Google CloudがプレビューのAI.AGGを紹介、数百万行を1つのSQLクエリで意味的に集約可能

公開：2026年11月6日

CodeCampが提供するDX人材育成が可能なプログラミングやITが学べる公開講座

BigQueryでは、発表時点でプレビュー提供中のAI.AGGを使うと、数百万行のデータに自然言語の指示を1つのSQLクエリで実行できます。AI.AGGは、BigQuery GoogleSQLに組み込まれたフルマネージドの多段階の意味的集約関数で、SQLのグループごとに1つの文字列を返す仕組みです。^[1]

この記事では、AI.AGGでできることと使い方、プレビュー中の上限や費用の注意点を解説します。行単位のAI関数との使い分けも、編集部が目的別に整理しました。

プレビュー版AI.AGGで数百万行を意味的に集約
AI.AGGを使ったクエリの書き方
AI.AGGの利用前に確かめる条件
プレビュー版AI.AGGと行単位関数の選び方

プレビュー版AI.AGGで数百万行を意味的に集約

従来のリレーショナルSQLエンジンには、数百万行のテキストやマルチモーダルデータから意味のテーマを集約する標準機能がありませんでした。コンテキストウィンドウが課題となり、Geminiのような基盤モデルでも、数百万行を1つのプロンプトに渡すと厳しい切り捨てや実行の失敗が起きます。^[1]

図1　AI.AGG（プレビュー）でできること

従来は、データエンジニアリングチームが外部のmap-reduceパイプラインを作り、レート制限の待機や分割した要約の結合を管理する必要がありました。プレビュー中のAI.AGGは意味的な集約を分散型のmap-reduceの問題として扱い、分割と並列実行はBigQueryエンジンが担います。

多段階バッチ処理の流れ

プレビュー中のAI.AGGのクエリを実行すると、BigQueryエンジンが処理の順序をデータベース内で自動的に組み立てます。各バッチの大きさは、選んだGeminiエンドポイントのトークン上限に収まるよう動的に決まる仕組みです。

図2　AI.AGG（プレビュー）の処理の流れ

並列推論では、自然言語のSQLプロンプトを各バッチへ並列に適用し、Vertex AIで中間要約を作ります。最後は中間出力を同じ指示でLLMへ戻す統合を繰り返し、GROUP BYのグループごとに文字列を1つ作る流れです。

マルチモーダル入力の扱い

プレビュー中のAI.AGGは、テキストとマルチモーダルの両方の入力に対応します。BigQuery Object TablesとOBJ.GET_ACCESS_URL関数を使えば、Cloud Storageに保存した数千枚の画像から視覚的な知見を集約できます。

図3　AI.AGG（プレビュー）に渡す入力

Cloud Storageの画像の視覚的な知見をBigQuery Object TablesとOBJ.GET_ACCESS_URL関数で集約する際、移動や変換は要りません。ペタバイト規模のデータをBigQueryで意味的な知見に変えるのがAI.AGGの位置付けです。

NULL exclusivity ruleは、Google Cloudが挙げるデータエンジニアリングのヒントです。複数の列をSTRUCTで渡すと1項目のNULLで行全体が通知なく除外されるため、NULLになり得る項目はIFNULL()で包むよう勧められています。

AI.AGGの2つの活用例

プレビュー中のAI.AGGの活用例は、大量のシステムログの診断と、サポートチケットの整理です。AI.AGGの分析の力は標準SQLのGROUP BYとの組み合わせで発揮される、とGoogle Cloudは評価しています。

図4　AI.AGG（プレビュー）の活用例

AI.AGGを使うと、DevOpsチームは数百万件のログをシステムのコンポーネントごとにまとめ、人が読める診断の要約を作成可能です。世界に分散したマイクロサービスのシステムログには、メモリのスラッシングや時刻のずれのように、明示的な致命的エラーを出さない劣化が隠れていることがあります。

サポートチケットの例では、AI.AGGが作るカテゴリ一覧の厳密なJSON配列を、JSON_VALUE_ARRAYで展開してAI.CLASSIFYなどへ渡す構成です。この流れによって、エンドツーエンドで自律的なラベル付けのパイプラインをSQLで組め、外部のPythonスクリプトの必要性が減ります。

