20260123_SnowflakeNight#1_Snowflake Intelligenceが数理最適化を民主化する - 自然言語で最適解を得る方法

-- Views

January 20, 26

スライド概要

2026/1/23(金)18:00 〜 20:00 開催
Snowflake Night #1
https://snowflakejapan.connpass.com/event/379109/

mshdtksk

スライド一覧

博士（情報学）。2012年に修士号を取得した後、西日本電信電話株式会社に入社。プライベートクラウド基盤やアプリケーション開発を経験した後、様々な技術（NW、サーバ、クラウド、プログラミング）を組合せることで、データ活用を推進するためのプラットフォームを運営。2019年から社会人ドクターとして研究活動を行い、2023年に博士号を取得。「実社会に役立つデータ活用」を推進する技術者兼研究者。

またはPlayer版

埋め込む »CMSなどでJSが使えない場合

（ダウンロード不可）

関連スライド

20250806_OptimizationNight_現場目線のUIを意識した数理最適化_投影用

mshdtksk 11.2K

20250618_なんでもCopilot_Copilotが変える！Fabric×Snowflakeのデータカタログ構築によるData&AIの民主化

mshdtksk 6.2K

20250627_JAZUG_すきやねんAzure_数理最適化×Azure×Fabricのコラボレーション_数理最適化をより身近なものにするために_ー万博訪問ルート最適化サービスを作ってみたー

mshdtksk 4.4K

20251205_AOAIDevDayOsaka_数理最適化のAIエージェントを作ってみた話ー数理最適化とLLMの役割の理解と共存戦略ー

mshdtksk 1.6K

20250328_Jagu'e'r_データ利活用科会_Dify×StreamlitによるAIエージェント活用の模索

mshdtksk 1.5K

20251117_SnowVillage_DataScience_DataEngineering_初心者でもわかる数理最適化の話

mshdtksk 1.2K

各ページのテキスト

© 2026 NTT West, Inc. All Rights Reserved. 2 /17 自己紹介たかすかまさひで高須賀将秀博士（情報学）（2023/3）研究分野：組合せ最適化，数理最適化，オペレーションズ・リサーチ（OR），グラフ理論所属：NTT西日本デジタル改革推進部（2021/8～），法政大学デザイン工学部兼任講師（2024/4～），個人事業（Udemy講師等）（2024/6～）業務：データドリブン経営を牽引する立場・データ活用基盤のシステム開発・データ分析手法の研究・データ分析活用事例の提案・デジタル人材育成資格：クラウド資格（AWS全冠，Azure全冠，GCP全冠），高須賀将秀のホームページ Microsoft Top Partner Engineer Award（2024），AWS All Certifications Engineers（2024, 2025）， Microsoft Innovative Educator Experts 2025-2026，Microsoft Certified Trainer（MCT） Google Cloud Partner All Certification Holders（2025）， Jagu‘e’r Award 優秀賞（2025），Snowflake Squad（2024 , 2025）

© 2026 NTT West, Inc. All Rights Reserved. 3 /17 私の研究（博論）内容博士論文 ◼ 与えられた全ての工事に対して立会者の割当を決定する問題である ◼ 移動距離や立会者のスキル等の様々な条件を考慮し割当を決定している ◼ 条件は万人共通の条件もあれば手配者の思考や嗜好によって異なるものもある入力出力工事4 工事1 1 工事2 4 手配者工事5 2 1 工事6 3 工事7 工事8 8 工事9 6 工事5 数理モデル 5 工事6 工事3 手配者の思考/嗜好 = 7 工事2 4 2 5 工事3 立会者1～4 工事4 工事1 立会者4 3 工事7 立会者1 7 立会者2 工事8 ブラックボックス化 8 工事9 9 9 立会者3 6

© 2026 NTT West, Inc. All Rights Reserved. 4 /17 私の研究（博論）内容博士論文 ◼ 高度な技能を有している手配者により意思決定が行われている工事立会者手配業務に対し実用的な手配結果を算出可能な数理モデルを構築した長期効果短期効果付随効果過去の工事立会者手配業務デジタルデータ活用による工事立会者手配業務人件費年間1億（関東エリア：年間6万件）年間0.1億（関東エリア：年間6万件）（想定）品質年間工事事故5件年間工事事故0件（想定）総移動時間 11,424 s（3.2 h） 11,593 s（3.2 h）※1 総割当ペナルティ 163 pt 81 pt※1 手配時間 3時間2回/1日 5分×2回/1日やり方アナログ（手書き）デジタル手配結果 ※1：数理モデル4で総移動時間を重視すると, 総合移動時間10,697 s, 総品質146 ptとなる.

https://homepage45.net/unit/sub.htm

© 2026 NTT West, Inc. All Rights Reserved. 9 /17 BI：Business Intelligence ML：Machine Learning AI：Artificial Intelligence MO：Mathmatical Optimization BI・ML・AIとMOとの違い BI・ML・AI MO データから・可視化・学習、予測・推論データドリブン条件から・データを生成し、探索ルールドリブン生産されたデータを厳密に探索ここでSnowflake活躍データ量データ量データからそれらしい解を生成入力出力プロセス生成入力出力プロセス

10.

