AWS、SnowflakeとSageMaker Canvasを連携したノーコードML構築手順を公開　データ前処理からXGBoostによる不正検知まで

要点

• 米Amazon Web Services（AWS）が公式ブログにて、Amazon SageMaker CanvasとSnowflakeを連携させたノーコード機械学習ワークフローの解説記事（Part 2）を公開した。

• Snowflake上のデータソースへ直接接続し、視覚的なデータ変換からXGBoostアルゴリズムを用いた不正検知モデルの構築までを行う一連の手順が提示された。

• データ準備には「Amazon SageMaker Data Wrangler」のビジュアルUIを活用し、コードを書かずに加工や前処理を進める手法が示されている。

• 初回環境構築として、SageMakerドメインのクイックセットアップからCanvasワークスペースを起動するまでの具体的な操作フローが案内されている。

• 米Amazon Web Services（AWS）は現地時間2026年8月20日、同社の公式機械学習ブログ（AWS ML Blog）において、データクラウド「Snowflake」とノーコード機械学習サービス「Amazon SageMaker Canvas」を連携させたMLワークフローの解説シリーズ第2弾を公開した。

• 今回の記事では、前回のPart 1で扱われたSnowflake環境のセットアップを前提とし、Snowflake内のデータソースに直接アクセスしてデータの前処理からモデル構築までをノーコードで完結させる具体的な手順が解説されている。プログラミングを行わずに、機械学習アルゴリズム「XGBoost」を用いた不正検知モデルを構築する実践的なワークフローが示された。

Snowflake連携とノーコードML環境の役割

AWSの説明によると、Amazon SageMaker Canvasは、ビジネスアナリストや各業務領域の専門家（ドメインエキスパート）が自ら高精度な機械学習モデルを構築し、予測を生成できるように設計されたビジュアルなノーコード機械学習サービスだという。企業のセキュリティ要件やデータガバナンスを維持したまま、組織全体で機械学習の利活用を広げる（民主化する）ための直感的な操作画面を備えているとしている。

本シリーズのPart 2で取り上げられたソリューションでは、SnowflakeデータウェアハウスとSageMaker Canvasを直接統合し、データの準備からモデル学習、予測生成までの完全なワークフローを構築する。対象となるユースケースとしては、勾配ブースティングを基盤とするアルゴリズム「XGBoost」を活用した不正検知モデルの作成が紹介されている。

なお、本手順を進める前提条件として、Part 1で実施したSnowflakeデータベースのセットアップが完了している必要があり、そこで設定されたSnowflakeアカウントの認証情報や接続情報を用いて作業を行う仕様となっている。

SageMakerドメインの作成とCanvasの起動プロセス

記事内では、AWSマネジメントコンソールを用いた環境設定の手順がステップごとに解説されている。

まず、Amazon SageMakerの基盤となる組織単位「ドメイン（Domain）」の作成を行う。ドメインは、ユーザープロファイルやストレージ構成、セキュリティ設定をまとめて収容する専用のワークスペースとして機能し、リソースの分離やアクセス制御、チーム間コラボレーションの管理を担う役割を持つ。

ドメインの作成手順としては、AWSマネジメントコンソールでAmazon SageMaker Canvasを検索して開き、左側ペインの環境設定から「Domains」を選択した上で「Create domain」を実行する。その際、単一ユーザー向けのクイックセットアップ（Set up for single user）を選択することで、ドメイン本体とユーザープロファイルが自動的に生成される。

ドメインの作成完了後は、左側ペインから「Canvas」を選択し、作成したドメインとユーザープロファイルを選択して「Open Canvas」を実行する。ワークスペースが利用可能な状態になるまで、3〜5分程度の準備待機時間が発生すると案内されている。

Data Wranglerを活用した視覚的なデータ準備

ワークスペース起動後のデータ準備工程には、「Amazon SageMaker Data Wrangler」が用いられる。Data Wranglerは、機械学習ワークフローにおけるデータの前処理や加工を簡素化するサービスであり、組み込みの変換機能と視覚的なUI（グラフィカルな操作画面）を備えている。

これにより、複雑なスクリプトを記述することなく、Snowflakeから直接取得したデータに対して直感的な操作でデータ変換やクレンジングを適用できる。ブログでは、このビジュアルなデータ準備機能を活用した上で、XGBoostアルゴリズムを用いた不正検知モデルのトレーニングへとつなげる流れが解説されている。