# 構造化データはなぜ取り残されたのか――グラフニューラルネットワークと Kumo のリレーショナル基盤モデル（Jure Leskovec 氏）

- 番組: [Making Data Simple](https://ai-curator.jp/podcasts/shows/cmv40aty800025j0zuvooimdj)（IBM Big Data & Analytics Hub）
- 元のタイトル: Ep. 420 ICYMI - Why Your Structured Data Is Stuck — and How Graph Neural Networks Unlock It, with Jure Leskovec, Stanford Professor and Co-Founder of Kumo
- 配信日: 2026年10月21日
- 長さ: 42分
- 要約作成日: 2026年10月21日
- トピック: [#グラフニューラルネットワーク](https://ai-curator.jp/topics/%E3%82%B0%E3%83%A9%E3%83%95%E3%83%8B%E3%83%A5%E3%83%BC%E3%83%A9%E3%83%AB%E3%83%8D%E3%83%83%E3%83%88%E3%83%AF%E3%83%BC%E3%82%AF) [#基盤モデル](https://ai-curator.jp/topics/%E5%9F%BA%E7%9B%A4%E3%83%A2%E3%83%87%E3%83%AB) [#構造化データ](https://ai-curator.jp/topics/%E6%A7%8B%E9%80%A0%E5%8C%96%E3%83%87%E3%83%BC%E3%82%BF) [#レコメンデーション](https://ai-curator.jp/topics/%E3%83%AC%E3%82%B3%E3%83%A1%E3%83%B3%E3%83%87%E3%83%BC%E3%82%B7%E3%83%A7%E3%83%B3) [#不正検知](https://ai-curator.jp/topics/%E4%B8%8D%E6%AD%A3%E6%A4%9C%E7%9F%A5) [#AIエージェント](https://ai-curator.jp/topics/AI%E3%82%A8%E3%83%BC%E3%82%B8%E3%82%A7%E3%83%B3%E3%83%88)
- URL: https://ai-curator.jp/podcasts/cmvhs2zme00015v119z3jbcb0

## 要約

Stanford 大学教授で Kumo 共同創業者の Jure Leskovec 氏が、構造化データ向け AI の現状と Kumo の技術を語った回。複数テーブルのデータをグラフとして捉え、グラフトランスフォーマーで生データから直接学習させることで、特徴量エンジニアリングを不要にし精度も高められると説明する。さらに事前学習済みの Relational Foundation Model（RFM）により、学習なしで予測できるという。AI エージェントには LLM と予測 AI の両方が必要になるとの展望も示した。

## ポイント

- Leskovec 氏は Pinterest をユーザー・ピン・ボードがつながる異種グラフと捉え、行動データのみで学習した共通の埋め込み空間を構築した。これが推薦精度の大きな向上につながったと述べている。
- 従来の構造化データの予測モデルは、テーブル結合、特徴量設計、時点整合性の担保など、半年以上かかる作業を要する旧来の手法に依存していると指摘する。
- Kumo は複数テーブルを時系列を含む異種グラフに変換し、グラフトランスフォーマーで生データを直接学習する。特徴量設計が不要になり、個々のイベント単位の微細なパターンを拾えるため精度も上がるという。
- 事前学習済みの Kumo RFM は、データベースに接続し SQL 風の言語で予測内容を指定するだけで、学習やチューニングなしに予測を返すと説明している。
- 活用例は推薦（Reddit、DoorDash）、顧客 360 や営業リードスコアリング、不正検知、ATM の現金需要予測（補充コスト約 20% 減）など。文書要約や常識推論には向かないとしている。
- 今後は LLM の推論力と RFM の予測力が組み合わさり、AI エージェントが正確な意思決定をする形になると見ている。AI モデルが似通うほど、差別化の源泉は自社データになるとも述べた。

## 章立て

- [00:00] **ゲスト紹介とキャリアの選び方** — Leskovec 氏の Facebook、Pinterest、Stanford での経歴と、Kumo 創業に至った判断基準である3つの問いを紹介する。
- [03:04] **産学連携と Pinterest での学び** — 産業界との連携が研究にもたらす利点と、Pinterest をグラフと見なして行動のみで埋め込み空間を作った経験を語る。
- [10:26] **構造化データ AI の課題と Kumo の発想** — 従来の特徴量エンジニアリング中心の作業の煩雑さと、グラフ学習基盤の構築がなぜ難しいか、生データから直接学習する利点を説明する。
- [19:38] **事前学習済み基盤モデル Kumo RFM** — 学習不要で予測できる RFM の仕組み、SQL 風の問い合わせ、LLM との違いを紹介する。
- [23:50] **活用例と導入形態** — 部品在庫や ATM の需要予測の例、課金モデル、Snowflake 上での提供、GPU 要件、試用方法を説明する。
- [32:05] **主要ユースケースと向かない用途** — 推薦、顧客予測、不正検知での成果と、文書要約など不向きな用途を整理する。
- [37:27] **エージェント時代の展望** — LLM と予測 AI の組み合わせの必要性、データが差別化要因になるという見通し、エージェント研究への関心を語る。

