28ページ目。データ基盤・DWHの公式リリースノートと公式ブログを3718件掲載。最新は2026年10月7日のSnowflake「SnowflakeとWorkday Data Cloudのゼロコピー連携を一般提供」。新機能、仕様変更、運用影響を確認できます。

2026年10月7日(水)

Snowflake / リリースノート / 2026/10/07 / 通常SnowflakeとWorkday Data Cloudのゼロコピー連携を一般提供

• SnowflakeからWorkday Data Cloudのテーブルを複製やETLなしで直接照会する連携を一般提供
• Zerocopy Connectorで認証し、Workdayカタログをカタログ連携データベースとしてマウント
• SELECTごとにWorkdayへアクセスして最新データを取得し、Workdayを正本として維持

Oct 7, 2026: Zero-copy integration for Workday Data Cloud (General availability)Snowflake 公式リリースノートで原文を確認 ↗

Google BigQuery / リリースノート / 2026/10/07 / 通常BigQuery、TimesFM 3.0による多変量時系列予測をプレビュー

• 組み込みTimesFM 3.0をプレビュー提供し、AI.FORECASTで共変量を使う多変量予測に対応
• AI.EVALUATEとAI.DETECT_ANOMALIESでは単変量の評価・異常検出に対応
• BigQueryの会話型分析からも各関数でTimesFM 3.0を利用可能

BigQuery offers TimesFM 3.0 , a built-in time series forecasting model that implements Google Research's open source TimesFM model. You can use TimesFM 3.0 with the following functions: Use AI.FORECAST to perform time series forecasting. In addition to univariate forecasting, you can now perform multivariate forecasting that predicts values for multiple time series based on historical values and additional covariates. Use AI.EVALUATE to perform univariate time series evaluation. Use AI.DETECT_ANOMALIES to perform univariate time series anomaly detection. Conversational analytics in BigQuery also supports using TimesFM 3.0 with these functions. To try using the TimesFM 3.0 model for multivariate forecasting with the AI.FORECAST function, see Forecast a single time series with a TimesFM multivariate model and Forecast multiple time series with a TimesFM multivariate model . The TimesFM 3.0 model is in Preview .Google BigQuery 公式リリースノートで原文を確認 ↗

ClickHouse / 公式ブログ / 2026/10/07 / 通常ClickHouseがPostgres Summit US 2026での統合技術を紹介

• Postgresの取引処理とClickHouseの分析をつなぐ技術をニューヨークの会議で実演
• pg_stat_chのクエリ監視、pg_clickhouseのSQL連携、chdb_hookのファイル入出力を紹介
• 物理複製のWalShadowに加え、Postgresコミュニティの計画制御・索引先読みなどの講演を振り返る

🗽 Postgres Summit US 2026 retrospectiveClickHouse 公式ブログで原文を確認 ↗

MotherDuck / DuckDB / 公式ブログ / 2026/10/07 / 通常DuckDB、ビューだけを保存する小さな共有カタログの構築例を紹介

• データ本体を持たず、リモートParquetへのビュー定義だけをDuckDBファイルへ保存
• 数百KBのファイルを共有カタログやデータレイクのセマンティック層として利用
• 公開・読み取り専用の接続方法を紹介し、ビューの参照先にはURLや絶対パスを使用

A DuckDB Database with No Data in ItMotherDuck / DuckDB 公式ブログで原文を確認 ↗

2026年10月6日(火)

Snowflake / 公式ブログ / 2026/10/06 / 通常Horizon CatalogがIcebergの読み書きに細粒度アクセス制御を追加

• Iceberg REST Catalog API経由の読み取り・書き込みへの細粒度制御をパブリックプレビュー提供
• 行アクセス・列マスキングをHorizon Catalogで評価し、利用者が参照可能なスキャン計画を返す
• 外部エンジンの読み取りにはIceberg Scan Plan API対応が必要で、各エンジンの無条件対応を意味しない

Unified Governance for the Interoperable Lakehouse with Snowflake Horizon CatalogSnowflake 公式ブログで原文を確認 ↗

Snowflake / 公式ブログ / 2026/10/06 / 通常ObserveがOPAL対応の新フィルタバーをプライベートプレビュー提供

• 従来の式ビルダーにOPALを組み込み、複雑な真偽条件や関数を同じフィルタバーで記述
• フィールド・値・JSONパスの自動補完と、ほかの画面とのフィルタ同期を維持
• 単純な条件入力から高度な調査まで対応する設計で、提供段階はプライベートプレビュー

Rebuilding Observe's Filter Bar: Full Query Language, Same AutocompleteSnowflake 公式ブログで原文を確認 ↗

Snowflake / 公式ブログ / 2026/10/06 / 通常Snowflake Optima Planningが異なるクエリ間で実行情報を再利用

• 計画の断片や結合演算子を照合し、別クエリの実行情報を初回の計画選択にも活用
• 情報の転用が不適切に一般化する場合は適用せず、従来のクエリ単位の学習を補完
• 米国の医療技術企業の19結合クエリでは約2時間から30秒へ短縮した例を紹介し、一般の速度保証ではない

Snowflake Optima Planning: From Two Hours to 30 SecondsSnowflake 公式ブログで原文を確認 ↗

Snowflake / リリースノート / 2026/10/06 / 通常Snowflake、Kimi K3をAI FunctionsとCortex REST APIで公開プレビュー

• kimi-k3モデルをAI FunctionsとCortex REST APIで公開プレビュー提供
• クロスリージョン推論に対応
• 利用する推論範囲はCORTEX_ENABLED_CROSS_REGIONにAWS_GLOBALまたはANY_REGIONを設定

Oct 06, 2026: Kimi K3 model (Preview)Snowflake 公式リリースノートで原文を確認 ↗

Snowflake / リリースノート / 2026/10/06 / 通常Snowflake、外部テーブルやCortex Searchのリネージを拡張

• ストレージ統合とステージ、ステージと外部テーブル、モデル版と監視の関係をリネージに追加
• Snowsightでステージから作成するCortex Searchでは、ステージ・処理済みテーブル・サービスの関係も記録
• 新規作成時に記録するため既存オブジェクトには再作成が必要。CREATE CORTEX SEARCH SERVICEでは該当関係を記録しない

Oct 6, 2026: Data lineage for storage integrations, external tables, model monitors, and Cortex Search servicesSnowflake 公式リリースノートで原文を確認 ↗

Google BigQuery / リリースノート / 2026/10/06 / 通常BigQueryの対話型分析、AI.CAUSAL_EFFECTをプレビュー対応

• 対話型分析でAI.CAUSAL_EFFECTを利用する機能をプレビュー提供
• 介入後の実測値と、介入がなかった場合の予測を比較し、時系列への影響を定量化
• 入力には介入前後のデータが必要。ARIMA_PLUSで反実仮想の基準を推定し、対照系列は不要

Conversational analytics in BigQuery now supports the AI.CAUSAL_EFFECT function to quantify the impact of specific interventions on time series data. This feature is in Preview .Google BigQuery 公式リリースノートで原文を確認 ↗