Snowflake Document AIで非構造化文書からデータを抽出する方法

Document AIは、Snowflake上でPDFや画像などの非構造化ドキュメントから テキスト・数値・日付などの構造化データを抽出するマネージド機能です。 OCR（光学文字認識）とNER（固有表現認識）を組み合わせた事前学習済みモデルを使い、 請求書・領収書・契約書・医療記録などから必要なフィールドをSQLで取得できます。

Document AIのアーキテクチャ

ドキュメント（PDF/画像）
  → Stage（Internal or External）に格納
    → BUILD_SCOPED_FILE_URL() でファイル参照
      → Document AI モデル（PREDICT関数で推論）
        → VARIANT型の抽出結果
          → FLATTEN + SELECTで構造化テーブルに格納

Document AIの処理はSnowflakeのServerless Computeで実行されるため、 ユーザーがWarehouseをプロビジョニングする必要はありません。 抽出結果はVARIANT型で返され、JSONパス表記で個別フィールドにアクセスできます。

Document AIモデルの作成

-- Document AIモデルの作成（Snowsight UIで作成するのが推奨）
-- SQLでの作成例
CREATE OR REPLACE SNOWFLAKE.ML.DOCUMENT_INTELLIGENCE
  invoice_extractor
  FROM @doc_stage
  USING (
    SELECT
      BUILD_SCOPED_FILE_URL(@doc_stage, relative_path) AS file_url
    FROM DIRECTORY(@doc_stage)
    WHERE relative_path LIKE '%.pdf'
    LIMIT 10
  );

Snowsight UIでは、アップロードしたサンプルドキュメントに対して 抽出したいフィールド（Value）を視覚的にアノテーションし、 モデルのファインチューニングを行えます。

抽出対象フィールドの定義例

ファイル参照関数

-- BUILD_SCOPED_FILE_URL: セッションスコープの一時URL
-- Document AIのPREDICT関数への入力として最も一般的
SELECT BUILD_SCOPED_FILE_URL(
  @invoice_stage,
  'invoices/2026/INV-001.pdf'
) AS scoped_url;

-- BUILD_STAGE_FILE_URL: ステージ参照URL
SELECT BUILD_STAGE_FILE_URL(
  @invoice_stage,
  'invoices/2026/INV-001.pdf'
) AS stage_url;

-- GET_PRESIGNED_URL: 署名付きURL（外部共有用）
SELECT GET_PRESIGNED_URL(
  @invoice_stage,
  'invoices/2026/INV-001.pdf',
  3600  -- 有効期限: 秒
) AS presigned_url;

ファイル参照関数の比較

PREDICT関数による推論

-- 単一ドキュメントの推論
SELECT invoice_extractor!PREDICT(
  BUILD_SCOPED_FILE_URL(@invoice_stage, 'invoices/INV-001.pdf')
) AS result;

-- 結果から個別フィールドを抽出
SELECT
  result:invoice_number::VARCHAR AS invoice_number,
  result:invoice_date::DATE AS invoice_date,
  result:total_amount::NUMBER(12,2) AS total_amount,
  result:vendor_name::VARCHAR AS vendor_name,
  result:__confidence::FLOAT AS overall_confidence
FROM (
  SELECT invoice_extractor!PREDICT(
    BUILD_SCOPED_FILE_URL(@invoice_stage, 'invoices/INV-001.pdf')
  ) AS result
);

バッチ処理パイプライン

-- Directory Tablesと組み合わせてバッチ推論
INSERT INTO extracted_invoices (file_path, invoice_number, invoice_date, total_amount, vendor_name, confidence, extracted_at)
SELECT
  d.relative_path,
  r.result:invoice_number::VARCHAR,
  r.result:invoice_date::DATE,
  r.result:total_amount::NUMBER(12,2),
  r.result:vendor_name::VARCHAR,
  r.result:__confidence::FLOAT,
  CURRENT_TIMESTAMP()
FROM DIRECTORY(@invoice_stage) d,
LATERAL (
  SELECT invoice_extractor!PREDICT(
    BUILD_SCOPED_FILE_URL(@invoice_stage, d.relative_path)
  ) AS result
) r
WHERE d.relative_path LIKE '%.pdf'
  AND d.relative_path NOT IN (
    SELECT file_path FROM extracted_invoices
  );

明細行（配列データ）の抽出

-- FLATTEN で明細行を展開
SELECT
  result:invoice_number::VARCHAR AS invoice_number,
  item.value:description::VARCHAR AS item_description,
  item.value:quantity::INT AS quantity,
  item.value:unit_price::NUMBER(10,2) AS unit_price,
  item.value:amount::NUMBER(12,2) AS line_amount
FROM (
  SELECT invoice_extractor!PREDICT(
    BUILD_SCOPED_FILE_URL(@invoice_stage, 'invoices/INV-001.pdf')
  ) AS result
),
LATERAL FLATTEN(input => result:line_items) AS item;

信頼度スコアの活用

各抽出フィールドには信頼度スコア（0.0〜1.0）が付与されます。 信頼度が低いフィールドは人間によるレビューが必要なため、 閾値を設けてレビューキューに振り分けるのが実務上のベストプラクティスです。

-- 信頼度の低い抽出結果をレビューキューに投入
INSERT INTO review_queue (file_path, field_name, extracted_value, confidence)
SELECT
  relative_path,
  'total_amount',
  result:total_amount::VARCHAR,
  result:total_amount_confidence::FLOAT
FROM extracted_results
WHERE result:total_amount_confidence::FLOAT < 0.85;

必要な権限

ベストプラクティス

• サンプルドキュメントで精度を検証してからバッチ化：5〜10件のテスト推論で抽出精度とコストを確認し、本番バッチに進む
• 信頼度閾値を設定し人間レビューフローを構築：0.85以上を自動承認、それ以下をレビューキューに振り分けるなど
• Directory Tables + Streamで到着駆動処理：新着ドキュメントを自動検知してPREDICT→抽出結果テーブルに格納するパイプラインを構築する
• 抽出結果はVARIANTのまま保存し後から構造化：モデル更新で抽出フィールドが変わる可能性があるため、生のVARIANTも保持しておく

問題で確認

よくある質問