Amazon Quick：エンタープライズデータから AI による意思決定への道筋を加速

数千万行のエンタープライズデータ、行レベルおよび列レベルのセキュリティ、複数のビジネスドメインにまたがる数十のデータセットに対して、ガバナンスルールを常に遵守しつつ、信頼性があり、再現可能で、かつ高速な AI 生成回答が必要です。ファウンデーションモデル（FMs）を用いれば、組織は、ビジネスユーザーがデータについて質問し、数秒で回答を得られるような小規模データセット向けに機能するシステムを構築できます。[Amazon Quick](https://aws.amazon.com/quick/) はまた、大規模なエンタープライズデータを高速かつ正確な AI 駆動の意思決定へと変換する手助けもします。本記事では、データプロフェッショナルが企業スケールで信頼できる AI 駆動のインサイトを届けるスピードを加速させる Amazon Quick の新しい機能 5 つについてご紹介します。 ## データセット Q&A: データに直接話しかける ある VP が「*この製品の離脱傾向はどうなっていますか？*」と尋ねた場合、その回答を得るには、適切なダッシュボードを見つける（その正確な切り口に対応するものが存在する場合に限る）か、アナリストがクエリを作成して結果を検証するのを待つしかありません。質問を持つことと信頼できる回答を得ることの間のギャップは数時間から数日に及び、組織の複雑さが増すにつれて拡大します。つまり、チームが増え、データセットが増え、誰も事前にビューを構築していない質問がさらに増えるということです。 データセット Q&A はそのギャップを埋めます。チャットエージェントに1つ以上のデータセット、あるいは混合されたアセットを持つクイックスペースを接続し、自然言語で質問します。システムは SQL を生成し、サンプリングなしで数百万行の全データセットに対して実行し、数秒以内に結果を返します。 質問から SQL を生成することは単純な部分です。より複雑な問題は、その SQL がどのように記述されるかを決定するすべての要素に関わります。アナリストが VP に 2.3 パーセント*と回答する場合、暗黙の契約として、計算、フィルタ、時間軸、およびクエリに答えるための他の関連コンテキストを理解していることが前提となります。その答えへの信頼は、それがアナリストから来たことによってもたらされます。システムもまた質問自体内の曖昧さを解決します（「成長」とは取引、顧客、収益、または単位数を意味するのか？）。適切なフィールド、集計、フィルタを決定し、データセットのメタデータを介してアナリストが提供したビジネス定義を適用します。その結果、列名の推測解釈ではなく、ドメインの実態の意味を反映するように設計された SQL が生成されます。 Amazon Quick は、ダッシュボードに対して設定されたデータセットの行レベルおよび列レベルのアクセスポリシーを、アイデンティティにスコープを限定した AI 生成クエリにも適用します。これにより、すでに構築済みのセキュリティ体制が、追加の設定なしで対話形式の回答にも適用されます。その結果、ビジネスアナリストへのチケット提出やダッシュボード更新待ち、事前設定のオーバーヘッドを経ることなく、質問から検証済み回答へと迅速に移動できます。 ## 解説：推論の検証 速度は必要ですが、それだけでは不十分です。回答の計算精度が重要となる場合（企業分析では通常そうなります）、作業内容を確認する必要があります。チャットによる説明では、呼び出されたツール、生成された SQL、適用されたフィルター、仮定、そして非技術系の利害関係者向けの平易な要約など、推論の全連鎖が表示されます。ビジネスインテリジェンスエンジニアやデータアナリストにとって、これは開発時の加速要因となります。ベンチマークとなる質問を行い、推論を検証し、追加の文脈を整備し、ガードレールを調整します。エージェントがドメインを正しく処理できると確信した時点で、利害関係者に公開します。これまで数週間を要していた反復的なテストは、集中的なセッションに圧縮されます。 詳細は、[Dataset Q&A のローンチ記事](https://aws.amazon.com/blogs/machine-learning/introducing-dataset-qa-expanding-natural-language-querying-for-structured-datasets-in-amazon-quick/)でご覧ください。