---
title: "AIによるデータ分析を支えるオントロジーとセマンティックレイヤー"
description: "2026年の製品発表と研究をもとに、オントロジーとセマンティックレイヤーがAIの集計・業務操作をどう支えるかを図解します。注文と返金の例で、指標の移植、権限、回答の評価までをたどります。"
canonical: https://knowledge.uniquex.co.jp/agent-evaluation/ontology-and-semantic-layer
type: "解説"
kind: "guide"
answer: "オントロジーは業務上の対象と関係を、分析用セマンティックレイヤーは指標の計算単位や期間を定めます。2026年には、既存の指標をAIが製品をまたいで参照したり、業務上の対象に指標や操作を結び付けたりする取り組みが進みました。定義を移した先で集計結果を再現できるか、照会から実行へ移るときに同じ依頼を二度処理しないかは、それぞれ実例に照らして確かめられます。"
definitions: []
domain: "agent-evaluation"
chapter: 1
section: "1.7"
keywords: ["オントロジー","セマンティックレイヤー","知識グラフ","自然言語でのデータ分析"]
aliases: ["ontology","semantic layer","text-to-SQL"]
entities: ["Palantir Agent Builder","OWL 2","RDF","Snowflake Cortex Analyst","Looker","Apache Ossie","Microsoft Fabric IQ","Knowledge Catalog"]
tags: ["evaluation-design"]
sources: [{"title":"OWL 2 Web Ontology Language Primer (Second Edition)","author":"W3C","year":"2012","publisher":"W3C","version":"W3C Recommendation, 2012-12-11, §§2–4","url":"https://www.w3.org/TR/2012/REC-owl2-primer-20121211/","accessed":"2026-11-13"},{"title":"RDF 1.1 Concepts and Abstract Syntax","author":"W3C","year":"2014","publisher":"W3C","version":"W3C Recommendation, 2014-02-25, §1.1","url":"https://www.w3.org/TR/2014/REC-rdf11-concepts-20140225/","accessed":"2026-11-13"},{"title":"Overview of semantic views","author":"Snowflake","publisher":"Snowflake","version":"参照時の Semantic views concepts","url":"https://docs.snowflake.com/en/user-guide/views-semantic/overview","accessed":"2026-11-13"},{"title":"Understanding symmetric aggregates","author":"Google Cloud","publisher":"Google Cloud","version":"参照時の注文と明細の結合例","url":"https://docs.cloud.google.com/looker/docs/best-practices/understanding-symmetric-aggregates","accessed":"2026-11-13"},{"title":"Cortex Analyst REST API","author":"Snowflake","publisher":"Snowflake","version":"参照時の Request body と Non-streaming response","url":"https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-analyst/rest-api","accessed":"2026-11-13"},{"title":"Cortex Analyst Verified Query Repository","author":"Snowflake","publisher":"Snowflake","version":"参照時の確認済み質問とSQLの登録","url":"https://docs.snowflake.com/en/user-guide/views-semantic/verified-query-repository","accessed":"2026-11-13"},{"title":"Cortex Analyst evaluations","author":"Snowflake","publisher":"Snowflake","version":"参照時の How evaluation works","url":"https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-analyst-evaluations","accessed":"2026-11-13"},{"title":"Agent Builder — Core concepts","author":"Palantir","publisher":"Palantir","version":"参照時の Inputs、Pre-computed variables、Tools","url":"https://www.palantir.com/docs/foundry/agent-builder/core-concepts","accessed":"2026-11-13"},{"title":"Welcome to the agentic BI era with Looker","author":"Google Cloud","publisher":"Google Cloud","version":"2026-04-22","url":"https://cloud.google.com/blog/products/business-intelligence/looker-updates-for-agentic-bi-at-next26/","accessed":"2026-11-13"},{"title":"Grounding agents in one context graph connecting semantic models you already trust","author":"Google Cloud","publisher":"Google Cloud","version":"2026-10-29","url":"https://cloud.google.com/blog/products/data-analytics/expanded-semantic-model-support-in-knowledge-catalog","accessed":"2026-11-13"},{"title":"Ontology (preview) glossary","author":"Microsoft","publisher":"Microsoft","version":"2026-09-29","url":"https://learn.microsoft.com/en-us/fabric/iq/ontology/resources-glossary","accessed":"2026-11-13"},{"title":"Snowflake, Salesforce, dbt Labs, and More, Revolutionize Data Readiness for AI with Open Semantic Interchange Initiative","author":"Snowflake","publisher":"Snowflake","version":"2025-09-23","url":"https://www.snowflake.com/en/news/press-releases/snowflake-salesforce-dbt-labs-and-more-revolutionize-data-readiness-for-ai-with-open-semantic-interchange-initiative/","accessed":"2026-11-13"},{"title":"Open Semantic Interchange (OSI) Updates: Specification Now Live, New Working Group Members and More","author":"Snowflake","publisher":"Snowflake","version":"2026-01-27","url":"https://www.snowflake.com/en/blog/open-semantic-interchanges-specs-finalized/","accessed":"2026-11-13"},{"title":"Ossie Project Incubation Status","author":"Apache Incubator","publisher":"Apache Incubator","version":"2026年6月の記録","url":"https://incubator.apache.org/projects/ossie","accessed":"2026-11-13"},{"title":"Apache Ossie (Incubating): The New Name for Open Semantic Interchange","author":"Apache Ossie","publisher":"Apache Ossie","version":"2026-07-10","url":"https://ossie.apache.org/updates/ossie-enters-apache-incubator/","accessed":"2026-11-13"},{"title":"Apache Ossie - Ontology Specification","author":"Apache Ossie","publisher":"Apache Ossie","version":"0.3.0.dev0、Ontology mappings","url":"https://github.com/apache/ossie/blob/900d637ede768e7ef9f52dfc9d25f3b98914f0e4/ontology/ontology.md#ontology-mappings","accessed":"2026-11-13"},{"title":"Apache Ossie - Core Metadata Specification","author":"Apache Ossie","publisher":"Apache Ossie","version":"0.3.0.dev0、開発版","url":"https://github.com/apache/ossie/blob/900d637ede768e7ef9f52dfc9d25f3b98914f0e4/core-spec/spec.md","accessed":"2026-11-13"},{"title":"Apache Ossie ↔ Cube converter","author":"Apache Ossie Converters","publisher":"Apache Ossie Converters","version":"7d52df5、Fan-out","url":"https://github.com/apache/ossie-converters/blob/7d52df57ce0beb76fa4f5da30c62a08a6be41cc2/cube/README.md#fan-out","accessed":"2026-11-13"},{"title":"FabCon and SQLCon 2026 in Barcelona: Building the data foundation for Microsoft Copilot and agents","author":"Microsoft","publisher":"Microsoft","version":"2026-09-28","url":"https://azure.microsoft.com/en-us/blog/fabcon-and-sqlcon-2026-in-barcelona-building-the-data-foundation-for-microsoft-copilot-and-agents/","accessed":"2026-11-13"},{"title":"Define business metrics in ontology (preview)","author":"Microsoft","publisher":"Microsoft","version":"2026-10-21","url":"https://learn.microsoft.com/en-us/fabric/iq/ontology/how-to-use-metrics","accessed":"2026-11-13"},{"title":"Create and manage business rules in ontology (preview)","author":"Microsoft","publisher":"Microsoft","version":"2026-09-29","url":"https://learn.microsoft.com/en-us/fabric/iq/ontology/how-to-use-rules","accessed":"2026-11-13"},{"title":"October 2026 announcements","author":"Palantir","publisher":"Palantir","version":"2026-10-29、Pilot","url":"https://www.palantir.com/docs/foundry/announcements/2026-10","accessed":"2026-11-13"},{"title":"Submission criteria","author":"Palantir","publisher":"Palantir","version":"2026-11-13参照版","url":"https://www.palantir.com/docs/foundry/action-types/submission-criteria","accessed":"2026-11-13"},{"title":"Action log","author":"Palantir","publisher":"Palantir","version":"2026-11-13参照版","url":"https://www.palantir.com/docs/foundry/action-types/action-log","accessed":"2026-11-13"},{"title":"EntSQL: A Benchmark for Grounding Text-to-SQL in Long-Context Enterprise Knowledge","author":"Chengxi Liao ほか","publisher":"arXiv","version":"v3、2026-07-14、表2・Limitations","url":"https://arxiv.org/html/2606.03363v3","accessed":"2026-11-13"},{"title":"A semantic layer architecture for removing schema identifiers from external LLM prompts, with model-dependent accuracy trade-offs","author":"Munil Yang","publisher":"Discover Artificial Intelligence","version":"2026-10-07、表2・3、§4.2","url":"https://link.springer.com/article/10.1007/s44163-026-02147-6","accessed":"2026-11-13"},{"title":"Text-to-SQL Benchmarks are Broken: An In-Depth Analysis of Annotation Errors","author":"Tengjun Jin ほか","publisher":"CIDR","version":"2026年1月の会議版、§4.2","url":"https://vldb.org/cidrdb/papers/2026/p5-jin.pdf","accessed":"2026-11-13"}]
author: "UNIQUEX 編集部"
reviewer: ""
published: 2026-11-13
updated: 2026-11-14
verified: 2026-11-13
---

