2026 年 8 月 31 日週、 Claude Fable 5.1 が AWS で利用可能になりました 。Anthropic によると、Claude Fable 5.1 は、コーディング、科学研究、エンタープライズワークフローにわたる高度なタスクに、最新鋭のインテリジェンスを提供します。Claude Fable 5.1 は、作業が何時間にもわたって続き、多数のアプリケーションを横断的に使用する、長時間かつ重要度の高い作業向けに構築されています。ソフトウェアプロジェクトのより多くの部分を単独で担当でき、長時間のセッションを通じて、コードベース全体にわたる機能、コードレビュー、パフォーマンス関連の作業を扱うことができます。 Anthropic は、Fable 5.1 を 対象モデル に指定しています。対象モデルとは、提供先を問わず、追加のデータ保持、安全性レビュー、アクセスポリシーが適用される Claude モデルのカテゴリです。Claude Fable 5.1 は、新しい aws_review データ保持モード により、最大 30 日間のデータ保持と、Amazon 担当者が行う人的レビューの対象となります。このモードでは、AWS はお客様のプロンプトと出力内容を AWS の境界内で人的な安全性レビュー用に保持します。 provider_data_share モードはレガシーモードであり、Amazon Bedrock はモデルプロバイダーとデータを共有しません。加えて、AWS と Anthropic のパートナーシップにより構築された エンタープライズフロンティアセーフガード (EFS) により、対象となるお客様は、自分の管理するクラウド環境にデータを保持したまま、対象モデルを使用できます。 Claude Fable 5.1 にアクセスするには、Amazon Bedrock と Claude Platform on AWS の 2 つの方法があります。詳細については、 Amazon Bedrock の Claude Fable 5.1 モデルカード と「 Claude Platform on AWS 」を参照してください。  8 月 31 日週のリリース 私が注目したリリースをいくつかご紹介します。 Amazon Linux 2027 (AL2027) がパブリックプレビュー中 : AL2027 は Amazon Linux オペレーティングシステムの次期バージョンです。カーネル 7.1 以降で動作し、パフォーマンス、スケール、セキュリティを念頭に置いて AWS 上のクラウドネイティブワークロード専用に構築されています。AL2023 のベースラインに基づいて構築された AL2027 は、ウェブアプリケーション、データベース、コンテナ化されたマイクロサービス、AI/ML ワークロード、および大規模インフラストラクチャを実行する、安全かつ安定した AWS ネイティブなオペレーティングシステムを必要とするお客様向けに設計されています。 Amazon EC2 R9g および R9gd のメモリ最適化インスタンス : これらのインスタンスは AWS Graviton5 プロセッサを使用しており、Amazon EC2 で実行されるメモリを大量に消費するワークロードに最適な料金パフォーマンスを提供します。R9g および R9gd インスタンスは、AWS Graviton4 ベースの R8g および R8gd インスタンスと比較して最大 25% 優れたコンピューティングパフォーマンスを提供します。データベースでは最大 30%、ウェブアプリケーションでは最大 35%、機械学習では最大 35% 高速になります。詳細については、 Daniel のブログ記事 をお読みください。 コンテナイメージ関数用 AWS Lambda SnapStart : Lambda SnapStart はオプトイン機能です。リソースをプロビジョニングしたり、複雑なパフォーマンス最適化を実装したりしなくても、応答性が高くスケーラブルなアプリケーションを簡単に構築できます。 これまで、SnapStart はマネージドランタイム (Python、.NET、Java) でのみサポートされていました。今後は、SnapStart をコンテナイメージに使用して、ML 推論やインタラクティブ API などの遅延の影響を受けやすいワークロードの起動時間を数秒から 1 秒未満に短縮できます。 AWS Agent Registry の一般提供開始 : AWS Agent Registry は、組織内のエージェント、ツール、スキル、MCP サーバー、およびカスタムリソース用に、管理されたプライベートなカタログおよび検出レイヤーを提供します。プレビューで導入された機能 (手動および URL ベースのレコード作成、承認ワークフロー、セマンティック検索、キーワード検索、AWS CloudTrail 監査証跡) に加えて、今回 Registry には新しいエンタープライズ向けの機能が追加されました。詳細については、 AI ブログの記事 をご覧ください。 