Streamlit in Snowflake Container Runtime で待望の軽量アプリ実行環境を手に入れる!
はじめに
この記事は Snowflake Advent Calendar 2025 シリーズ2、24日目 の記事です!年末に向けて Snowflake コミュニティを盛り上げていきましょう!他の日程の記事もぜひご覧ください🎅
ついに来ました!Snowflake の Streamlit in Snowflake (以降 SiS と省略) に Container Runtime が Public Preview として登場しました! (※その後 2026 年 3 月に GA となりました)
これまでの SiS はウェアハウスをランタイムとして利用していましたが、ウェアハウスはクエリ実行に最適化されたリソースであり、データ分析をゴリゴリやるようなアプリであれば適しているものの、多くのアプリにおいてはリソースが過剰であるということがありました。特に、ちょっとした可視化アプリを動かすだけなのにウェアハウスが起動してしまうのは、コスト面でももったいないなーと感じられる方多かったのではないかと思います。
Container Runtime はより小さいリソースを割り当てられ、かつクエリウェアハウスと分離できるのでより無駄なく使えるようになります。個人的にはこの点が大きなポイントだと思っています。
今回は SiS Container Runtime の概要から、これまでの Warehouse Runtime との差異、コスト面、注意事項、ライブラリのインポート方法、そして実際にテーブルデータを簡単に可視化するアプリを作成しながら使い方を解説していきます。
SiS Container Runtime とは?
SiS Container Runtime は、Snowflake 上で Streamlit アプリを実行するための 新しいランタイム環境 です。従来のウェアハウスを使用する Warehouse Runtime とは異なり、コンピュートプール 上でアプリコードを実行するコンテナベースのアプローチを採用しています。
主な特徴
| 特徴 | 説明 |
|---|---|
| 長時間稼働サービス | アプリを長時間稼働するサービスとして提供し、同じアプリにアクセスする全ユーザーが1つのインスタンスを共有 |
| 高速な起動 | ユーザーはすでに稼働しているアプリに接続するため、起動が高速 |
| PyPI からのパッケージ利用 |
pyproject.toml や requirements.txt を使用して PyPI からパッケージをインストール可能 |
| 最新の Streamlit | Streamlit 1.49 以降 (streamlit-nightly を含む) を利用可能 |
| キャッシュ機能のフルサポート | Streamlit のキャッシュ機能を完全に活用可能 |
Runtime environments for Streamlit apps (Snowflake 公式ドキュメント)
Warehouse Runtime との違い
以下の表は、Warehouse Runtime と Container Runtime の主な違いを示しています。
| 特徴 | Warehouse Runtime | Container Runtime |
|---|---|---|
| コンピュート | アプリコードと内部クエリをウェアハウスで実行 | アプリコードをコンピュートプールノードで、内部クエリをウェアハウスで実行 |
| ベースイメージ | Python ストアドプロシージャ内の Linux | Snowpark コンテナ内の Linux |
| Python バージョン | 3.9、3.10、3.11 | 3.11 |
| Streamlit バージョン | 1.22以降 (Snowflake が提供するバージョンから選択) | 1.49以降 (PyPI の任意バージョンを指定可能、streamlit-nightly も可) |
| 依存関係管理 | Snowflake Conda チャネルから environment.yml で管理 |
PyPI などの外部パッケージインデックスから pyproject.toml または requirements.txt で管理 |
| バージョン指定 |
= 演算子でピン、* ワイルドカードで範囲指定 |
== 演算子でピン、<, <=, >=, > とカンマ区切りで範囲指定 |
| エントリポイントの場所 | ソースディレクトリのルート | ソースディレクトリのルートまたはサブディレクトリ |
| Streamlit サーバー | 各ユーザーセッションごとに一時的な個別インスタンスを作成 | 同じアプリの全ユーザーセッションで共有される持続的なサーバーインスタンス |
| キャッシュ | セッション間でのキャッシュ非対応 | Streamlit のキャッシュ機能を完全サポート |
| 起動時間 | 各ユーザーセッションごとにオンデマンドでアプリを作成するため遅い | ユーザーセッションごとには高速だが、コンテナ起動によりデプロイ時は遅い |