# AIによるデータ分析を支えるオントロジーとセマンティックレイヤー

> オントロジーは業務上の対象と関係を、分析用セマンティックレイヤーは指標の計算単位や期間を定めます。2026年には、既存の指標をAIが製品をまたいで参照したり、業務上の対象に指標や操作を結び付けたりする取り組みが進みました。定義を移した先で集計結果を再現できるか、照会から実行へ移るときに同じ依頼を二度処理しないかは、それぞれ実例に照らして確かめられます。

[動画「注文の定義と実データ」（MP4・12秒）](https://knowledge.uniquex.co.jp/media/ontology/01.mp4)

「10月の注文は、返金を引くといくら残った？」。架空の食器店で店長がAIに聞くと、17,000円という答えが返ってきました。10月の注文は1件で10,000円、返金は2,000円と1,000円です。元の注文額よりも多く残るはずがありません。AIが読み違えたのは数字でしょうか、それとも「1件」の意味でしょうか。

この違いを突き止めるのに役立つのが、オントロジーとセマンティックレイヤーです。前者は「返金の対象はどの明細で、それはどの注文に属するか」という業務の関係を記述します。後者は、その関係に沿ってデータを取り出すとき、「注文額を何回足し、いつ確定した返金を引くか」を計算できる形にします。同じ「注文番号」を両方で使っていても、注文を正しく特定できたことと、金額が正しく集計できたことは別々に確かめる必要があります。

## 2026年に進んだ業務データとAIの接続 [#2026年に進んだ業務データとaiの接続]

オントロジーも指標の共通化も、生成AIより前からあります。W3Cがオントロジーを記述する言語OWL 2の第2版を公表したのは2012年です。2026年の動きで注目したいのは、企業がすでに整備した定義を、対話型の分析や業務を操作するエージェントから参照できる場所へ持ち出す試みです。分析担当者が自分で帳票を開くときには、その帳票を選ぶこと自体に「この部署の集計規則を使う」という判断が含まれます。チャットで「10月の金額は」と尋ねると、その判断も誰かが引き受けることになります。[W3C OWL 2 Primer](https://www.w3.org/TR/2012/REC-owl2-primer-20121211/)