また、AWS Technical Field Communities プログラムが Dataset Q&A を活用して、15,000 名以上のメンバー全体でクエリの精度を 48% 以上向上させ、解決時間を 90 分から 5 分未満に短縮した事例については、[Beyond BI: Amazon Quick の Dataset Q&A 機能が次世代のデータ意思決定を支える](https://aws.amazon.com/blogs/machine-learning/beyond-bi-how-the-dataset-qa-feature-of-amazon-quick-powers-the-next-generation-of-data-decisions/) というブログ記事でも詳しく紹介されています。 ## セマンティックエンリッチメント：AI にビジネス言語を教える Dataset Q&A の精度は、システムがいかにあなたのビジネス用語を理解しているかにかかっています。「revenue」という列名だけでは、AI にはそれが粗利なのか純利益なのか、返品前なのか返品後なのか、発生主義なのか現金主義なのかという情報が伝わりません。また、「active_customers」という列名からは、閾値が 12 ヶ月なのか 24 ヶ月なのかも分かりません。これはモデルの知能の問題ではなく、情報の問題です。ビジネスコンテキスト（文脈）がなければ、どんなに優れたモデルでも、仮定に基づいたクエリを生成してしまいます。 データセットの拡張機能により、著者はトピック設定やその他の複雑なセットアップを必要とせずに、そのギャップを埋めることができます。データセットレベルでは、データが何を表しているかを自然言語で記述し、AI がそれをどのように推論すべきかを示す自由形式の指示を提供します。例えば、「ここでの収益は返品後の純額です。年対年比較には、暦年度ではなく会計年度を使用してください」といった具合です。オプションとして、維持管理している記録システムからメタデータファイルをアップロードすることもできます。例えば、既存のデータカタログやチームのウィキなどが該当します。カラムレベルでは、フィールドを論理的なフォルダに整理したり、説明を追加したり、エッジケースに注釈をつけたりすることができます。 投資は数分です。その対価として、後段で誰かが質問をした際、Quick はすでにチームが合意した定義を適用します。詳細については、Amazon Quick ユーザーガイドの [データセットの拡張機能](https://docs.aws.amazon.com/quick/latest/userguide/dataset-enrichment.html) をご覧ください。 ## 各質問に対して Quick が適切なソースとアプローチを見つける方法 単一のデータセットを拡張するのは、パズルの一部に過ぎません。一般的な企業では、営業、オペレーション、財務、人事、市場調査など across に数十のデータセットやダッシュボードへのアクセス権限があるかもしれません。自然言語で提示された質問に答えるには、システムは適切なデータ資産と、そのタスクに最も適したエージェントを選定する必要があります。どちらか一方でも間違えれば、最も能力の高いモデルであっても、無関係または誤った回答を生成してしまいます。 Quick のエージェントシステムには、構造化された資産（ダッシュボード、データセット、トピック）全体を検索して適切なソースを特定し、その後クエリを構築するセマンティックレイヤーが備わっています。このレイヤーはクエリの意図と文脈を解釈し、単純なキーワードマッチングを超えた結果を提示します。ユーザーが「エスカレーション」について質問しても、関連するダッシュボードで「チケット」という用語が使われている場合でも、システムは適切な資産へルーティングできます。これは、クエリとデータランドスケープ内のコンテンツとの間の関係を推論することで実現されています。 「チャーン（顧客離脱）の傾向はどうなっており、東南地域では何がそれを牽引しているのか？」といった多段階の質問に対しては、システムは各ステップで呼び出すべき専門エージェントやツールを特定します。オーケストレーターは質問全体にわたって推論を行い、手順を計画し、複数の機能が連携して一貫性のある回答を組み立てます。 このレイヤーが適切なソースとツールの発見、ランク付け、選択を行う方法を改善しました。これは、複数のビジネスドメインにまたがる多様なデータにアクセスできる環境において特に有用です。より確かな基盤（グラウンディング）により、誤ったソースからのエラーが減り、ツールの選択精度が高まり、回答への信頼性が向上します。特に、複数の分析ステップにわたる曖昧または複雑な質問においてその効果が発揮されます。