| クエリ権限 | オーナー権限でクエリ実行 (オーナー権限ストアドプロシージャと同様の制限) | オーナー権限でクエリ実行 (一部または全てのクエリで呼び出し元権限のオプションあり) |
Container Runtime の価値
Container Runtime の真価は リソースの最適化 にあるのではないかなと思います。
1. アプリ実行とクエリ実行の分離
従来の Warehouse Runtime では、アプリコードの実行とクエリの実行が同じウェアハウス上で行われていました。これにより、単純な UI 表示のためだけにウェアハウスリソースが消費されてしまうケースがありました。
Container Runtime では、アプリコードはコンピュートプール、クエリはウェアハウス という形でリソースが分離されます。アプリの稼働には必要最小限のコンピュートプールを、クエリ実行には適切なサイズのウェアハウスを、それぞれ最適化して割り当てることができるようになります。
2. 軽量リソースでのアプリ運用
コンピュートプールにはウェアハウスよりも 安価なラインナップが用意されている ため、特に常時稼働が必要なダッシュボードアプリや、軽量な可視化アプリにおいてコスト効率が高まります。
3. 共有インスタンスによる効率化
Warehouse Runtime では各ユーザーごとに個別のアプリインスタンスが作成されていましたが、Container Runtime では全ユーザーが同一のインスタンスを共有します。これにより、2人目以降のユーザーは既に起動しているアプリにすぐ接続できるため、体感速度の向上が期待できます。
4. キャッシュ機能の活用
Warehouse Runtime では各ユーザーが個別のインスタンスを持つため、Streamlit の @st.cache_data や @st.cache_resource といったキャッシュは同一セッション内でのみ有効でした。つまり、ユーザー A がクエリを実行してキャッシュしても、ユーザー B がアクセスした際には再度クエリが実行されていました。
Container Runtime では全ユーザーが同じインスタンスを共有するため、キャッシュもユーザー間で共有されます。ユーザー A がクエリ結果をキャッシュすれば、ユーザー B はそのキャッシュを再利用できるため、クエリ実行回数が減り、パフォーマンスとコストの両面でメリットがあります。
コストについて
Container Runtime を利用する場合、以下の2つのリソースでコストが発生します。
1. コンピュートプール
アプリコードを実行するためのコンピュートプールは、ノード単位の課金 となります。ノードサイズ (Instance Family) によってコストが異なりますが、ウェアハウスの最小サイズ (XS) よりも安価なラインナップが用意されています。
例えば、Gen1 の XS ウェアハウスは 1クレジット/時間 ですが、コンピュートプールの CPU_X64_XS は 0.06クレジット/時間 と約16分の1のコストです。軽量な可視化アプリであれば、この差は大きいですね。
コンピュートプール作成時の推奨設定:
| パラメータ | 推奨設定 | 理由 |
|---|---|---|
INSTANCE_FAMILY |
CPU_X64_XS など小さめ |
Streamlit はシングルプロセスのため小さいサイズでまずは試す |
MIN_NODES |
同時に起動したい異なるアプリの数 | 各アプリが1ノードを使用するため、常時起動しておきたいアプリ数を設定 |
MAX_NODES |
MIN_NODES より多め |
新しいアプリを追加する際にノードが足りなくなることを防ぐ |
2. クエリウェアハウス
内部クエリを実行するためのウェアハウスは、従来どおりクレジット単位の課金となります。クエリの複雑さやデータ量に応じて適切なサイズを選択してください。
Working with compute pools (Snowflake 公式ドキュメント)
注意事項
Container Runtime を利用する際には、いくつか気をつけておきたい点があります。
1. Python バージョンの互換性
Container Runtime は現状 Python 3.11 のみ をサポートしています。アプリと全ての依存関係が Python 3.11 と互換性があることを確認してください。
2. _snowflake モジュールの非対応
Warehouse Runtime で利用可能だった _snowflake モジュールは Container Runtime では利用できません。代わりに、Snowflake Python Connector などのネイティブな Python ライブラリを使用してください。
例えば、SiS でよく使う現在のセッション情報を取得する get_active_session の場合は以下のように変更します:
# NG: Container Runtime では使えない
from _snowflake import get_active_session
# OK: こちらを使用
from snowflake.snowpark.context import get_active_session
3. リソースの共有
