&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;9097.74&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2558.27&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;18452.52&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;予測&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;0.95&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2016-06-05 00:00:00 UTC&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;26727.27&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;10101.44&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;42239.33&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;8398.50&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1692.15&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;17768.99&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;予測&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;0.95&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2016-06-06 00:00:00 UTC&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;36713.84&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;19493.00&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;52679.59&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;4723.08&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;400.08&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;11710.73&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;予測&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;0.95&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2016-06-07 00:00:00 UTC&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;39749.97&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;22157.42&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;56119.86&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;4180.97&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;95.70&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;10845.74&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;予測&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;0.95&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery 会話型分析の TimesFM 3.0&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery 会話型分析では、自然言語を使用して多変量予測を実行することもできます。同じ&lt;/span&gt;&lt;a href="https://console.cloud.google.com/bigquery?ws=!1m5!1m4!4m3!1sbigquery-public-data!2snew_york!3scitibike_trips"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;bigquery-public-data.new_york.citibike_trips&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; データセットで、「2 か月間の過去のデータを使用して、2016 年 6 月 1 日から 7 日までの 1 日あたりの定期利用回数とカジュアル利用回数を予測してください。過去の共変量として平均利用時間、将来の共変量として週末インジケーターを使用してください」と依頼するだけです。会話型分析は、TimesFM 3.0 を使用して基盤となる AI.FORECAST クエリを自動的に生成して実行し、結果の要約、各ターゲットの予測区間を含むインタラクティブな予測グラフ、主要な予測分析情報を返します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/timesfm_3_in_ca_2.gif"
        
          alt="timesfm_3_in_ca_2"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="c4y6q"&gt;BigQuery 会話型分析で TimesFM 3.0 を使用した多変量予測。自然言語プロンプトから 7 日間の予測、インタラクティブなグラフ、分析情報を生成。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;まとめと次のステップ&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;TimesFM 3.0 の多変量予測がネイティブ サポートされたことで、BigQuery は、データの移動、カスタムの特徴量エンジニアリング パイプライン、専用のモデル ホスティング インフラストラクチャを必要とすることなく、複雑で相互に関連するエンタープライズ データセットに対して最先端の基盤モデルによる予測機能を提供します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery の TimesFM 3.0 で予測を開始するには:&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;TimesFM 3.0 モデルのアーキテクチャと機能の詳細について、Google Research の&lt;/span&gt;&lt;a href="https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ブログ投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を読む。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/timesfm-model"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TimesFM&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; のドキュメントを確認する。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;多変量予測の&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/timesfm-multivariate-multi-time-series-forecasting-tutorial"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;チュートリアル&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;の手順に沿って操作する。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery Studio SQL ワークスペースで `model =&amp;gt; 'TimesFM 3.0'` を直接指定して&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-forecast"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AI.FORECAST&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を試す。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery で `model =&amp;gt; 'TimesFM 3.0'` を指定して &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-detect-anomalies"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AI.DETECT_ANOMALIES&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を使用し、単変量時系列の異常検出を試す。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery で `model =&amp;gt; 'TimesFM 3.0'` を指定して&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-evaluate"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AI.EVALUATE&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を使用し、単変量時系列の評価を試す。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;ソフトウェア エンジニア、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Haiyang Qi&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;エンジニアリング マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Haoming Chen&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 21 Oct 2026 17:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-timesfm-3-0-with-multivariate-time-series-forecasting/</guid><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>BigQuery で多変量時系列予測を行う TimesFM 3.0 のご紹介</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-timesfm-3-0-with-multivariate-time-series-forecasting/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Haiyang Qi</name><title>Software Engineer</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Haoming Chen</name><title>Engineering Manager</title><department></department><company></company></author></item><item><title>BigQuery で AI 費用を予測可能に: 生成 AI 関数の費用管理のご紹介</title><link>https://cloud.google.com/blog/ja/products/data-analytics/using-bigquerys-generative-ai-cost-management-features/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 10 月 15 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/using-bigquerys-generative-ai-cost-management-features?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/generative-ai-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery の生成 AI 関数&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.GENERATE&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.IF&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.CLASSIFY&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.SCORE&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; など）では、大規模言語モデル（LLM）が SQL に直接組み込まれるため、1 つのクエリで数百万件のサポート チケットを分類したり、感情について各商品レビューにスコアを付けたりできます。ただし、これらの関数はトークン単位で課金されるため、大規模なデータセットで使用する場合は、予算を事前に管理することが重要になります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google は先日、BigQuery 生成 AI 関数の&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;トークンベースの&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/control-genai-costs"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;費用管理&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;の一般提供（GA）が開始されたことを発表しました。これは、管理者が AI トークン消費にセルフサービスのガードレールを設定できる 1 日あたりの割り当てで、チームは予算内でイノベーションを推進できるようになります。このブログ投稿では、BigQuery の生成 AI 関数の費用管理の概要を示し、いくつかの実用的な例と、利用を開始する際に役立つリソースをご紹介します。それでは詳しく見ていきましょう。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;費用を管理するための割り当て&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud Identity and Access Management（IAM）割り当てシステムで管理される 1 日あたりの割り当ては 4 種類あり、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;プロジェクト&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; レベルおよび&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;ユーザー&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;レベルでの管理が可能です。ユーザーごとの上限は、組織全体ではなく、プロジェクト内の各ユーザーに適用されます。&lt;/span&gt;&lt;/p&gt;
&lt;div align="left"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;&lt;table&gt;&lt;colgroup&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;/colgroup&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;割り当て名&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;指標&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;範囲&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;デフォルト値&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;1 日あたりの AI 入力トークン数&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;LLM で使用される入力トークン数&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1 日あたり、プロジェクトごと&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2,000 億&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ユーザーごとの 1 日あたりの AI 入力トークン数&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;LLM で使用される入力トークン数&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1 日あたり、プロジェクトごと、ユーザーごと&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1,500 億&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;1 日あたりの AI 出力トークン数&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;LLM で使用される出力トークン数と思考トークン数&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1 日あたり、プロジェクトごと&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;200 億&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ユーザーごとの 1 日あたりの AI 出力トークン数&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;LLM で使用される出力トークン数と思考トークン数&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1 日あたり、プロジェクトごと、ユーザーごと&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;150 億&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;詳細:&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;割り当てはグローバルです。&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;使用量はすべてのリージョンで合計されるため、監視していないリージョンで費用が気づかないうちに積み上がることはありません。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;出力割り当てには「思考」トークンが含まれます。&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;推論トークンは、Gemini プラットフォームの請求にカウントされるのと同様に、出力割り当てにカウントされます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;対象となる関数&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;割り当ては、LLM を利用した生成を行う以下の BigQuery 関数に適用されます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-generate"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;AI.GENERATE&lt;/code&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-generate-table"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;AI.GENERATE_TABLE&lt;/code&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-generate-text"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;AI.GENERATE_TEXT&lt;/code&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（およびそのエイリアス&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-generate-text"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;ML.GENERATE_TEXT&lt;/code&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-classify"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;AI.CLASSIFY&lt;/code&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-if"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;AI.IF&lt;/code&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-score"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;AI.SCORE&lt;/code&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-agg"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;AI.AGG&lt;/code&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;対象外:&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-generate-text"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;AI.GENERATE_EMBEDDING&lt;/code&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-generate-embedding"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;ML.GENERATE_EMBEDDING&lt;/code&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; としても利用可能）や&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-embed"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;AI.EMBED&lt;/code&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; などのエンベディング関数は、大幅に費用が低い別のモデルで実行されるため、これらの割り当ての対象には&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;なりません&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;割り当ての管理&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;管理者は、ワークロードの変化に応じて、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/control-genai-costs"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud コンソール&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;で直接割り当てを確認、調整できます。サポートケースは必要ありません。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;[IAM と管理] →&lt;/strong&gt;&lt;a href="https://console.cloud.google.com/iam-admin/quotas/list"&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;[&lt;/strong&gt;&lt;a href="https://console.cloud.google.com/iam-admin/quotas/list"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;割り当てとシステム上限&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;]&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; に移動します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;サービスでフィルタし、[&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery API&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;] を選択します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;[&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;名前&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;] 列で並べ替えて、4 つの AI 割り当てを一番上に表示します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_dxxy8WS.max-1000x1000.png"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="w7qjz"&gt;[IAM と管理] → [割り当てとシステム上限] で生成 AI トークンの割り当てを確認。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;4. 割り当て（&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;1 日あたりの AI 入力トークン数&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;など）を見つけます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;5. その他メニューを開き、[&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;割り当てを編集&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;] を選択します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;次の操作を行います。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;費用管理を厳しくするには&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;、割り当てを減らします。これはすぐに有効になり、承認は必要ありません。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;使用量の増大に対応するには&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;、同じページから増加をリクエストします。多くのリクエストは自動的に承認されますが、大幅な増加の場合は簡単な審査が行われることがあります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_7NmvWbT.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="w7qjz"&gt;[IAM と管理] → [割り当てとシステム上限] で生成 AI トークンの割り当てを編集。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;適切な権限が必要です。オーナー&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;編集者&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/iam/docs/roles-permissions/servicemanagement#servicemanagement.quotaAdmin"&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;、&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/iam/docs/roles-permissions/servicemanagement#servicemanagement.quotaAdmin"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;割り当て管理者&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;roles/servicemanagement.quotaAdmin&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;）、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/iam/docs/roles-permissions/serviceusage#serviceusage.serviceUsageAdmin"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Service Usage 管理者&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;（&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;roles/serviceusage.serviceUsageAdmin&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;）のいずれかが必要です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;自動化をご希望の場合は、&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/docs/quotas"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud Quotas API&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;gcloud&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; CLI、Terraform を使用して&lt;/span&gt;&lt;a href="https://medium.com/google-cloud/bigquery-ai-cost-guardrails-how-to-set-daily-token-limits-programmatically-02d7a35f843a" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;これらの割り当てをプログラムで管理&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;し、プロジェクト全体に一貫したガードレールを適用することもできます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;使用量のモニタリング&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;[&lt;/span&gt;&lt;a href="https://console.cloud.google.com/iam-admin/quotas/list"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;割り当てとシステム上限&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;] ページでは、上限を設定できるだけでなく、トークン消費量の履歴も表示されるため、急増をすばやく検出して予算を適正化できます。これらの傾向から、新しい生成 AI ワークロードとデータ パイプラインがトークンの全体的な使用量に与える影響を確認できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_sSNHw57.max-1000x1000.png"
        
          alt="3"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="w7qjz"&gt;[IAM と管理] &amp;gt; [割り当てとシステム上限] に表示された、生成 AI トークンの割り当てに対するプロジェクト レベルの 1 日あたりのトークン使用量。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/4_iYgfR4l.max-1000x1000.png"
        
          alt="4"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="w7qjz"&gt;7 日間、14 日間、30 日間、カスタムの期間を選択できる長期的な使用量グラフ。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;詳しい手順については、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/control-genai-costs"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;トークン割り当てによる費用の管理&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;に関する BigQuery のドキュメントをご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;トークン割り当てと費用上限&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud の費用ガードレールは、トークン割り当てだけではありません。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/control-genai-costs"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;トークン割り当て（この機能）&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;は、予防的で AI 固有のものです。BigQuery はクエリ実行中のトークン使用量を追跡し、上限に近づくと処理を停止します。上限はプロジェクトごと、ユーザーごとに個別に設定されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Cloud Billing の&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/billing/docs/how-to/budgets-spend-caps#eligible-services"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;費用上限&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;は、プロジェクト レベルとサービスレベルで&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;ドル&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;単位で設定され、しきい値に達すると自動的に使用をブロックできます。これは、使用量を正確に管理するものではなく、財務上の広範な安全策です。また、適用が即座に行われないため、超過料金が発生する場合があります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI 費用の最初の防御策としてトークン割り当てを使用し、プロジェクト全体のセーフティ ネットとして費用上限を使用します。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;適用の仕組み&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;割り当ては、上限を超えてクエリを実行するのではなく、処理を停止することで適用されます。クエリは、必要な割り当てがすでに使い果たされている場合にのみ、事前に拒否され、その際に &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;QuotaExceeded&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; エラーが発生します。それ以外の場合はクエリが開始され、クエリの途中で割り当てがなくなると、BigQuery は新しい LLM 呼び出しの送信を停止します。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;max_error_ratio&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; をサポートする関数（&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.IF&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; など）は、未処理の行が比率内に収まっている場合は部分的な結果を返し、そうでない場合は失敗します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;汎用関数&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;（&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;AI.GENERATE&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; など）は成功します。ただし、スキップされた行には生成された値がなく、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;status&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; フィールドには割り当て超過エラーが含まれます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;詳細については、ドキュメントの&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/control-genai-costs#quota_enforcement_behavior"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;割り当ての適用動作&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;入力データのサイズ設定: &lt;/strong&gt;&lt;code style="vertical-align: baseline;"&gt;AI.COUNT_TOKENS&lt;/code&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;割り当て値を選択するには、ワークロードがモデルに送信するテキストの量を把握しておくと便利です。それに役立つのが &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-count-tokens"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;AI.COUNT_TOKENS&lt;/code&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 関数です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;AI.COUNT_TOKENS&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; は、課金対象の生成呼び出しを行わずに、モデルのトークナイザーがテキスト文字列に対して生成するトークンの数を返します。列に対してこの関数を実行して、入力データを測定します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Count the input text tokens for each product review\r\nSELECT\r\n  SUM(\r\n    AI.COUNT_TOKENS(\r\n      CONCAT(&amp;#x27;Classify the sentiment of this review as positive, negative, or neutral: &amp;#x27;, review_text),\r\n\r\n      endpoint =&amp;gt; &amp;#x27;gemini-3.1-flash-lite&amp;#x27;).result) AS total_input_tokens\r\nFROM\r\n  `my_project.my_dataset.product_reviews`;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67970c850&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この数は、入力トークンの下限です。出力トークンや思考トークン、各 AI 関数が入力に追加する指示、画像などのテキスト以外の入力は含まれません。次の目的でこの関数を使用します。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;ワークロードを起動する前に、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;ワークロードの入力側を測定&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;する。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;実際の入力と出力の使用量を測定する小規模なサンプル実行と組み合わせて、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;割り当てを適正化&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;する。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;モデルについて公開されている &lt;/span&gt;&lt;a href="https://cloud.google.com/vertex-ai/generative-ai/pricing"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Gemini プラットフォームの料金&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を使用して、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;トークンをドルに換算&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;する。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;トークンから予算まで: 具体例&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;たとえば、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/gemini/3-1-flash-lite"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Gemini 3.1 Flash-Lite&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; モデルを使用した、プロジェクトの 1 日あたりの AI 費用を &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;$100&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 程度に抑えたいとします。現時点で公開されている料金は以下のとおりです（BigQuery はバッチ処理を行うため、50% 割引が適用されます）。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;入力トークン:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 100 万トークンあたり $0.125&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;出力トークン（回答 + 推論）:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 100 万トークンあたり $0.75&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;小規模なサンプル実行で、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;入力トークンと出力トークンの比率が平均 100:1&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; であることがわかった場合、1 日の予算を次のように計算できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;Cost:   0.125 × I + 0.75 × O = 100     (I, O in millions of tokens)\r\nRatio:  I = 100 × O&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe678fd9890&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この計算式で計算すると、1 日あたり約 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;7 億 5,400 万の入力トークン&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;と &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;754 万の出力トークン&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;になります。&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;1 日あたりの AI 入力トークン数&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;と &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;1 日あたりの AI 出力トークン数&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;をこれらの値に設定して、プロジェクトの費用を 1 日あたり約 100 ドルに抑えます。プロジェクトで異なる料金のモデルを使用する場合は、モデルごとに予算を設定するか、平均料金に基づいて予算を設定します。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;AI 費用管理のベスト プラクティス&lt;/strong&gt;&lt;/h4&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ユーザーごとの割り当てから始めます。&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;これにより、1 人のユーザーや暴走したテストによってプロジェクトの予算が使い果たされるのを防ぐことができます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;規模を拡大する前に測定します。&lt;/strong&gt;&lt;code style="vertical-align: baseline;"&gt;AI.COUNT_TOKENS&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; を使用して入力のサイズを測定し、使用量グラフで小規模なサンプル実行を確認してから、上限を設定します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;出力側を意識します。&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;出力トークンは費用が高くなります。関数で &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;max_output_tokens&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; を使用できる場合は、生成の長さを制限するように設定します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;モニタリングと反復処理を行います。&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;実際の使用量と予算の変化に応じて上限を調整します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;使ってみる&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;トークンベースの費用管理が利用可能になりました。手順は次のとおりです。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud コンソールで &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;[IAM と管理] →&lt;/strong&gt;&lt;a href="https://console.cloud.google.com/iam-admin/quotas/list"&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;[割り当てとシステム上限]&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を開き、[&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery API&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;] でフィルタします。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;AI 関連&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;の 4 つの&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;トークン割り当て&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;を確認し、予算に合った上限を設定します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-count-tokens"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;AI.COUNT_TOKENS&lt;/code&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を使用して、入力データのサイズを測定します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;詳細については、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/control-genai-costs"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;生成 AI の費用の管理&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;に関するドキュメントをご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;トークンベースのガードレールを導入することで、組織が必要とする費用の予測可能性を確保しながら、BigQuery で生成 AI を使用できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;ソフトウェア エンジニア、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Tushar Jaiswal&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;デベロッパー アドボケイト、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Alicia Williams&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 21 Oct 2026 17:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/using-bigquerys-generative-ai-cost-management-features/</guid><category>AI &amp; Machine Learning</category><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>BigQuery で AI 費用を予測可能に: 生成 AI 関数の費用管理のご紹介</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/using-bigquerys-generative-ai-cost-management-features/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Tushar Jaiswal</name><title>Software Engineer</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Alicia Williams</name><title>Developer Advocate</title><department></department><company></company></author></item><item><title>オーケー: AlloyDB と Database Migration Service で「止められない基幹システム」を移行し、データドリブンな価値創出を加速</title><link>https://cloud.google.com/blog/ja/topics/customers/ok-accelerates-data-driven-value-creation-with-alloydb-and-the-database-migration-service/</link><description>&lt;div class="block-paragraph"&gt;&lt;p data-block-key="eq1g5"&gt;小売業界で急速な事業拡大を続けるオーケー株式会社（以下、オーケー）は、ネットスーパーの成長を支えるデータベースの基盤強化と、店舗の「止められない」業務を担うデータベースの刷新という 2 つの課題に挑戦。AlloyDB を軸とする Google Cloud のソリューションを採用し、現場への影響を極小化しながら、新たな基盤の構築に成功しています。このプロジェクトを推進してきたオーケーと KDDIアイレット株式会社（以下、KDDIアイレット）の担当者に、話を伺いました。&lt;/p&gt;&lt;p data-block-key="tniu"&gt;&lt;b&gt;利用しているサービス:&lt;br/&gt;&lt;/b&gt;&lt;a href="https://cloud.google.com/products/alloydb?hl=ja"&gt;AlloyDB&lt;/a&gt;, &lt;a href="https://cloud.google.com/database-migration?hl=ja"&gt;Database Migration Service（DMS）&lt;/a&gt;, &lt;a href="https://cloud.google.com/bigquery?hl=ja"&gt;BigQuery&lt;/a&gt;, &lt;a href="https://firebase.google.com/?hl=ja" target="_blank"&gt;Firebase&lt;/a&gt;, &lt;a href="https://docs.cloud.google.com/network-connectivity/docs/interconnect/concepts/partner-overview?hl=ja"&gt;Partner Interconnect&lt;/a&gt;, &lt;a href="https://cloud.google.com/datastream?hl=ja"&gt;Datastream&lt;/a&gt;, &lt;a href="https://workspace.google.com/intl/ja/?hl=ja" target="_blank"&gt;Google Workspace&lt;/a&gt;, &lt;a href="https://gemini.google/jp/about/?hl=ja" target="_blank"&gt;Gemini&lt;/a&gt; など&lt;/p&gt;&lt;p data-block-key="eo22n"&gt;&lt;b&gt;利用しているソリューション:&lt;br/&gt;&lt;/b&gt;&lt;a href="https://cloud.google.com/solutions/database-modernization?hl=ja"&gt;データベースのモダナイゼーション&lt;/a&gt;&lt;/p&gt;&lt;h3 data-block-key="coh8t"&gt;&lt;b&gt;ビジネスの急成長を受けて高まった、2 つの基幹データベース刷新の必要性&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="alb5q"&gt;オーケーは「高品質・Everyday Low Price」を経営方針に掲げ、関東・関西に 180 店舗以上を展開するディスカウント スーパーマーケットです。同社は高品質な商品でありながら、特売日を設けず毎日が低価格の「Everyday Low Price（EDLP）」方針を徹底し、「小売 × IT」の最先端の仕組みづくりに挑戦してきました。2020 年に Google Cloud を導入し、オンプレミスのデータ ウェアハウスを BigQuery へと刷新したのを皮切りに、2021 年には「オーケーネットスーパー」を開始。会員向けスマートフォン アプリも、Firebase を活用して短期間で構築するなど、デジタル領域での顧客体験向上に注力しています。&lt;/p&gt;&lt;p data-block-key="a0f2i"&gt;しかし、オーケー IT本部 副本部長の荒川 健児氏は、こうした取り組みの裏側で、システムの心臓部を担う 2 つのコア データベースの刷新が求められていたと振り返ります。1 つ目は、ネットスーパーの顧客体験向上を担う「ネットスーパー DB」です。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_with_image"&gt;&lt;div class="article-module h-c-page"&gt;
  &lt;div class="h-c-grid uni-paragraph-wrap"&gt;
    &lt;div class="uni-paragraph
      h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
      h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3"&gt;

