高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』

著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 | 外資系コンサルマネージャー ◀︎ ebookjapanでデータサイエンス組織の部長 ◀︎ Yahoo! JAPANでWebエンジニア | 複業でマーケティング・データ分析・コーチングなど

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

ついに本日SQLの入門書が発売になりました！
自分自身が過去にSQL勉強会として実施した内容を体系化して1冊の本にまとめました。
240ページとコンパクトにまとめたので、
SQLを学んでデータ分析力を高めたい人が読む最初の1冊としておすすめです！
https://t.co/4KXuvjLk8C

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

「構造化とは情報を整理する行為である」という前提を疑い、「実は情報を捨てる行為でもある」という視点がとても参考になる。赤いフォントの数字が「暫定値」を意味していたりなど、AI-Readyなデータ整備を進める際に自覚しておくべき問いだと感じる。
https://t.co/xvhc1M680h

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

オントロジーとセマンティックレイヤーの違いを整理した記事。どちらが優れているかではなく、両者は補完関係でどちらも必要で役割が異なるという整理がとても参考になる。
https://t.co/l1Leef771j

・セマンティックレイヤーは「測り方」の統一
・オントロジーは「意味と関係性」の定義

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

オントロジーとデータモデルは似て非なるもの、という整理記事。オントロジーはドメインの意味・関係・ルールを形式論理で記述しAIが推論できる状態にするもの。「構造的には強いが意味的に弱い」システムに留まるか否かの分岐点がここにある気がする。
https://t.co/lZCOwYHxzB

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

2009年の人工知能学会でのセマンティックWebとオントロジーの概観論文。オントロジーとは「概念化の形式的な仕様」であり、当時すでに研究されていた。今AIエージェント時代に再注目されているオントロジーの基本的な考え方が、15年以上前から議論されていたことがわかる。
https://t.co/Ci25EASymM

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

AI Readyなデータ基盤の整理記事。「AIがSQLを書けること」と「AIがビジネスの問いに正しく答えること」は別の話という指摘がとても重要。
https://t.co/xzQP8Imy5F

データの形を整えるメダリオンアーキテクチャと、意味・関係・業務ルールをAIに渡すセマンティック層／オントロジーの2軸が揃って初めてAI Readyと言える。

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

リコーによるナレッジグラフとオントロジーの関係を整理した解説。構造の理解として参考になる。 https://t.co/DRJBUYODGV

①クラス：データの中に存在するすべての物事の項目を指す。例えば、「人」や「会社」などがクラスに該当。

②関係：1つまたは複数のクラス間の関係を提供。例えば、「人」が「会社」に所属しているという関係がこれにあたる。

③属性：個々のクラスを記述するために使用されるプロパティを定義。例えば、「人」の属性として「名前」や「年齢」など。

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

PalantirをPythonで再現した実装デモが参考になる。通常のDB定義が「データの持ち方」を定義するのに対し、オントロジーでは「ビジネス上の意味（型）」を定義する。なぜオントロジーが「現場で強い」のかが体感できる設計になっている。
https://t.co/YdjqahP1cA

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

JFEテクノリサーチが提供するオントロジー技術による知識の体系化サービス。製造現場の課題をオントロジーで解決するアプローチ。社内用語の共通辞書を作成して言葉の解釈ズレを排除する取り組みは、AIが正確に機能するための前処理として重要な気がする。
https://t.co/BPGMk9RtM9

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

AIエージェントの精度議論で「モデルが賢くなれば解決する」という話をよく聞くが、現場で感じるのは違う。「この数値はどの定義に基づくか」といった業務知識がLLMに渡っていないケースが圧倒的に多い。オントロジーやセマンティックレイヤーで整備すべきは「意味のインフラ」だと感じている。

