Snowflake、AI_EXTRACT scores GAとDynamic Tables関連更新、Cortex AI Function Studioを公開

Snowflake は Recent feature updates で、2026年5月20日から22日にかけて、Cortex AI Function Studio、Dynamic テーブル 関連、Snowflake Data Clean Rooms、AI_EXTRACT extraction scores に関する複数の更新を公開しました。AIワークフロー、動的テーブル運用、クリーンルーム運用の実務に関わる更新です。

要点

• AI_EXTRACT extraction scores が 一般提供 になった
• extraction score は抽出値ごとの confidence を返し、human-in-the-loop や fallback に使える
• Dynamic テーブル documentation が大きく書き換えられ、設計、監視、troubleshooting、コスト management が拡充された
• Dynamic テーブル に storage lifecycle ポリシー を直接 attach できる機能が 一般提供 になった
• Cortex AI Function Studio が 公開プレビュー になり、Cortex AI Functions の作成・評価・最適化を支援する
• Snowflake Data Clean Rooms は API version 15.6 として パフォーマンス improvements / 限定プレビュー updates を含む

今回のリリースノートで語られていること

今回の Snowflake Recent feature updates は、複数の小さな更新に見えますが、まとめて見ると「AI を使った非構造・マルチモーダル処理」と「データパイプライン運用」の両方を本番運用へ寄せる内容です。5月22日の AI_EXTRACT extraction scores 一般提供 では、AI_EXTRACT 呼び出し時に scores => TRUE を指定すると、通常の response に加えて scoring object を受け取れるようになります。score は 0 から 1 の範囲で、抽出値に対するモデルの確信度を示します。entity extraction では フィールド ごとの score、list / テーブル extraction では aggregate score が返ると説明されています。

これは、AI 抽出を業務に組み込むチームにとってかなり実務的です。契約書、請求書、申込書、顧客メモ、画像やPDFから構造化値を取り出す場合、モデルの出力をそのまま正解にするのは危険です。score を使えば、低信頼の抽出だけを人間レビューへ回す、一定以下なら fallback 処理を使う、監査用に extraction confidence を保存する、といった ワークフロー を組みやすくなります。Snowflake は、fine-tuned arctic-extract モデル でも使えること、追加コストがないことも示しています。

5月21日の Dynamic テーブル 関連では、documentation rewrite と storage lifecycle ポリシー の 一般提供 が並んでいます。documentation rewrite は、30本の新規・更新ページを含み、dynamic テーブル パイプライン の構築、最適化、監視、troubleshooting を lifecycle 全体で扱う内容です。production deployments 向け best practices、multi-テーブル パイプライン、controller テーブル、SCD Type 1 deduplication、streams and tasks からの移行、dbt 連携、パイプライン boundaries、replication behavior、refresh optimization、ウェアハウス selection、コスト management などが拡充されています。これは、Dynamic テーブル を試験利用から本番運用へ移すチームにとって、迷いやすい設計・障害対応の知識が整ってきたことを意味します。

Storage lifecycle ポリシー for dynamic テーブル の 一般提供 では、dynamic テーブル に直接 storage lifecycle ポリシー を attach し、predicate に一致する rows を独立した schedule で delete / archive できるようになりました。refresh とは独立して lifecycle ポリシー が非同期に動くため、古い行や不要な履歴をどう扱うかを パイプライン 設計に組み込みやすくなります。データ保持、コスト、監査、ライフサイクル管理が絡む領域なので、単なる DDL 拡張以上の意味があります。

5月20日の Cortex AI Function Studio 公開プレビュー は、Cortex AI Functions を自然言語で作成し、プロンプト、モデル selection、benchmarking、optimization を支援する機能です。Cortex Code CLI や Snowsight AI Studio から利用でき、text、documents、images、音声、video を含む unstructured / マルチモーダル ワークフロー が対象です。document extraction、summarization、sentiment analysis、classification、structured generation、コンプライアンス ワークフロー、推論 パイプライン といった enterprise AI workload に向けた機能として位置づけられています。

対象になりそうなチーム

• Snowflake Cortex AI で document extraction や classification を運用したい AI / data team
• Dynamic テーブル を本番 パイプライン として使う data engineering / analytics engineering team
• データ保持、削除、archive、コスト管理を Snowflake 内で整えたい ガバナンス / platform team
• Snowflake Data Clean Rooms を API / UI で運用しているチーム

実務で確認したいポイント

AI_EXTRACT scores は、threshold 設計が重要です。どの score 以下を人間確認に回すか、score と実際の誤り率が自社データでどう対応するか、監査ログに confidence を残すかを決める必要があります。Dynamic テーブル では、storage lifecycle ポリシー を refresh logic と混同しないこと、削除・archive 対象の predicate と schedule が業務要件に合うことを確認してください。Cortex AI Function Studio は プレビュー なので、品質評価と再現性、プロンプト・モデル選択の変更履歴を確認しながら使うのがよさそうです。

結局、この更新をどう見るべきか

今回の Snowflake 更新は、AI とデータパイプラインを「作れる」段階から「運用できる」段階へ進めるための地味に効く更新です。AI_EXTRACT の confidence、Dynamic テーブル の lifecycle / documentation、Cortex AI Function Studio の評価・最適化は、いずれも本番導入で詰まりやすい品質・コスト・運用の論点に触れています。