Amazon Redshift が Apache Iceberg v3 テーブルのサポートを開始 : Amazon Redshift のデータレイクにある Apache Iceberg v3 テーブルからの読み取りと書き込みが可能になります。今回のリリースにより、Amazon Redshift にはデフォルトの列値、行系統、および削除ベクトルのサポートが導入されます。Amazon Redshift の Graviton ベースのプロビジョニングクラスターとサーバーレスクラスターは、新しい v3 フォーマットをサポートしています。詳細については、「 Redshift の Apache Iceberg v3 の機能 」をご覧ください。 AWS のお知らせに関する詳しいリストについては、「 AWS の最新情報 」ページをご覧ください。 AWS のその他のニュース 興味深いと思われるその他のプロジェクトやニュース項目をいくつかご紹介いたします。 2026 年のガートナーマジッククアドラントの戦略的クラウドプラットフォームサービス部門で AWS がリーダーに選出 : ガートナー社は 2026 年のマジッククアドラントの戦略的クラウドプラットフォームサービス部門で AWS を 16 年連続でリーダーに認定し、実行能力の軸で再び AWS を最高ランクに位置付けました。この評価は、インフラストラクチャと AI からセキュリティ、運用に至るまで、最も広範で奥深いクラウド機能セットを提供するという当社の取り組みが反映されたものであると考えており、お客様には安心して構築、革新、スケールに取り組んでいただけます。 AWS Certified AI Business Strategist : この新しい認定は、組織内の AI イニシアチブを評価し、支持し、拡大する専門家を対象としています。これには、チーム全体で導入を推進する基幹業務リーダー、顧客に AI の価値をわかりやすく説明する営業担当者、実験から本稼働までのクライアント戦略を導くコンサルタント、AI への投資をビジネスの成果へと結びつけるプログラムマネージャーなどが挙げられます。ベータ試験の登録は 2026 年 9 月 1 日に開始され、試験の配信は 9 月 29 日から開始されます。 エージェントセキュリティ: マシンスピードでの検知と対応 : 私たちは、セキュリティは AI の導入後ではなく、その前に進化すべきだと考えています。この信念のもと、私たちのチームは SANS Institute と協力して、2026 年発行の Cloud Security Exchange eBook に新たな章を設けました。本章では、エンタープライズ規模でエージェントワークロードを保護するための実践的なフレームワークについて説明しています。また、評価、試験運用、大規模運用を問わず、エージェンティック AI 導入のあらゆる成熟段階にあるセキュリティチームに対して、具体的なアーキテクチャパターン、実装ガイダンス、フレームワークを提供し、エージェントワークロードの保護についてもさらに深く掘り下げています。 AWS のブログ記事一覧については、 AWS ブログ ページをご確認ください。 AWS の詳細について学び、今後予定されている AWS 主催の対面イベントやバーチャルイベント 、 スタートアップイベント 、 開発者向けイベント ( AWS re:Invent 、 AWS Summit 、 AWS Community Day など) を閲覧して、ご参加ください。 AWS Builder Center に参加して、ビルダーとつながり、ソリューションを共有し、開発をサポートするコンテンツにアクセスしましょう。 9 月 7 日週のニュースは以上です。9 月 14 日週に再びアクセスして、新たな1週間のまとめをぜひお読みください! — Channy 原文は こちら です。

本記事は 2026 年 6 月 4 日 に .NET on AWS Blog で公開された「 AWS Transform SQL Server to PostgreSQL Schema Validation in .NET Application Modernization 」を翻訳したものです。 本記事の執筆には Sayan Ghosh、Yuhao Zhang、Uday Kiran Erukulla、Srinivasa Varadan Saragur Madabhushi、Koushik Rajagopal、Khurram Khawaja、Vikas Babu Gali、Luke Huan が協力しました。 Microsoft SQL Server から Amazon Aurora PostgreSQL – Compatible Edition へのデータベース移行は、ライセンスコストの削減、スケーラビリティの向上、オープンソースデータベース技術の活用を目指す組織にとって一般的なモダナイゼーション戦略です。ただし、SQL Server データベースを Aurora PostgreSQL に移行する際、スキーマ変換はあくまで出発点に過ぎません。真の課題は、すべてのテーブル、制約、ストアドプロシージャ、トリガーが正しく移行され、移行先の PostgreSQL 環境でも同一の動作をすることを検証する点にあります。