Container Runtime では全ユーザーがディスク、コンピュート、メモリを共有します。そのため、アプリの設計においてリソースの効率的な使用を意識しておくと良いでしょう。
4. デプロイ時間
Container Runtime は初回デプロイ時にコンテナの起動が必要なため、Warehouse Runtime と比較してデプロイ時間が長くなる場合があります。
5. External Access Integration
PyPI などの外部パッケージインデックスからパッケージをインストールする場合、External Access Integration の設定が必要です。これは、コンテナから外部ネットワークへのアクセスを許可するための設定です。
External access integrations (Snowflake 公式ドキュメント)
6. アプリの自動サスペンドとコンピュートプールの停止
Warehouse Runtime では一定時間アクセスがない場合にアプリを自動停止するスリープタイマー機能があります。Container Runtime には同等のスリープタイマーはありませんが、閲覧者のアクセスが 3 日間ない場合にアプリ (サービス) が自動的にサスペンドされる仕様です (GA 時点)。一方で、アプリのセッションを切ってもコンピュートプール自体がすぐに停止するわけではない点には注意が必要です。
コストを最小化したい場合は、コンピュートプールの AUTO_SUSPEND_SECS を適切に設定するか、例えば Task を設定して夜間にコンピュートプールを停止するなどの対策が有効です:
-- 毎日22時にコンピュートプールを停止する Task の例
CREATE OR REPLACE TASK STOP_STREAMLIT_POOL_TASK
WAREHOUSE = SIS_QUERY_WH
SCHEDULE = 'USING CRON 0 22 * * * Asia/Tokyo'
AS
ALTER COMPUTE POOL STREAMLIT_POOL STOP ALL;
とはいえ、コンピュートプールは非常に安価なリソースなので、常時稼働させてもコスト面の影響は限定的です。運用スタイルに合わせて柔軟に検討してみてください。
ライブラリのインポート方法
Container Runtime では、Warehouse Runtime で使用していた environment.yml ではなく、pyproject.toml または requirements.txt を使用してパッケージを管理します。
requirements.txt の例
streamlit==1.41.0
pandas>=2.0.0
plotly>=5.18.0
pyproject.toml の例
[project]
name = "my-streamlit-app"
version = "1.0.0"
[project.dependencies]
streamlit = "==1.41.0"
pandas = ">=2.0.0"
plotly = ">=5.18.0"
主な違い
| 項目 | Warehouse Runtime | Container Runtime |
|---|---|---|
| 設定ファイル | environment.yml |
pyproject.toml or requirements.txt
|
| パッケージソース | Snowflake Conda チャネル | PyPI など外部パッケージインデックス |
| バージョン指定 | = |
== |
| 範囲指定 |
* ワイルドカード |
<, <=, >=, >, != とカンマ区切り |
Dependency management for Streamlit apps (Snowflake 公式ドキュメント)
SiS Container Runtime の使い方
ここからは、SiS Container Runtime を使用してテーブルデータを可視化するアプリを実際に作ってみます。
前提条件
- Snowflake アカウント (AWS、Azure、または GCP 商用リージョン)
- 以下の権限を持つロール
| 権限 | 対象オブジェクト | 備考 |
|---|---|---|
| USAGE | データベース | アプリを作成するデータベース |
| CREATE STREAMLIT, USAGE | スキーマ | アプリを作成するスキーマ |
| USAGE | ウェアハウス | クエリを実行するウェアハウス |
| USAGE | コンピュートプール | アプリを実行するコンピュートプール |
| CREATE COMPUTE POOL | アカウント | コンピュートプールを新規作成する場合 |
| CREATE INTEGRATION | アカウント | External Access Integration を新規作成する場合 |
Privileges required to create and use a Streamlit app (Snowflake 公式ドキュメント)
Step 1: 事前準備 (データベース・スキーマ・ステージの作成)
それでは、Snowsight の SQL Worksheets で以下の SQL を実行してデモ用の環境を整えていきましょう!