      






  

    &lt;figure class="article-image--wrap-small
      
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/_53A1100_Small.max-1000x1000.jpg"
        
          alt="_53A1100_Small"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  





      &lt;p data-block-key="da54o"&gt;「この領域は将来的には法人利用も視野に入れており、増大するトランザクションに柔軟に対応できるスケーラビリティと、インフラ運用コストの最適化が強く求められていました。従来は他社のクラウド上で稼働しており、データが各システムにサイロ化していたのが実情です。このため高度な分析基盤や AI と連携しながら、お客様に対してパーソナライズされた提案をリアルタイムに行えるようにすることが目標となっていました。」&lt;/p&gt;
    &lt;/div&gt;
  &lt;/div&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="eq1g5"&gt;2 つ目のデータベースは、日々の店舗業務を支える「生鮮 DB」です。これは各店舗のマスター情報や仕入れ、棚卸し、販売実績といったデータを蓄積し、全店舗からのデータ参照や現場の帳票出力などに対応しており、絶対に止めることができないシステムです。&lt;/p&gt;&lt;p data-block-key="8b154"&gt;「『生鮮 DB』については長年稼働してきたオンプレミス環境からの脱却を目標にしていましたが、新しいクラウド環境とオンプレミス環境が並存する過渡期に、データ連携と一貫性をいかに維持するかという課題がありました。また『生鮮 DB』は、現場に定着している業務プロセスと密接に結びついているため、一斉停止を伴う全面移行をいかに避けるかも問われていました。」（荒川氏）&lt;/p&gt;&lt;h3 data-block-key="5kkjb"&gt;&lt;b&gt;AlloyDB の採用により、業務の根幹を支えるデータベースの移行と基盤統一を実現&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="55k00"&gt;現行業務への影響を最小限に抑えながら、既存のデータベースからコアデータを安全に切り離し、新たなクラウドに段階的に移行する。この難易度の高いミッションをクリアすべく、オーケーは基本方針の決定からネットワーク構築、PoC（概念実証）、データ移行、本番切り替えまでのサポートを KDDIアイレットに依頼します。評価されたのは、Google Cloud 導入支援と運用最適化を多数手がけてきた実績でした。&lt;br/&gt;&lt;br/&gt;これ以降、両社は共に検討を重ね「ネットスーパー DB」と「生鮮 DB」の移行先を統一し、その共通基盤として AlloyDB の採用を決定しました。KDDIアイレットで開発を率いた齋藤 寛隆氏は、その選定理由として 5 つのポイントを挙げています。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_with_image"&gt;&lt;div class="article-module h-c-page"&gt;
  &lt;div class="h-c-grid uni-paragraph-wrap"&gt;
    &lt;div class="uni-paragraph
      h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
      h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3"&gt;

      






  

    &lt;figure class="article-image--wrap-small
      
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/0623-0457_Small.max-1000x1000.jpg"
        
          alt="0623-0457_Small"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  





      &lt;p data-block-key="da54o"&gt;「まず大前提となったのは高可用性です。AlloyDB は、止められない生鮮業務を支えられる『99.99% のサービスレベル契約（SLA）と約 15 秒のフェイルオーバー』という性能を持っていました。2 つ目は、標準的な PostgreSQL 比で 4 倍以上のトランザクション処理性能、3 つ目は、オート バキュームなどの自動化による運用負荷の削減です。4 つ目はすでに活用されている BigQuery との親和性で、最後は移行支援ツールの充実も決め手になりました。」&lt;/p&gt;
    &lt;/div&gt;
  &lt;/div&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="eq1g5"&gt;AlloyDB への統合にあたっては、「セキュアなプライベート通信の確立」と「種類の異なるデータベース間での無停止移行」という要件がありました。まず通信に関しては、オンプレミスのデータセンターや他社クラウドから Google Cloud へ Partner Interconnect の専用線で接続。インターネットを経由せずに AlloyDB と通信できる閉域網環境が構築されています。&lt;br/&gt;&lt;br/&gt;データ移行では、DB ごとに方法が使い分けられました。「ネットスーパー DB」は一部データの移行となり、システムを停止させることが可能だったため、対象データを既存の PostgreSQL からエクスポートし、AlloyDB へインポートする方法が採用されています。これに対して「生鮮 DB」は、システムを止めることができないため、データ移行をアシストする Database Migration Service（DMS）が活用されました。&lt;/p&gt;&lt;p data-block-key="cmhcl"&gt;「『生鮮 DB』の移行では、DMS を用いて従来のデータベースのトランザクション ログから差分データを解釈し、新しいデータベースへ継続的にデータ書き込みを行う方式を採用しました。これはクエリを発行しないため、稼働中のデータベースへの負荷を最小限に抑えることができます。また、差分のみの転送で遅延を最小限に抑えつつ、切り替え時のダウンタイムの極小化が実現できると判断し、DMS の採用を決めました。」（齋藤氏）&lt;/p&gt;&lt;p data-block-key="3k6e9"&gt;この移行プロセスでは、KDDIアイレットの知見も活かされています。スキーマ変換では、DMS のコンバージョン ワークスペースと Gemini の変換提案を活用して作業の効率化を実現。DMS が対応していない日本語のカラム名では、英数字の仮テーブルを経由して、移行後に再設定する方法が採られています。移行後のデータ検証には、Google Cloud のデータ検証ツールが使用されました。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/shisutemuGouChengTuRuGaoYong.max-1000x1000.png"
        
          alt="システム構成図入稿用"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Gemini や AlloyDB AI も活用しながら、DX と新たな価値創出を追求&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;今回の移行プロジェクトで得られた技術的な成果を、齋藤氏は次のように総括します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「『生鮮 DB』は日々の業務を担う『止められないシステム』です。本プロジェクトでは、止められないから移行を諦めるのではなく、ダウンタイムを極小化しながら AlloyDB に移行することで要件をクリアしただけでなく、将来的なデータ活用まで視野に入れることができました。BigQuery との連携では、Datastream を活用することにより、セキュアな通信を維持したまま、AlloyDB から BigQuery へニア リアルタイムにデータを連携できるようにもなりました。」&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;一方、荒川氏は AlloyDB を軸とした新たなデータベース基盤が、現場における業務を大きく変えつつあると説明します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「従来、生鮮の現場では、担当者が独自のツールを使って DB からデータを抽出し、手作業で表計算ソフトの集計や状況確認を行っていました。しかし新たなシステムでは、BigQuery 上に生鮮のニア リアルタイムなデータを集約し、さらに天気情報や人流データ、客数予測といった外部データを掛け合わせることが可能になります。店舗での売り上げ情報を即座に反映して『製造の推奨数』を算出することにより、生鮮領域のロスを削減しながら、売り上げを増やすための合理化も図られるようになりました。」&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;オーケーではデータドリブンな業務改革を定着させるため、環境づくりも進められています。実際に必要とされるデータやシステム運用のリテラシーは職種や部門によって異なるため、AI をエージェント化し、自然言語でデータを活用できるようにする取り組みが始まっています。「自動化できるところは AI で積極的に自動化し、人間は本当に考えるべき業務だけを担う」という発想には、少子高齢化による人手不足に対応する狙いも込められています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「小売 × IT」で新たなニーズに対応し、事業成長を牽引していく。このアプローチを推進し続けるべく、荒川氏は Google Cloud のエコシステムを活用しながら、DX の推進と顧客体験の向上を図りたいと改めて強調しました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「デジタル上で店舗の商品を見つけやすくすることは、顧客体験を向上させ、売り上げを伸ばす意味でも重要です。例えば従来のキーワード検索では、『コレステロールが気になる人向けの油は？』といった問いかけに対し、商品を見つけられないことがありました。しかし AlloyDB AI を活用すれば、意味や文脈を汲み取った検索や、類似商品の提案も可能になっていきます。AlloyDB や BigQuery はもとより、Google Workspace や NotebookLM、Gemini をはじめとするツールには、データ連携や集約がシームレスに行えるという大きな魅力があります。今後も KDDIアイレットや Google Cloud のサポートを受けながら先進的な IT を活用し、お客様に提供する価値を高め続けていきたいと考えています。」&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt; &lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/_53A1319-2_Small.max-1000x1000.jpg"
        
          alt="_53A1319-2_Small"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="eq1g5"&gt;&lt;a href="https://ok-corporation.jp/" target="_blank"&gt;&lt;b&gt;オーケー株式会社&lt;/b&gt;&lt;/a&gt;&lt;b&gt;&lt;br/&gt;&lt;/b&gt;1958 年創業。「高品質・Everyday Low Price」を経営方針に掲げ、関東（1 都 3 県）、関西（大阪府・兵庫県）に 180 店舗以上のディスカウント スーパーマーケットを展開。高品質な商品でありながら、特売日を設けず毎日が低価格の「Everyday Low Price（EDLP）」方針を徹底し、ナショナル ブランド商品については地域一番の最安値を目指す。2024 年には関西エリアにも進出し、年商 7,500 億円を超える規模へと成長している。&lt;/p&gt;&lt;p data-block-key="f0f0f"&gt;&lt;a href="https://www.iret.co.jp/" target="_blank"&gt;&lt;b&gt;KDDIアイレット株式会社&lt;/b&gt;&lt;/a&gt;&lt;b&gt;&lt;br/&gt;&lt;/b&gt;2003 年 8 月にアイレット株式会社として創業し、2017 年 2 月に KDDI株式会社の傘下に。2026 年 4 月に KDDI Digital Divergence Holdings株式会社との合併により、社名を KDDIアイレット株式会社に変更。クラウドインテグレーション事業、開発事業、デザイン事業、提携事業を展開し、Google Cloud パートナーとして、インフラの移行や新規構築、アプリケーション開発、AI エージェント開発まで数多くの実績を持つ。&lt;/p&gt;&lt;p data-block-key="5t3mp"&gt;&lt;b&gt;インタビュイー（写真左から）&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="806uu"&gt;・オーケー株式会社&lt;br/&gt;　IT本部 副本部長　荒川 健児 氏&lt;/p&gt;&lt;p data-block-key="8sa00"&gt;・KDDIアイレット株式会社&lt;br/&gt;　クラウド・イノベーション本部 クラウドインテグレーション事業部 グループリーダー&lt;br/&gt;　齋藤 寛隆 氏&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;その他の導入事例は&lt;/span&gt;&lt;a href="https://cloud.google.com/customers?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Mon, 05 Oct 2026 02:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/topics/customers/ok-accelerates-data-driven-value-creation-with-alloydb-and-the-database-migration-service/</guid><category>Databases</category><category>BigQuery</category><category>Customers</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/hero_image_ok_horizontal_2.max-600x600.jpg" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>オーケー: AlloyDB と Database Migration Service で「止められない基幹システム」を移行し、データドリブンな価値創出を加速</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/hero_image_ok_horizontal_2.max-600x600.jpg</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/topics/customers/ok-accelerates-data-driven-value-creation-with-alloydb-and-the-database-migration-service/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Google Cloud Japan Team </name><title></title><department></department><company></company></author></item><item><title>ボーダーレスな Lakehouse を加速: クロスクラウド キャッシュのプレビュー版を発表</title><link>https://cloud.google.com/blog/ja/products/data-analytics/borderless-lakehouse-cross-cloud-caching-and-connections/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 9 月 19 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/borderless-lakehouse-cross-cloud-caching-and-connections?e=0&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この投稿では、&lt;/span&gt;&lt;a href="https://cloud.google.com/solutions/data-lakehouse?e=48754805"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ボーダーレスな Lakehouse&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; の機能強化についてお知らせします。これは、データ エンジニア、データ サイエンティスト、そして急速に導入が進む AI エージェントが、管理されたデータをその保存場所で直接クエリできるようにするためのソリューションです。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;正確な推論を行い、複雑なエンタープライズ ワークフローを自動化するには、あらゆるタイプのエージェントとデータ利用者が、組織のデータ資産すべてに迅速かつ統合的にアクセスできる環境が必要です。そうした環境であれば、クラウドをまたいで顧客レコード、トランザクション ログ、運用テレメトリーを結合することが可能になります。しかし、現代の企業データが 1 か所に収まっていることはほとんどありません。データ資産は、Amazon S3、Azure Data Lake Storage（ADLS）、Google Cloud Storage、オペレーショナル データベース、さらには Salesforce、SAP、Workday などの SaaS プラットフォームに分散しているのが一般的です。これまで、こうした分散したデータセットの統合には、不安定な ETL パイプライン、ストレージの重複、極めて高額なクロスクラウド データ転送費用がつきものでした。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;組織がクラウドをまたいでデータをクエリして有効活用できるようにするため、&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ja/products/data-analytics/introducing-the-borderless-lakehouse?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;今年 Google は&lt;/span&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;ボーダーレスな Lakehouse を導入&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;しました。Apache Iceberg REST カタログ仕様を採用することで、Databricks Unity Catalog、AWS Glue、Snowflake Horizon などのカタログとの直接連携が可能になりました。また、他のクラウド プロバイダへの高帯域幅のプライベート リンクを確立する &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Partner Cross-Cloud Interconnect&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; も導入しました。この接続により、1 ギガバイトあたりの転送費用を公共のインターネットを使用するよりも削減できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;今回の機能強化では、「そもそもネットワーク経由で転送する必要があるデータの量を最適化する」ことで、マルチクラウドの効率化をさらに一歩進めました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;クロスクラウド データのクエリ費用をさらに削減する、2 つの新機能をご紹介します。1 つは、Lakehouse 向けの&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/about-borderless-lakehouse#intelligent-caching"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;クロスクラウド キャッシュ&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;のプレビュー版です。頻繁にアクセスされるデータを Google Cloud 内にローカル キャッシュすることで、ユーザーに意識させることなく BigQuery でのクロスクラウド クエリを高速化し、リモート転送の費用も削減することができます。&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;標準的な Iceberg の列圧縮とクロスクラウドでのキャッシュ保存を組み合わせることで、クラウド間で実際に転送するデータの量を処理データの 5% 未満にまで抑えられることも珍しくありません。&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;これにより、総所有コスト（TCO）を削減して、エンタープライズ規模でのクロスクラウド分析と AI 活用を実現できます。もう 1 つは、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery のクロスクラウド接続&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;のプレビュー版（こちらも提供中）です。この機能を使用すれば、他のクラウドにある Iceberg 以外のデータをクエリしてワークロードを高速化できます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;クロスクラウド キャッシュの仕組み&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;クロスクラウド キャッシュは、パラメータ調整やストレージ管理を一切必要とすることなくクエリを高速化し、企業が求める高度なパフォーマンスとセキュリティ要件を両立させます。それを実現する内部メカニズムの一部をご紹介します。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;サブファイル ブロック単位での処理:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Apache Parquet などのカラム型フォーマットでは、クロスクラウド キャッシュはサブファイル ブロック レベルで動作します。そのため、クエリが数列にしかアクセスしない場合、数ギガバイトに及ぶファイル全体をクラウド間で転送する必要がなくなります。BigQuery は、クエリで指定された特定の列チャンクと辞書ページのみをキャッシュ保存します。キャッシュミスが発生すると、BigQuery はクエリに応答するために必要なデータをリモート クラウドから取得し、将来のクエリのためにコピーをローカルにキャッシュ保存します。これにより、繰り返し発生するワークロードのネットワーク転送とレイテンシを大幅に削減できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;デフォルトの保存データの暗号化:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; キャッシュに保存されたデータブロックは、Google が管理する暗号鍵（GMEK）によってデフォルトで暗号化されます。一時的なキャッシュ ストレージであっても、追加のオーバーヘッドなしで、通常の BigQuery ストレージと同様のエンタープライズ グレードのセキュリティ ポスチャーを維持します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;テナントとリージョンの分離:&lt;/strong&gt;&lt;code style="vertical-align: baseline;"&gt; キャッシュ エントリは、プロジェクトとカタログの境界ごとに厳密に分割され、テナント間でのデータ漏洩を防ぎます。Lakehouse は、ローカル キャッシュとクエリ実行の両方を、指定された Google Cloud リージョン（例: us-east4&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;）に厳密に限定します。これにより、リモート クラウドへのクエリ実行時にも、各リージョンのデータ所在地要件への準拠を支援します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;更新頻度チェック:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; マルチクラウド キャッシュでは、処理速度と鮮度のトレードオフを強いられることがよくあります。ステイル読み取りを防ぐため、BigQuery はキャッシュに保存されたデータを使用する前にリモート オブジェクトのメタデータを取得して、データが変更されておらず、ユーザーが引き続きアクセスできることを確認します。元データのテーブルが変更されると、BigQuery は新しいファイルをフェッチし、参照されなくなったキャッシュ ブロックは自動的に破棄します。これにより、信頼できる唯一の情報源の正確性を維持しながら、ローカルクエリと同等の速度を実現します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;キャッシュの仕組み、統計カウンタ、リージョンに関する留意事項について詳しくは、Lakehouse の&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/about-borderless-lakehouse#intelligent-caching"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;インテリジェント キャッシュに関するドキュメント&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご確認ください。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;クロスクラウド キャッシュの実際の操作&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;では、日常業務において、この仕組みはどのように動作するのでしょうか。例として、e コマースチームが、Databricks Unity Catalog から Lakehouse に統合された Amazon S3 の 10 TiB の Iceberg 売上テーブル（aws_lakehouse_catalog.sales.web_sales）に対してクエリを実行する場合を考えてみましょう。夕方のタイムセールの時間帯（午後 8 時～9 時）には、アナリストが過去の取引データをクエリし、購入意向の強いユーザー層において、どのオンライン店舗がピーク時の取引量と収益を押し上げているかを特定します。&lt;/code&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;SELECT w.web_name, hd.hd_buy_potential, COUNT(*) AS total_transactions, ROUND(SUM(ws.ws_sales_price), 2) AS total_sales\r\nFROM `aws_lakehouse_catalog.sales.web_sales` ws\r\n-- Joins household_demographics, time_dim (8:00-9:00 PM), and web_site.\r\nGROUP BY w.web_name, hd.hd_buy_potential;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a018e50&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;初回実行: コールド状態でのカラム型データ取得&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この最初のコールド実行では、ローカル キャッシュは空の状態です（&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;cacheBytesRead: "0"）。BigQuery は、パーティションのプルーニングと列投影を適用して、必要な Parquet バイト範囲のみを Partner Cross-Cloud Interconnect 経由で Amazon S3 から転送します。&lt;/code&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;{\r\n  &amp;quot;totalBytesProcessed&amp;quot;: &amp;quot;230343464114&amp;quot;,\r\n  &amp;quot;objectStorageStats&amp;quot;: [\r\n{&amp;quot;cloudProvider&amp;quot;: &amp;quot;AWS&amp;quot;, \r\n&amp;quot;objectStorageBytesRead&amp;quot;: &amp;quot;25834740486&amp;quot;, \r\n&amp;quot;cacheBytesRead&amp;quot;: &amp;quot;0&amp;quot;}]\r\n}&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a700050&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;処理される論理データ:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; BigQuery は、10 TiB のデータセット全体のうち &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;214.5 GiB&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; を処理します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;標準的な Iceberg の圧縮効率:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Zstandard（&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;zstd&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;）を使用した標準的な Iceberg 列圧縮により、BigQuery が S3 から読み取るのは&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;24.1 GiB のみです。これは&lt;/code&gt;&lt;strong style="vertical-align: baseline;"&gt;8.9:1 の圧縮率&lt;/strong&gt;&lt;code style="vertical-align: baseline;"&gt;に相当します。これらのサブファイル Parquet ブロックが Google Cloud に到着すると、BigQuery はそれらのデータをリージョン キャッシュに保存します。&lt;/code&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;追加の探索: ディメンションの追加&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;実際には、アナリストやエージェントがまったく同じクエリを 2 回続けて実行することはほとんどありません。フルフィルメントの詳細をさらに深堀りするため、アナリストは配送方法ディメンション（sm.sm_type）&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;を追加してクエリを修正します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;SELECT w.web_name, sm.sm_type, hd.hd_buy_potential, COUNT(*) AS total_transactions, ROUND(SUM(ws.ws_sales_price), 2) AS total_sales\r\nFROM `aws_lakehouse_catalog.sales.web_sales` ws\r\nJOIN `aws_lakehouse_catalog.sales.ship_mode` sm ON ws.ws_ship_mode_sk = sm.sm_ship_mode_sk\r\n-- Reuses existing joins on household_demographics, time_dim, and web_site.\r\nGROUP BY w.web_name, sm.sm_type, hd.hd_buy_potential;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe6791430d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この後続クエリのジョブ統計は次のようになります。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;{\r\n  &amp;quot;totalBytesProcessed&amp;quot;: &amp;quot;287928766472&amp;quot;,\r\n  &amp;quot;objectStorageStats&amp;quot;: [\r\n{&amp;quot;cloudProvider&amp;quot;: &amp;quot;AWS&amp;quot;, \r\n&amp;quot;objectStorageBytesRead&amp;quot;: &amp;quot;1426587648&amp;quot;, \r\n&amp;quot;cacheBytesRead&amp;quot;: &amp;quot;25834740486&amp;quot;}]\r\n}&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679141590&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;94.8% のキャッシュ ヒット率:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; BigQuery は、以前にクエリを実行した列の &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;24.1 GiB&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; をローカル キャッシュから直接返します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;最小限のリモート取得:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; BigQuery は、新しい &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ws_ship_mode_sk&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 列と &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ship_mode&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; テーブルを対象に、S3 から &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;1.33 GiB&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; だけを転送します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;サブファイル単位の柔軟性:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; キャッシュに保存された列チャンクが再利用されるため、クエリを修正しても新たに必要になったバイトのみが転送されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;エンタープライズ規模で効率性を向上&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;クロスクラウド クエリの TCO を検討する際に重要となる、上位 2 つの要素は次のとおりです。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;圧縮率: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;Iceberg でデフォルトの圧縮アルゴリズム（Zstandard / zstd）を使用すると、カラム型データは高い圧縮効果を発揮します。データの圧縮率が 8:1 であると仮定した場合、処理される論理データ 1 TiB ごとに、ネットワーク経由で移動する必要があるデータは約 128 GiB のみとなります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;キャッシュ ヒット率: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;最近アクセスされたデータをネットワーク経由ではなくキャッシュから取得できれば、ネットワーク転送を回避できます。データの 80% がキャッシュ ヒットになると仮定すると、アクセスされる物理データ 100 GiB ごとに、ネットワーク上を移動するデータは 20 GiB のみとなります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これらの 2 つの要素と前提条件を掛け合わせると、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;組織が処理するデータ 1 TiB あたり、ネットワーク経由で転送する必要があるデータ量は約 26 GiB（処理されるデータ全体の 3% 未満）で済みます&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;。この削減効果と Partner Cross-Cloud Interconnect を組み合わせることで、TCO を削減し、ペタバイト規模のクロスクラウド分析や AI 活用を極めて優れた費用対効果で実現できます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery クロスクラウド接続のプレビュー版を提供開始&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;クロスクラウド キャッシュと併せて提供開始となった &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery クロスクラウド接続&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;のプレビュー版では、BigQuery を Amazon S3 や Azure Storage のオープン形式データに直接接続することができます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;カタログ連携とクロスクラウド接続のどちらを使うべきかの判断基準はシンプルです。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery のクロスクラウド接続（元ファイル用）:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Iceberg カタログで管理されていないスタンドアロン ファイル（CSV、JSON、アドホックな Parquet）の場合、クロスクラウド接続を利用することで、リモートのバケットパスを直接参照する BigQuery 外部テーブルを作成できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Lakehouse カタログ連携（Iceberg 向け）:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Databricks Unity、AWS Glue、Snowflake Horizon などのカタログで管理されている Iceberg データの場合、Lakehouse がスキーマとテーブル スナップショットを自動的に同期します。これにより、ユーザー エクスペリエンスが簡素化され、ユーザーが常に最新のデータに対してクエリを実行できるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;クロスクラウド接続は、他のクラウドのコンピューティング ワーカーではなく、Google Cloud リージョン内の標準 BigQuery コンピューティング ワーカーを使用する、最先端のアーキテクチャを採用しています。このアプローチにより、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;世界各地のリージョンでの利用&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;が可能になるほか、リモート ファイルでも &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery と同等の機能&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;（BigQuery AI や Gemini を含む）が提供されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Lakehouse のクロスクラウド キャッシュ機能は、BigQuery のクロスクラウド接続からクエリされたデータと、Lakehouse カタログ連携のデータの双方に適用されます。接続の作成方法や外部バケットパスへのクエリ実行方法については、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/cross-cloud-connections"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery のクロスクラウド接続の設定に関するドキュメント&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご確認ください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;- グループ プロダクト マネージャー、Will Ochandarena&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;- スタッフ ソフトウェア エンジニア、Jason Ganetsky&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Fri, 02 Oct 2026 01:10:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/borderless-lakehouse-cross-cloud-caching-and-connections/</guid><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>ボーダーレスな Lakehouse を加速: クロスクラウド キャッシュのプレビュー版を発表</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/borderless-lakehouse-cross-cloud-caching-and-connections/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Will Ochandarena</name><title>Group Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Jason Ganetsky</name><title>Staff Software Engineer</title><department></department><company></company></author></item><item><title>電気通信事業者の自律性の拡張: Distributed GraphFlow を使用したグラフ ニューラル ネットワークの活用</title><link>https://cloud.google.com/blog/ja/products/databases/run-gnns-at-scale-with-ease-introducing-distributed-graphflow/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 9 月 16 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/run-gnns-at-scale-with-ease-introducing-distributed-graphflow?e=0&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;通信業界は現在、従来の人間による手動運用から、完全な&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/topics/telecommunications/the-autonomous-network-operations-framework-for-csps?e=48754805"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;自律型ネットワーク運用&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;へのパラダイム シフトを経験しています。最新のネットワークは複雑性、異種性、大規模性を増しているため、運用の自動化を実現するには、手動で設定したルールによるルールベースの手法や従来型の機械学習（ML）手法だけでは不十分です。従来の ML は大量の構造化データから微妙なパターンを特定してきめ細かな予測を行うことができる一方、データとそれが示すシステムを理解して推論し、最終的に人間のオペレーターと同じような意思決定を行う能力はありません。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI エージェントの成長とその推論能力は、この課題に対する有望な解決策となります。しかし、人間のオペレーターが大規模なネットワーク中に作成された数十億のデータポイントに分散した統計情報を直接取り込むことができないのと同様に、AI エージェントにもそのような規模のネットワークを運用する能力はありません。この課題に対処するために電気通信事業者が採用しているのがグラフ ニューラル ネットワーク（GNN）です。GNN は、大量の時間データやリレーショナル データをネイティブに処理するように設計された最新の ML です。電気通信事業者は、GNN を AI エージェントと統合することで、根本原因分析、キャパシティ プランニング、トラフィック予測、What-If 分析、リアルタイムの異常検出などの高度な診断を、これらの分析情報を解釈して正当なアクションを実行するために必要な推論能力と組み合わせて利用できます。この強力な組み合わせにより、ネットワークを &lt;/span&gt;&lt;a href="https://www.tmforum.org/missions/autonomous-networks" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TM Forum が定義する&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;レベル 5 の自律性（システムが自律的に動作する状態）に安全に移行させることが可能になります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この投稿では、Google Cloud の自律型ネットワーク運用フレームワークを強化する 3 つのコンポーネント（データ、ML、AI）を紹介します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_qK2rt5p.max-1000x1000.jpg"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_rvvQ1TV.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="n2lgl"&gt;Google 自律型ネットワーク運用フレームワークのアーキテクチャ&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;基盤: Spanner Graph 上のデジタルツイン&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud の自律型ネットワーク運用フレームワークの中核となるのは、ネットワーク デジタルツインです。これは、稼働中の通信ネットワークをリアルタイムで継続的にミラーリングし、細部にわたって忠実に再現する仮想レプリカです。静的なモデルではなく、進化し続けるコンポーネントの状態と関係を経時的に捉える、動的な時系列ネットワーク グラフとして表現されます。このアーキテクチャ アプローチにより、オペレーターは過去に「戻って」過去のデータで ML モデルをトレーニングおよび評価できると同時に、レベル 5 の自律性を実現するために必要な基本的な運用知識を AI エージェントに提供できます。デジタルツインは、提案されたネットワーク変更の影響をこのデジタル環境内でシミュレートすることで、信頼性の重要なレイヤを確立し、AI エージェントが自信を持って将来の状態を設計し、ネットワークの問題を自動的に解決できるようにします。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud の &lt;/span&gt;&lt;a href="https://cloud.google.com/products/spanner/graph?e=48754805"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spanner Graph&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; はこのデジタルツインをホストするのに最適なサービスですが、その理由は以下のとおりです。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;スケーラビリティと可用性&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: Spanner Graph は、最新のアプリケーションに妥協のない基盤を提供します。ネットワークの成長に合わせて事実上無制限にスケーリングでき、RPO と RTO はともに 0 であると同時に、99.999% の可用性を保証します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;マルチモデルのサポート&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 単一のプラットフォームで複数のデータモデル（リレーショナル、グラフ、ベクトル、全文検索）をサポートしているため、グラフ走査と最近傍ベクトル検索を組み合わせるなど、複雑な構成の構築が可能です。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;グローバルな整合性&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: Spanner は、グローバルに整合性のあるネットワーク ビューを提供し、システム開発を簡素化します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;次の図は、ルーター、インターフェース（物理ポート）、VPN（L3VPN サービス インスタンス）、フロー（アクティブなトラフィック セッション）の 4 種類のノードを含むネットワーク トポロジを示しています。これらは、ネットワーク スタック全体をキャプチャする有向エッジによって接続されます。接続の種類としては、ルーターとインターフェース間の物理的封じ込め、インターフェース間の物理リンク、OSPF/iBGP を介したルーター間のコントロール プレーン ピアリング、ルーターと VPN 間のサービス メンバーシップ、フローとインターフェース間およびフローと VPN 間のトラフィック アンカリングが挙げられます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_E5yMTVW.max-1000x1000.jpg"
        