小数精度の変更をひとつ見落としたり、ストアドプロシージャの変換に誤りがあったりするだけで、本番環境でデータ破損やアプリケーション障害、ビジネスロジックの誤動作を招くおそれがあります。 手動でのスポットチェック、スモークテスト、単純な行数比較に頼る従来の移行テストでは、こうした微妙な意味の違いを捉えられません。オブジェクトが存在するかどうかだけでなく、機能的に等価であるかまで検証する体系的なアプローチが必要です。 この記事では、 AWS Transform が構造分析、意味検証、動作テストを組み合わせた 3 層の検証モデルによって、SQL Server から PostgreSQL への移行に対する包括的なスキーマ検証を実現する仕組みを紹介します。あわせて、 Amazon Bedrock を活用した AI エージェントが検証結果を分析し、根本原因ごとに問題をまとめ、重大度を判定して修正の優先順位付けを支援する流れも解説します。 ソリューション概要 AWS Transform のスキーマ検証は、移行元と移行先の両方を稼働中のデータベースエンジンにデプロイし、そこに対して直接チェックを実行することで、移行済みデータベーススキーマの検証をエンドツーエンドで自動化します。この検証は移行先スキーマの作り方に依存しません。ルールベースのツール、エージェンティックなソリューション、独自に構築した生成 AI (GenAI) 変換パイプラインのいずれで生成したスキーマにも適用できます。図 1 は、移行元と移行先のスキーマが検証ワークフローをどのように流れるかを示しています。 図 1. エンドツーエンドのスキーマ検証ワークフロー 図 1 のとおり、検証は以下の流れで進みます。 移行元の SQL Server スキーマと移行先の PostgreSQL スキーマを、それぞれ専用の Amazon Elastic Container Service (Amazon ECS) コンテナに読み込む 両方のスキーマが Tier 1 (構造的検証) に入り、検証ワークフローが各オブジェクトが移行先に存在するかをプログラムでチェックする 構造チェックを通過したオブジェクトが Tier 2 に進み、意味的な等価性を比較する 意味チェックを通過したストアドプロシージャが Tier 3 (動作検証) に進み、ランタイムでテストする 各 Tier がオブジェクトごとの判定 (PASS、FAIL、または WARNING) を出力し、スコアリング層に集約される エキスパートアセスメントエージェントがすべての判定を確認し、両方の稼働中データベースにクエリを発行してフラグの立った問題を裏付ける。その後、検出内容を根本原因ごとにまとめ、重大度を判定し、最終的な本番移行準備レポートを生成する ウォークスルー このワークフローは、内部的には以下の 5 つのステップとして実行されます。 移行元 SQL Server と PostgreSQL の検証コンテナを Amazon ECS 上で起動する 移行元と移行先のスキーマを、対応する検証用データベースに読み込む 両方のデータベースにクエリを発行してルールベースのチェックを実行する Amazon Strands Agents を使って AI エキスパートによる分析を実行する 最終的な検証レポートを生成する この検証は 2 つの原則に基づいています。 正規表現による解析ではなく、稼働中のデータベースを使う 。バリデーターは稼働中の各データベースに直接クエリを発行します。生の SQL ファイルの記述内容ではなく、エンジンが実際に解釈した内容を報告します。 決定論的な処理を先に、LLM は後に 。ルールベースのチェックを大規模言語モデル (LLM) 層より前に実行し、LLM にはフィルタリング済みの入力を渡します。これにより LLM は決定論的なシグナルを置き換えるのではなく、補強する役割を担います。 これらの原則のもと、ルールベースのチェックと AI 分析は以下のように動作します。 1. 構造的検証 (Tier-1) 目的 : 移行元スキーマのすべてのデータベースオブジェクトが移行先スキーマに存在することを検証する この Tier では、移行元と移行先の両方のデータベースに直接クエリを発行し、すべてのスキーマオブジェクトに対してルールベースの存在チェックを並行して実行します。以下の表に例を示します。 オブジェクトタイプ チェック内容 テーブル 各テーブルが移行先に存在し、列と NULL 許可のルールが一致することを確認する 制約 主キー、外部キー (カスケードルールを含む)、一意制約、CHECK 制約を検証する 構造の照合で見落としやすい課題が、名前の正規化です。SQL Server は既定で大文字小文字を区別しませんが、PostgreSQL は引用符で囲まない識別子を小文字に折りたたみ、大文字小文字を区別して扱います。さらに PostgreSQL は識別子を 63 バイトで切り詰めます。そのため、SQL Server 上では別名だった 2 つのプロシージャが PostgreSQL 上では同じ名前に統合されることがあり、正しく移行できたテーブルが単純なバイト単位の比較では不一致と判定されてしまいます。