この発見とオーケストレーションのレイヤーこそが、広範なエージェント体験を企業規模で信頼性のあるものにする要因です。 ## AI を活用したダッシュボード生成：数日から数分へ 運用ダッシュボードは、会話型ツールでは代替できない、企業意思決定において独自の地位を占めています。よく構築されたダッシュボードには、先行指標と後行指標が詰め込まれ、機能や時間軸別に整理されたメトリクス、そして文脈を切り分けて単一の共有画面に統合するためのフィルター制御が含まれています。この密度は、異なる役割と異なる質問を持つ意思決定者チームにとって、調整とスピードを促進する共有かつ効果的な分析基盤となります。複雑なビジネスにおいては、この共有アーティファクトこそが、部分の合計が個々の部品を超えた価値を生み出す手段なのです。チャットなどの会話型分析ツールは、アナリストやエンジニアに予期せぬ業務を負わせることなく、ステークホルダーが複雑な追跡質問でさらに探索できる優れた補完機能です。しかし、ダッシュボードは依然として運用リズムの backbone（中核）であり続けます。 ダッシュボードの構築には、適切なビジュアライゼーションの選択、シートを論理的に整理すること、計算フィールドの作成、フィルターコントロールの追加、レイアウトの反復的な調整が含まれます。これらの作業は、分析意図が明確になった後でも、熟練した手作業による数日あるいは数週間の時間を要します。AI によるダッシュボード生成はこの構築フェーズを不要にします。ユーザーは最大 3 つのデータセットを選択し、見たいもの（例えばビジネス上の質問、指標、情報の整理方法など）を記述するだけで済みます。何かが構築される前に、編集可能な計画を確認できます。Amazon Quick はその後、データに適合したビジュアライゼーションを含む複数の整理されたシート、ステークホルダーが異なる次元で切り分けられるためのフィルターコントロール、年対年成長率や月対月比較などの計算フィールドを生成します。この一連のプロセスはわずか数分で完了します。 出力結果は、静的な画像や一度きりのエクスポートではなく、ネイティブの Amazon Quick 分析です。既存のパブリッシングワークフロー、埋め込みパターン、および継続的インテグレーションとデリバリー（CI/CD）パイプラインに統合されます。また、ポイント＆クリック操作で編集することも可能です。生成後に視覚化を微調整できます。手動で作成した場合と同様に、ダッシュボードとして公開したり、共有したり、埋め込んだり、レポートのスケジュールを設定したりできます。データセットの拡張に投資した意味的なキュレーションが、出力品質に影響を与えます。より優れたビジネスコンテキストがあれば、初期出力はより正確になり、公開準備までの微調整が少なくて済みます。 早期アクセス期間中、著者たちはダッシュボード作成時間を 90% 以上短縮できたと報告しています。この機能の詳細や例については、[Amazon Quick で自然言語プロンプトからダッシュボードを生成](https://aws.amazon.com/blogs/machine-learning/generate-dashboards-from-natural-language-prompts-in-amazon-quick/) のブログ記事をご覧ください。 ## リアルタイムデータアクセス：Amazon Simple Storage Service (Amazon S3) テーブル上の Direct Query 前述の機能（クエリ、説明、セマンティックエンリッチメント、発見、ダッシュボード生成）は、それらが操作するデータの質に依存します。企業は、これらのフォーマットが提供するパフォーマンス、経済性、柔軟性のため、データ基盤を Apache Iceberg などのオープンソーステーブルフォーマット上で構築する傾向が強まっています。しかし、依然として断絶が存在しました。データを分析するために Business Intelligence ツールで利用したり、AI エージェントを通じて質問したりするには、データを OLAP レイヤーに移動させる必要がありました。各ステップにはレイテンシとコストが発生し、さらにデータ鮮度が低下する場所が一つ増えることになります。 私たちはそのステップを排除しました。Amazon Quick は now、中間エンジンなしで S3 テーブルバケットに配置された Apache Iceberg テーブルに直接接続できるようになりました。これにより、データレイクは分析準備完了の唯一のソースとなります。 