2026年4月、Google CloudはLookerの意味定義とKnowledge Catalogの統合をプレビューとして紹介しました。10月29日には、LookML、dbt MetricFlow、Snowflake Semantic Viewsなどから指標の定義を取り込む機能の一般提供を発表しています。個々の表を検索するだけでなく、「この指標はどこで定義され、どの表と条件を使うか」をエージェントが調べる用途です。同じ指標名に別々の定義があれば、出所を付けて両方を残します。この扱いに、企業データをAIにつなぐ難しさがよく表れています。[Google Cloudの4月の発表](https://cloud.google.com/blog/products/business-intelligence/looker-updates-for-agentic-bi-at-next26/)・[10月の一般提供の発表](https://cloud.google.com/blog/products/data-analytics/expanded-semantic-model-support-in-knowledge-catalog)

食器店なら、経理担当者は「10月中に確定した返金」を、商品担当者は「10月に売った商品に対し、その後いくら返したか」を知りたいかもしれません。二人とも同じ返金台帳を使い、互いに異なる正しい金額を出せます。両方の式を見つけられるようになったところで、「どちらの問いか」という仕事が残ります。さらに店長が「では、この注文を返金して」と続ければ、必要なのは式の選択から、対象を取り違えずに一度だけ処理することへ変わります。

## オントロジーで返金から元の注文をたどる [#オントロジーで返金から元の注文をたどる]

オントロジー（ontology）は、ある分野で扱うものの種類と、その間にどのような関係が成り立つかを明示したものです。この店では「注文は明細を含む」「返金は明細を対象とする」と決めます。注文全体に付いた返金か、特定の商品に対する返金かを区別できる定義です。

「図 1.7.1 一つの注文に結び付く二つの返金」は、架空の店の記録です。下から線をたどると、返金R1の対象はカップ、R2の対象は皿で、どちらも注文101に行き着きます。「どの商品に返金したか」には二つの答えがあり、「いくつの注文に返金したか」の答えは一つです。

![購入者Aの注文101はカップと皿の明細を含み、返金R1はカップ、返金R2は皿に結び付く。](https://knowledge.uniquex.co.jp/figures/order-refund-relations.svg "図 1.7.1 一つの注文に結び付く二つの返金")

図 1.7.1 一つの注文に結び付く二つの返金

この図には、業務に共通する約束と、一件ごとに変わる事実が重なっています。オントロジーを記述する言語の一つ、OWL 2では、「注文」のような種類をクラス、「注文101」のような具体的な対象を個体と呼びます。具体的な対象と関係をつないだデータは、知識グラフとして参照できます。例えばRDFという表現方式では、「注文101・含む・明細1」のように主語・述語・目的語を一組にして記録します。[W3C OWL 2 Primer](https://www.w3.org/TR/2012/REC-owl2-primer-20121211/)・[W3C RDF 1.1 Concepts](https://www.w3.org/TR/2014/REC-rdf11-concepts-20140225/)

この店に、同じカップをもう一度注文した購入者がいるとします。問い合わせが「青いカップの返金はまだ？」だけなら、商品名で検索しても、どちらの支払いを調べるかは決まりません。返金を受け付けた窓口の番号や注文番号を聞き、そこから明細につなぐと、二度目の購入を除けます。さらに、店舗ごとに注文番号を採番しているなら、注文101という文字列だけでは一件を指せません。店舗と店舗内の注文番号の組がそろって初めて同じ注文といえます。

同じ顧客名が出た二つの台帳を一つにつなぐと、つながりは増えます。ところが、同姓同名の人までつないでしまえば、そこから先にどれほど精密な計算式を置いても別の人の注文額が混ざります。実装例として、MicrosoftのFabric IQでは対象の種類ごとに、一件を識別するキーを一つ以上の属性で定義します。「注文と返金がどう結び付くか」という型の定義と、「この列の値で実データを対応させる」という指定を分けて考えられます。[Microsoft Learnのオントロジー用語集](https://learn.microsoft.com/en-us/fabric/iq/ontology/resources-glossary)

この関係をAIからどう使うかは、PalantirのAgent Builderに具体例があります。サポート担当者が注文番号を渡すと、エージェントの起動前に該当する注文とその出荷記録を取り出し、回答の根拠として使えます。この店で返金について答えるなら、同じ考え方で注文101に結び付く明細と返金記録を渡せます。[Palantir Agent Builderの注文照会例](https://www.palantir.com/docs/foundry/agent-builder/core-concepts)

もう一つ、返金の線が一本もない注文を考えます。OWL 2では、記録にない事実については判断を保留します。線がないだけで「返金はゼロ」とは結論できません。集計でゼロとして扱えるのは、この店の返金台帳に、集計時点までの確定分がすべて入っていると確認できる場合です。[W3C OWL 2 Primer](https://www.w3.org/TR/2012/REC-owl2-primer-20121211/)

## セマンティックレイヤーと二重集計 [#セマンティックレイヤーと二重集計]

分析用の**セマンティックレイヤー**（semantic layer）は、業務で使う名前を、データベースの項目、表の結び方、指標の計算式に対応付ける仕組みです。例えばSnowflakeのセマンティックビューでは、1行ごとの金額、合計などの指標、日付や地域といった集計の切り口を定義できます。[Snowflake のセマンティックビュー](https://docs.snowflake.com/en/user-guide/views-semantic/overview)