          alt="3"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="n2lgl"&gt;ネットワーク トポロジの概要&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;ML レイヤ: Distributed Graph Flow（DGF）&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ネットワークの動作と反応を予測するために、デジタルツインは &lt;/span&gt;&lt;a href="https://dgf.readthedocs.io/" rel="noopener" target="_blank"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Distributed Graph Flow&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;（DGF）&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;を活用した ML レイヤを利用します。このレイヤは、Spanner Graph 内にホストされている膨大な量の過去の構造化データでトレーニングすることで、重要な予測的分析情報を引き出します。これにより、人間のオペレーターと AI エージェントは、事後的ではなく事前的にネットワークを管理できるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;先日オープンソース化された DGF は、GNN モデリングのエンドツーエンドのライフサイクル全体を管理するために設計された Python ライブラリです。Google CoreML と Google Research によって開発されたこのライブラリにより、Google Cloud の企業クライアントは、Google が 10 年にわたり開発してきた社内ツールと専門知識を直接活用できるようになります。さまざまなエンジニアリング ニーズに対応するこのライブラリは、高度なチーム向けに高性能でコンポーズ可能な低レベル プリミティブを提供するほか、GNN の専門知識なしで迅速な開発を行うためのシンプルな API も提供しています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;たとえば、高レベル API を使用して GraphFlow で GNN モデルをトレーニングして評価する場合、次のように 5 行のコードを記述するだけで済みます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;import dgf\r\n\r\n# Fetch the data from Spanner Graph\r\ngraph, schema = dgf.io.read_spanner_graph(...)\r\n\r\n# Train a node attribute prediction model\r\nmodel = dgf.learning.train_node_model(graph, schema, target_column=&amp;quot;risk_score&amp;quot;)\r\n\r\n# Evaluate the model\r\nmodel.evaluate()\r\n# Make predictions\r\nmodel.predict(graph, seed_node_idxs=[0, 1, 2])\r\n\r\n# Save the model for later\r\nmodel.save(&amp;quot;/tmp/model&amp;quot;)&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a7e7690&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;DGF は、自律型ネットワーク運用要件に直接マッピングされる最上位概念を提供します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/4_87R4Pjc.max-1000x1000.png"
        
          alt="4"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;ユースケース&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;DGF と GNN を活用する電気通信事業者は、複数の高度なユースケースを通じて、事後保守から予防保守へと移行できます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;異常検出&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: GNN は、過去のパターンと現在の状態をカプセル化したノードとエッジのエンベディングを生成します。異常なエンベディングは、サービスの低下につながる前に調査対象としてフラグが立てられます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;根本原因分析（RCA）&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: DGF は、特定の郵便番号での「接続失敗」など、インシデントに関連するネットワーク インスタンスのみを含む特定のサブグラフを出力できます。グローバル ネットワーク全体をスキャンする必要性がなくなるため、トラブルシューティング エージェントは、分析を高速で実行できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;予測メンテナンス&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: システムは、高速移動する機器の「ハンドオーバー障害」など、デバイスの障害やエッジの切断の可能性を予測し、プロアクティブなロード バランシングやルート変更を可能にします。さらに、エージェントを組み合わせることで、「人間関与型」や「人間参加型」を採用して修復アクションを自動化できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;What-If 分析&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: GNN を使用すると、電気通信事業者はファイバーの切断、トラフィックの急増、デバイス構成の変更などのシナリオをシミュレートできます。GNN は、トポロジカルな依存関係をモデル化することで、こうした局所的な変化がネットワーク全体にどのように伝播するかを予測できるため、エンジニアはリスクのないデジタル環境で復元力をテストし、緩和戦略を評価できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;シナリオ: GNN と DGF を使用した根本原因分析&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;デジタルツインを作成したら（&lt;/span&gt;&lt;a href="https://github.com/GoogleCloudPlatform/cloud-spanner-samples/tree/main/telco-and-csp/ano-gnn" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;サンプルコード&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;）、以下の簡単な 5 ステップのプロセスで、GNN と DGF を使用した根本原因分析（RCA）検出を実装できます。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;デジタルツインに接続する&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: DGF Spanner Graph コネクタ（&lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;dgf.io.read_spanner_graph&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;）を使用して、Spanner Graph のデジタルツインから DGF 環境にネットワーク トポロジを直接読み込みます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;教師ありノード（またはエッジ）予測モデルをトレーニングする&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: トレーニング データと目的に応じて、教師ありノード予測モデルをトレーニングしてターゲット ノードの特徴を予測するか、エッジ予測モデルをトレーニングして根本原因エンティティ ノードと影響を受けるエンティティ ノード間のエッジを予測します。指定されたサンプルデータに対して、高レベルの &lt;/span&gt;&lt;code style="font-style: italic; vertical-align: baseline;"&gt;dgf.learning.train_node_model&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; API を使用して、教師ありノード予測モデルをトレーニングします。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ノード予測モデルを使用して根本原因ノードを予測する&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: ノード予測モデルを直接使用して、異常のあるノードへの影響スコアを予測できます。異常の影響を受けるエンティティ ノードのうち、予測される影響スコアが最も高いものが根本原因の最有力候補となります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://cloud.google.com/blog/ja/products/ai-machine-learning/introducing-gemini-enterprise-agent-platform?e=48754805&amp;amp;hl=ja"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Gemini Enterprise Agent Platform&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;（旧称 Vertex AI）にデプロイする&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: モデルをエクスポートして Gemini Enterprise エンドポイントにホストし、スケーラブルかつ低レイテンシの予測を可能にします。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;リアルタイム推論&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 異常の日付を入力として、推論エンドポイントに予測呼び出しを行います。エンドポイントは、予測された根本原因のエンティティ ノードを返します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;使ってみる&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Distributed Graph Flow を使用した GNN のネットワーク運用への統合は、単なる技術的なアップグレードではなく、通信業界の重要な進化です。GNN を活用した自律型フレームワークに移行することで、電気通信事業者はサービス停止時間を大幅に短縮し、リアルタイムで容量を最適化できます。さらに、最終的には運用効率の向上を通じて優れたカスタマー エクスペリエンスを提供することにもつながります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;独自のインテリジェント ネットワーク アプリケーションの構築を始めるには、スケーラブルな GNN トレーニングと推論に不可欠なプリミティブを提供する &lt;/span&gt;&lt;a href="https://github.com/google/distributed_graph_flow" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Distributed GraphFlow（DGF）&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;ライブラリをご覧ください。実践演習を行う場合は、&lt;/span&gt;&lt;a href="https://github.com/GoogleCloudPlatform/cloud-spanner-samples/tree/main/telco-and-csp/ano-gnn" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;コードサンプル&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;の手順に沿って進めます。また、当社が最近受賞した&lt;/span&gt;&lt;a href="https://www.tmforum.org/catalysts/projects/C26.0.965/businessaware-gnnhealing-networks" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ビジネスアウェア GNN ヒーリング ネットワーク&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;に関する&lt;/span&gt;&lt;a href="https://www.tmforum.org/catalysts/awards?moonshotsOnly=false" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ムーンショット プロジェクト&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;もご覧ください。自己最適化自律ネットワークに対する Google のアプローチについては、&lt;/span&gt;&lt;a href="https://services.google.com/fh/files/misc/self_optimizing_autonomous_networks_white_paper.pdf" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちらのホワイトペーパー&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご確認ください。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 30 Sep 2026 10:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/databases/run-gnns-at-scale-with-ease-introducing-distributed-graphflow/</guid><category>BigQuery</category><category>Data Analytics</category><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>電気通信事業者の自律性の拡張: Distributed GraphFlow を使用したグラフ ニューラル ネットワークの活用</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/databases/run-gnns-at-scale-with-ease-introducing-distributed-graphflow/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Brian Naughton</name><title>Senior Principal Architect, Telecommunications</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Mathieu Guillame-Bert</name><title>Software Engineer</title><department></department><company></company></author></item><item><title>千葉大学：LMS の Google Cloud 移行で「止まらない教育インフラ」を実現。運用負荷の大幅軽減とデータ駆動型教育への挑戦</title><link>https://cloud.google.com/blog/ja/products/gcp/chiba-university-realizes-an-uninterrupted-educational-infrastructure/</link><description>&lt;div class="block-paragraph"&gt;&lt;p data-block-key="a5vda"&gt;&lt;b&gt;2020 年に発足した「スマートオフィス」を中核に、千葉大学は全学的な教育 DX を加速させています。オンプレミスから他社クラウド、そして Google Cloud へ。その歩みは、単なるサーバーの移設ではなく、大学が自ら IT インフラの最適解を見極めながら、Google Cloud とともに教育の質を向上させてきた挑戦の記録でした。&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="er9bt"&gt;千葉大学では、学習管理システム（LMS）として Moodle を運用し、教育活動の基盤としています。この不可欠なインフラをいかにして「持続可能で高品質なもの」へと進化させたのか。実際にこの取り組みに携わった理事（総括・教育・国際）の小澤 弘明 氏、当時のスマートオフィス長・副学長（学修支援）の竹内 比呂也 氏、およびスマートオフィスの皆様にお話を伺いました。&lt;/p&gt;&lt;h3 data-block-key="4tvmt"&gt;&lt;b&gt;【背景】コロナ禍で露呈したオンプレミスの限界と IaaS の課題&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="33eo5"&gt;コロナ禍以前、千葉大学の LMS はオンプレミス環境で運用されていました。当時は物理的な機器トラブルやネットワーク障害、さらには停電への対応に追われる日々でした 。&lt;/p&gt;&lt;p data-block-key="adv8k"&gt;「物理的なトラブルに加え、これらに対応できる専門知識を持つ職員が少なく、運用負荷やセキュリティ面での不安が大きな課題でした」と担当者は語ります 。&lt;/p&gt;&lt;p data-block-key="4am81"&gt;2020 年、コロナ禍によるアクセス急増を受け、まずは他社クラウドへの移行を断行しました。しかし、そこでの構成はすべて IaaS（仮想マシン）であったため、物理的なトラブルからは解放されたものの、OS の管理やパッチ当てといった運用負荷は依然として残ったままでした 。&lt;/p&gt;&lt;p data-block-key="9d58n"&gt;Google Cloud を検討したきっかけは、教育現場での Google Workspace の浸透でした。学生のメールをGmail に移行したり、同時双方向のオンライン授業のためのツールとして Google Meet などの活用が進んだりする中、アカウント認証を統合できるメリットは運用上極めて大きいものでした 。&lt;/p&gt;&lt;p data-block-key="5gign"&gt;さらに、学術情報ネットワーク（SINET）とのプライベート接続におけるコストパフォーマンスが優れていたため、教育系システムを全面的に移行することになりました。&lt;/p&gt;&lt;h3 data-block-key="6h6fq"&gt;&lt;b&gt;【プロセス】組織の壁と技術的ハードルを乗り越えた「三者連携」&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="beugb"&gt;移行プロジェクトは、事務補佐員を含め約 10 名の職員と 4 名の教員で構成される「スマートオフィス」が主導しました 。しかし、当時は学内にクラウドに深い知見を持つ人材が不足しており、大きな壁にぶつかります。&lt;/p&gt;&lt;ol&gt;&lt;li data-block-key="fvlcs"&gt;&lt;b&gt;組織内の合意形成：&lt;/b&gt; ISMAP などの評価基準が定まる前だったこともあり、機微な学生情報をクラウドへ移行することに対し、学内のセキュリティ面でのすり合わせに苦心しました 。&lt;/li&gt;&lt;li data-block-key="8cuop"&gt;&lt;b&gt;技術的難所（SINET 接続）：&lt;/b&gt; セキュリティを担保するため、商用ネットを介さず SINET から直結する構成を目指しましたが、ベンダーとの調整が難航しました 。&lt;/li&gt;&lt;/ol&gt;&lt;p data-block-key="dptun"&gt;技術的なハードルの克服に向けては、コンサルタントとして参画していた早稲田大学アカデミックソリューション（WAS）が各者の橋渡し役を担いました 。千葉大学、Google Cloud、運用ベンダーの三者間に立ち、Google Cloud の知見も取り入れながら実務レベルの調整を積み重ねることで、難航していたシステム実装を実現しました。&lt;/p&gt;&lt;h3 data-block-key="3fkr5"&gt;&lt;b&gt;【アーキテクチャ】安定性と先進性を両立する「クラウドネイティブへの道筋」&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="4sjcu"&gt;現在のシステム構成は、単なる「リフト＆シフト（そのまま移行）」ではありません。将来的なサーバーレス化を見据えつつ、現時点での安定性を最大化する工夫が施されています。&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="7vi22"&gt;&lt;b&gt;安定稼働の追求：&lt;/b&gt; 多くの学生が一斉にアクセスするピーク時のパフォーマンスを確保するため、アプリケーションサーバーは Compute Engine（VM）による 3 台構成を採用しています 。&lt;/li&gt;&lt;li data-block-key="cdgl2"&gt;&lt;b&gt;PaaS への積極移行：&lt;/b&gt; データベースは Cloud SQL (MySQL)、キャッシュ層は Memorystore (Redis) へと PaaS 化。これにより、管理者を苦しめていた OS の管理工数から解放されました 。&lt;/li&gt;&lt;li data-block-key="dosei"&gt;&lt;b&gt;先進的な試行：&lt;/b&gt; Cloud Run を活用したフロントエンド構築も開始しており、「使った分だけ支払う」というクラウドのメリットを最大限に享受しています 。&lt;/li&gt;&lt;li data-block-key="727cq"&gt;&lt;b&gt;強固な防御：&lt;/b&gt; WAF として Cloud Armor を、ファイアウォールとして Cloud Firewall（Cloud NGFW） を活用し、機密性の高い学生データを守っています 。&lt;/li&gt;&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_nGyf6GS.max-1000x1000.png"
        