作成者は、高並行処理とサブ秒応答を必要とするダッシュボード向けに *SPICE モード* を選択するか、データ鮮度が最も重要なシナリオ向けに *Direct Query モード* を選択できます。Direct Query モードでは、従来のダッシュボードも会話型 AI エージェントも、同じ生データを参照します。ストリーミングパイプラインを使用して S3 テーブルバケットに到着してから数分以内に、トランザクションをチャート、メトリクス、またはチャットの回答として確認できます。 ## リアルタイムデータアクセス：Amazon Simple Storage Service (Amazon S3) テーブル上の Direct Query 前述の機能（クエリ、説明、セマンティックエンリッチメント、発見、ダッシュボード生成）は、それらが操作するデータの質に依存します。企業は、これらのフォーマットが提供するパフォーマンス、経済性、柔軟性のため、データ基盤を Apache Iceberg などのオープンソーステーブルフォーマット上で構築する傾向が強まっています。しかし、依然として断絶が存在しました。データを分析するために Business Intelligence ツールで利用したり、AI エージェントを通じて質問したりするには、データを OLAP レイヤーに移動させる必要がありました。各ステップにはレイテンシとコストが発生し、さらにデータ鮮度が低下する場所が一つ増えることになります。 私たちはそのステップを排除しました。Amazon Quick は now、中間エンジンなしで S3 テーブルバケットに配置された Apache Iceberg テーブルに直接接続できるようになりました。これにより、データレイクは分析準備完了の唯一のソースとなります。 作成者は、高並行処理とサブ秒応答を必要とするダッシュボード向けに *SPICE モード* を選択するか、データ鮮度が最も重要なシナリオ向けに *Direct Query モード* を選択できます。Direct Query モードでは、従来のダッシュボードも会話型 AI エージェントも、同じ生データを参照します。ストリーミングパイプラインを使用して S3 テーブルバケットに到着してから数分以内に、トランザクションをチャート、メトリクス、またはチャットの回答として確認できます。 モダンなレイクファーストアーキテクチャを採用する組織にとって、これは意味のある簡素化です。人間と AI の両方の消費者にサービスを提供する単一のガバナンスされたデータ層であり、その間に複製やオーケストレーションは不要です。詳細な例実装については、当社の投稿「From data lake to AI-ready analytics: Introducing new data source with S3 Tables in Amazon Quick」をご覧ください。 ## ビジネスアナリストやデータエンジニアなど、分析を構築する人間のために設計された機能 これらの機能は、判断力、ガバナンス、ドメイン専門知識を提供する人間を排除することなく、分析ワークフローからの単調作業を除去します。ビジネスアナリストが依然としてチャーン（顧客離脱）の計算方法を決定し、データエンジニアが依然として誰が何にアクセスできるかを管理し、ビジネスアナリストが依然としてステークホルダー向けの体験をキュレーションします。エンタープライズデータのアーキテクチャは複雑で多様です。単一の画一的なワークフローが存在しないことを私たちは理解しています。私たちが構築しているのは、ガバナンスの共通原則に基づき、低メンテナンスのマネージドサービス上で個別に価値のあるリッチなツールと機能のセットであり、これらが集合的に、エンタープライズがデータ環境内で AI を活用する方法を加速します。変化するのは、専門知識を実働可能な信頼できる分析スケールへ変換するために必要な労力です。かつてダッシュボードの構築に数日かかったものが、今は数分で完了します。AI の回答を検証するために手動でクエリを再実行する必要があったのが、今は選択するだけで済みます。ビジネスコンテキストのインポートに意図的なトピック設定が必要だったのが、今はファイルアップロードで済みます。 これらの機能は、Amazon Quick が利用可能な [すべての AWS リージョン](https://docs.aws.amazon.com/quick/latest/userguide/regions.html) で今日から利用可能です。 ## 著者について ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/05/11/ml-21014-mage-1.jpeg) ## Shekhar Kopuri Shekhar Kopuri は、Amazon Quick における構造化データに基づく AI、ビジネスインテリジェンス、レポート作成、およびデータ体験を担当するシニアプロダクトマネージャーです。この役職以前は、Quick Sight で多くの分析体験を構築したエンジニアリングチームを率いていました。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/05/11/ml-21014-mage-2.png) ## Rushabh Vora [Rushabh Vora](https://www.linkedin.com/in/rushabhv/) は、Amazon Web Services の Amazon Quick におけるシニアプロダクトマネージャーで、データ分析および可視化のための生成 AI 機能を統括しています。Rushabh は、自然言語を通じて生データを即座に実行可能なインサイトへと変換し、データから意思決定までの時間を数時間から数分に短縮することを組織に可能にすることに注力しています。彼は、技術的な専門知識の有無にかかわらず、すべてのビジネスユーザーがデータ探索やダッシュボード作成を容易に行えるようにすることに情熱を注いでいます。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/05/11/ml-21014-mage-3.jpeg) ## Sindhu Chandra [Sindhu Chandra](https://www.linkedin.com/in/sindhu-chandra-1ba09235/) は AWS のシニア・テックプロダクトマーケティングマネージャーであり、Amazon Quick 向けのグレート・トゥー・マーケット戦略を主導しています。アマゾン、ウーバー、グーグルで 15 年以上にわたり活動し、テクノロジーマーケティングを実際の顧客価値に基づき、親しみやすく、包括的なものにすることに情熱を注いでいます。仕事以外では、愛犬と遊んだり、さまざまな産地のコーヒーを淹れることを楽しんでいます。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/05/11/ml-21014-mage-4.png) ## Emily Zhu Emily は Amazon Quick のシニアプロダクトマネージャーであり、統制されたデータとエンタープライズスケールのデータアーキテクチャ、高性能な分析および対話型クエリエンジン、そして大規模なデータに真の意味を与えるセマンティック層とオントロジー層を含む、構造化データのスタック全体を担当しています。強力なデータ戦略が AI 戦略をどう解放するかに関心を持ち、構造化データスタックを Quick における対話型および分析体験の基盤とするという使命に取り組んでいます。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/05/11/ml-21014-mage-5.png) ## Vignessh Baskaran Vignessh Baskaran は Amazon Quick のシニア・テクニカルプロダクトマネージャーであり、接続性、カタログおよびセマンティクス、データ準備に関する AI 駆動型データプロダクトを統括しています。大規模なデータおよび分析ソリューションの開発において、10 年以上の経験を持っています。仕事以外では、クリケット観戦、ラケットボール、シアトルでの多様な料理探訪を楽しんでいます。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/05/11/ml-21014-mage-6.png) ## Amy Marvin [Amy Marvin](https://www.linkedin.com/in/amymarvin/) は Amazon Quick のシニア・テクニカルプロダクトマネージャーであり、AI 駆動型チャット分析機能に注力しています。人々とデータとの間の障壁を取り除くことに情熱を注ぎ、誰でも数秒で質問し信頼できる回答を得られるようにすることを目指しています。仕事以外では、ワシントン DC のレストランシーンの探訪や自然のトレイルでのサイクリングを楽しんでいます。

Amazon Quick：エンタープライズデータから AI による意思決定への道筋を加速

背景や根拠まで確認しますか？

このニュースを、実務の判断につなげる

関連記事

調べる

選ぶ

サイト