ここで効くのが**粒度**、つまり1行が何を1件として表すかです。注文台帳は注文ごとに1行、返金台帳は返金ごとに1行です。注文101の金額を各返金の横に並べると、R1の行にもR2の行にも同じ10,000円が載ります。それぞれの行で引き算は正しくても、足し合わせた17,000円には注文1件分が余計に入っています。Lookerの公式資料も、注文と明細の結合で注文額が繰り返される例を使って、この集計ミスを説明しています。[Google Cloud の結合と集計の解説](https://docs.cloud.google.com/looker/docs/best-practices/understanding-symmetric-aggregates)

「図 1.7.2 集計する順序で変わる差引額」の右側では、先に注文番号ごとに確定済みの返金を合計します。注文101に返金計3,000円を一度だけ対応付けてから引くので、10,000円 − 3,000円 ＝ **7,000円**です。この「差引受注額」は例の店が分析用に決めた指標です。

![左は注文額を返金ごとに数えて17,000円、右は返金を先にまとめて7,000円になる。](https://knowledge.uniquex.co.jp/figures/order-refund-grain.svg "図 1.7.2 集計する順序で変わる差引額")

図 1.7.2 集計する順序で変わる差引額

## 同じ「10月」にある二つの集計基準 [#同じ10月にある二つの集計基準]

今度は金額も商品も変えず、日付をずらしてみます。注文日は10月30日、返金の確定日はR1が10月31日、R2が11月2日です。11月3日時点で「10月はいくらか」と聞いても、担当者が知りたい内容によって期待する数字は変わります。

| 知りたいこと | 10月分に含める返金 | 期待する差引額 |
| --- | --- | --- |
| 10月に受けた注文に、今いくら残っているか | 注文月をそろえる。11月2日確定のR2も含む | 10,000 − 2,000 − 1,000 ＝ **7,000円** |
| 10月中に発生した受注と確定した返金の差はいくらか | 発生日をそろえる。10月31日確定のR1だけを含む | 10,000 − 2,000 ＝ **8,000円** |

二つの指標は同じ注文番号と金額を使います。違うのは、どの日付で月を区切り、いつまでの返金を反映するかです。分析担当者が「受注月別の差引額」「当月の受注額と返金額の差」と名前を分ければ、AIが質問を指標に対応付けるときも、利用者が回答の条件を読むときも、その違いを確かめられます。

### 当時の報告を再現するための二つの時刻 [#当時の報告を再現するための二つの時刻]

同じ店で、R2の返金が11月2日に確定し、その記録が分析用の台帳に届いたのは11月4日だったとします。「11月3日時点」という言葉にも、返金が実際に確定した日と、担当者がその事実を知り得た日の二つがあります。11月5日に全記録を読み直して「3日までに確定していた差引額」を計算すれば7,000円です。ところが3日に配った帳票には8,000円と載っていても不思議はありません。後から届いた1,000円を当日の担当者は見ていなかったからです。

帳票の監査で「3日の会議で見た数字を出して」と言われたら、注文日と返金日だけでは再現できません。今回の例なら、配布した帳票を保存するか、データに確定日時と取り込み日時を持たせて、3日に読めた記録に絞ります。一方、商品企画が返品の最終的な影響を調べるなら、後日分まで含めて集計し直す方が目的に合います。どちらを「正しい過去」とするかは質問で決まります。指標の説明に「後日の確定分で過去月も変わる」と一行あれば、先月の数字が昨日と違う理由を答えられます。

### 比率にも引き継がれる「1件」の意味 [#比率にも引き継がれる1件の意味]

「返品が多い商品を教えて」という質問には、金額の二重計上を直しただけでは答えられません。簡単にするため、注文101の明細2件がそれぞれ1点ずつで、両方とも返品に伴う返金だったとします。返金記録は2件、返金のある注文は1件です。「返金記録の件数÷注文件数」なら2件÷1件で、1注文当たり2件という**頻度**です。「返金のある注文の割合」なら1件÷1件で100%です。前者を200%の「返品率」と表示すると、現象が極端に見えてしまいます。

実務でさらに区別したいのは返品と返金です。破損した品を回収せずに代金だけ返す、返品を受け付けて交換品を送り返金はしない、といった運用を認める店では、返金台帳だけで物品の返品率は出せません。返品を受け付けた記録と返金を確定した記録を別の対象として結び、指標がどちらを分子に使うかを決めます。ここではオントロジーで区別した対象が、そのままセマンティックレイヤーで計算できる指標の範囲を決めています。

## AIの質問を集計結果に結び付ける方法 [#aiの質問を集計結果に結び付ける方法]

SnowflakeのCortex Analystでは、アプリが自然言語の質問と、参照するセマンティックビューを指定します。APIが返すSQLは、データベースへの問い合わせを記述した文です。アプリがそのSQLを実行すると、初めて金額が得られます。質問が曖昧でSQLを作れない場合には、具体化した質問の候補が返ることもあります。この店で「10月」の意味が決まっていなければ、「10月の注文に対する11月の返金も含めますか」と聞き返せば、どちらの指標を使うか決まります。[Cortex Analyst REST API](https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-analyst/rest-api)

Cortex Analystを使う側では、質問に対応するSQLを担当者が先に確かめておけます。その質問とSQLの組を登録すれば、似た質問を解釈する手掛かりになります。評価時には、テスト対象の組を一時的に参照候補から外し、生成したSQLの実行結果を確認済みSQLの結果と照合します。[確認済みクエリ](https://docs.snowflake.com/en/user-guide/views-semantic/verified-query-repository)・[Cortex Analystの評価方法](https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-analyst-evaluations)

### 業務の関係とデータの出所 [#業務の関係とデータの出所]

注文と明細を描いた図によく似た形で、分析担当者は「月次レポートはどの集計を使い、集計はどの台帳に依存するか」を描けます。見た目はどちらも点と線ですが、線をたどった先に見つかるものが違います。注文側の図をたどると、皿への返金R2が見つかります。レポート側の図をたどると、商品部のレポートが受注月を使っていることや、返金台帳が最後に更新された時刻を調べる手がかりが見つかります。後者のように、データがどこから来て、どの集計・帳票へ渡ったかという経路を**リネージ**と呼びます。

