AWS、SnowflakeとSageMaker Canvasを用いたノーコード機械学習ワークフローの解説シリーズを公開

要点

• 米Amazon Web Services（AWS）は、クラウドデータウェアハウス「Snowflake」とノーコード機械学習サービス「Amazon SageMaker Canvas」を連携させた機械学習ワークフローの解説記事を公開した。

• 専門のデータサイエンスチームに依存せず、ビジネス部門の担当者が自ら視覚的操作で予測モデルを構築・検証できる手法を提示している。

• 全3回の連載シリーズとなっており、第1弾となる今回はAWSアカウントおよびSnowflake環境のセットアップ手順を中心に解説している。

• 第2弾以降では、不正検知モデルの作成や「Amazon Quick」を用いたダッシュボードでの可視化・共有手順が順次公開される予定となっている。

• 米Amazon Web Services（AWS）は2026年8月20日、公式ブログ「AWS ML Blog」において、Snowflake、Amazon SageMaker Canvas、Amazon Quickを連携させたノーコード機械学習ワークフローの構築に関する解説シリーズの第1弾を公開した。本シリーズは、データサイエンスの専門人材不足に悩む組織に向け、ビジネス担当者が自らデータ分析や予測モデルの構築を行えるようにする実践的な手順を紹介するものだ。今回はその導入編として、AWSアカウントとSnowflake環境の初期セットアップが取り上げられている。

蓄積された業務データの活用における課題と背景

元記事によると、ヘルスケアや小売、ライフサイエンスなどの業界では、クラウドデータウェアハウス（大量のデータを一元的に保管・分析するクラウド基盤）であるSnowflake上に膨大な運用データが日々蓄積されているという。データの格納や拡張は効率的に行われている一方で、それらのデータを実践的な予測へと変換することには依然として多くの組織が課題を抱えていると指摘されている。従来の機械学習開発では専門のエンジニアリングチームや長い開発サイクルが必要とされ、データの性質を最もよく理解している現場のビジネス担当者が手軽に試行錯誤を行えない状況が生じていた。

今回のソリューションは、実際に長年の運用データをSnowflakeに蓄積していたヘルスケア組織の実例がもとになっていると説明されている。この組織では、売上トランザクションや製品の流通、患者とのやり取り、地域別の実績データなどを保有していた。ビジネスチームは複数製品の需要予測や季節・地域ごとの消費パターンの把握、さらにはビジネスインテリジェンス（BI：業務データを分析・可視化して意思決定を支援するツール）のダッシュボード上での予測値の確認を望んでいたものの、社内のデータサイエンスリソースが不足していたという。新たな分析要求のたびに専門家への依頼が必要となり、開発期間の長期化や検証機会の制限といったギャップが発生していたと報告されている。

SageMaker Canvasによるノーコード機械学習のアプローチ

こうした課題を解決する手段として提示されているのが、ノーコードによる機械学習アプローチである。AWSが提供する「Amazon SageMaker Canvas」を利用することで、プログラミングコードを書くことなく、またデータサイエンスの専門リソースに頼ることなく、データセットの探索や特徴量の準備、予測モデルの構築、インサイトの抽出を画面上の視覚的な操作のみで実行できるという。

これにより、ビジネスアナリストやプロダクトオーナー、運用チームの担当者が、エンタープライズレベルのセキュリティやガバナンスを維持しながら、データに基づいた意思決定を迅速化できるようになると説明されている。新たな複雑な機械学習パイプラインを追加するのではなく、Snowflake内の既存データをネイティブに活用し、使い慣れたBIツールで可視化できる環境を整えることで、機械学習をビジネスの現場により近づける狙いがあるとしている。

全3回にわたる実践シリーズの構成

公開された解説は全3回で構成されており、環境準備からモデル作成、可視化までのエンドツーエンドの流れを網羅する予定となっている。

• Part 1（今回）: AWSアカウントおよびSnowflake環境のセットアップを行い、連携のための基礎的な環境を構築する。
• Part 2: Amazon SageMaker CanvasをSnowflakeに接続し、データの準備を行った上で「不正検知（fraud detection）」モデルを構築する手順を解説する。
• Part 3: 生成された予測結果を可視化ツールの「Amazon Quick」に送信し、インタラクティブなダッシュボードを作成して関係者へ知見を共有する手法を扱う。

今回のPart 1を起点として、続く記事でデータ連携から具体的なモデル構築、ダッシュボード化までの実践的なフローが順次示される構成となっている。