米Google Researchは表形式データ向け基礎モデル「TabFM」を発表した。
分類や回帰を追加学習なしで実行し、企業の予測分析におけるモデル構築の手間を減らす狙いである。
表データ予測を一回の推論で実行
2026年6月30日に発表されたTabFMは、企業データ基盤の中核を占める表形式データに特化したゼロショット基礎モデルである。
顧客離反予測や金融不正検知など、企業で広く使われる分類・回帰タスクを、従来のように個別モデルを訓練せずに処理する。
これまで表データ分析では、XGBoost、ランダムフォレスト、AdaBoostなどの教師あり木系モデルが高い実用性を示してきた。
一方で、実運用では特徴量設計やハイパーパラメータ調整に多くの時間がかかり、専門人材の負担が大きかった。
TabFMはこの工程を、インコンテキスト学習（※）として再構成する。
過去の学習用行と予測対象行を一つの統合したプロンプトとして受け取り、列と行の関係を推論時に読み取る仕組みだ。
モデルは行方向と列方向に交互に注意を向ける機構で特徴量間の相互作用を捉え、各行を圧縮表現に変換したうえでTransformerに渡す。
Googleによれば、TabFMは数億規模の合成データセットで訓練されたという。
産業用の表データは機密性が高く、大規模な公開データを集めにくいため、構造的因果モデルを用いた合成表データが基礎訓練の中心に置かれている。
ベンチマーク面では、GoogleはTabArenaを用いて評価を実施した。
対象は38件の分類データセットと13件の回帰データセットで、サンプル数は700から15万まで幅がある。
単体のTabFMはチューニングや交差検証なしで一回の推論を行い、TabFM-Ensembleでは交差特徴量、SVD特徴量、32通りのアンサンブル、分類タスクでのPlatt scalingも加えて性能を高めている。
Googleは今後数週間でBigQueryにTabFMを統合し、ユーザーがAI.PREDICTというSQLコマンドから高度な分類・回帰を実行できるようにするとしている。
※インコンテキスト学習：モデルの重みを更新せず、入力文脈に含まれる例や指示から新しいタスクの規則を読み取り、その場で推論する手法。
BigQuery統合で専門人材依存を下げる
TabFMのインパクトは、表データAIを研究用途から企業の業務ワークフローへ近づける点にある。
SQLコマンドからの実行が実現すれば、機械学習の専門家でなくても、既存のデータウェアハウス上で予測分析を試せる環境が広がる。
業務量の削減や専門家依存の低減につながる可能性があり、高度な分析をより試しやすくするメリットが期待できる。
もっとも、導入には慎重さも必要だ。
合成データで訓練されたモデルが、多様な業界の実データで常に安定するとは限らない。
特徴量の意味、欠損値、データ漏洩、時系列分割、説明可能性、規制対応などは、従来の機械学習と同様に検証が欠かせないだろう。
それでも、表データは企業AI活用の最も実務的な領域の一つである。
TabFMがBigQuery上で使えるようになれば、予測モデル開発は「専門家が個別に組む工程」から「SQLで呼び出す分析機能」へ近づくとみられる。
企業のデータ活用は、より短い検証サイクルへ移行する可能性がある。
関連記事:
電通と電通デジタル、DCR分析をAIエージェントで支援 自然言語で広告データ活用を容易に
DNP×日本オラクル、生成AIで製造業の図面データ整備を推進 意思決定高度化へ