Google Cloudが2026年10月に説明した「コンテキストグラフ」は、この後者を含みます。表、用語、指標モデルなどが点になり、出所や結合経路が線になります。例えばLookMLからは指標のSQLや必須の絞り込み条件、dbtからは指標とその元のモデルやデータ品質テストとの対応を取り込めます。製品名が同じ一覧に並んでいても、取り込める情報は各製品のモデルに応じて異なります。[Google Cloudによるコンテキストグラフの構成](https://cloud.google.com/blog/products/data-analytics/expanded-semantic-model-support-in-knowledge-catalog)

店長から「チャットの答えと会議資料が違う」と言われたとき、二つの図を使う順序が大切です。会議資料の指標名を手がかりに、使った式、返金の対象期間、入力台帳を確認します。そこが一致して初めて、個々の注文から差額を探す価値が出ます。最初からR2の登録ミスを疑うと、別の月に計上しただけの正しい記録を、重複や欠損として扱いかねません。

もう一つ起こりやすいのは、定義を直した直後の食い違いです。商品部が11月1日から「返金申請中」を集計から外し、帳票には新しい式が反映されたのに、AIが参照する指標の説明には以前の条件が残っているとします。この場合、注文の表を何度調べても、文章と計算のずれは消えません。比較に必要なのは、AIに渡った定義の版、実行した式、台帳の更新時刻です。データは新しくても式が古い場合と、式は新しくても返金データが未着の場合では、直す担当も異なります。

## 指標を別の製品へ移すときの互換性 [#指標を別の製品へ移すときの互換性]

2025年9月23日、Snowflake、Salesforce、dbt Labs などがOpen Semantic Interchange（OSI）の発足を発表しました。2026年1月27日には、データセット、指標、分析の切り口、関係、文脈を交換する初版の仕様が公開されました。同年6月に Apache Software Foundationのもとでプロジェクトを育成するApache Incubatorに入り、7月10日に Apache Ossie (incubating) への改称を公表しています。業務で使う定義を、作成元の製品から取り出し、別の製品でも読める形式にするプロジェクトです。[発足の発表](https://www.snowflake.com/en/news/press-releases/snowflake-salesforce-dbt-labs-and-more-revolutionize-data-readiness-for-ai-with-open-semantic-interchange-initiative/)／[初版の発表](https://www.snowflake.com/en/blog/open-semantic-interchanges-specs-finalized/)／[Apache Incubator の記録](https://incubator.apache.org/projects/ossie)／[改称の発表](https://ossie.apache.org/updates/ossie-enters-apache-incubator/)

### 注文という概念と集計に使う列の対応 [#注文という概念と集計に使う列の対応]

「この注文にはどの返金が対応するか」を表すには、注文と返金という二種類の対象、それぞれを見分ける番号、返金から元の注文を指す関係が要ります。11月時点の Ossie のオントロジー開発仕様は、概念・関係・業務ルールを表す文書と、それらを論理データモデル上の項目に対応付ける文書を定めています。例えば「返金が注文に対応する」という関係と、返金表の注文番号がどの注文を指すかというデータ上の手掛かりを結べます。こうすると「返品申請は届いたが入金はまだ」の状況でも、申請と返金のどちらについて尋ねているのかを言い表せます。[Apache Ossie のオントロジー開発仕様](https://github.com/apache/ossie/blob/900d637ede768e7ef9f52dfc9d25f3b98914f0e4/ontology/ontology.md#ontology-mappings)

「注文月別に返金後の金額を見たい」ときには、さらに計算の決め事が要ります。ここでは、締め日時点で確定した返金を、元の注文の月から差し引く社内指標を考えます。注文側には注文番号と注文日と円建ての金額、返金側には返金番号と元の注文番号と確定日と返金額を割り当てます。分析の切り口を注文月に、返金の採否を締め日までの確定状態に合わせます。開発中のコア仕様 0.3.0.dev0 は、データセットの参照元、行を識別する主キー、データセット間の関係、計算式、AI向けの補足を機械可読な形で持てます。AI向けの説明に「返金後の金額」と書くことと、対象と式を定義することは、別々に点検できます。[Apache Ossie のコア開発仕様](https://github.com/apache/ossie/blob/900d637ede768e7ef9f52dfc9d25f3b98914f0e4/core-spec/spec.md)

### 変換先で重複する注文額 [#変換先で重複する注文額]

注文101で得た7,000円を、新しい分析ツールでも出せるか。ここで試されるのは、式と実行の関係です。「注文額を合計する」という式は読み取れても、元の製品が内部で重複を除いていたなら、式の文字だけを移した先では17,000円になり得ます。

この違いは製品間の変換でも表れます。Apache の公式リポジトリにある Cube 用変換器の説明では、Cube は結合によって行の数が増えるとき、一意の主キーを使って集計する行を決め直します。合計式を文字で取り出しても、この実行時の処理まで移せるとは限りません。変換器は問題のある指標、データセット、関係を特定し、呼び出し側に警告します。この警告は生成されたモデル本体に入りません。受け手に定義ファイルだけを渡すと、変換時に見えていた注意点が届かない場合があります。[Cube 用変換器の Fan-out 節](https://github.com/apache/ossie-converters/blob/7d52df57ce0beb76fa4f5da30c62a08a6be41cc2/cube/README.md#fan-out)

