• AlloyDB for PostgreSQL（us-east1、PostgreSQL 16クラスタ）
• テーブル：disneyland_reviews（Kaggle公開データセット、42,656件、カリフォルニア・パリ・香港の3パーク分のレビュー）
• 接続：VMインスタンスからpsqlで接続

①：AI関数を有効化する

まずAI関数の拡張機能を有効化します。データベースに接続して以下を実行します：

CREATE EXTENSION IF NOT EXISTS google_ml_integration;

プレビュー段階のAI関数を使うには、セッションごとに以下のフラグも設定する必要があります：

SET google_ml_integration.enable_preview_ai_functions = 'on';

次に、AI関数が使用するAgent Platform（旧Vertex AI）におけるAIモデルへのアクセス権限を設定します。AlloyDBのサービスアカウントにroles/aiplatform.user（Agent Platform User、旧Vertex AI User）のロールをIAMで付与する必要があります。データサイエンスエージェントのデプロイ時にもAgent PlatformへのIAMロール設定が必要でしたが、AlloyDBでも同様のパターンです。ここを忘れると後でエラーになるので要注意です。

設定完了後にAI関数が使えるか確認：

SELECT ai.analyze_sentiment('このレストランの料理は最高でした！また来たいです。');

動きました！非常にシンプルで使いやすいです！

②：4万件のディズニーランドレビューを感情分析する

本題の大量レビュー分析です。まずサブクエリを使用して、小さいサンプルで試してみます。

SELECT review_id, branch, review_text, ai.analyze_sentiment(review_text) AS sentiment

FROM (

    SELECT review_id, branch, review_text

    FROM disneyland_reviews

    WHERE branch = 'Disneyland_California'

    LIMIT 20

) sub;

結果が返ってきました！20件で5分程度かかりますが、これはAI関数が1件ごとにAgent PlatformのAPIを呼ぶためです。感情分類の精度は体感的に申し分ないレベルで、「明らかにポジティブなのにnegative判定」みたいなケースはほぼありませんでした。

続いて3パーク別の集計です。こちらもサブクエリで先にデータを絞り、集計はその外側で行います：

SELECT

    branch,

    COUNT(*) AS total_reviews,

    COUNT(*) FILTER (WHERE sentiment = 'positive') AS positive_count,

    COUNT(*) FILTER (WHERE sentiment = 'negative') AS negative_count,

    COUNT(*) FILTER (WHERE sentiment = 'neutral')  AS neutral_count

FROM (

    SELECT branch, ai.analyze_sentiment(review_text) AS sentiment

    FROM (

        SELECT branch, review_text

        FROM disneyland_reviews

        LIMIT 60

    ) sub

) analyzed

GROUP BY branch

ORDER BY negative_count DESC;

パーク別のネガティブレビュー数が出てきました。データサイエンスエージェントのdb_agentが得意とするSQL生成と、このAlloyDB AI関数を組み合わせれば、AlloyDBのテキストデータを「SQLで」分析できる環境が整います。

③：ai.summarizeとai.agg_summarizeで要約する

次に要約機能を試します。ai.summarizeは1行ずつ要約、ai.agg_summarizeは複数行をまとめて1つの要約を生成する集約関数です。

まずai.summarizeを試してみました。長文レビューを1件ずつ短く要約します：

SELECT

    review_id,

    branch,

    ai.summarize(review_text) AS summary

FROM (

    SELECT review_id, branch, review_text

    FROM disneyland_reviews

    WHERE branch = 'Disneyland_HongKong'

    LIMIT 5

) sub;

長文のレビューが数行の要約に。データサイエンスエージェントのinsight_agentに渡すコンテキスト情報として、この要約済みテキストを活用できそうです。

次が面白かったai.agg_summarizeです。パークごとの10件のレビューをまとめて1段落に集約します：

SELECT

    branch,

    COUNT(*) AS review_count,

    ai.agg_summarize(review_text) AS overall_summary

FROM (

    (SELECT branch, review_text FROM disneyland_reviews WHERE branch = 'Disneyland_California' LIMIT 10)

    UNION ALL

    (SELECT branch, review_text FROM disneyland_reviews WHERE branch = 'Disneyland_Paris' LIMIT 10)

    UNION ALL

    (SELECT branch, review_text FROM disneyland_reviews WHERE branch = 'Disneyland_HongKong' LIMIT 10)

) sub

GROUP BY branch;

各パークのレビュー群が1段落にまとまって返ってきました。

カリフォルニアは「幼児連れには大人3人に幼児2人の体制が推奨され、開園15分前に到着すると待ち時間が短い」といった実用的なアドバイスが集約され、香港は「他パークより規模は小さいがアイアンマン体験やスペースマウンテンが人気で、2日券がおすすめ」という評価にまとまり、パリは「子連れに強くおすすめだが費用は高め、パレードや花火ショーが特に好評」という形で整理されました。

この要約テキストをデータサイエンスエージェントのinsight_agentへの入力として渡せば、AlloyDBのテキストデータを踏まえた上でのビジネス考察も生成できるようになります。

① IAM設定を最初に確認しておく

AlloyDBのサービスアカウントにAgent Platform Userの権限を付与しないと、AI関数呼び出し時に「権限エラー」が返ってきます。拡張機能の有効化より先にIAM設定を終わらせておくとスムーズです。

② LIMITはサブクエリで先に絞る

AI関数はFROM句で取得した全行に対して実行されるため、LIMIT を外側に書くだけでは全件分のAPI呼び出しが発生します。サブクエリで先に件数を絞ってからAI関数を適用する書き方が必須です。これはBigQueryのUDF系関数と同じ考え方で、WHERE句の絞り込みだけでなくLIMITも内側のクエリに入れる必要があります。

③ 大量データへの適用はバッチ処理で費用を抑えよう

AI関数の呼び出しはVertex AIのAPIを使うため、呼び出し回数に応じてコストがかかります。また今回の検証では20件で約5分かかりました。全件を一気にSELECTするとコストと時間の両方が課題になるので、WHERE句で絞り込んだり、更新分だけに適用するバッチ処理にするのが現実的です。

AlloyDBのAI関数を実際に使ってみて、「データを動かさずにDBの中でAI処理が完結する」体験は想像以上に快適でした。データサイエンスエージェントのdb_agentがBigQueryに対してSQLを生成するように、AlloyDBに対してもai.analyze_sentimentやai.agg_summarizeを含むSQLを生成すれば、テキスト分析のパイプライン構築をエージェント側に任せられる可能性があります。

• ai.analyze_sentimentでテキストの感情を positive/negative/neutral に分類できる
• ai.summarizeで1行ずつ、ai.agg_summarizeでGROUP BY集約の要約が作れる
• LIMIT はサブクエリで先に絞らないと全件分のAPI呼び出しが発生するので要注意
• 現時点はプレビューのため、本番適用前にコスト試算と動作検証を推奨

AlloyDBにテキストデータを持っていて「分析したいけどパイプライン構築が面倒」と思っている方々には、AlloyDBのAI関数はかなり有力な選択肢になってきたと思います。プレビュー期間中にぜひ試してみてください！