          alt="image1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;h3 data-block-key="a5vda"&gt;&lt;b&gt;【導入効果】管理工数の削減が、教員と学生の「自由」を生む&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="e58p0"&gt;導入前に課題となっていた、停電、負荷増大による処理停止や、証明書更新のためのシステム停止等の懸念点については、Google Cloud に移行し、マネージド証明書を利用することによって解決することができました。&lt;/p&gt;&lt;p data-block-key="dve32"&gt;システム運用における具体的な効果は以下の通りです。&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="2g24r"&gt;&lt;b&gt;運用の自動化：&lt;/b&gt; SSL 証明書の更新はマネージド証明書で自動化。サーバーごとの個別監視も、ログを BigQuery へ転送して一括管理することで不要になりました 。&lt;/li&gt;&lt;li data-block-key="5ugei"&gt;&lt;b&gt;教育の質の向上：&lt;/b&gt; 「課題締切直前にサーバーが落ちるかもしれない」という不安から学生が解放されたことは、学習体験に大きなプラスとなりました。教員側も、小テストの自動採点やオンライングループワークといった LMS の機能をフル活用した、より高度な教育設計に躊躇なく挑戦できるようになっています 。&lt;/li&gt;&lt;li data-block-key="1uo4r"&gt;&lt;b&gt;運用工数とコストの削減：&lt;/b&gt; 全体で約 20~30 ％の工数削減を達成し、コスト削減と運用効率化の両方を実現しました。&lt;/li&gt;&lt;/ul&gt;&lt;p data-block-key="bj5ku"&gt;「LMS は、あって当たり前のインフラとして機能することに意味があります。学習の本質とは無関係なストレスを取り除くことで、初めてデータに基づいた教育改善が可能になるのです」&lt;/p&gt;&lt;h3 data-block-key="22lik"&gt;&lt;b&gt;【展望】AI とデータ分析で「次世代の学び」へ&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="cepo4"&gt;同大は今後、API を利用した学内向け RAG（検索拡張生成）の構築や、LMS の利用ログを BigQuery で蓄積し、Looker で可視化・分析する「ラーニング・アナリティクス」の計画を検討しています。&lt;/p&gt;&lt;h3 data-block-key="c8uvs"&gt;&lt;b&gt;【メッセージ】「IT に関する判断」をベンダーに委ねない&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="3jfni"&gt;「クラウドは、ベンダーの報告を自分たちで直接確認し、判断することを可能にします。少ない学習コストで自ら利活用できるからこそ、ベンダー主導では実現しにくい、教育現場に根差した仕組みを構築することができる。IT に関する判断を自らに取り戻すこと。これこそが、クラウド移行で最も重要な視点です。」&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image4_t6L0Gk5.max-1000x1000.jpg"
        
          alt="image4"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="a5vda"&gt;&lt;b&gt;プロフィール（敬称略）&lt;/b&gt;&lt;/p&gt;&lt;p data-block-key="635n"&gt;&lt;b&gt;国立大学法人 千葉大学&lt;/b&gt;&lt;/p&gt;&lt;ul&gt;&lt;li data-block-key="9rqdq"&gt;理事（総括・教育・国際）：小澤 弘明&lt;/li&gt;&lt;li data-block-key="oba8"&gt;副学長（教育改革・学修支援）（※2023 年度～2025 年度）：竹内 比呂也&lt;/li&gt;&lt;li data-block-key="8utp1"&gt;スマートオフィスの皆様&lt;/li&gt;&lt;/ul&gt;&lt;p data-block-key="3fp6k"&gt;&lt;b&gt;利用サービス：&lt;/b&gt; Compute Engine, Cloud Run, Cloud SQL, Memorystore, Cloud Storage, Filestore, Cloud Armor, Cloud Load Balancing, BigQuery, Google Workspace, Looker&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 29 Sep 2026 17:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/gcp/chiba-university-realizes-an-uninterrupted-educational-infrastructure/</guid><category>Public Sector</category><category>BigQuery</category><category>Google Cloud</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>千葉大学：LMS の Google Cloud 移行で「止まらない教育インフラ」を実現。運用負荷の大幅軽減とデータ駆動型教育への挑戦</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/gcp/chiba-university-realizes-an-uninterrupted-educational-infrastructure/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Google Cloud Japan パブリックセクター本部 </name><title></title><department></department><company></company></author></item><item><title>住友重機械工業: Google Cloud で SDV 開発基盤を構築し、大型機械用ソフトウェア開発の高速化と人材育成を両立</title><link>https://cloud.google.com/blog/ja/topics/customers/shi-builds-sdv-development-platform-on-google-cloud/</link><description>&lt;div class="block-paragraph"&gt;&lt;p data-block-key="ip8r7"&gt;「デジタルの力で、世界中の現場を快適に、携わる人々を幸せに」というビジョンに基づき DX を推進している住友重機械工業株式会社（以下、住友重機械工業）では、製造業 DX と SDV（Software Defined Vehicle）用のロボット開発基盤を Google Cloud で構築。製造業で深刻化している労働力不足の解消にも取り組んでいます。なぜ SDV のために Google Cloud を採用し、いかに人材育成も充実させたのか。AIロボティクスセンターの開発者と責任者に話を伺いました。&lt;/p&gt;&lt;p data-block-key="crp3m"&gt;&lt;b&gt;利用しているサービス:&lt;/b&gt;&lt;br/&gt; &lt;a href="https://cloud.google.com/ai?e=0"&gt;Gemini Enterprise&lt;/a&gt;, &lt;a href="https://docs.cloud.google.com/gemini/docs/codeassist/gemini-cli?hl=ja"&gt;Gemini CLI&lt;/a&gt;, &lt;a href="https://cloud.google.com/workstations?hl=ja&amp;amp;utm_source=gemini"&gt;Cloud Workstations&lt;/a&gt;, &lt;a href="https://cloud.google.com/bigquery?hl=ja"&gt;BigQuery&lt;/a&gt;, &lt;a href="https://cloud.google.com/build?hl=ja"&gt;Cloud Build&lt;/a&gt;, &lt;a href="https://cloud.google.com/run?hl=ja"&gt;Cloud Run&lt;/a&gt;, &lt;a href="https://cloud.google.com/security/products/iap?hl=ja"&gt;Identity-Aware Proxy&lt;/a&gt; など&lt;/p&gt;&lt;p data-block-key="con1o"&gt;&lt;b&gt;利用しているソリューション:&lt;/b&gt;&lt;br/&gt;&lt;a href="https://cloud.google.com/ai/generative-ai?hl=ja"&gt;生成 AI&lt;/a&gt;&lt;/p&gt;&lt;h3 data-block-key="1ckfe"&gt;&lt;b&gt;加速する SDV の流れに対応するために、Google Cloud でプラットフォームを構築&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="d93a1"&gt;重機械メーカーである住友重機械工業は、減速機や放射線治療装置など、多岐にわたる製品を研究開発しています。その中で、物流・建設機械を扱うロジスティックス＆コンストラクション セグメントを担当しているのが、AIロボティクスセンターです。現在、同センターでは、自動フォークリフト（AGF：Automated Guided Forklift）の開発を推進。技術本部 技術研究所 AIロボティクスセンター ロボティクスプラットフォームグループの中尾 拓真氏は、その背景を次のように説明します。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_with_image"&gt;&lt;div class="article-module h-c-page"&gt;
  &lt;div class="h-c-grid uni-paragraph-wrap"&gt;
    &lt;div class="uni-paragraph
      h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
      h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3"&gt;

      






  

    &lt;figure class="article-image--wrap-small
      
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image3_IlziBO3.max-1000x1000.jpg"
        
          alt="image3"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  





      &lt;p data-block-key="lai3g"&gt;「製造業は、ハードウェアの性能で製品価値 が決まる時代から、ソフトウェアのアップデートで機能が追加され、より便利になる SDV の時代への変革期にあります。自動車ではすでに、OTA と呼ばれるインターネット経由のアップデートで自動運転の性能や燃費が購入後にも向上するようになりました。この流れは物流・建設機械にも広がってきていますので、大型機械の中で動くソフトウェアの開発を、より高速化することが求められています。」&lt;/p&gt;&lt;p data-block-key="9k1qt"&gt;同センターでは、AGF の開発を通じて、SDV に対応したクラウドの開発環境を検証。得られた成果や知見をもとに、ソフトウェア開発を効率化し、油圧ショベルやクレーンなどの他の機種にも展開していく予定です。&lt;/p&gt;&lt;p data-block-key="8lnsg"&gt;「コーディングでは生成 AI を利用して、AGF の動作やアルゴリズムを短時間で実装します。こうして実装した機能は、まずシミュレーターで動作を確認してから実機実験に進みますが、実機実験は時間や場所、安全性の制約が大きいので、可能な限りシミュレーターで不具合を解決しておくことが大切になります。また、そこで得られたデータはクラウド上で分析され、不具合の原因特定や次の改善に活かされます。」（中尾氏）&lt;/p&gt;
    &lt;/div&gt;
  &lt;/div&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;h3 data-block-key="ip8r7"&gt;&lt;b&gt;デジタルツインを活用した事前検証を行い、実機実験を 1 回でクリア&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="14ih2"&gt;住友重機械工業では基盤となるプラットフォームとして、Google Cloud を採用。決め手となったのは、開発に必要な機能はもちろん、内製化に向けた支援プログラムなどが包括的に提供されることでした。&lt;/p&gt;&lt;p data-block-key="c0dqk"&gt;Google Cloud 上の開発プラットフォームは、生成 AI 開発環境、CI/CD、デジタルツイン、データ分析の 4 つの役割を担っており、検証を終えた機能は Docker イメージで実機にデプロイされます。例えば AGF がパレットを検出してピックアップする自動化機能の開発では、Cloud Workstations 上のデジタルツインでシミュレーションを行った結果、1 回目の実機実験で動作テストを問題なくクリアできました。&lt;/p&gt;&lt;p data-block-key="4b9j"&gt;「シミュレーターは実機とまったく同じプロトコルで通信できるので、ロボットのプログラムから見ると、接続している相手が実機なのか、シミュレーターなのかを意識する必要がなくなります。だからこそ、動作確認したプログラムが実機でもそのまま動くのです。」（中尾氏）&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/QuanTiakitekuchiya.max-1000x1000.png"
        
          alt="全体アーキテクチャ"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="ip8r7"&gt;中尾氏によれば、Google Cloud の導入は個別の開発だけでなく、チーム全体の作業プロセスにも大きな変化をもたらしました。&lt;/p&gt;&lt;p data-block-key="6bra"&gt;「クラウドを導入する前は、開発環境や使用ツールが各自バラバラで、ソースコード管理も個々が行っていました。しかし Cloud Workstations で環境を標準化し、ソースコード管理や CI/CD も実現したことにより、シナジーを生むチーム開発へ移行できました。特に Cloud Workstations は、メンバー全員が同一環境で開発できるため、新規メンバーのオンボーディング短縮にもつながっています。新入社員として配属されたメンバーが、配属初日から作業に着手できた例もありました。」（中尾氏）&lt;/p&gt;&lt;p data-block-key="9lsc0"&gt;開発プラットフォームでは、コーディングやデバッグ、ドキュメント作成などの幅広い工程で、Gemini CLI や Gemini Enterprise などの生成 AI が活用されています。中尾氏は、その効果を高めるために独自の仕組みも構築してきました。&lt;/p&gt;&lt;p data-block-key="9p9mm"&gt;「生成 AI でエンジニアの発想をすぐにコード化し、CI/CD と組み合わせて定型作業も自動化したことで、エンジニアが創造的な作業に専念できるようになりました。ただし、AI コーディング エージェントは、同じエラーの解決方法を毎回 1 から探してしまいます。そこで、エラーログをキーにして AI が解決策を自動蓄積・検索する『KAI（Knowledge &amp;amp; AI）』を構築し、チーム全体へナレッジを展開できるようにしました。さらに、AI の学習データに含まれない社内の内製ライブラリの仕様を正しく理解させるため、ソースコードとドキュメントを関連付けて検索できる『GraphRAG』も実装しています。」（中尾氏）&lt;/p&gt;&lt;h3 data-block-key="3d17u"&gt;&lt;b&gt;Cloud Workstations と TAP で最適なクラウド人材の育成環境を整備&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="b6an8"&gt;住友重機械工業は、Google Cloud 上のプラットフォームによって AGF の新機能実装を大幅に効率化しました。しかし意欲的な開発を継続していくには、クラウドに習熟した人材の確保が急務となります。ロボティクスプラットフォームグループでグループリーダを務める藤井 北斗氏は、2025 年に入社した中尾氏を例に挙げながら、短期間で優れた人材を育成するうえでも Google Cloud の導入が有用だと語りました。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_with_image"&gt;&lt;div class="article-module h-c-page"&gt;
  &lt;div class="h-c-grid uni-paragraph-wrap"&gt;
    &lt;div class="uni-paragraph
      h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
      h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3"&gt;

      






  

    &lt;figure class="article-image--wrap-small
      
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image2_gSPCnmx.max-1000x1000.jpg"
        
          alt="image2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  





      &lt;p data-block-key="lai3g"&gt;「SDV をけん引する人材育成には、早い段階で数多くの失敗と成功を体験させることが重要です。しかし弊社のように歴史が古く、規模の大きな組織では、自由にロボット開発を試せるクラウド環境を提供するのは、ガバナンスやセキュリティの観点から難しいのも事実です。この課題を Google Cloud で解決しようと考えました。」&lt;br/&gt;&lt;/p&gt;&lt;p data-block-key="9n0q1"&gt;まずガバナンス・セキュリティ面では、Google Workspace の Enterprise エディションを採用し、組織管理アカウントと IAM（権限管理）を連携させることで、少人数でも安全かつ適切なアカウント管理を実現。Security Command Center（SCC）も導入し、脅威の検知から修復までをカバーするセキュアで効率的な運用環境を確保しています。&lt;/p&gt;
    &lt;/div&gt;
  &lt;/div&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「開発の経験を積むにはセキュリティ ガードレール、自由なプレイグラウンド（実験環境）と AI サポート、失敗しても元に戻せるサンドボックスの 3 要素が必要です。Cloud Workstations はコンテナなので壊れても元に戻せますし、IAP（Identity-Aware Proxy）で防護されているので安全も確保できます。生成 AI は Gemini Enterprise で誰が何に使っているかを把握できるようにし、ネットワークやセキュリティは Google Cloud Skills Boost で基礎的なことを学んでから、実装に取り組む体制にしています。中尾も、ガードレールの中で安全に失敗を繰り返すことで、バランスが取れた実装ができるようになりました。」（藤井氏）&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;一方、組織開発では、外部の知見を入れながら継続的に組織をスケールさせるための取り組みがなされています。そこで利用されたのが、Google Cloud が提供するアジャイル型内製化支援ワークショップ、&lt;/span&gt;&lt;a href="https://cloud.google.com/solutions/in-house-development-support?hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TAP（Tech Acceleration Program）&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「ロボット開発基盤のプロトタイピングでは、Google Cloud のエンジニアと 3 日間の合宿を実施していただきました。TAP では、プラットフォーム エンジニアリング&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;やサイト信頼性エンジニアリング（SRE）だけでなく、Google のカルチャーや組織開発についても学ぶことができました。さらには生成 AI を使ったバイブ コーディング研修を実施いただき、それを軸に社内教育も実施しています。」（藤井氏）&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;住友重機械工業は今後、SDV のサービス化に向けた企画やビジネスモデル構築、マイクロサービス開発、デジタルツイン環境の拡張へと取り組みを広げていく計画です。藤井氏は次の目標をすでに見据えていました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「例えばデジタルツインは、開発やデバッグだけでなく、お客さまに新しいサービスを早く検証していただくための環境も提供します。この技術を基に、すべての住友製品とクラウドでつくったサービスが、仮想空間でつながる世界を実現したいと考えています。また、Gemini Robotics-ER 1.6 が公開されたので、フィジカル AI との統合も検討しています。OTA の仕組みを欧州の規制に適合させる、あるいは Firebase で顧客の操作状況を把握して UX を向上させるなど、弊社には他にも多くの目標があります。これらの実現に向け、今後も Google Cloud を活用した開発の効率化や、労働力不足などの課題を解決できる仕組みづくりに挑戦し続けていきます。」（藤井氏）&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt; &lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_j4VEf5r.max-1000x1000.jpg"
        