移送後の確認には、入力と期待する金額を組にすると役立ちます。同じ注文101で、最後の1,000円の返金を締め日の翌日にずらせば、この指標の締め日時点の答えは8,000円です。7,000円の例は注文額の二重計上を、8,000円の例は締め日の境界を見つけやすくします。移行元のダッシュボード、移行先のダッシュボード、AIが呼ぶ分析機能に同じ2問を渡せば、名称や式の比較だけでは分からなかった違いを数字で追えます。

## 業務ルールと返金の実行条件 [#業務ルールと返金の実行条件]

2026年9月28日、Microsoft はセマンティックモデルや OneLake のデータをもとにオントロジーを作成する支援機能のほか、Power BI の既存指標をオントロジーから参照する仕組みを発表しました。例えば経理が定義した指標を注文に結び付けておけば、画面ごとに計算式を書き写す手間を省けます。プレビューの実装では計算式の変更先は元の Power BI モデルです。定義変更を反映して確認するには、オントロジーを更新します。[Microsoft の発表](https://azure.microsoft.com/en-us/blog/fabcon-and-sqlcon-2026-in-barcelona-building-the-data-foundation-for-microsoft-copilot-and-agents/) [Microsoft Learn の指標仕様](https://learn.microsoft.com/en-us/fabric/iq/ontology/how-to-use-metrics)

「返金には返品の検品完了が必要」という業務ルールを、この製品では自然言語で対象に関連付けられます。ルールを読めるAIは、担当者に何を確かめる必要があるか説明できます。Fabric の現行プレビューでは、登録した文を業務データに照らして検査したり、その文に従って決済を実行したりする機能は別途用意する必要があります。[Microsoft Learn の業務ルール仕様](https://learn.microsoft.com/en-us/fabric/iq/ontology/how-to-use-rules)

### 返金の提案から完了の確認まで [#返金の提案から完了の確認まで]

「図 1.7.3 金額の照会と返金の実行」は、この店が問い合わせへの回答と実際の返金を別の手続きとして用意した例です。注文101の差引額がわかっても、新たに返金できる額や実行者の権限まではわかりません。処理済みなら既存の受付番号を返し、未処理なら現時点の残額と実行条件を調べます。

![照会は確定分を集計して答える。返金依頼は処理済みなら既存記録を返し、未処理なら権限と残額を確かめて実行か保留に分かれる。](https://knowledge.uniquex.co.jp/figures/order-refund-action.svg "図 1.7.3 金額の照会と返金の実行")

図 1.7.3 金額の照会と返金の実行

架空の窓口に「皿の代金を1,000円返金して」と同じ依頼が二度届いたとします。一度目に決済処理が終わり、返事だけが途切れたとき、もう一度受け付けると二重に返金してしまいます。この店なら、同じ依頼の再送であることを示す受付番号を持たせ、外部の決済側にも同じ取引かを照合できる番号を渡します。結果が確認できない時間帯の案内は「決済結果を照会中」です。単に明細番号が同じという理由で二度目を全部捨てると、今度は同じ明細に対する正当な追加返金まで消えます。区別したいのは、同じ商品かどうかに加え、同じ依頼の再送か、新しく認めた調整かです。

Palantir が2026年10月29日に一般提供を発表した Pilot は、自然言語で記述した業務に合わせて、対象・関係・操作を提案し、それらを使うアプリの画面を生成します。仮にこの店が「返品の確認画面に返金申請ボタンを置く」と指定したら、担当者がレビューすべきものはボタンの文言だけではありません。どの返品を指定して、何円までの、どの操作を受け付けるのかを確認します。[Palantir の10月の発表](https://www.palantir.com/docs/foundry/announcements/2026-10)

この店なら、返品の検品が済み、利用者が返金担当に属し、申請額が未返金額の範囲にあるときだけ申請を受け付ける、と決められます。別の担当者が先に同じ返品を処理すれば、その条件は変わります。AI が返金を提案した時点と、申請を送信する時点を分け、後者で最新の状態を確かめる必要があります。Foundry の操作では、対象の状態や利用者、渡されたパラメーターに基づく実行条件を設定できます。[Palantir の実行条件](https://www.palantir.com/docs/foundry/action-types/submission-criteria)

「返金はまだですか」の答えには、どこまで完了したかを示す記録が要ります。Foundry では設定した操作が正常に送信された時点の利用者・時刻・編集した対象をアクションログに残せます。失敗の把握には別の実行指標を使います。この店が外部の決済サービスを使うなら、決済側で確定した取引番号を返金記録に結び付けます。社内で申請が通った段階なら「申請受付済み」、決済側の確定が記録された段階なら「返金処理済み」と答えを分けられます。[Palantir のアクションログ](https://www.palantir.com/docs/foundry/action-types/action-log)

## 業務文書を与えたAIの正答率 [#業務文書を与えたaiの正答率]

「10月の売れ筋商品のうち、返品が利益を最も押し下げた商品はどれか」。担当者には身近な質問でも、AIが答えるには、「売れ筋」を何の上位とするか、利益からどの費用を引くか、10月を注文日と返金日のどちらで切るかを知る必要があります。データベースの列名から候補は拾えても、その会社が採用した約束を一つに決めるには根拠が要ります。

2026年6月にプレプリントとして公開された研究「EntSQL」は、実際の企業の業務から作った1,066問で、AIが社内の指標や報告の決まりを集計に反映できるかを調べています。財務や人事など5領域から採った問いを英語で与え、生成したSQLの実行結果を模範SQLの実行結果と照合しました。同じ分析エージェント（Claude Code、Sonnet 4.6）で正答率を比べると、質問と表の構造だけでは6.8％、業務文書も渡すと15.9％、専門家が設問に関係する情報を選んで渡すと21.4％でした。対象は一つの企業環境から作った課題です。この比較が示すのは、どの情報を渡すかで同じエージェントの成績が変わったことです。[EntSQL、表2・Limitations](https://arxiv.org/html/2606.03363v3)