## 解説記事

Stanford 大学教授で、グラフ機械学習の第一人者として知られる Jure Leskovec 氏。Kumo の共同創業者兼チーフサイエンティストでもある同氏が、Making Data Simple のインタビューで、企業の構造化データに AI をどう適用するかを語った。Facebook や Pinterest での経験から Kumo の技術、AI エージェントの展望まで、話は幅広く及んだ。

#### 「つながり」で捉えた Pinterest の経験

Leskovec 氏は Pinterest で約6年間チーフサイエンティストを務めた。SNS ではない Pinterest をあえてグラフとして捉えたのが出発点だったという。ユーザー、ピン、ボードをそれぞれノードとする異種グラフで、物体の性質だけでなく何と関係しているかからも学習できる。氏が挙げた例は、敷物とタペストリー、挽肉と土だ。画像認識では見分けにくいが、ユーザーによるボードへの分類行動を加えると区別しやすくなるという。

もう一つは、モノの中身ではなく人々の行動だけから学習した点だ。ユーザー、ピン、ボード、検索クエリを共通の埋め込み空間に置き、検索は「クエリの近くにあるもの」を返す処理になったと説明している。

#### 構造化データが取り残された理由

氏は、企業にとって最も価値あるデータである構造化データが、生成 AI 革命から取り残されていると指摘する。将来を予測するモデルを作るには、複数テーブルを一枚に結合し、特徴量を設計し、時点整合性や情報漏洩に気を配りながらパイプラインを組む必要がある。氏はこれを「30年前の技術」と呼び、半年以上かかることもあると述べた。

Pinterest ではテーブル群をグラフとして学習する基盤を自社で作ったが、数千万ドルと3年を要したという。グラフには自然な分割単位がなく、既存のグラフデータベースもトランザクション処理向けで、AI 学習には遅すぎるというのが理由だ。

#### 生データから直接学ぶ仕組み

Kumo の中核は、テーブル群を時間情報を持つ異種グラフに変換し、グラフトランスフォーマーで学習する点にある。トークン列ではなくグラフ構造に対して注意機構を働かせるイメージだ。

氏は解約予測を例に説明する。「直近1週間の購入回数」「夜8時以降の訪問」「高額商品を買うか」など、人が考える統計量は恣意的になりがちだ。一方、個々のイベントに直接注目できるモデルなら、特徴量に落とし込めない二次的な相関や細かなパターンも拾える。これが高精度の理由だという。AutoML は結合と統計量の総当たり計算が中心で、アプローチが異なると述べている。

#### 事前学習済み Kumo RFM

最近の進展が、事前学習済みの Relational Foundation Model（Kumo RFM）だ。ユーザーはデータベースを接続し、主キー・外部キーの対応を確認したうえで、SQL に似た言語で予測内容を指定する。「来月の購入回数は」「この取引は不正か」のように将来を問える。学習やチューニングは不要で、約0.5秒で答えが返ると説明する。

LLM との関係は補完的だという。LLM は常識的な推論に優れる一方、予測や不正検知、推薦は苦手とする。RFM は逆に予測を担い、文書要約や常識推論には向かないと氏は明言している。

提供形態は SaaS、顧客の VPC、Snowflake 上のアプリの3種類。GPU は必要だが数台程度で足りることが多く、数世代前の GPU でも動くとしている。試用には Python SDK とサンドボックスが用意されている。

#### 事例とエージェント時代への見通し

挙げられた事例は、Reddit や DoorDash の推薦、Databricks と Snowflake の社内での営業リードスコアリング、不正検知など。銀行の ATM 現金補充では、需要予測により補充コストを約20%下げたという。不正検知については、不正の手口が変わっても、特徴量を作り直さず再学習するだけで対応できる点を利点に挙げた。

今後については、LLM が担う人間的な推論と、RFM が担う幻覚のない予測の両方が、自律的なエージェントには必要になると見る。AI モデルが似通ってくれば、差別化の源泉は各社のデータになるとも述べている。

#### まとめ

複数テーブルのデータはグラフであり、グラフ学習で特徴量設計の手間を省けるというのが氏の主張だ。日本企業にも、基幹システムのデータを活かした需要予測や不正検知は身近な課題である。ただし精度や効果は本人たちの説明に基づくもので、独立した検証は示されていない。また氏自身も「まだ思考は必要」と述べている。LLM だけでなく予測用の基盤モデルも組み合わせるという設計思想は、エージェント活用を考える際の参考になるだろう。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: Making Data Simple「Ep. 420 ICYMI - Why Your Structured Data Is Stuck — and How Graph Neural Networks Unlock It, with Jure Leskovec, Stanford Professor and Co-Founder of Kumo」