          alt="image1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="ip8r7"&gt;&lt;a href="https://www.shi.co.jp/" target="_blank"&gt;&lt;b&gt;住友重機械工業株式会社&lt;/b&gt;&lt;/a&gt;&lt;br/&gt;1888 年の創業から 130 年以上の歴史がある総合機械メーカー。「住友の事業は住友自身を利するとともに、国家を利し、社会を利する事業でなければならぬ」という住友グループの経営理念に基づき、メカトロニクス、インダストリアル マシナリー、ロジスティックス＆コンストラクション、エネルギー＆ライフラインの 4 つのセグメントを事業領域としてカバーする。連結従業員数は 2 万 5,123 名（2025 年 12 月 31 日現在）で売上高は 1 兆 669 億円（2025 年度）。&lt;/p&gt;&lt;p data-block-key="c03gh"&gt;&lt;b&gt;インタビュイー（写真左から）&lt;/b&gt;&lt;br/&gt;技術本部 技術研究所 AIロボティクスセンター&lt;br/&gt;・ロボティクスプラットフォームグループ グループリーダ・主任研究員　藤井 北斗 氏&lt;br/&gt;・ロボティクスプラットフォームグループ　中尾 拓真 氏&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;その他の導入事例は&lt;/span&gt;&lt;a href="https://cloud.google.com/customers?hl=ja&amp;amp;e=48754805#/"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 29 Sep 2026 02:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/topics/customers/shi-builds-sdv-development-platform-on-google-cloud/</guid><category>AI &amp; Machine Learning</category><category>BigQuery</category><category>Customers</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/hero_image_shi_horizontal_A.max-600x600.jpg" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>住友重機械工業: Google Cloud で SDV 開発基盤を構築し、大型機械用ソフトウェア開発の高速化と人材育成を両立</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/hero_image_shi_horizontal_A.max-600x600.jpg</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/topics/customers/shi-builds-sdv-development-platform-on-google-cloud/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Google Cloud Japan Team </name><title></title><department></department><company></company></author></item><item><title>JR東日本: Spanner と Cloud Run で「タッチトリガー」を実現し、改札データを起点に新たなコミュニケーションと価値を創出</title><link>https://cloud.google.com/blog/ja/topics/customers/jr-east-implements-touch-trigger-using-spanner-and-cloud-run/</link><description>&lt;div class="block-paragraph"&gt;&lt;p data-block-key="kqrrg"&gt;&lt;b&gt;利用しているサービス:&lt;/b&gt;&lt;br/&gt;&lt;a href="https://cloud.google.com/spanner"&gt;Spanner&lt;/a&gt;, &lt;a href="https://cloud.google.com/run?hl=ja"&gt;Cloud Run&lt;/a&gt;, &lt;a href="https://cloud.google.com/logging?hl=ja"&gt;Cloud Logging&lt;/a&gt;, &lt;a href="https://docs.cloud.google.com/tasks/docs?hl=ja"&gt;Cloud Tasks&lt;/a&gt;, &lt;a href="https://docs.cloud.google.com/scheduler/docs/overview?hl=ja"&gt;Cloud Scheduler&lt;/a&gt;, &lt;a href="https://cloud.google.com/bigquery?"&gt;BigQuery&lt;/a&gt;&lt;/p&gt;&lt;p data-block-key="catjb"&gt;東日本旅客鉄道株式会社（以下、JR東日本）が開発した「タッチトリガー」は、Suica の改札タッチをトリガー（起点）として、乗客のスマートフォンへタイムリーに情報を届ける新世代のコミュニケーション サービスです。この実現に向け、膨大なデータ トラフィックを支えるインフラとして選ばれたのが、Google Cloud の Spanner と Cloud Run でした。開発の背景から、Google Cloud の製品が選ばれた理由、そして活用事例まで、マーケティング本部でプロジェクトを推進する 4 名に話を伺いました。&lt;/p&gt;&lt;h3 data-block-key="qumc"&gt;&lt;b&gt;改札というリアルな接点から生まれる、生活に密着したデータ&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="d2vpu"&gt;日本最大の鉄道事業者として、乗客の移動を支える JR東日本。同社が発行する交通系 IC カード Suica は、2001 年のサービス開始以来、累計発行枚数が 1 億 2,000 万枚を超え、移動・決済のインフラとして、私たちの生活に欠かせないものとなっています。今、同社は Suica の利便性をより高め、活用範囲を広げる「Suica Renaissance」構想を進めています。その核となる技術のひとつが、乗客の改札通過データをもとに、さまざまな情報を提供する「タッチトリガー」です。マーケティング本部の戦略・プラットフォーム部門で副部門長を務める廣瀬 道輝氏は、開発の背景にはコロナ禍があったと振り返ります。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_with_image"&gt;&lt;div class="article-module h-c-page"&gt;
  &lt;div class="h-c-grid uni-paragraph-wrap"&gt;
    &lt;div class="uni-paragraph
      h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
      h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3"&gt;

      






  

    &lt;figure class="article-image--wrap-small
      
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/DSC07309final_small.max-1000x1000.jpg"
        
          alt="DSC07309final_small"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  





      &lt;p data-block-key="dqr4t"&gt;「コロナ禍の最中、人々が通勤・通学や外出を控えざるをえなくなり、鉄道の利用者が大きく減るという事態に直面しました。『人の移動』という弊社事業の前提が揺らいだのです。その危機感のなかで、単に移動のインフラを提供するだけでなく、お客様の生活に寄り添い、一人ひとりに新しい価値を提案していく必要があると強く感じました。そこで生まれたのが『タッチトリガー』です。Suica に紐づく改札データを集約し、利用駅や時間帯、行動の文脈などに基づいて分析していけば、パーソナライズされた情報やサービスをお届けできます。私たちは改札タッチのタイミングをお客様とのコミュニケーションのきっかけにしたいと考えています。そのため『タッチトリガー』を、お客様の生活の利便性や快適さを上げていくための『コミュニケーション機能』として位置づけています。」&lt;/p&gt;
    &lt;/div&gt;
  &lt;/div&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="kqrrg"&gt;このような発想を根底で支えるのが、リアルなネットワークです。JR東日本の鉄道網は関東や東北、北陸に広がり、乗降客数は 1 日約 1,600 万人に上ります。ところが従来は、改札を通過した際に発生するデータはオンプレミスを軸にした社内システムで処理されており、巨大なポテンシャルをフルに活かしきれずにいました。この方法は、0.2 秒という超高速処理を実現するうえでは理にかなっていました。しかしマーケティングを担当するデジタルビジネスユニットの村上 洋輔氏は、全社横断的なデータ活用が急務だったと振り返ります。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_with_image"&gt;&lt;div class="article-module h-c-page"&gt;
  &lt;div class="h-c-grid uni-paragraph-wrap"&gt;
    &lt;div class="uni-paragraph
      h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
      h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3"&gt;

      






  

    &lt;figure class="article-image--wrap-small
      
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/DSC07397final_small.max-1000x1000.jpg"
        
          alt="DSC07397final_small"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  





      &lt;p data-block-key="dqr4t"&gt;「改札ゲートはお客様の生活に密着したタッチポイントで、物理的な数の多さや、そこから得られるデータは、鉄道事業者ならではの強みだと考えています。また、あらゆる地域には駅を中心に商圏や生活圏が広がり、弊社のグループでもさまざまな部署が事業を展開していますので、データを横断的に活用すれば、大きなシナジーを生み出すことができます。そのためにも、運用基盤をクラウド化していくことが重要になっていました。折しも、Suica 全体をクラウド化していくという動きが全社的に進んでいましたので、『タッチトリガー』も、その流れと足並みをそろえることになりました。」&lt;/p&gt;
    &lt;/div&gt;
  &lt;/div&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;h3 data-block-key="kqrrg"&gt;&lt;b&gt;Spanner と Cloud Run で厳しいトラフィック処理の要件をクリア&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="3d3b1"&gt;ただし、データ処理のシステムをクラウドに移行するためには、厳しい技術要件がありました。まず 1 日のタッチ数は、山手線内の駅だけでも数百万回にのぼり、ラッシュ時には平常時の 10 倍にも跳ね上がります。無数の改札から送られてくるデータを、クラウド上のサーバーで処理するためには、トラフィックの急増に対応するスケーラビリティと、データを瞬時に記録する書き込み性能が鍵を握ります。これを満たすことができるのは、Google Cloud の製品だけだったといいます。&lt;/p&gt;&lt;p data-block-key="ajuqf"&gt;「ほぼすべてのクラウド型データベースで検証したところ、一般的な RDB（リレーショナル データベース）では処理能力に上限があり、要件を満たせないことがわかりました。しかし Spanner だけは違いました。データを自動で振り分けながら、高い整合性を保つことができますし、Cloud Run と組み合わせることで、乗客の増減に応じてほぼタイムラグなくオートスケールできることもわかりました。テスト実装の段階で、想定どおりのスペックが出たことに開発チームは驚いていました。Spanner と Cloud Run がなければ、『タッチトリガー』を今の形で実現させることは難しかったでしょう。」（廣瀬氏）&lt;/p&gt;&lt;p data-block-key="3dftr"&gt;実装の際には、いくつかの工夫もなされています。データ活用を行うには、年代や利用駅、購買履歴といった属性と、マーケティングの目標を瞬時に掛け合わせる作業が不可欠となります。ただし Spanner はデータの整合性を維持するために、独自のインデックス設計を採用しており、データ加工が必要となります。そこで技術的な支援を行ったのが、Google Cloud のサポートチームでした。&lt;/p&gt;&lt;p data-block-key="1isdq"&gt;「本格的に Spanner を使うのは初めてでしたが、あまり試行錯誤することなく、最適解にたどり着くことができたと感じています。現場のエンジニアたちも、処理スピードやコスト最適化の方法や、Data Boost を活用した分析クエリに対するリソースの競合の回避方法など、多くのノウハウを吸収しました。Google Cloud と協働しながら改札システムのクラウド化を進めていけば、改札を抜けてホームに向かう間に、パーソナルな通知が届くような環境も構築していけると思います。」（廣瀬氏）&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/GouChengTuAntatsuchitorika_akitekuchiyaTuv.max-1000x1000.png"
        
          alt="【構成図案】タッチトリガー_アーキテクチャ図v4_簡易版_for blog"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;h3 data-block-key="kqrrg"&gt;&lt;b&gt;「タッチトリガー」が活性化させていく、毎日の暮らしと地域コミュニティ&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="dl6lk"&gt;「タッチトリガー」は 2024 年に山手線内の全駅に実装され、その後、JR東日本管内の新幹線停車駅や大井町などへ対象を広げています。最初に活用されたのは、同社が毎年開催している「山手線謎めぐり」というイベントでした。「タッチトリガー」のシステムやオペレーションを担当する、デジタルビジネスユニットの新名 恵里佳氏は、盛り上がりを鮮明に覚えていました。&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_with_image"&gt;&lt;div class="article-module h-c-page"&gt;
  &lt;div class="h-c-grid uni-paragraph-wrap"&gt;
    &lt;div class="uni-paragraph
      h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
      h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3"&gt;

      






  

    &lt;figure class="article-image--wrap-small
      
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/DSC07436final_small.max-1000x1000.jpg"
        
          alt="DSC07436final_small"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  





      &lt;p data-block-key="dqr4t"&gt;「これは沿線の街を散策しながら、謎解きをしていく体験型のイベントで、毎年多くの方にご参加いただいています。2024 年は Suica をタッチすると、駅に応じたコンテンツが配信される仕組みを採り入れました。参加した方からは『Suica でこんなことができるんだ！』という驚きの声があがっていました。その後、2025年には『みんなのトレインタウン』というスマホゲームでも、ミッションの達成条件に『改札タッチ』を組み込み、アイテムを獲得できるようにする施策なども行っています。」&lt;/p&gt;&lt;p data-block-key="bed7q"&gt;また、JR東日本が推進する「まちづくり」との連携も進んでいます。同社は駅と接続する大型複合施設&lt;b&gt;「&lt;/b&gt;TAKANAWA GATEWAY CITY」を 2025 年にオープン。その「まちびらき」に伴い、実証実験が行われました。同本部 まちづくり部門 品川ユニットチーフの小坂 和広氏は、反響の大きさが想像以上だったと説明します。&lt;/p&gt;
    &lt;/div&gt;
  &lt;/div&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph_with_image"&gt;&lt;div class="article-module h-c-page"&gt;
  &lt;div class="h-c-grid uni-paragraph-wrap"&gt;
    &lt;div class="uni-paragraph
      h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
      h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3"&gt;

      






  

    &lt;figure class="article-image--wrap-small
      
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/DSC07357final_small.max-1000x1000.jpg"
        
          alt="DSC07357final_small"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  





      &lt;p data-block-key="dqr4t"&gt;「弊社のオフィスでは入館管理に Suica を使っており、この方法を他の用途に活用できないかという声は以前からありました。ちょうど全社的に『タッチトリガー』のプロジェクトが始まっていましたので、アプリと Suica を連携していただいたユーザーの方を対象に、改札を出ると施設内のお店でドリップ コーヒーをプレゼントするクーポンを配信しました。アプリはローンチしたばかりでしたが、用意した 800 袋を 4 日間で配り終えるなど、想像以上の効果が得られました。提案する情報や通知のタイミングを含め、テストを重ねてより良い方法を探っていければと考えています。&lt;b&gt;」&lt;/b&gt;&lt;/p&gt;
    &lt;/div&gt;
  &lt;/div&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2026 年 3 月には大井町駅で、コンビニエンス ストアの NewDays と連携し、おすすめ情報やクーポンを配信する施策が開始されています。一方、新幹線では、より踏み込んだ取り組みが行われてきました。村上氏によれば、2025 年には「GunMaaS」（群馬県内のさまざまな交通手段をシームレスに結びつけるスマートフォン向けサービス）と連携し、高崎駅で降りる乗客にタクシーを配車する試みが始まりました。&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;「新幹線は『タッチトリガー』の展開という点で、非常にわかりやすいケースになっています。お客様が利用される便の時間や目的地、車内での滞在時間はあらかじめ把握できますので、乗車中はドラマや漫画などのコンテンツをご案内し、現地についたときには地元のタクシー会社がすでにお待ちしている。観光や宿泊情報のご提案なども、その方のニーズや志向に合わせて実施することができます。これを重ねていくことで、お客様と各事業者双方にとって Win-Win の関係を構築できます。」&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;現在、同社は JRE ID の一本化に取り組んでおり、2028 年に Suica アプリ（仮称）が新たにリリースされれば、本格的な 1 to 1 コミュニケーションも可能になる見込みです。改札ゲートを起点に、データ活用の在り方が変わり、地域社会が変わり、毎日の生活が変わっていく。「タッチトリガー」と JR東日本の挑戦は、さらに加速していきます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「『タッチトリガー』は、駅商圏を中心にサービスを展開する事業と特に相性が良いので、グループ外の企業とも実証実験を進めていく予定です。むろんお客様に安心してご利用いただけることが何よりも大切ですので、各種アプリと連携する際にはお客様の同意を得たうえで、情報を必要な範囲に限り、適切かつ安全に取り扱います。そのうえで『タッチトリガー』を軸にコミュニケーションを充実させ、すべての駅を、クオリティ オブ ライフの充実や新たな事業展開、そして地域活性化を推進するハブにしていければと考えています。」（廣瀬氏）&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt; &lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/DSC05145final02_small.max-1000x1000.jpg"
        
          alt="DSC05145final02_small"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph"&gt;&lt;p data-block-key="2nj6u"&gt;&lt;a href="https://www.jreast.co.jp/" target="_blank"&gt;&lt;b&gt;東日本旅客鉄道株式会社（JR東日本）&lt;/b&gt;&lt;/a&gt;&lt;br/&gt;1987 年に日本国有鉄道（国鉄）の分割民営化により設立。首都圏を中心に関東甲信越から東北までの東日本エリアの鉄道網を管轄し、営業キロは 7,418.7 km、輸送人員は 1 日あたり約 1,600 万人を誇る世界最大級の旅客鉄道会社。従来の交通事業に加え、Suica を核とするデジタル トランスフォーメーション、駅ビルや商業施設を中心としたまちづくりを推進。国際交流拠点「TAKANAWA GATEWAY CITY」、都市生活共創拠点「OIMACHI TRACKS」を中心とした「広域品川圏」の都市開発にも取り組む。&lt;/p&gt;&lt;p data-block-key="aqr8h"&gt;&lt;b&gt;インタビュイー（写真右から）:&lt;/b&gt;&lt;br/&gt;マーケティング本部&lt;br/&gt;・戦略・プラットフォーム部門 副部門長　廣瀬 道輝 氏&lt;br/&gt;・戦略・プラットフォーム部門 デジタルビジネスユニット　村上 洋輔 氏&lt;br/&gt;・戦略・プラットフォーム部門 デジタルビジネスユニット　新名 恵里佳 氏&lt;br/&gt;・まちづくり部門 品川ユニット TAKANAWA GATEWAY CITY（デジタルサービス戦略）チーフ　小坂 和広 氏&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※文中の組織名・役職名は取材当時のものです。&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;その他の導入事例は&lt;/span&gt;&lt;a href="https://cloud.google.com/customers?hl=ja&amp;amp;e=48754805#/"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Mon, 28 Sep 2026 02:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/topics/customers/jr-east-implements-touch-trigger-using-spanner-and-cloud-run/</guid><category>BigQuery</category><category>Spanner</category><category>Customers</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/hero_image_jreast_horizontal_A.max-600x600.jpg" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>JR東日本: Spanner と Cloud Run で「タッチトリガー」を実現し、改札データを起点に新たなコミュニケーションと価値を創出</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/hero_image_jreast_horizontal_A.max-600x600.jpg</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/topics/customers/jr-east-implements-touch-trigger-using-spanner-and-cloud-run/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Google Cloud Japan Team </name><title></title><department></department><company></company></author></item><item><title>BigQuery の TabFM のご紹介: 予測分析の再定義</title><link>https://cloud.google.com/blog/ja/products/data-analytics/tabfm-adds-predictive-ml-to-bigquery/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 9 月 2 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/tabfm-adds-predictive-ml-to-bigquery?e=0&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これまで、チャーン、購入意向、不正行為スコアの予測といった企業の予測分析タスクでは、XGBoost、ランダム フォレスト、ディープ ニューラル ネットワーク（DNN）などのライブラリを使用してカスタムモデルを構築する必要がありました。トレーニング、チューニング、デプロイ、再トレーニングという従来のサイクルは効果的ですが、複雑で時間がかかる場合があります。さらに、手動での特徴量エンジニアリング、ハイパーパラメータ チューニング、時間と費用のかかるトレーニングといったオーバーヘッドに加え、専門的なデータ サイエンス スキルが必要となることから、企業は意思決定において予測モデルを十分に活用できていない可能性があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この投稿では、BigQuery の TabFM モデルについてお知らせします。Google Research が開発した TabFM は、表形式データの回帰と分類に対応した、最先端の事前トレーニング済み基盤モデルです。コンテキスト内学習（ICL）を使用し、単一の SQL ステートメントを介して、表形式のデータセットに対する高精度な予測を瞬時に提供し、独立したトレーニングとデプロイの手順を不要にします。BigQuery の TabFM は現在プレビュー版です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;TabFM は、以下のようなメリットを BigQuery 分析にもたらします。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ゼロショット予測&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: モデルのトレーニング、チューニング、アーティファクトのデプロイをスキップします。ラベル付きの過去データと新しい予測テーブルを単一の SQL 関数に渡すだけで、高品質な予測を即座に取得できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;エージェント アプリケーション向けの予測 ML&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: ビジネス用途のエージェントを構築する場合、TabFM と &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/use-bigquery-mcp"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery MCP サーバー&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を組み合わせることで、予測機能を追加できます。ランタイムやインフラストラクチャを管理する必要はありません。データを入力するだけで予測結果が得られます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;最先端の精度&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 複雑なデータセットにおいて、カスタム トレーニングされた既成の従来モデルを上回り、業種別ベンチマークで優れた精度スコアを達成します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;シンプルなデベロッパー エクスペリエンス&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: BigQuery 上でネイティブに実行され、シンプルな SQL 構文でアクセスできます。欠損値やカテゴリ エンコードなどの特徴量化タスクを自動的に処理するため、複雑な特徴量エンジニアリング パイプラインを管理する必要がありません。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;スケーラビリティ:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; BigQuery の分散推論アーキテクチャを使用して、大規模な推論テーブル（最大数百万行）を数分で処理します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;表形式の予測のための主要なモデル&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google の TabFM は、幅広い表形式データにわたり業界トップクラスの精度を実現しています。&lt;/span&gt;&lt;a href="https://huggingface.co/spaces/TabArena/leaderboard" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TabArena&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; ベンチマークの評価において、TabFM のパフォーマンスは、従来の ML モデルと他の表形式基盤モデルの両方を一貫して上回っています。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_vsRpJjZ.max-1000x1000.png"
        