まず、アプリを作成するためのデータベース、スキーマ、およびソースコードを配置するステージを作成します。
-- データベースとスキーマの作成
CREATE DATABASE IF NOT EXISTS SIS_CONTAINER_DB;
CREATE SCHEMA IF NOT EXISTS SIS_CONTAINER_DB.APP_SCHEMA;
-- ソースコードを配置するステージの作成
CREATE OR REPLACE STAGE SIS_CONTAINER_DB.APP_SCHEMA.APP_STAGE
ENCRYPTION = (TYPE = 'SNOWFLAKE_SSE')
DIRECTORY = (ENABLE = TRUE);
-- サンプルデータ用のテーブル作成
CREATE OR REPLACE TABLE SIS_CONTAINER_DB.APP_SCHEMA.SALES_DATA (
SALE_DATE DATE,
PRODUCT VARCHAR(100),
REGION VARCHAR(50),
SALES_AMOUNT NUMBER(10, 2)
);
-- サンプルデータの挿入
INSERT INTO SIS_CONTAINER_DB.APP_SCHEMA.SALES_DATA VALUES
('2024-01-01', 'Product A', 'East', 1000.00),
('2024-01-01', 'Product B', 'East', 1500.00),
('2024-01-01', 'Product A', 'West', 800.00),
('2024-01-02', 'Product B', 'West', 1200.00),
('2024-01-02', 'Product A', 'East', 1100.00),
('2024-01-03', 'Product B', 'East', 1800.00),
('2024-01-03', 'Product A', 'West', 950.00),
('2024-01-04', 'Product B', 'West', 1400.00),
('2024-01-04', 'Product A', 'East', 1050.00),
('2024-01-05', 'Product B', 'East', 1600.00);
Step 2: コンピュートプールの作成
Container Runtime でアプリコードを実行するためのコンピュートプールを作成します。
-- コンピュートプールの作成
CREATE COMPUTE POOL IF NOT EXISTS STREAMLIT_POOL
MIN_NODES = 1
MAX_NODES = 3
INSTANCE_FAMILY = CPU_X64_XS;
-- コンピュートプールの状態を確認
SHOW COMPUTE POOLS;
DESCRIBE COMPUTE POOL STREAMLIT_POOL;

DESCRIBE COMPUTE POOL の結果
Step 3: External Access Integration の作成
PyPI からパッケージをインストールするため、外部ネットワークへのアクセスを許可する External Access Integration を作成します。
Snowflake では PyPI 用のネットワークルール snowflake.external_access.pypi_rule がデフォルトで用意されているため、ネットワークルールを自分で作成する必要はありません。
-- External Access Integration の作成 (Snowflake 管理の PyPI 用ネットワークルールを使用)
CREATE OR REPLACE EXTERNAL ACCESS INTEGRATION PYPI_ACCESS_INTEGRATION
ALLOWED_NETWORK_RULES = (snowflake.external_access.pypi_rule)
ENABLED = TRUE;
External network access examples (Snowflake 公式ドキュメント)
Step 4: アプリケーションファイルの準備
以下の2つのファイルを作成し、ステージにアップロードします。
streamlit_app.py
import streamlit as st
import pandas as pd
from snowflake.snowpark.context import get_active_session
# ページ設定
st.set_page_config(
layout="wide"
)
# Snowflake セッションの取得
session = get_active_session()
# タイトル
st.title("📊 Sales Dashboard")
st.markdown("Container Runtime で動作するシンプルな売上可視化アプリです。")
# データの取得
@st.cache_data(ttl=60)
def load_data():
df = session.sql("SELECT * FROM SALES_DATA").to_pandas()
return df
df = load_data()
# サイドバーでフィルター
st.sidebar.header("フィルター設定")
selected_products = st.sidebar.multiselect(
"製品を選択",
options=df['PRODUCT'].unique(),
default=df['PRODUCT'].unique()
)
selected_regions = st.sidebar.multiselect(
"地域を選択",