定義をそろえた後には、モデルを作った人が想定していなかった質問も試す価値があります。2026年10月の研究では、内部の表名・列名をモデルに渡さず、業務概念で書いた問い合わせを手元でSQLに変換する仕組みを、金融データで試しました。各問を各条件で5回試しています。外部で作られた106問に対するGPT-5.4の実行正答率は、この仕組みで42.6％、表の構造を見せて直接SQLを書かせた条件で60.8％でした。仕様が扱えない表の組み合わせや、必要な結合経路を決定できない問いがあったためです。逆に、定義とともに設計した信用評価の60問では、同じモデルで60.7％と52.0％でした。この後者の差について、著者は統計的に有意な改善を主張していません。[Yang、§4.2.2–4.2.3](https://link.springer.com/article/10.1007/s44163-026-02147-6)

## 差が表れる注文を使った評価問題 [#差が表れる注文を使った評価問題]

「10月受注分の差引額」に正答したエージェントでも、テスト用の注文が1件だけなら、同じ金額の注文をまとめてしまう誤りを見逃します。架空の台帳に、10月に受けた注文101と102を各1万円ずつ置いてみます。ここだけは2件の注文がある別の設問です。注文101への返金2,000円は10月、1,000円は11月に確定し、注文102は返金なしとします。ここでの「差引額」は、受注額から確定済み返金額を引く社内分析用の指標とします。

| エージェントへの質問 | 期待する応答 | 何を確かめるか |
| --- | --- | --- |
| 10月の受注額の合計はいくらか | 20,000円 | 同額でも別の注文を両方数えたか |
| 11月末時点で、注文101の返金後の金額はいくらか | 7,000円 | 二件の返金を一件の受注額から引いたか |
| 11月末時点で、10月に受けた全注文の差引額はいくらか | 17,000円 | 返金のない注文102が集計に残ったか |
| 10月に受けた金額から10月に確定した返金額を引くといくらか | 18,000円 | 注文月と返金月をそれぞれ指定どおりに使ったか |

今度は「10月の差引額は？」とだけ尋ねます。この店が月の基準を一つに決めていなければ、17,000円と18,000円のどちらにも根拠があります。期待する応答を「返金を元の注文月に反映する集計ですか、それとも返金が確定した月で集計しますか」と置けば、適切に聞き返せたかを採点できます。既定の定義がある店なら、その定義と締め時点を明記した金額が評価対象です。前提が違う組織に同じ正解を持ち込むと、正しい回答を失敗と判定しかねません。

採点用のSQLも点検対象です。2026年1月のCIDRで公表された研究は、Spider 2.0-Snowの旧版で正解SQLが公開されていた121問を調べ、80問で設問や正解SQLなどに少なくとも一つ問題を見つけました。4問は結合や配列の展開で行が増え、中間結果を確かめなかったために数が膨らんだ例です。上の台帳なら、最後の合計だけを見る前に、注文番号が101・102の二つ残っているか、注文101にひも付く返金が二つで計3,000円かを手で照合できます。ここまで残しておけば、次に数値がずれたとき、注文の特定・集計の規則・採点側のどこから調べるかを決められます。[Jinほか、§4.2](https://vldb.org/cidrdb/papers/2026/p5-jin.pdf)

## 業務での使い分け [#業務での使い分け]

何を定義するかは、答えが食い違った質問から決められます。両者が扱う範囲には重なりがあり、例えばセマンティックビューにも注文と明細の関係を登録できます。一つのビューで扱える業務なら、そこに対象間の関係と集計式をまとめられます。[Snowflake のセマンティックビュー](https://docs.snowflake.com/en/user-guide/views-semantic/overview)

| 現場の問い | 先に決めること | 確認に使うもの |
| --- | --- | --- |
| 問い合わせ窓口で「この返金はどの商品か」が分かれる | オントロジーで、返金が指す対象と注文までの関係を定める | 明細をたどって元の商品と注文を特定できる記録 |
| 会議で「10月の差引額」が合わない | セマンティックレイヤーで、粒度・対象状態・日付・式を定める | 複数の返金と月またぎを含む注文の期待額 |
| AIに差引額とその内訳を説明してほしい | 集計に使う注文番号を、個別の明細と返金に結び付ける | 回答の金額と、根拠として示した明細・返金番号の両方 |

「7,000円です」に続けて、「注文101の10,000円から、カップへの返金R1と皿への返金R2を引きました。11月2日までの確定分を含みます」と説明できれば、利用者は対象、計算、締め時点をそれぞれ確かめられます。