          alt="image1"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="8522v"&gt;TabArena の分類（上）と回帰（下）における上位 10 モデルの ELO 評価（↑）。（D）= デフォルト、（T+E）= チューニング + アンサンブル。スコアが高いほど、パフォーマンスが優れていることを示します。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;TabFM モデルについて詳しくは、&lt;/span&gt;&lt;a href="https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;こちら&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery で TabFM を使ってみる&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;TabFM の使い方は簡単です。新しい組み込みの SQL 関数である AI.PREDICT と AI.EVALUATE を通じて、直接利用できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1. AI.PREDICT で即座に予測結果を取得する&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;予測を行うには、トレーニング データと予測データを渡す単一のクエリを記述します。モデルは、ターゲット ラベルのデータ型に基づいて、タスクが分類問題か回帰問題かを自動的に推論します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- トランザクションが不正かどうかを分類する\r\nSELECT *\r\nFROM AI.PREDICT(\r\n TABLE `my_project.my_dataset.historical_transactions`, -- トレーニング データ（コンテキスト内の例）\r\n TABLE `my_project.my_dataset.new_transactions`, -- 予測データ\r\n label_col =&amp;gt; &amp;#x27;is_fraud&amp;#x27;-- 予測するターゲット列\r\n);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe6799b97d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この例の出力には、予測テーブルの元の列すべてに加えて、予測ラベルと確率の列（predicted_is_fraud など）が含まれます。手動での特徴量エンジニアリングやモデルの作成は不要でした。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2. AI.EVALUATE でモデルを評価する&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;AI.EVALUATE 関数を使用すると、テストセットに対する予測パフォーマンスをすばやく確認できます。これにより、標準的な評価指標を 1 ステップで生成できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- 顧客のライフタイム バリュー（LTV）の回帰評価\r\nSELECT *\r\nFROM AI.EVALUATE(\r\n TABLE `my_project.my_dataset.historical_customer_ltv`,\r\n TABLE `my_project.my_dataset.test_customer_ltv`,\r\n label_col =&amp;gt; &amp;#x27;ltv&amp;#x27;\r\n);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe6795d6390&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI.EVALUATE は、回帰問題に対しては r2_score、mean_absolute_error などの堅牢な指標セットを、分類問題に対しては適合率、再現率、f1 などの指標を返します。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery の TabFM の仕組み&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;従来の ML では、モデル パラメータをトレーニング データセットに適合させる必要があります。これに対し、TabFM ではコンテキスト内学習を使用します。大規模言語モデル（LLM）が少数ショットのプロンプト例からタスクを学習するのと同様に、TabFM はトレーニング テーブルをコンテキスト内の例として読み取り、1 回のフォワードパスでターゲット テーブルに対する予測を生成します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;表形式基盤モデルの演算の複雑さとメモリ使用量に対応するため、BigQuery はデータに対して分散並列推論を実行します。さらに、インテリジェントなトレーニング データ サンプリングと分散実行を使用して、パフォーマンスとリソース使用率を最適化します。これにより、BigQuery はトレーニング データとして大規模な入力行を処理しながら、数百万行の推論データに対して迅速かつ効率的に予測を実行できます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;ジョブに適したツールを選択&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;TabFM は、BigQuery に画期的なゼロショット機能を導入し、XGBoost モデルなどの既存のサービスを補完します。TabFM と他のモデルのどちらを選択すべきかは、以下の基準で判断します。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;TabFM は、ML の専門知識がなくても迅速かつ高品質な予測分析情報が必要な場合や、過去のデータセットが小規模から中規模である場合、データが頻繁に変更される場合、そして精度を維持するためにモデルを頻繁に再トレーニングする必要がある場合に使用します。また、オンデマンドでの予測分析を必要とする会話型ワークフローやエージェント ワークフローにも適しています。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;XGBoost のような従来のモデルは、非常に大規模な過去のデータセットがある場合、カスタム ハイパーパラメータ チューニングを完全に制御する必要がある場合、TabFM の現在の制限を超えるほど特徴量が多い場合、または特徴量の重要度の説明可能性（例: どの入力特徴量が予測に最も貢献したか）が必要な場合に使用します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;予測 ML が簡単に&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;TabFM が BigQuery にネイティブに統合されたことで、予測 ML は標準の SELECT クエリを実行するのと同じくらい簡単になりました。TabFM により、モデルのトレーニング、チューニング、管理に伴う手作業のオーバーヘッドが排除され、デベロッパー、データ サイエンティスト、アナリストは、元データから豊富な予測分析情報を数秒で取得できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;今すぐ利用を開始するには、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-predict"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;一般公開ドキュメント&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。ご質問やご意見がございましたら、&lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;bqml_feedback@google.com&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; までお知らせください。皆様がどのようなものを構築されるのか、楽しみにしております。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;グループ プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Vaibhav Sethi&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;エンジニアリング マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Xi Cheng&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 15 Sep 2026 01:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/tabfm-adds-predictive-ml-to-bigquery/</guid><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>BigQuery の TabFM のご紹介: 予測分析の再定義</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/tabfm-adds-predictive-ml-to-bigquery/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Vaibhav Sethi</name><title>Group Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Xi Cheng</name><title>Engineering Manager</title><department></department><company></company></author></item><item><title>BigQuery の新しい ID 列でパイプラインを簡素化</title><link>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-identity-columns-to-auto-generate-sequential-integers/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 9 月 3 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/bigquery-identity-columns-to-auto-generate-sequential-integers?e=0&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;お客様のデータ ジャーニーをさらに支援するため、このたび、BigQuery の ID 列のリリースを発表いたしました。この新機能により、ユーザーは連続する 64 ビット整数値を自動的に生成する列を定義できるため、テーブル内の一意の識別子の管理方法を簡素化できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;データ エンジニアは、データの取り込みをよりスムーズかつ信頼性の高いものにする方法を常に模索しています。BigQuery の ID 列は、テーブルに一意の数値を自動的に生成する強力な組み込みメカニズムを提供します。ID 生成の責任を BigQuery に移すことで、データ パイプラインの複雑さを大幅に軽減し、分析情報の提供に集中できるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;データ パイプラインにとっての主なメリット&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ID 列を実装すると、データ アーキテクチャの開発とメンテナンスの効率化に役立つ、いくつかの利点が得られます。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;取り込みの合理化&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: アプリケーション ロジックや ETL ツールで一意のキーを事前に計算する必要なく、データを取り込めるようになります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ボイラープレートの削減&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 自動生成されたシーケンスを使用することで、データベースでキー管理がネイティブに処理されるため、SQL コードがよりクリーンになり、メンテナンスしやすくなります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;自動化の統合&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: ID 列は標準の DML オペレーションとスムーズに連動し、新しい行ごとに一意の識別子が自動的に割り当てられます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;柔軟な統合&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;INSERT&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; ステートメントと &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;MERGE&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; ステートメントのどちらを使用している場合でも、ID 列は既存のワークフローに適応します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;ID 列を実装する方法&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ID 列の設定は簡単で、&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;CREATE TABLE&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; ステートメント内で直接行うことができます。これらの値の処理方法を定義するには、主に 2 つの方法があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;定義のオプション&lt;/strong&gt;&lt;/p&gt;
&lt;div align="left"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;&lt;table&gt;&lt;colgroup&gt;&lt;col/&gt;&lt;col/&gt;&lt;/colgroup&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;句&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;説明&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;GENERATED ALWAYS AS IDENTITY&lt;/code&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery が値の一意性を自動的に管理、保証します。&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;GENERATED BY DEFAULT AS IDENTITY&lt;/code&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;自動生成された値が提供されますが、必要に応じて手動でオーバーライドすることもできます。&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;使用例&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;次の SQL ステートメントは、ID を自動的にインクリメントするテーブルを作成する方法を示しています。ID は 1 から始まり、新しいエントリごとに 1 ずつ大きい値になります。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;CREATE TABLE my_project.my_dataset.orders (\r\n  order_id INT64 GENERATED ALWAYS AS IDENTITY (START WITH 1 INCREMENT BY 1),\r\n  customer_name STRING,\r\n  order_date DATE\r\n);\r\n\r\n-- Ingesting data is now simpler:\r\nINSERT INTO my_project.my_dataset.orders (customer_name, order_date)\r\nVALUES (&amp;#x27;Joe Doe&amp;#x27;, CURRENT_DATE());&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679c6a4d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;使ってみる&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ID 列は、柔軟性とパフォーマンスが高く、標準に準拠したデータ プラットフォームを提供するという Google の継続的な取り組みを象徴するものです。サロゲートキーの生成を自動化することで、スケーラブルでメンテナンスしやすいデータ アーキテクチャを簡単に構築できるようにしています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;プロジェクトにこの機能を実装する方法の詳細については、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/identity-columns"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery の ID 列に関するドキュメント&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;プロダクト マネージャー&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt; Wawrzek Hyska&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;ソフトウェア エンジニア&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt; Aayush Bhatnagar&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Fri, 11 Sep 2026 02:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-identity-columns-to-auto-generate-sequential-integers/</guid><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>BigQuery の新しい ID 列でパイプラインを簡素化</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-identity-columns-to-auto-generate-sequential-integers/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Wawrzek Hyska</name><title>Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Aayush Bhatnagar</name><title>Software engineer</title><department></department><company></company></author></item><item><title>BigQuery Graph の一般提供を開始: エージェントの時代を支える知識の基盤</title><link>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-graph-connecting-data-and-ai-at-scale/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 9 月 1 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/bigquery-graph-connecting-data-and-ai-at-scale?e=0&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エンタープライズ データで重要になる質問の多くは、個々の行に関するものではなく、さまざまな要素の相互関係に関するものです。たとえば、2 つのアカウントがどのようにリンクされているか、支払いがどのような経路をたどったか、AI エージェントの回答の根拠となるコンテキストは何か、というものです。グラフを使用することで、こうした質問に回答できます。従来、こうした分析情報を引き出すには、データをスタンドアロンのグラフ データベースに抽出する必要があり、結果的にサイロ化と運用上のオーバーヘッドを招いていました。こうした障壁を取り除くため、Google はネイティブ グラフ機能をデータ ウェアハウスに直接組み込みました。そしてこのたび、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/graph-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery Graph&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; の一般提供を開始いたしました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://cloud.google.com/blog/ja/products/data-analytics/introducing-bigquery-graph?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;プレビュー版&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;の BigQuery Graph では、グラフ分析とリレーショナル分析を統合しました。ISO 規格の Graph Query Language（GQL）と SQL が併用され、走査がネイティブに実行されるため、ETL は不要です。また、BigQuery を基盤とする BigQuery Graph はその機能を継承し、さらに拡張しています。具体的には、スケールアップ データベースのメモリ ボトルネックなしでペタバイト規模に達し、既存の行レベルおよび列レベルのセキュリティの下で実行され、同じクエリで BigQuery ML と AI 関数を呼び出します。1 つのエンジンで、大規模なグラフ分析と AI エージェント向けの相互につながりのあるコンテキストの提供という 2 つの役割を担います。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;「BigQuery Graph は、当社の脅威検出パイプラインに大きな変化をもたらし、単純でサイロ化されたアラートからの脱却を可能にしました。セキュリティ シグナル データをプロパティ グラフとしてモデル化することで、以前は計算上不可能だった複雑なマルチホップ走査を数秒で実行できるようになりました。このグラフ中心のアプローチにより、異常が一貫した攻撃ストーリーに自動的にクラスタ化され、それが Gemini モデルのシームレスな統合と組み合わさることで、実用的な脅威ナラティブを生成できています。ネイティブの BigQuery Graph アルゴリズムを統合して、ワークフローをさらに効率化できるようになることを楽しみにしています。」- Thales Cybersecurity Products、グローバル エンジニアリング担当バイス プレジデント、Pete Rubio 氏&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;プレビュー版のリリース以降、さまざまな業界のデータチームによって分析ワークフローとエージェント ワークフローの両方に BigQuery Graph が採用されてきました。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;脅威と不正行為の検出&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: セキュリティ組織や金融機関では、イベントログ全体でシグナルを相互に関連付け、マルチホップ攻撃パス、不正行為ネットワーク、不審なトランザクション ループを検出しています。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;サプライ チェーンのデジタルツイン&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 製造組織や物流組織では、サプライヤー、部品、配送ルート間の依存関係をマッピングして、停止をシミュレートし、フルフィルメントを最適化しています。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ID 解決と Customer 360&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 広告テクノロジー プラットフォームと小売プラットフォームでは、断片化されたユーザー ID と行動タッチポイントを、チャネルをまたいで統合された顧客プロファイルにまとめています。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ナレッジグラフと AI エージェントのグラウンディング&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 企業の AI チームは、非構造化ドキュメントから構造化されたナレッジグラフを構築し、Gemini モデルと GraphRAG ワークフローのグラウンディングのためのドメイン コンテキストを提供しています。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ネットワーク リネージとインフラストラクチャ管理&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 通信業界と企業の IT チームは、複雑なネットワーク トポロジ、サービス依存関係、マルチホップ パス全体のデータリネージを追跡しています。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery Graph の新機能&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;一般提供までたどり着いたことには、単なる「安定性の確保」を上回る意味があります。この段階に達するまでに、2 つの取り組みを行いました。まず、グラフエンジン自体を高速化し、適用範囲を広げました。次に、エージェントがグラフを構築し、グラフとチャットし、監査可能なメモリをグラフに保持できるよう、グラフエンジンを取り巻くエージェント エコシステムを構築しました。以下で紹介する機能の中には、現時点で一般提供されているもの、プレビュー版のもの、数週間以内にリリースされるものが含まれています。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;グラフエンジンの高速化と適用範囲の拡大&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「広告業界は数十年にわたり、個々のイベントを最適化してきました。エージェントの時代が到来し、それらのイベント間の関係が最適化されるようになるでしょう。Yahoo の AI エージェントは、キャンペーン、オーディエンス、露出、成果などの相互につながりのあるコンテキストを BigQuery Graph から得ています。これらのコンテキストに対して、収益化データがすでに存在する場所で、標準の GQL を使用して走査を実行できます。個別のグラフエンジンやデータの移動は不要です。エージェントはグラフを読み取るだけでなく、グラフについて推論し、その結果を新しい関係として書き戻します。こうすることで、自動化を超えて、信頼できる自律システムへと収益化を移行させることができます。」- Yahoo、収益化プラットフォーム担当エンジニアリング ディレクター、Mikul Bhatt 氏&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ボーダーレス グラフ レイクハウス&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントの性能は、推論対象となるコンテキストの質に左右されます。そして、そのコンテキストが 1 か所にまとまっていることはほとんどありません。&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/about-borderless-lakehouse"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ボーダーレス レイクハウス&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を使用することで、単一の BigQuery Graph で、ネイティブの BigQuery テーブルと（Databricks Unity Catalog、AWS Glue、Snowflake を介した）他のクラウドのオープンな Iceberg テーブルをその場で走査できます。データをコピーしたり ETL パイプラインを構築したりする必要はありません。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;たとえば、サポート エージェントが「この顧客の遅れている注文の商品のサプライヤーはどこで、その拠点はどこか？」という質問に答える必要があるとします。顧客データは Google Cloud の Iceberg レイクハウスに、商品とサプライヤーのレコードは AWS の Databricks カタログにあります。この場合、エージェントは、リクエストごとにソースを結合するのではなく、すでにソースを相互に関連付けている 1 つの仮想ナレッジグラフを走査します。対象となるデータが移動することはありません。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_Virtual_Graph.max-1000x1000.png"
        
          alt="1, Virtual Graph"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="5usnm"&gt;図 1: Google Cloud（青色のノード）、AWS（黄色のノード）、その他のクラウド（緑色のノード）にまたがる仮想ナレッジグラフを示す図。データの移動は発生しない。&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;次の DDL ステートメントは、ノードテーブルとエッジテーブルを両方のクラウド環境に直接マッピングして、この仮想グラフを定義する方法を示しています。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- A virtual knowledge graph spanning two clouds - no data movement\r\nCREATE OR REPLACE PROPERTY GRAPH `my_project.retail.virtual_kg`\r\n  NODE TABLES (\r\n    -- Google Cloud\r\n    `my_project.gcs_lake.retail.customers` AS Customer KEY (customer_id),\r\n    -- AWS\r\n    `my_project.dbx_fed_catalog.retail.products` AS Product  KEY (product_id),\r\n    `my_project.dbx_fed_catalog.retail.suppliers` AS Supplier KEY (supplier_id)\r\n  )\r\n  EDGE TABLES (\r\n    `my_project.gcs_lake.retail.purchases` AS Bought KEY (purchase_id)\r\n      SOURCE KEY (customer_id) REFERENCES Customer (customer_id)\r\n      DESTINATION KEY (product_id) REFERENCES Product (product_id),\r\n    `my_project.dbx_fed_catalog.retail.products` AS Supplied_By KEY (product_id)\r\n      SOURCE KEY (product_id) REFERENCES Product (product_id)\r\n      DESTINATION KEY (supplier_id) REFERENCES Supplier (supplier_id)\r\n  );&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a792310&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これにより、エージェントは 2 つのクラウドにまたがって組み立てられた、グラウンディング済みマルチホップの回答を 1 回の走査で取得できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Agent grounding: trace a customer to the supplier behind their product, across clouds\r\nGRAPH `my_project.retail.virtual_kg`\r\nMATCH (c:Customer {customer_id: &amp;#x27;C1&amp;#x27;})-[:Bought]-&amp;gt;\r\n      (:Product)-[:Supplied_By]-&amp;gt;(s:Supplier)\r\nRETURN s.name AS supplier, s.country AS supplier_country&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a095d50&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;GQL の高速化と表現力の強化&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery Graph は、相互の関連付けに関する質問に対応するように構築されています。たとえば、2 つのアカウントがどのようにリンクされているか、支払いがどのような経路をたどったか、フラグが付けられたエンティティから数ホップ以内にどのエンティティが存在するか、といった質問です。これらは SQL 結合では表現が難しい質問であり、このような場面でグラフエンジンが真価を発揮します。一般提供では、実行速度が向上し、記述がさらに容易になりました。&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;迅速な実行。&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;一般提供では、非巡回および無向の走査の経路探索が最適化されています。公開ベンチマークと比較して、プレビュー版以降の GQL は 2 倍高速になり、無向の走査は 100 倍になりました。&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ACYCLIC&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; および &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;TRAIL&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 経路モードでは、より高速でリソース効率の高いサイクル検出が可能です。クエリのレイテンシが低いため、エージェントの回答の根拠となる近傍検索とパス検索は、頻繁なインタラクティブ アクセスでも応答性を維持できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;表現力が強化されたクエリ。&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;新しい &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/graph-query-statements#gql_call"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;CALL&lt;/code&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; ステートメント&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;と拡張された&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/graph-subqueries"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;サブクエリ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;のサポートにより、結果のエンティティごとにグラフ サブクエリを実行したり、再利用可能な名前付き関数を呼び出したりできるため、複雑な質問を 1 つの広範なパターンとして扱うのではなく、複数のパーツに分割できます。アナリストが記述する同じ関数は、エージェントがツールとして呼び出す構成要素になります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;エージェントの時代への適応&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;「企業には従業員に関するデータが豊富にありますが、従業員に何ができるか、従業員がどの分野に適しているかについての共通認識はほとんどありません。BigQuery Graph を使用すると、散在する情報を 1 つの再利用可能なプロパティ グラフに変換し、人材、役割、能力、証拠の相互関係を大規模に走査できます。これにより、相互につながりのある同じ従業員コンテキストを、数千の意思決定に利用できます。意思決定ごとにコンテキストを再作成する必要はありません。これにより、仕事の進め方に関するより難しい質問に関して、AI が回答のためのより強固な基盤を得ることができます。」- Workerbee、創設者兼 CEO、Heiko Roth 氏&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;グラフとチャットする&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;グラフを探索するために GQL を記述する必要はありません。BigQuery の&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/conversational-analytics?content_ref=when%20you%20ask%20questions%20about%20your%20graph%20the%20agent%20constructs%20sql%20queries%20to%20answer%20them%20agents%20can%20use%20descriptions%20and%20synonyms%20that%20you%20define%20on%20your%20graph#graphs"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;会話型分析&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を使用すると、自然言語で直接&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/graph-chat"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;グラフとチャット&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;できます。この機能は、スキーマ内の関係を読み取って質問を SQL または GQL に変換し、パスベースの回答のために走査を可視化します。エージェントは、説明や類義語などのグラフ メタデータを活用して、結果のグラウンディングを維持します。グラフをグラフたらしめている関係性こそが、自由形式の自然言語クエリに問題をもたらす曖昧さやハルシネーションを排除するのです。また、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/use-bigquery-mcp"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;MCP サーバー&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を介して &lt;/span&gt;&lt;a href="https://cloud.google.com/gemini-enterprise?utm_source=google&amp;amp;utm_medium=cpc&amp;amp;utm_campaign=1713762-Gemini_Enterprise-DR-NA-US-en-Google-BKWS-EXA-GEnterprise&amp;amp;utm_content=c-Hybrid+%7C+BKWS+-+MIX+%7C+Txt_Gemini+Enterprise-189528400785&amp;amp;utm_term=gemini+enterprise&amp;amp;gclsrc=aw.ds&amp;amp;gad_source=1&amp;amp;gad_campaignid=23370621055&amp;amp;gclid=Cj0KCQjw4orUBhCjARIsAIbF3qwrXsr1khkuSsBNMPTjrHynNaAJTcSyWSavMuVwERJmMqfKVkmO9LIaAjf7EALw_wcB&amp;amp;e=48754805"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Gemini Enterprise&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を BigQuery Graph に接続したり、会話型データ エージェントを直接 Gemini Enterprise に&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/create-data-agents#publish-agent-gemini-enterprise"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;公開&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;したりすることもできます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/2_Graph_CA_Blog_V1_2x_high_res.gif"
        