options=df['REGION'].unique(),
default=df['REGION'].unique()
)
# データのフィルタリング
filtered_df = df[
(df['PRODUCT'].isin(selected_products)) &
(df['REGION'].isin(selected_regions))
]
# メトリクス表示
col1, col2, col3 = st.columns(3)
with col1:
st.metric("総売上", f"${filtered_df['SALES_AMOUNT'].sum():,.2f}")
with col2:
st.metric("取引件数", f"{len(filtered_df):,}")
with col3:
st.metric("平均売上", f"${filtered_df['SALES_AMOUNT'].mean():,.2f}")
# グラフ表示
st.subheader("日別売上推移")
daily_sales = filtered_df.groupby('SALE_DATE')['SALES_AMOUNT'].sum().reset_index()
st.line_chart(daily_sales, x='SALE_DATE', y='SALES_AMOUNT')
# 製品別売上
st.subheader("製品別売上")
product_sales = filtered_df.groupby('PRODUCT')['SALES_AMOUNT'].sum().reset_index()
st.bar_chart(product_sales, x='PRODUCT', y='SALES_AMOUNT')
# データテーブル
st.subheader("詳細データ")
st.dataframe(filtered_df, use_container_width=True)
# フッター
st.markdown("---")
st.markdown("🚀 Powered by Streamlit in Snowflake Container Runtime")
requirements.txt
streamlit>=1.41.0
pandas>=2.0.0
Step 5: ファイルのステージへのアップロード
作成したファイルをステージにアップロードします。Snowsight の UI からアップロードするか、以下の PUT コマンドを使用します。
-- SnowSQL やローカル環境から PUT コマンドでアップロード
PUT file:///path/to/streamlit_app.py @SIS_CONTAINER_DB.APP_SCHEMA.APP_STAGE AUTO_COMPRESS=FALSE OVERWRITE=TRUE;
PUT file:///path/to/requirements.txt @SIS_CONTAINER_DB.APP_SCHEMA.APP_STAGE AUTO_COMPRESS=FALSE OVERWRITE=TRUE;
-- ステージの内容を確認
LIST @SIS_CONTAINER_DB.APP_SCHEMA.APP_STAGE;

Snowsight からファイルをアップロードした後の画面
Step 6: Streamlit アプリの作成
Container Runtime を使用して Streamlit アプリを作成します。
-- クエリ用のウェアハウスを作成 (既存のウェアハウスを使用する場合は不要)
CREATE WAREHOUSE IF NOT EXISTS SIS_QUERY_WH
WAREHOUSE_SIZE = 'XSMALL'
AUTO_SUSPEND = 60
AUTO_RESUME = TRUE;
-- Streamlit アプリの作成
CREATE OR REPLACE STREAMLIT SIS_CONTAINER_DB.APP_SCHEMA.SALES_DASHBOARD_APP
FROM '@SIS_CONTAINER_DB.APP_SCHEMA.APP_STAGE'
MAIN_FILE = 'streamlit_app.py'
QUERY_WAREHOUSE = SIS_QUERY_WH
RUNTIME_NAME = 'SYSTEM$ST_CONTAINER_RUNTIME_PY3_11'
COMPUTE_POOL = STREAMLIT_POOL
EXTERNAL_ACCESS_INTEGRATIONS = (PYPI_ACCESS_INTEGRATION);
ポイント:CREATE STREAMLIT のパラメータ
| パラメータ | 説明 |
|---|---|
FROM |
ソースコードが配置されているステージパス |
MAIN_FILE |
エントリポイントとなる Python ファイル名 |
QUERY_WAREHOUSE |
クエリ実行に使用するウェアハウス |
RUNTIME_NAME |
SYSTEM$ST_CONTAINER_RUNTIME_PY3_11 を指定 |
COMPUTE_POOL |
アプリコードを実行するコンピュートプール |
EXTERNAL_ACCESS_INTEGRATIONS |
外部アクセス統合 (PyPI アクセス用) |
Step 7: アプリの実行
Snowsight の左ペインから『Streamlit』をクリックし、作成したアプリ SALES_DASHBOARD_APP をクリックして開きます。

Snowsight の Streamlit の画面からアプリが表示されます

SiS の起動後の画面

SiS の設定画面。クエリ用のウェアハウスを個別に設定できるようになっています
アプリが表示されました!🎉 Container Runtime 上で動作する Streamlit アプリの完成です!
