【テクノロジー：Part 4】スノーフレーク（SNOW）のすごさとは？RAG（検索拡張生成）、並びに、生成AI市場での同社のプレゼンスに迫る！

※「【テクノロジー：Part 3】スノーフレーク（SNOW）では何ができるのか？ELTからETLへの流れと高度なRAG（検索拡張生成）との関係性に迫る！」の続き

前章では、スノーフレークと「ELTからETLへの流れ」と「高度なRAG（検索拡張生成）」との関係性を詳しく解説しております。

加えて、本稿では、スノーフレークのテクノロジーに関する専門用語が多く使用されますが、同社のテクノロジーに関しては、下記の3部作から成る長編レポート、並びに、過去のレポートにて詳細に解説しております。

本稿の内容への理解をより深めるために、是非、インベストリンゴのプラットフォーム上にて、前章も併せてご覧ください。

スノーフレーク（SNOW）のDatavoloの買収とRAG市場でのプレゼンスに関して

以前執筆したスノーフレーク（SNOW）に関する分析レポートで構造化データ向けのRAGについて説明しましたが、Datavoloはその概念をさらに発展させ、特に非構造化データを対象とした幅広いユースケースに対応しています。構造化データ向けのRAGは、最新の売上データの取得や整理されたデータセットの検索に役立ちますが、企業内の多くのデータは非構造化や半構造化のままです。

特に注目すべき生成AIのユースケースとして、営業、サポート、開発チームの生産性を向上させる「コパイロット」の活用が挙げられます。これらのツールは、企業の内部文書やマニュアルなどを解析し、文脈に応じた実用的な洞察を提供します。このような用途では、Datavoloが不可欠な役割を果たし、非構造化データのスムーズな処理や統合を可能にすることで、ROIの向上に大きく貢献します。

（出所：Datavolo）

Datavoloは、多様なデータ形式に対応し、アプリケーションのニーズに応じてデータを適切な行き先へ振り分けることが可能です。例えば、データを直接LLM（大規模言語モデル）に送信したり、埋め込みモデルを使用してベクターインデックスを作成し、ベクターデータベースに保存したりすることができます。また、メタデータを生成してデータウェアハウスに保存する、あるいは生データをそのままオブジェクトストレージに保存することもできます。

Datavoloの重点課題の一つは、RAG（Retrieval-Augmented Generation）パイプラインの構築をより簡単に