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

Agentic AI時代のセキュリティリスクとガバナンス実装を解説した資料。実際に起きたヒヤリハット（社内情報がインターネットに公開状態で作業など）が生々しくて参考になる。AIの活用推進とガバナンス整備を並走させる体制設計のアプローチがとても重要。
https://t.co/1WYui9xmMs

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

メルカリのデータエージェント『Socrates』の取り組み。データ業務における検証の煩雑さをSkillsなどでカバー。BigQueryの関数記述支援をするSkillやドメイン知識込みのテーブル情報参照などを支援。

・データエージェントのためのナレッジカタログ
https://t.co/Kq2VfCLNo2

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

NTTテクノクロスによるLangChain×Neo4jを使ったGraphRAG入門解説。ローカル環境で動かす実装例として参考になる。
https://t.co/cGgBNJ9MVV

・グラフDBのノードが「エンティティ」、エッジが「関係」を表し、Cypherクエリで関連ノードの近傍を取得する
・テキストデータからナレッジグラフを構築しLLMに渡すことで複数文書をまたいだ文脈検索が可能
・ベクトル検索単体では拾えないチャンク間の文脈をグラフ検索でカバーできる

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

Snowflakeのエージェントコンテキストレイヤーに関する解説。AIエージェントの限界はモデルの賢さではなくコンテキストの欠如にあるという指摘がとても重要。
https://t.co/tDTOp0ygo1

・LLMは意図を解釈し推論できるが、通常はエンタープライズのコンテキストが欠落している
・セマンティックモデルとオントロジーがそのコンテキストを再利用可能な形式でエンコードする
・データオントロジーを追加するだけでエージェントの回答精度が20%向上

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

RAGの精度向上は「知識設計」で決まるという観点。複数の概念が絡み合う業務では、オントロジーで概念を統一しなければRAGは正確に機能しない。「何を解くか→どう進めるか→何が強みか」の3軸でオントロジー×RAGを設計するアプローチが実践的で参考になる。
https://t.co/2NbS7WvQBg

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

Microsoft Fabric IQオントロジーの解説記事。「Customer」「Order」などのエンティティ型とその関係性を定義してOneLakeのデータにバインドすることで、AIエージェントと人間が同じ企業語彙で横断推論できる基盤を目指す設計が参考になる。
https://t.co/LIR0X5ttwN

[山崎良平 | Delta Xファンド 代表パートナー @zakiryo1533]

https://t.co/GdfhvelbqL

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

GraphRAGの回答品質が従来RAGの3倍向上したという実証結果が海外カンファレンスで報告されている（https://t.co/A845UI6Szk）。関係性を見落とすベクトル検索単体の限界を、ナレッジグラフで補う設計が注目されている。
https://t.co/bIXsIGGkoD

・従来RAG：テキスト文書から関連情報を検索するが、エンティティ間の関係性は失われがち
・GraphRAG：ノードとエッジで構造化されたグラフを検索し、複数ソースをまたいだ推論が可能
・説明可能性とハルシネーション抑制が同時に実現できる点が重要

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

GraphRAGの全体像を俯瞰した解説記事。ナレッジグラフのノード（概念）とエッジ（関係）で知識を構造化し、LLMに渡すことで複数文書をまたいだ推論が可能になる仕組みが整理されている。LangChainでテキストからナレッジグラフを構築できるのでハードルは下がっている。
https://t.co/IDH46kXEdf

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

富士通のナレッジグラフ拡張RAG事例。1,000万文字以上のドキュメントを処理でき、通常RAGと比較して必要な情報量を約4分の1に削減。複雑な質問応答ベンチマーク「HotpotQA」で世界1位を達成した実績がある。
https://t.co/JEOtf3HJzM

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

日本触媒がストックマークのナレッジグラフ構築技術とLLMを組み合わせて新規事業創出の事例。社内文書だけでは困難だった「業界固有の表現と言葉の関係性」をナレッジグラフで整理することで、属人的だった新規用途探索をAIが担える状態を実現した好事例。
https://t.co/4gqlRXCqtB