          alt="2, Graph CA Blog V1 2x high res"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;エージェントを使用してグラフを構築する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;グラフの準備作業（テーブルをノードとエッジにモデル化し、それらに対する GQL を記述する作業）は、すでにご利用のデータ エージェントに任せることができます。Google は、GQL パターン マッチング、グラフと SQL の融合、推奨プラクティスに沿ったスキーマ設計など、BigQuery Graph の専門知識をエージェント スキルにパッケージ化し、エージェントがグラフを使いこなせるようにしました。これらの機能は、Google Cloud &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/data-agent-kit/overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Data Agent Kit 拡張機能&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を使用することで、Antigravity、Visual Studio Code、Claude Code、Codex など、お好みのエージェント コーディング ツールでそのまま利用できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このスキルは、アドバイスだけでなく作成も学習しており、この機能はまもなくリリースされる予定です。エージェントにデータセット、モデル ドキュメント、ER 図を参照させると、ノードとエッジが提案され、グラフの構築前に各関係がデータと照合されて、一致率が表示されます。たとえば、98% で一致するものもあれば、56% で一致するものもあります。これにより、最初から信頼できるグラフを手に入れることができます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/3_Graph_GA_Skill_Demo_V2.gif"
        
          alt="3, Graph GA Skill Demo V2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;エージェントに監査可能なメモリを提供する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントのグラウンディングは、目的の半分にすぎません。残りの半分は、エージェントが何をしたかを記憶することです。エージェントの役割がアドバイスの提供から行動へと移行する中で、どのオプションが選択されたか、どのポリシーが適用されたか、どの代替案が却下されたかなど、すべての決定について事後に説明できることが必要になってきます。BigQuery Agent Analytics の&lt;/span&gt;&lt;a href="https://adk.dev/integrations/bigquery-agent-analytics/#context-graph" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;コンテキスト グラフ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を使用すると、エージェントが実行する各アクションが取り込まれ、コンテキスト グラフに変換されます。これは、エージェントの推論を型付きのクエリ可能なトレースとして BigQuery Graph に直接保存したものです。トレース自体がグラフであるため、「エージェントの意思決定の理由」を 1 回の走査で確認できます。また、それらの決定に再結合した結果は、次の決定を改善するためのデータになります。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery Graph を今すぐ使ってみる&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery Graph は、クラウドをまたいでグラフ分析を実行し、AI エージェントをデータにグラウンディングします。まずは、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/graph-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;概要とデータモデル&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;で GQL、ノードテーブル、エッジテーブルを連携させる方法を確認し、ご自身のチームのよくあるパターンに適用してみてください。&lt;/span&gt;&lt;a href="https://codelabs.developers.google.com/codelabs/fraud-bigquery-graph#0" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;不正行為の検出 Codelab&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; で不審な資金移動や合成 ID を追跡したり、&lt;/span&gt;&lt;a href="https://codelabs.developers.google.com/codelabs/identity-resolution-bigquery-graph#0" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ID の解決 Codelab&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; で断片化されたメール、デバイス、Cookie を 1 人の顧客に結び付けたり、サプライ チェーンを&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/modeling-a-digital-twin-using-bigquery-graph?e=48754805"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;デジタルツイン&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;としてモデル化して、停止が発生したときに隠れた依存関係に対してクエリを実行したりできます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ここから、エージェントへと進みます。&lt;/span&gt;&lt;a href="https://codelabs.developers.google.com/bqaa-context-graph" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;エージェント コンテキスト グラフ Codelab&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; では、未加工のイベントログを、自律型エージェントが実際に行ったことを監査、説明、追跡するグラフに変換します。これは、信頼できるシステムを支える、相互につながりのあるメモリです。ワークロードがリアルタイムの運用トランザクションと大規模な分析の両方にまたがる場合は、Google の&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ja/products/data-analytics/the-unified-graph-solution-with-spanner-graph-and-bigquery-graph?e=48754805&amp;amp;hl=ja"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;統合グラフ ソリューション&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;で Spanner Graph と BigQuery Graph を連携させる方法をご確認ください。さらに詳しく知りたい場合は、&lt;/span&gt;&lt;a href="https://cloud.google.com/resources/graph-ebook"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;電子書籍&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;でプロセス全体を説明していますので、ぜひご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;シニア スタッフ ソフトウェア エンジニア、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Bei Li&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Candice Chen&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 08 Sep 2026 02:10:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-graph-connecting-data-and-ai-at-scale/</guid><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>BigQuery Graph の一般提供を開始: エージェントの時代を支える知識の基盤</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-graph-connecting-data-and-ai-at-scale/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Bei Li</name><title>Principal Engineer</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Candice Chen</name><title>Product Manager</title><department></department><company></company></author></item><item><title>構造化データと非構造化データのインサイトを統合する BigQuery 検索のイノベーション</title><link>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-search-innovations-unify-structured-unstructured-data/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 8 月 8 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/bigquery-search-innovations-unify-structured-unstructured-data?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;現代の企業は膨大な量の非構造化データを保有しており、その管理や価値の抽出において大きな課題に直面することがよくあります。これまで、PDF、音声ファイル、画像、非構造化テキストに埋もれたインサイトを引き出すには、ウェアハウスからのデータ移動、複雑な LLM パイプラインの統合、散在する検索インデックスの管理といった、断片化されたアーキテクチャを前提とする必要がありました。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery は、こうした非構造化データを理解するために多くの企業で活用されています。たとえば、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;数千件に及ぶ臨床試験ドキュメント（PDF）を管理&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;する&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;先進的なヘルスケア企業&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;では、BigQuery を使用することで、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;アクセス、処理、グラウンディング、関連付け、活用&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;というシンプルな 5 段階のライフサイクルを通じて、これらのドキュメントから価値あるインサイトを抽出できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;この投稿では、このフレームワークの&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;「グラウンディング」&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;のフェーズに重点を置いた 3 つの主要なマイルストーンを紹介します。&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;自律型エンベディング生成（一般提供版）&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;単一クエリのパフォーマンスが大幅に向上する AI.SEARCH（一般提供版）&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ハイブリッド検索（公開プレビュー版）&lt;/strong&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これらの機能が連携して AI アーキテクチャを簡素化する仕組みを、実際の臨床試験研究プラットフォームを例に詳しく見ていきましょう。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;パイプラインを簡素化する「自律型エンベディング生成」（一般提供版）&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;検索拡張生成（RAG）パイプラインや検索アプリケーションを構築するには、通常、複雑で非同期なエンベディング インフラストラクチャの管理が必要であり、新しいレコードが到着するたびに、再試行、エラーロギング、パイプラインのオーケストレーションを自分で行わなければなりません。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このたび、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;自律型エンベディング生成&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;の一般提供が開始されたことで、BigQuery がユーザーに代わってこれらをすべて管理できるようになりました。スキーマで列を定義するだけで、新しいデータが取り込まれるたびに BigQuery が非同期かつ継続的にエンベディングを生成します。外部モデル（Vertex AI テキスト エンベディングなど）を選択することも、BigQuery 内で &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Gemma エンベディング モデル&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;をネイティブに直接利用することもできます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;実際の活用例&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;たとえば、Google Cloud Storage に保存されている臨床試験の PDF を分析する研究プラットフォームを構築しているとします。研究のタイトルや疾患領域をテーブルに抽出すると、そのタイトルを自動的に埋め込むことができます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;CREATE OR REPLACE TABLE mydataset.clinical_trials\r\n(\r\n  trial_id STRING,\r\n  study_title STRING,\r\n  study_embedding STRUCT&amp;lt;result ARRAY&amp;lt;FLOAT64&amp;gt;, status STRING&amp;gt;\r\n   GENERATED ALWAYS AS (AI.EMBED(\r\n     study_title,\r\n     connection_id =&amp;gt; &amp;#x27;myconnection&amp;#x27;,\r\n     endpoint =&amp;gt; &amp;#x27;text-embedding-005&amp;#x27;\r\n   ))\r\n   STORED\r\n   OPTIONS( asynchronous = TRUE )\r\n);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67a096c50&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery は、1 つの構成でエンタープライズ規模の処理を管理することで、複雑なサードパーティのベクトル データベースを不要にします。この自律的なエンベディング生成により、ソーステキストの変更に合わせてデータが自動的に同期されるため、手動による ML パイプラインが不要になります。この統合アプローチにより、動的なデータセットのワークフローが効率化され、カスタムデータ スクリプトの維持管理にかかる運用上の負担が軽減されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;さらに、この一般提供の開始に伴い、自律型エンベディング生成では &lt;/span&gt;&lt;a href="https://cloud.google.com/bigquery/docs/object-tables"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ObjectRefs&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を使用して画像からネイティブにエンベディングを生成できるようになり、真のマルチモーダル検索と分析が可能になりました。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;大規模な自然言語検索を可能にする「AI.SEARCH」（一般提供版）&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;会話型分析エージェントや快適なユーザー エクスペリエンスを真に実現するには、基盤となる検索インフラストラクチャが直感的かつ高性能である必要があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;データをシームレスに埋め込むことができたら、次は、それらを効率的にクエリする手段が必要となります。このたび一般提供が開始された &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-search"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;AI.SEARCH()&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; は、自然言語に焦点を当てた合理的な検索エクスペリエンスを提供するもので、これにより、検索パスでエンべディングを生成することなく、意味的に関連するレコードを簡単に見つけることができます。また、自律型エンベディング生成と組み合わせることで、データセットで使用しているエンベディング モデルをそのまま検索にも利用できるため、利便性がさらに高まります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;さらに、昨年実施した効率化への投資の一環として、AI.SEARCH を単一クエリの実行向けに大幅に最適化しました。その結果、オンライン アプリケーションや単一クエリ検索（エージェント検索で最も一般的なもの）において、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;スロット効率が最大 133 倍向上&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;したことが確認されています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;このことは、BigQuery 上のデータに対して、ユーザー向けの自然言語検索を高い同時実行性で処理しつつ、従来よりも高速かつ費用対効果の高い方法で提供できることを意味しています。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;SELECT base.trial_id, base.study_title, distance\r\nFROM\r\n  AI.SEARCH(\r\n    TABLE mydataset.clinical_trials,\r\n    \&amp;#x27;study_title\&amp;#x27;,\r\n    &amp;quot;What treatments are available for advanced tumors?&amp;quot;\r\n  );&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679701410&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;キーワードとベクトルを統合する「ハイブリッド検索」（公開プレビュー版）&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;セマンティック（ベクトル）検索は非常に強力です。たとえば、上記のクエリでは、「化学療法」のような概念的に関連する用語も適切に返すことができます。しかし、セマンティック検索だけでは十分でない場合もあります。たとえば、研究者が、非常に専門的な免疫療法薬の具体的な名称（「MK3475」など）を検索した場合はどうなるでしょうか。この英数字の文字列には広い意味的な文脈がないため、純粋なベクトル検索だけでは正しく順位付けすることが難しい場合があります。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery の&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/search_functions#hybrid-search"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ハイブリッド検索&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;は、語彙検索と既存のセマンティック機能を統合することで、キーワードの類似性とその根底にある意味の両方に基づいてデータを取得できます。このアプローチは、セマンティック ベクトル検索の概念的な深さと、語彙マッチングの高い精度を統合するものであり、Reciprocal Rank Fusion や BM25 などのアルゴリズムを利用しています。これにより、検索結果の精度が大きく向上するほか、キーワードの出現頻度や意味的な関連性に基づく再ランキングを通じて、LLM のハルシネーションに伴う費用を抑えることができます。ユーザーは、AI.SEARCH 関数や VECTOR_SEARCH 関数で &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;HYBRID モード&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;や &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;lexical_search_columns&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; パラメータを利用することで、この仕組みを実装できます。さらに、ベクトル インデックスを拡張してキーワード データを含めることで、パフォーマンスを最適化し、語彙検索プロセスを高速化できます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;以下のように、AI.SEARCH() 関数のモードを HYBRID に設定するだけで、ハイブリッド検索を簡単に実行できるようになりました。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;SELECT base.trial_id, base.study_title, distance\r\nFROM\r\n  AI.SEARCH(\r\n    TABLE mydataset.clinical_trials,\r\n    \&amp;#x27;study_title\&amp;#x27;,\r\n    &amp;quot;Cancer treated by MK-3475&amp;quot;,\r\n    mode =&amp;gt; \&amp;#x27;HYBRID\&amp;#x27;\r\n  );&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679702950&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;これらのハイブリッド クエリを大規模に高速化するには、検索の語彙部分で使用するキーワード列を含めるように &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/vector-index#use_vector_indexes_with_hybrid_search"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;CREATE VECTOR INDEX DDL を拡張&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;するだけで、インデックスをネイティブに統合できます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;エンドツーエンドの非構造化データ分析プラットフォームの構築&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ここで紹介した検索機能とエンベディング機能は、より大きなビジョンの一部にすぎません。Google は、エンドツーエンドの非構造化データ分析プラットフォームを構築しています。非構造化データの代表例のひとつがドキュメントであり、BigQuery は、以下のようなワークフローをエンドツーエンドで管理するための完全なツールセットを提供しています。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/image1_bQnyG2Q.gif"
        