図5　AI.AGG（プレビュー）でのラベル付けの流れ

Python研修一覧はこちら

目的に合うPython研修を一覧形式から探したい方は、ぜひご利用ください。

Python研修を比較する

Java研修一覧はこちら

目的に合うJava研修を一覧形式から探したい方は、ぜひご利用ください。

Java研修を比較する

PHP研修一覧はこちら

目的に合うPHP研修を一覧形式から探したい方は、ぜひご利用ください。

PHP研修を比較する

新入社員研修

目的に合う新入社員研修を一覧形式から探したい方は、ぜひご利用ください。

新入社員研修を比較する

全ての研修からも探したい方はこちら

AI.AGGを使ったクエリの書き方

発表時点でプレビューのAI.AGGは、BigQuery GoogleSQLに組み込まれた関数で、SQLクエリの中で使います。使い始める場所は、Google CloudコンソールとBigQueryのドキュメントです。^[1]

AI.AGGの基本のクエリ例

プレビュー中のAI.AGGのクエリ例には、公開データで投稿者ごとの話題を要約する例と、エラーログからサービスごとの根本原因を探す例があります。エラーログの例は、severityが'CRITICAL'で実行時から24時間以内のログを対象に、COUNT(*)の件数とAI.AGGの要約を1つのクエリで並べる形です。

図6　AI.AGG（プレビュー）のクエリ例2つ

bigquery-public-data.hacker_news.fullから、上位投稿者3人ごとにコメントを要約するクエリは、以下の通りです。

WITH top_commenters AS (
 SELECT
   `by` AS author,
   `text`
 FROM `bigquery-public-data.hacker_news.full`
 WHERE `type` = 'comment'
   AND `by` IN ('dang', 'patio11', 'tptacek')
 LIMIT 5000
)
SELECT
 author,
 AI.AGG(
   `text`,
   'These are comments written by this user on a tech forum. Tell me what topics this user talks about the most and what their general tone is. Keep it concise.'
 ) AS author_persona
FROM top_commenters
GROUP BY author;

公式資料からの抜粋：Semantic aggregation over millions of rows in BigQuery with AI.AGG（Macro-level topic discovery）。対象版・範囲：BigQuery AI.AGG（発表時点でプレビュー）。

上記のコードでは、発表時点でプレビューのAI.AGGを使い、LIMIT 5000で対象を最大5,000件に絞ります。AI.AGGへ話題と口調を簡潔にまとめる指示を渡し、author_personaにauthorごとの要約を返します。

プログラム向けSQL出力のプロンプト設計

Google Cloudは、高度に決定的なSQLの処理では、会話調の一般的なプロンプトがうまく働かないことが多いと指摘しています。プログラムが扱うSQL出力のプロンプト設計を厳格なエンジニアリングの領域とし、プレビュー中のAI.AGG向けに次の書き方を挙げています。

図7　AI.AGG（プレビュー）のSQL出力向け設計

プレビュー中のAI.AGGでプログラムが扱うSQL出力を求める場合、ラベルの区切りは密なバッチでのフィールドの混同を防ぐ、というのがGoogle Cloudの見解です。同じAI.AGGでシステムログを診断する場合は、異常の前に正常な動作を説明させるとLLMが健全なログでエラーを作る傾向を抑えやすいと、Google Cloudは勧めています。

Python基礎・実践(Django)

企業・法人向けのPython研修では、基礎から応用まで体系的に学べます。

Python研修の詳細

DX社員研修

企業・法人向けのDX研修では、実務に繋がるリスキリングでITレベルを向上させます。

DX研修の詳細

Javaエンジニア育成研修

企業・法人向けのJavaエンジニア育成研修では、Javaの基礎から応用まで確実に習得できます。

Java研修の詳細

新卒・新入社員向け研修

企業・法人に新入社員・新卒社員に向けたプログラミング研修を提供しています。

新入社員研修の詳細