移行時のチェックリスト
既存の Warehouse Runtime で動作しているアプリを Container Runtime に移行する際には、以下のチェックリストを確認してください。
| チェック項目 | 対応 |
|---|---|
| Python 3.11 との互換性 | アプリと全ての依存関係が Python 3.11 で動作することを確認 |
_snowflake モジュールの使用 |
snowflake.snowpark.context などに置き換え |
environment.yml の変換 |
requirements.txt または pyproject.toml に変換 |
| バージョン指定の書式 |
= を == に変換、* を >= などに変換 |
| コンピュートプールの作成 | 適切なサイズのコンピュートプールを作成 |
| External Access Integration の作成 | PyPI などへのアクセスが必要な場合は作成 |
Migrate to a container runtime (Snowflake 公式ドキュメント)
最後に
いかがでしたでしょうか?SiS Container Runtime は、アプリの実行とクエリの実行を分離 し、より軽量なリソースでアプリを運用 できるようになる待望の機能です。
これまで Warehouse Runtime では「ちょっとした可視化アプリを動かすだけなのにウェアハウスが起動してしまってもったいない!」という課題がありましたが、Container Runtime によってこの問題が解決されます。特に以下のようなユースケースで真価を発揮するのではないかと思います:
- 常時稼働のダッシュボード: 複数ユーザーが頻繁にアクセスするダッシュボード
- 軽量な可視化アプリ: 重い分析処理を伴わないシンプルな可視化アプリ
- キャッシュを活用したアプリ: クエリ結果をキャッシュして再利用するアプリ
登場時は Public Preview でしたが、その後 2026 年 3 月に GA となりました。ぜひこの機能を試していただき、Snowflake 上でのアプリ開発をより効率的に進めていただければ嬉しいです!
私も SiS Container Runtime を活用して色んなアイディアをアプリとして形にしていきたいと思いますので、役立ちそうなアプリができましたら皆様にブログでご紹介していきたいと思います。お楽しみに!
宣伝
SNOWFLAKE BUILD JAPAN ONLINE で登壇しました!
2025/12/11-12に開催されました『SNOWFLAKE BUILD JAPAN ONLINE 2025』において『Snowflakeで実現するデータ活用の未来: Snowflake IntelligenceとSnowflake Managed MCP Serverによるエージェント型分析』という内容のセッションを配信させていただきました。注目機能である Snowflake Intelligence 及び Snowflake Managed MCP Server の概要と利用方法についてデモを交えて可能な限り分かりやすくお伝えしておりますので、是非ご視聴いただければ幸いです!
以下リンクでご登録いただけるとオンデマンドですぐにご視聴いただくことが可能です。
SNOWFLAKE DISCOVER でバーチャルハンズオンをデリバリしました!
2025/7/8-9に開催されました Snowflake のエンジニア向け大規模ウェビナー『SNOWFLAKE DISCOVER 第2弾』において『Snowflake Cortex AI で実現する次世代の VoC (顧客の声) 分析』という実践的なバーチャルハンズオンをデリバリさせていただきました。多くの業種で関連する顧客の声を Snowflake の最新機能を用いて分析する方法を体感いただけますので、是非非構造化データの分析のヒントを得たい方はご視聴いただければ幸いです!
以下リンクでご登録いただけるとオンデマンドですぐにご視聴いただくことが可能です。
SNOWFLAKE DISCOVER で登壇しました!
2025/4/24-25に開催されました Snowflake のエンジニア向け大規模ウェビナー『SNOWFLAKE DISCOVER』において『ゼロから始めるSnowflake:モダンなデータ&AIプラットフォームの構築』という一番最初のセッションで登壇しました。Snowflake の概要から最新状況まで可能な限り分かりやすく説明しておりますので是非キャッチアップにご活用いただければ嬉しいです!
以下リンクでご登録いただけるとオンデマンドですぐにご視聴いただくことが可能です。

X で Snowflake の What's new の配信してます
X で Snowflake の What's new の更新情報を配信しておりますので、是非お気軽にフォローしていただければ嬉しいです。
日本語版
Snowflake の What's New Bot (日本語版)
English Version
Snowflake What's New Bot (English Version)
変更履歴
(20251224) 新規投稿
(20260606) Snowflake Summit 2026 を受けて更新。関連機能として Snowflake App Runtime への案内を追記し、SiS Container Runtime の GA 化を補記


Discussion