© 2026 NTT West, Inc. All Rights Reserved. Snowflakeでの数理最適化の活用方法 • Snowflake上で無理やり数理最適化を動作させる方法 • [方法1] Streamlit in Snowflake • [方法2] Snowflake Intelligence（正確にはCortex Agents） • 現状，Snowflakeの使いやすい機能や高負荷な処理をするためにコンピュートリソース，さらには膨大な解のシームレスな保存のためにストレージをフル活用することで無理やり実装 • できれば，今後はより多くの人に数理最適化を活用してもらえるようにネイティブなサービス化を目指したい 10 /17

11.

© 2026 NTT West, Inc. All Rights Reserved. 11 /17 [方法1] Streamlit in Snowflake 入力部（住所の保存）・住所のジオコーディング取得・住所情報の保存アルゴリズム（つまり解の探索方法）の選択部・Cortex利用・厳密解法・メタヒューリスティクス等・皆さんもお手元で確認できます・ただし，Snowflakeへの情報保存は皆さんで共用のため注意・そのため，この場は，Read部分（読み込んだ住所一覧，保存済みのデータを表示等））のみ確認を推奨・Cloud Runのリソースの関係でうまく地図が表示されない場合あり・以下アルゴリズムは利用未推奨（時間制限付き全探索，完全全列挙型アルゴリズム（全解保存））計算処理部・選択したアルゴリズムに従った解の探索過程出力・最終的な結果の出力解の可視化部・最終的な結果を地図に表示・複数の解が出た場合もその結果を表示 https://st-app-snowflake-tsp504242909255.asianortheast1.run.app/

https://st-app-snowflake-tsp-504242909255.asia-northeast1.run.app/

12.

© 2026 NTT West, Inc. All Rights Reserved. [方法2] Snowflake Intelligence • Snowflake Intelligenceとは，自然言語で複雑な質問に対するインサイトを手軽に得ることができるSnowflakeのネイティブサービス（参考：はじめての Snowflake Intelligence） View Intelligence Orchestrator Cortex Agents Models Tools Cortex Analyst Cortex Search Foundation Models 12 /17 はじめての Snowflake Intelligence

https://www.snowflake.com/ja/developers/guides/getting-started-with-snowflake-intelligence-ja/

13.

© 2026 NTT West, Inc. All Rights Reserved. 13 /17 [方法2] Snowflake Intelligence • Snowflake Intelligenceとは，自然言語で複雑な質問に対するインサイトを手軽に得ることができるSnowflakeのネイティブサービス（参考：はじめての Snowflake Intelligence） View Intelligence Orchestrator Cortex Agents Models Tools Cortex Analyst Cortex Search 数理最適化ストアドプロシージャを実装自然言語での入力を数理モデルに変換するストアドプロシージャ＋数理モデルを解くためのPyhonプログラムに変換するストアドプロシージャ Foundation Models 詳細の技術解説は別場で Snowflake Cortex Agent

14.

© 2026 NTT West, Inc. All Rights Reserved. 14 /17 [方法2] Snowflake Intelligence • Snowflake Intelligenceに数理最適化に関する問題を入力すると，数理最適化ストアドプロシージャをツールとして組込まない場合，推論のような動きとなり，厳密な最適解が得られない数理最適化ストアドプロシージャ”なし”の場合 Snowflake Cortex Agent

https://st-app-snowflake-cortex-agents-504242909255.asia-northeast1.run.app/

15.

© 2026 NTT West, Inc. All Rights Reserved. 15 /17 [方法2] Snowflake Intelligence • Snowflake Intelligenceに数理最適化に関する問題を入力すると，数理最適化ストアドプロシージャをツールとして組込む場合，探索のような動きとなり，厳密な最適解が得られる数理最適化ストアドプロシージャ”あり”の場合 Snowflake Cortex Agent

https://st-app-snowflake-cortex-agents-504242909255.asia-northeast1.run.app/

16.

© 2026 NTT West, Inc. All Rights Reserved. まとめ • Snowflakeと数理最適化の相性について解説し，数理最適化の民主化に向けたネイティブサービス化の展望について述べた • 現状，Snowflakeで数理最適化を扱うためには，作込みが必要で，2つの方法による実装例について紹介した • Snowflake Intelligenceに数理最適化ストアドプロシージャを組込むことで自然言語で数理最適化を扱うことを検証し，数理最適化の民主化に一歩近づくことができた 16 /17

17.

https://opt-research.connpass.com/

18.

19.