## 参考文献

- W3C. OWL 2 Web Ontology Language Primer (Second Edition) (2012). W3C、W3C Recommendation, 2012-12-11, §§2–4. https://www.w3.org/TR/2012/REC-owl2-primer-20121211/（参照日 2026-11-13）
- W3C. RDF 1.1 Concepts and Abstract Syntax (2014). W3C、W3C Recommendation, 2014-02-25, §1.1. https://www.w3.org/TR/2014/REC-rdf11-concepts-20140225/（参照日 2026-11-13）
- Snowflake. Overview of semantic views. Snowflake、参照時の Semantic views concepts. https://docs.snowflake.com/en/user-guide/views-semantic/overview（参照日 2026-11-13）
- Google Cloud. Understanding symmetric aggregates. Google Cloud、参照時の注文と明細の結合例. https://docs.cloud.google.com/looker/docs/best-practices/understanding-symmetric-aggregates（参照日 2026-11-13）
- Snowflake. Cortex Analyst REST API. Snowflake、参照時の Request body と Non-streaming response. https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-analyst/rest-api（参照日 2026-11-13）
- Snowflake. Cortex Analyst Verified Query Repository. Snowflake、参照時の確認済み質問とSQLの登録. https://docs.snowflake.com/en/user-guide/views-semantic/verified-query-repository（参照日 2026-11-13）
- Snowflake. Cortex Analyst evaluations. Snowflake、参照時の How evaluation works. https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-analyst-evaluations（参照日 2026-11-13）
- Palantir. Agent Builder — Core concepts. Palantir、参照時の Inputs、Pre-computed variables、Tools. https://www.palantir.com/docs/foundry/agent-builder/core-concepts（参照日 2026-11-13）
- Google Cloud. Welcome to the agentic BI era with Looker. Google Cloud、2026-04-22. https://cloud.google.com/blog/products/business-intelligence/looker-updates-for-agentic-bi-at-next26/（参照日 2026-11-13）
- Google Cloud. Grounding agents in one context graph connecting semantic models you already trust. Google Cloud、2026-10-29. https://cloud.google.com/blog/products/data-analytics/expanded-semantic-model-support-in-knowledge-catalog（参照日 2026-11-13）
- Microsoft. Ontology (preview) glossary. Microsoft、2026-09-29. https://learn.microsoft.com/en-us/fabric/iq/ontology/resources-glossary（参照日 2026-11-13）
- Snowflake. Snowflake, Salesforce, dbt Labs, and More, Revolutionize Data Readiness for AI with Open Semantic Interchange Initiative. Snowflake、2025-09-23. https://www.snowflake.com/en/news/press-releases/snowflake-salesforce-dbt-labs-and-more-revolutionize-data-readiness-for-ai-with-open-semantic-interchange-initiative/（参照日 2026-11-13）
- Snowflake. Open Semantic Interchange (OSI) Updates: Specification Now Live, New Working Group Members and More. Snowflake、2026-01-27. https://www.snowflake.com/en/blog/open-semantic-interchanges-specs-finalized/（参照日 2026-11-13）
- Apache Incubator. Ossie Project Incubation Status. Apache Incubator、2026年6月の記録. https://incubator.apache.org/projects/ossie（参照日 2026-11-13）
- Apache Ossie. Apache Ossie (Incubating): The New Name for Open Semantic Interchange. Apache Ossie、2026-07-10. https://ossie.apache.org/updates/ossie-enters-apache-incubator/（参照日 2026-11-13）
- Apache Ossie. Apache Ossie - Ontology Specification. Apache Ossie、0.3.0.dev0、Ontology mappings. https://github.com/apache/ossie/blob/900d637ede768e7ef9f52dfc9d25f3b98914f0e4/ontology/ontology.md#ontology-mappings（参照日 2026-11-13）
- Apache Ossie. Apache Ossie - Core Metadata Specification. Apache Ossie、0.3.0.dev0、開発版. https://github.com/apache/ossie/blob/900d637ede768e7ef9f52dfc9d25f3b98914f0e4/core-spec/spec.md（参照日 2026-11-13）
- Apache Ossie Converters. Apache Ossie ↔ Cube converter. Apache Ossie Converters、7d52df5、Fan-out. https://github.com/apache/ossie-converters/blob/7d52df57ce0beb76fa4f5da30c62a08a6be41cc2/cube/README.md#fan-out（参照日 2026-11-13）
- Microsoft. FabCon and SQLCon 2026 in Barcelona: Building the data foundation for Microsoft Copilot and agents. Microsoft、2026-09-28. https://azure.microsoft.com/en-us/blog/fabcon-and-sqlcon-2026-in-barcelona-building-the-data-foundation-for-microsoft-copilot-and-agents/（参照日 2026-11-13）
- Microsoft. Define business metrics in ontology (preview). Microsoft、2026-10-21. https://learn.microsoft.com/en-us/fabric/iq/ontology/how-to-use-metrics（参照日 2026-11-13）
- Microsoft. Create and manage business rules in ontology (preview). Microsoft、2026-09-29. https://learn.microsoft.com/en-us/fabric/iq/ontology/how-to-use-rules（参照日 2026-11-13）
- Palantir. October 2026 announcements. Palantir、2026-10-29、Pilot. https://www.palantir.com/docs/foundry/announcements/2026-10（参照日 2026-11-13）
- Palantir. Submission criteria. Palantir、2026-11-13参照版. https://www.palantir.com/docs/foundry/action-types/submission-criteria（参照日 2026-11-13）
- Palantir. Action log. Palantir、2026-11-13参照版. https://www.palantir.com/docs/foundry/action-types/action-log（参照日 2026-11-13）
- Chengxi Liao ほか. EntSQL: A Benchmark for Grounding Text-to-SQL in Long-Context Enterprise Knowledge. arXiv、v3、2026-07-14、表2・Limitations. https://arxiv.org/html/2606.03363v3（参照日 2026-11-13）
- Munil Yang. A semantic layer architecture for removing schema identifiers from external LLM prompts, with model-dependent accuracy trade-offs. Discover Artificial Intelligence、2026-10-07、表2・3、§4.2. https://link.springer.com/article/10.1007/s44163-026-02147-6（参照日 2026-11-13）
- Tengjun Jin ほか. Text-to-SQL Benchmarks are Broken: An In-Depth Analysis of Annotation Errors. CIDR、2026年1月の会議版、§4.2. https://vldb.org/cidrdb/papers/2026/p5-jin.pdf（参照日 2026-11-13）

## 更新履歴

- 2026-11-13: 初版
- 2026-11-13: 2026年の指標共有・業務操作・評価研究を追加し、注文と返金の例で解説を拡充
- 2026-11-14: 導入に「注文の定義と実データ」の動画と共有ボタンを追加