          alt="image1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;アクセス:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; オブジェクト テーブルを使用して、Google Cloud Storage に保存されている非構造化 PDF やドキュメントを直接クエリすることで、ゼロ ETL のワークフローを実現します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;処理:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; レイアウト対応のチャンキング（RAG に最適）には AI.PARSE や AI.CHUNK_DOC（近日リリース予定）などの組み込み AI 機能を利用するほか、エンティティ抽出 / 要約には &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-generate"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AI.GENERATE&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;を、SQL パイプラインで基盤モデルを直接使用してレコードを即座に分類するには &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-classify"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AI.CLASSIFY&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; を利用します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;グラウンディング:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 自律型エンベディングとハイブリッド検索を使用して、精度の高いコンテキストを構築します。ハイブリッド検索は、セマンティック ベクトル検索による概念的な理解と、語彙的なキーワード マッチングによる高い精度を組み合わせたものです。意味的な関連性とキーワードの出現頻度の両方に基づいて結果を再ランキングすることで、検索結果の精度が大きく向上するほか、LLM のハルシネーションも抑制できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;関連付け:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 抽出されたエンティティ（スポンサー、臨床試験、医薬品など）を &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/graph-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery Graph&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; にマッピングすることで、隠れたマルチホップのインサイトを発見できます。特別なグラフ データベースは必要ありません。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;活用:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/conversational-analytics"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery の会話型分析&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;エージェントを活用して、これらすべてを統合します。&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-agg"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AI.AGG&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; などの関数を使用すると、複雑なデータと直接やり取りしたり、可視化を生成したり、大規模なトレンド分析を実行したりできます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery において非構造化データが第一級のデータとして扱われるようになったことで、未加工のドキュメントと会話型 AI との間のギャップを埋めることが可能になりました。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;準備ができたら&lt;/strong&gt;&lt;/h4&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;コードを確認する:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://github.com/GoogleCloudPlatform/document-analytics-on-bigquery" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery のドキュメント分析 GitHub リポジトリ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;で、臨床試験に関するエンドツーエンドのデモの完全版をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ドキュメントを読む:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/autonomous-embedding-generation"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;自律型エンベディング&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;と&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/search_functions#hybrid-search"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ハイブリッド検索&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;の公式ドキュメントを読み、独自の統合データ パイプラインの構築を今すぐ始めましょう。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;Google、プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Joe Malone&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;Google、エンジニアリング マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Francis Lan&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Fri, 28 Aug 2026 00:10:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-search-innovations-unify-structured-unstructured-data/</guid><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>構造化データと非構造化データのインサイトを統合する BigQuery 検索のイノベーション</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/bigquery-search-innovations-unify-structured-unstructured-data/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Joe Malone</name><title>Product Manager, Google</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Francis Lan</name><title>Engineering Manager, Google</title><department></department><company></company></author></item><item><title>ゼロコード、低コストのデータの取り込み: BigQuery DTS の新機能</title><link>https://cloud.google.com/blog/ja/products/data-analytics/new-bigquery-data-transfer-service-capabilities/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 8 月 8 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/new-bigquery-data-transfer-service-capabilities?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;急速に変化するデジタル エコノミーにおいて、データは最も重要なエンジンです。しかし、多くの企業は、脆弱な社内 ETL パイプラインの構築や修正に週 100 時間以上をかけたり、予測不可能なサードパーティ ツールと格闘したりといった犠牲を払う逆説的な状況に陥っています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;毎日、数千社のお客様&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;が信頼して利用する &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery Data Transfer Service（DTS）&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;は、このようなエンジニアリングの負担を解消します。フルマネージドのノーコード データ移動ソリューションである BigQuery DTS は、BigQuery へのデータの取り込みを自動化し、チームがパイプラインのメンテナンスから戦略的なデータ サイエンスへと数分で移行できるようにします。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;エコシステムの拡大: 新しいコネクタと機能&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery DTS は、データベース、広告、マーケティング プラットフォームにわたりデータサイロを排除するために、統合環境を急速に拡大しています。最新の追加機能と拡張機能は以下のとおりです。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;オープン レイクハウスの取り込み&lt;/strong&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/iceberg-ingestion"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Apache Iceberg マネージド テーブルへの直接取り込み（プレビュー版）&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Google Cloud Storage、Amazon S3、Azure Blob Storage などの一般的なソースから Iceberg マネージド テーブルにデータを直接取り込めるようになりました。これにより、BigQuery のトップレベルのパフォーマンス チューニングを活用しながら、マルチクラウド ストレージと他のクエリエンジンとの完全な相互互換性を維持できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;次世代のエージェント型アーキテクチャ&lt;/strong&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/reference/datatransfer/mcp"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;フルマネージドのリモート Model Context Protocol（MCP）サーバー（プレビュー版）&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; これにより、開発者は AI アプリケーションや AI エージェントを DTS に接続し、プログラムを使ってデータソースを検出したり、ユーザーに代わって転送を構成、実行したりできます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;エンタープライズ データベースとリレーショナル データベース（完全転送と増分転送の両方をサポート）&lt;/strong&gt;&lt;/h4&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/sqlserver-transfer"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Microsoft SQL Server（プレビュー版）&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; トランザクション テーブル、スキーマ、運用データを BigQuery 内の分析環境に直接転送し、簡単に一元化できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/postgresql-transfer"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;PostgreSQL（一般提供版）&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;と &lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/mysql-transfer"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;MySQL（一般提供版）&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; データ配信を自動化し、大量のウェブ ワークロードやアプリケーション ワークロードを一元的なデータ ウェアハウスに数分で簡単にレプリケートできます。オンプレミス環境、Cloud SQL、その他のクラウドからのデータ レプリケーションに対応しています。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;e コマースとグロース マーケティング&lt;/strong&gt;&lt;/h4&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/shopify-transfer"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Shopify（プレビュー版）&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 粒度の高い注文履歴、在庫ログ、顧客プロファイルを分析スキーマに直接抽出するプロセスを自動化します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/klaviyo-transfer"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Klaviyo（プレビュー版）&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 詳細なメールと SMS のエンゲージメント ログ（クリック、送信、開封など）を抽出して、正確なマルチチャネル ライフサイクル属性を構築します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/hubspot-transfer"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;HubSpot（プレビュー版）&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; パイプライン、連絡先のトラッキング、インバウンド マーケティングの指標を同期して、収益オペレーション チームの連携を維持します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/mailchimp-transfer"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Mailchimp（プレビュー版）:&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; キャンペーンのパフォーマンスとオーディエンス リストの属性をデータ ウェアハウスに直接、自動的に移動します。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;移行コネクタ&lt;/strong&gt;&lt;/h4&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/migration/snowflake-migration-intro"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Snowflake（一般提供版）&lt;/strong&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;:&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 増分転送、スキーマの自動検出、プライベート接続、3 つの主要クラウド（Google Cloud、AWS、Azure）に保存されているデータの移行サポートなどの機能を使用して、Snowflake からデータを移行できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt; 主要なコネクタの機能強化&lt;/strong&gt;&lt;/h4&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/servicenow-transfer#data-ingestion"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;ServiceNow&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;、&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/salesforce-transfer-intro#full-incremental-transfers"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Salesforce&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;、&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/oracle-transfer-intro#full-incremental-transfers"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Oracle&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;ネイティブの増分更新サポート&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;が強化され、エンタープライズ規模の CRM、ITSM、財務ワークフローの大規模なパイプライン更新が高速化されました。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery Data Transfer Service を選ぶ理由&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エンタープライズ アーキテクチャ内でデータを移動する際に、費用、管理オーバーヘッド、パイプラインの健全性の間で複雑な妥協を求められるべきではありません。BigQuery DTS は、次の 3 本の柱にわたって独自のメリットを提供します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;1. 比類のないコスト効率&lt;/strong&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://cloud.google.com/bigquery/pricing#data-transfer-service-pricing"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;主要なソースの取り込み費用はゼロ:&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; Google 広告、Google アナリティクス 4、キャンペーン マネージャー、YouTube、Google Cloud Storage など、Google Play を除く Google のソースすべてのデータの取り込みが&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;無料&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;です。Amazon S3、Azure Blob Storage、Amazon Redshift、Teradata の取り込み費用も無料です。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;サードパーティ SaaS は使用量ベースの低料金:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; サードパーティ ソースからの取り込みは、すべて柔軟な使用量モデルに基づきます。コンピューティング料金は、主要なリージョンで&lt;/span&gt;&lt;a href="https://cloud.google.com/bigquery/pricing#data-transfer-service-pricing"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;スロット時間あたり 6 セント未満&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;です。料金は行数ではなくコンピューティング フットプリントに応じて変動するため、ソースデータの圧縮形式と利用可能なネットワーク帯域幅によっては、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;大量のデータを効率的に転送&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;2. スムーズなセキュリティとネイティブ管理&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;中継サーバーや、外部のセキュリティと API の構成が不要になります。BigQuery DTS は Cloud IAM と完全に統合されています。データ転送は、追加の構成オーバーヘッドなしで、宛先データセットの列レベルのセキュリティ、行レベルのセキュリティ、顧客管理の暗号鍵（CMEK）を即座に継承します。ストリームは、ネイティブの Google Cloud 境界内で安全に流れます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;3. 業界トップクラスのパフォーマンスとレジリエンス&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;エンタープライズ規模でデータを管理する場合、ダウンタイムはビジネスの機会損失を意味します。BigQuery DTS は、高い復元力を持つ取り込みフットプリントを提供し、これは厳格な Google Cloud サービスレベル契約（SLA）に裏付けられています。システムは&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;月間稼働率 99.99% 以上&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;を実現し、分析、自動化されたパイプライン、運用ダッシュボードの更新を確実に保証します。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;データ運用の変革を始めましょう&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;手動の取り込みスクリプトにビジネスの成長を制限される状況はもう終わりにしましょう。Google のネイティブ クラウド レイクハウス データ移動アーキテクチャを利用して、最新のスケーラブルなデータスタックを構築している数千社もの企業の仲間に加わってください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;今すぐプラットフォームをお試しください。BigQuery Data Transfer Service コンソール&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;に移動し、コネクタを選択して、数回クリックするだけで最初の自動転送をデプロイできます。&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;次に構築すべきコネクタは？&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google は、お客様のビジネスニーズに基づいて、ネイティブ統合ライブラリを常に拡大しています。&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;現在、手動で抽出せざるを得ないソースはあるでしょうか。&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;次にレプリケートする必要がある特定のリレーショナル データベース、NoSQL エンジン、リージョン SaaS プラットフォームについて、機能リクエストでお知らせください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;機能リクエストは、&lt;/span&gt;&lt;a href="https://b.corp.google.com/issues/new?component=187149&amp;amp;template=1162659&amp;amp;pli=1" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;公開 Issue Tracker&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; からお送りいただけます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Vignesh Rajamani&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;エンジニアリング マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Pallavi Palleti&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Fri, 28 Aug 2026 00:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/new-bigquery-data-transfer-service-capabilities/</guid><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>ゼロコード、低コストのデータの取り込み: BigQuery DTS の新機能</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/new-bigquery-data-transfer-service-capabilities/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Vignesh Rajamani</name><title>Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Pallavi Palleti</name><title>Engineering Manager</title><department></department><company></company></author></item><item><title>列レベルのセキュリティを強化: BigQuery で IAM データ ガバナンス タグを使用する</title><link>https://cloud.google.com/blog/ja/products/data-analytics/level-up-your-column-level-security-using-iam-data-governance-tags-in-bigquery/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;※この投稿は米国時間 2026 年 7 月 18 日に、Google Cloud blog に&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/level-up-your-column-level-security-using-iam-data-governance-tags-in-bigquery?e=48754805&amp;amp;hl=en"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;投稿&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;されたものの抄訳です。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery のお客様の多くは、機密情報を保護するためにポリシータグを利用しています。ポリシータグは、列レベルのアクセス制御を適用するための主要なソリューションであり、適切な権限を持つユーザーのみが個人情報（PII）などの機密性の高い列を表示できるようにするものです。当時の環境においては、堅牢で効果的なシステムでした。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;しかし、データ エコシステムは複雑化しており、そのセキュリティを確保するために使用するツールも、それに応じて進化する必要があります。新たな課題としては、複数のリージョンとロケーションにわたって複数のタグをサポートする分類の作成と管理、障害復旧の実現、広範な一元化されたガバナンス戦略との統合などが挙げられます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;今日のデータ エコシステムのニーズに対応するため、BigQuery で&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;データ ガバナンス タグのプレビュー&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;が導入されました。Google Cloud の Identity and Access Manager（IAM）の Resource Manager インフラストラクチャ上に構築されたデータ ガバナンス タグは、スケーラブルで堅牢な方法を提供することで、アクセス制御の管理と BigQuery 列データの保護を支援します。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;IAM データ ガバナンス タグとは&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;データ ガバナンス タグは、特殊なタイプの &lt;/span&gt;&lt;a href="https://cloud.google.com/resource-manager/docs/tags/tags-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Resource Manager タグ&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;です。このタグは、IAM でタグキーを作成するときに、目的フィールドを DATA_GOVERNANCE に設定することで作成し、BigQuery の列レベルのセキュリティで使用するように指定します。列データのガバナンスを目的としたデータ ガバナンス タグの階層ツリーを作成し、BigQuery 列に直接適用できます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;列レベルのセキュリティにデータ ガバナンス タグを使用する理由&lt;/strong&gt;&lt;/h3&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;グローバル スコープ、リージョンごとの適用&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;:&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;ポリシータグ（リージョンのみ）とは異なり、データ ガバナンス タグはグローバルに適用されます。組織レベルで 1 つのタグキーと値のペア（「data_sensitivity:high」など）を定義し、組織内のあらゆるプロジェクトやリージョンで使用できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;マネージド障害復旧&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: セキュリティ ポリシーはフェイルオーバー中も維持する必要があります。データ ガバナンス タグとそれに関連するデータポリシーは、セカンダリ リージョンに自動的に複製されます。必要に応じてリージョンを切り替えても、セキュリティ ポスチャーは自動的に移行されます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;階層型セキュリティ&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;:&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;タグのツリーを最大 5 階層まで構築できるようになりました。これにより、継承とより詳細な分類（PII &amp;gt; Financial &amp;gt; CreditCardNumber など）が可能になります。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ガバナンスの分離&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;:&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;セキュリティを適用する前に、データをタグ付けして整理、分類できます。アクセス制御は、そのタグのデータポリシーを定義した後にのみ適用されるため、データのオンボーディング時に柔軟に対応できます。&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;列レベルのセキュリティを実装する 3 つのステップ&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ステップ 1: タグキーと値を作成する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;データ ガバナンス タグキーを作成する&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;:&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;まず、コンソール&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;、&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;gcloud CLI、または API で IAM タグキーを作成します。このタグキーの目的フィールドを --purpose=DATA_GOVERNANCE と指定するだけで、データ ガバナンス タグキーになります。このキーの変更により、このタグが BigQuery の列レベルのセキュリティに使用されることが Google Cloud に通知されます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;# Example: Creating a Data Governance tag key named &amp;quot;data_class&amp;quot;\r\ngcloud resource-manager tags keys create data_class \\\r\n  --parent=projects/my-governance-project \\\r\n  --purpose=DATA_GOVERNANCE&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679805790&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;タグ値を作成する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;データ ガバナンス タグキーを作成したら、そのキーの下に、列データの分類に使用するタグ値を設定する必要があります。データ ガバナンス タグの便利な機能の一つが、タグ値の階層ツリーを構築できることです。タグ値のツリーでは、まず大まかなカテゴリを作成し、そこからデータタイプに基づいてより詳細なカテゴリにドリルダウンしていくことができます。最大 5 階層の深さまでのツリーを構築できるため、きめ細かいアクセス制御が可能になります。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;# Level 1: Create a tag value called &amp;quot;pii&amp;quot;\r\ngcloud resource-manager tags values create pii \\\r\n  --parent=my-governance-project/data_class\r\n\r\n\r\n# Level 2: Create a child value under &amp;quot;pii&amp;quot; for &amp;quot;private&amp;quot; data\r\ngcloud resource-manager tags values create private \\\r\n  --parent=my-governance-project/data_class/pii\r\n\r\n\r\n# Level 3: Create another child tag value for &amp;quot;email&amp;quot; under &amp;quot;private&amp;quot;\r\n# You can go up to 5 levels deep for granular control\r\ngcloud resource-manager tags values create email \\\r\n  --parent=my-governance-project/data_class/private&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67970aa10&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ステップ 2: JSON スキーマを使用して列にタグを付加する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;既存のスキーマをエクスポートする&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;既存のテーブルの場合、タグを管理する最も効率的な方法は、JSON ファイルを使用して API または bq CLI でテーブル スキーマを更新することです。これにより、複数の列に一度にタグを付けることができます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;# Save the current table schema to a local JSON file.\r\nbq show --schema --format=prettyjson my_project:my_dataset.my_table &amp;gt; schema.json&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe67970bdd0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;dataGovernanceTags を JSON ファイルに追加する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;schema.json を開き、機密性の高い列へのタグマッピングを追加します。名前空間付きのキーと値の略称が使用されていることに注意してください。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;[\r\n  {\r\n    &amp;quot;name&amp;quot;: &amp;quot;user_email&amp;quot;,\r\n    &amp;quot;type&amp;quot;: &amp;quot;STRING&amp;quot;,\r\n    &amp;quot;dataGovernanceTagsInfo&amp;quot;: {\r\n      &amp;quot;dataGovernanceTags&amp;quot;: {\r\n        &amp;quot;my-governance-project/data_class&amp;quot;: &amp;quot;email&amp;quot; \r\n      }\r\n    }\r\n  },\r\n  {\r\n    &amp;quot;name&amp;quot;: &amp;quot;phone_number&amp;quot;,\r\n    &amp;quot;type&amp;quot;: &amp;quot;STRING&amp;quot;,\r\n    &amp;quot;dataGovernanceTagsInfo&amp;quot;: {\r\n      &amp;quot;dataGovernanceTags&amp;quot;: {\r\n        &amp;quot;my-governance-project/data_class&amp;quot;: &amp;quot;private&amp;quot;\r\n      }\r\n    }\r\n  },\r\n  {\r\n    &amp;quot;name&amp;quot;: &amp;quot;government_id&amp;quot;,\r\n    &amp;quot;type&amp;quot;: &amp;quot;STRING&amp;quot;,\r\n    &amp;quot;dataGovernanceTagsInfo&amp;quot;: {\r\n      &amp;quot;dataGovernanceTags&amp;quot;: {\r\n        &amp;quot;my-governance-project/data_class&amp;quot;: &amp;quot;pii&amp;quot;\r\n      }\r\n    }\r\n  }\r\n]&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679872d10&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;3. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;テーブルを更新する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;スキーマを BigQuery テーブルに適用します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;# Overwrite the table schema with your newly tagged JSON file.\r\nbq update --project_id=my-data-project --schema=schema.json my_dataset.my_table&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe6795d5410&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;また、SQL を使用してデータ ガバナンス タグを BigQuery テーブルの列にバインドすることもできます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;CREATE OR REPLACE TABLE my_dataset.my_table(\r\n  user_email STRING\r\n  OPTIONS (\r\n    data_governance_tags = [(&amp;#x27;my-governance-project/data_class&amp;#x27;, &amp;#x27;email&amp;#x27;)]),\r\n  );\r\nALTER TABLE my_dataset.my_table\r\nALTER COLUMN phone_number\r\n  SET OPTIONS (\r\n    data_governance_tags = [(&amp;#x27;my-governance-project/data_class&amp;#x27;, &amp;#x27;private&amp;#x27;)]);\r\nALTER TABLE my_dataset.my_table\r\nADD COLUMN government_id\r\n  STRING\r\n    OPTIONS (\r\n      data_governance_tags = [(&amp;#x27;my-governance-project/data_class&amp;#x27;, &amp;#x27;pii&amp;#x27;)]);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679224910&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;また、列タグを削除するには、次のように [] に設定します。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;ALTER TABLE my_dataset.my_table\r\nALTER COLUMN phone_number\r\n  SET OPTIONS (\r\n    data_governance_tags = []\r\n);&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679225250&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;information_schema COLUMNS ビューを使用して、列タグを確認できます。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;SELECT\r\n  column_name,\r\n  data_governance_tags[SAFE_OFFSET(0)].key AS tag_key,\r\n  data_governance_tags[SAFE_OFFSET(0)].value AS tag_value,\r\nFROM `my_project.my_dataset.INFORMATION_SCHEMA.COLUMNS`\r\nWHERE table_name = &amp;#x27;my_table&amp;#x27;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679224750&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;次のような結果になります。&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;+---------------+----------------------------------+-----------+\r\n|  column_name  |            tag_key               | tag_value |\r\n+---------------+----------------------------------+-----------+\r\n| user_email    | my-governance-project/data_class | email     |\r\n| phone_number  | my-governance-project/data_class | private   |\r\n| government_id | NULL                             | NULL      |\r\n+---------------+----------------------------------+-----------+&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679225b90&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ステップ 3: データポリシーを作成する&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;最後に、BigQuery の&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;データポリシー&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;を定義して、タグ付けされた列へのアクセスを管理します。これらのポリシーは、以前に付加したタグ値を明示的に参照します。データ ガバナンス タグはグローバルですが、&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;データポリシーはリージョン&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;に適用される点に注意してください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;データを保護するため、ポリシーは BigQuery テーブルと同じリージョンで作成する必要があります。ポリシーが定義されると、指定されたユーザーのみにアクセス権が付与され、それ以外のすべてのユーザーは機密性の高い列データへのアクセスが拒否されます。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;また、BigQuery のセキュリティは階層化されていることに留意してください。データポリシーを有効にするには、ユーザー（被付与者）が&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;まず&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;テーブル自体への基本レベルのアクセス権を持っている必要があります（通常は &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;roles/bigquery.dataViewer&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; などのロールを介して付与される）。これによりデータポリシーは 2 つ目のセキュリティ レイヤとして機能し、ユーザーに応じて機密性の高い列の未加工のデータを表示するか、マスクにより難読化されたバージョンを表示するかを決定します。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;「pii」タグ付き列データのマスキング ポリシー（SHA256 マスキング）&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;curl --request POST &amp;quot;https://bigquerydatapolicy.googleapis.com/v2/projects/myProject/locations/us-east1/dataPolicies&amp;quot; \\\r\n  --header &amp;quot;Authorization: Bearer $(gcloud auth print-access-token)&amp;quot; \\\r\n  --header \&amp;#x27;Accept: application/json\&amp;#x27; \\\r\n  --header \&amp;#x27;Content-Type: application/json\&amp;#x27; \\\r\n  --data \&amp;#x27;{\r\n  &amp;quot;dataPolicy&amp;quot;: {\r\n    &amp;quot;dataPolicyType&amp;quot;: &amp;quot;DATA_MASKING_POLICY&amp;quot;,\r\n    &amp;quot;dataMaskingPolicy&amp;quot;: { &amp;quot;predefinedExpression&amp;quot;: &amp;quot;SHA256&amp;quot; },\r\n    &amp;quot;grantees&amp;quot;: [ &amp;quot;principalSet://goog/group/grp-sales@corp.com&amp;quot; ],\r\n    &amp;quot;dataGovernanceTag&amp;quot;: { &amp;quot;key&amp;quot;: &amp;quot;myProject/data_class&amp;quot;, &amp;quot;value&amp;quot;: &amp;quot;pii&amp;quot; }\r\n  },\r\n  &amp;quot;dataPolicyId&amp;quot;: &amp;quot;masking_policy_for_data_class_pii&amp;quot;\r\n}\&amp;#x27; \\\r\n  --compressed&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe6795d4810&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt; 「pii」タグ付き列データに対する未加工データアクセス ポリシー&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;curl --request POST &amp;quot;https://bigquerydatapolicy.googleapis.com/v2/projects/myProject/locations/us-east1/dataPolicies&amp;quot; \\\r\n  --header &amp;quot;Authorization: Bearer $(gcloud auth print-access-token)&amp;quot; \\\r\n  --header \&amp;#x27;Accept: application/json\&amp;#x27; \\\r\n  --header \&amp;#x27;Content-Type: application/json\&amp;#x27; \\\r\n  --data \&amp;#x27;{\r\n  &amp;quot;dataPolicy&amp;quot;: {\r\n    &amp;quot;dataPolicyType&amp;quot;: &amp;quot;RAW_DATA_ACCESS_POLICY&amp;quot;,\r\n    &amp;quot;grantees&amp;quot;: [ &amp;quot;principal://goog/subject/abc@xyz.com&amp;quot; ],\r\n    &amp;quot;dataGovernanceTag&amp;quot;: { &amp;quot;key&amp;quot;: &amp;quot;myProject/data_class&amp;quot;, &amp;quot;value&amp;quot;: &amp;quot;pii&amp;quot; }\r\n  },\r\n  &amp;quot;dataPolicyId&amp;quot;: &amp;quot;raw_access_policy_data_class_pii&amp;quot;\r\n}\&amp;#x27; \\\r\n  --compressed&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679227210&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;「private」タグ付き列データのマスキング ポリシー（NULL マスキング）&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;curl --request POST &amp;quot;https://bigquerydatapolicy.googleapis.com/v2/projects/myProject/locations/us-east1/dataPolicies&amp;quot; \\\r\n  --header &amp;quot;Authorization: Bearer $(gcloud auth print-access-token)&amp;quot; \\\r\n  --header \&amp;#x27;Accept: application/json\&amp;#x27; \\\r\n  --header \&amp;#x27;Content-Type: application/json\&amp;#x27; \\\r\n  --data \&amp;#x27;{\r\n  &amp;quot;dataPolicy&amp;quot;: {\r\n    &amp;quot;dataPolicyType&amp;quot;: &amp;quot;DATA_MASKING_POLICY&amp;quot;,\r\n    &amp;quot;dataMaskingPolicy&amp;quot;: { &amp;quot;predefinedExpression&amp;quot;: &amp;quot;ALWAYS_NULL&amp;quot; },\r\n    &amp;quot;grantees&amp;quot;: [ &amp;quot;principal://goog/subject/abc@xyz.com&amp;quot; ],\r\n    &amp;quot;dataGovernanceTag&amp;quot;: { &amp;quot;key&amp;quot;: &amp;quot;myProject/data_class&amp;quot;, &amp;quot;value&amp;quot;: &amp;quot;private&amp;quot; }\r\n  },\r\n  &amp;quot;dataPolicyId&amp;quot;: &amp;quot;null_policy_data_class_private&amp;quot;\r\n}\&amp;#x27; \\\r\n  --compressed&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7fe679227150&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;以上の 3 つのステップで、列データの保護は完了です。次回プリンシパルが BigQuery テーブルをクエリすると、Google の認可エンジンが自動的にプリンシパルの ID をデータポリシーと照合して評価します。プリンシパルがポリシーに含まれている場合、ポリシーに従ってマスクされたデータまたは未加工のデータのいずれかが表示されます。プリンシパルがポリシーに含まれていない場合は、アクセスが拒否されます。&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;使ってみる&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;データ ガバナンス タグは、BigQuery のデータ セキュリティとガバナンス戦略を強化する強力な新しいツールです。Google は、BigQuery のデータ ガバナンス機能を強化するために継続的に取り組んでいます。今後のアップデートでは、SQL を使用してタグとタグベースのポリシーを作成する機能、1 つの列に複数のタグを付加する機能、タグの組み合わせに基づいてポリシーを定義する機能、Knowledge Catalog などのサービスとのより深い統合が予定されています。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;まずは列へのタグ付けと、きめ細かいアクセス制御を大規模に定義することから始めましょう。詳しくは、&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/tags#data-governance-tags"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;データ ガバナンス タグのドキュメント&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;をご覧ください。&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;プロダクト マネージャー、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Vignesh Rajamani&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;ソフトウェア エンジニア、&lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Pramod Busam&lt;/strong&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 04 Aug 2026 01:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ja/products/data-analytics/level-up-your-column-level-security-using-iam-data-governance-tags-in-bigquery/</guid><category>BigQuery</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>列レベルのセキュリティを強化: BigQuery で IAM データ ガバナンス タグを使用する</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ja/products/data-analytics/level-up-your-column-level-security-using-iam-data-governance-tags-in-bigquery/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Vignesh Rajamani</name><title>Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Pramod Busam</name><title>Software Engineer</title><department></department><company></company></author></item></channel></rss>