これを避けるため、構造の照合では大文字小文字の折りたたみ、切り詰め、引用符の除去という段階を踏んで名前を正規化し、各段階でレコードの正規化を適用します。 2. 意味的検証 (Tier-2) 目的 : 移行したオブジェクトが構造として存在するだけでなく、意味的に等価であることを検証する Tier 1 がオブジェクトの存在を確認するのに対し、Tier 2 はその定義が意味的に等価かどうかをチェックします。チェックはルールベースで、SQL Server と PostgreSQL の型システム間の型マッピングと精度のルールを組み込んでいます。以下に例を示します。 チェック 例 型マッピング nvarchar(100) から character varying(100) への変換は有効。integer への変換は無効 数値精度 decimal(18,2) は numeric(18,2) のままである必要があり、numeric(10,0) では不可 意味チェックが等価性を捏造することはありません。正規化できない場合 (既定値に互換性がないなど) は、黙って修正を適用するのではなく WARNING を出します。これにより、不要なアラートを増やさずに本番環境での問題を防げます。 3. 動作検証 (Tier-3) 目的 : ランタイムの動作が期待どおりであることを確認する Tier 2 で定義を検証したうえで、Tier 3 では実際のランタイム動作をテストします。2 つのルーチンが構造チェックと意味チェックの両方を通過しても、スタブ、分岐処理のバグ、変換で失われる方言固有の機能などが原因で、異なる結果を返すことがあります。こうした問題を洗い出すため、動作検証は次の 3 ステップで段階的に踏み込みます。 ステップ 1: スタブの検出 バリデーターは、PostgreSQL 側のルーチン本体が意味のある実装になっているか、それとも BEGIN RETURN 0; END のようなプレースホルダーのロジックだけかを調べます。スタブの生成は自動変換で最も起こりやすい失敗パターンのひとつなので、最初に検出しておくことで後続ステップの無駄な作業を防げます。 以下は、変換時に AI エージェントが SQL Server プロシージャから生成した PostgreSQL のスタブの例です。 SQL Server プロシージャ : --SQL Server procedure CREATE PROCEDURE BabelFish.bf_collationproperty @collation_name SYSNAME = 'Traditional_Spanish_CS_AS_KS_WS', @prop_name VARCHAR(255) = 'CodePage' AS BEGIN SELECT COLLATIONPROPERTY('Traditional_Spanish_CS_AS_KS_WS', 'CodePage') AS 'CodePage' , COLLATIONPROPERTY('Traditional_Spanish_CS_AS_KS_WS', 'LCID') AS 'LCID' , COLLATIONPROPERTY('Traditional_Spanish_CS_AS_KS_WS', 'ComparisonStyle') AS 'ComparisonStyle' , COLLATIONPROPERTY('Traditional_Spanish_CS_AS_KS_WS', 'Version') AS 'Version'; END; PostgreSQL のスタブプロシージャ : --PostgreSQL stub procedure CREATE OR REPLACE PROCEDURE babelfish.bf_collationproperty(IN collation_name varchar(128) DEFAULT 'Traditional_Spanish_CS_AS_KS_WS', IN prop_name varchar(255) DEFAULT 'CodePage') LANGUAGE plpgsql AS $body$ BEGIN RAISE NOTICE 'Stub: babelfish.bf_collationproperty - needs manual T-SQL to PL/pgSQL conversion'; END; $body$; ステップ 2: 構造の検証 バリデーターは両側のルーチンのシグネチャ、入出力パラメータ、戻り値の型を検査し、移行後のアプリケーションで呼び出しエラーを引き起こす構造の不一致を特定します。 ステップ 3: ミューテーションテストと LLM による評価 バリデーターはテスト入力を生成し、両方のデータベースに対して実行して結果を比較します。行レベルで 1 件でも差異があれば、それが 2 つのルーチンが等価でないことを示す具体的な反例になります。ミューテーションテストで判断がつかない場合は、Amazon Bedrock を通じた LLM による評価で機能的な等価性を判定し、最終的な結論を出します。 4. スコアリング 各チェックは、オブジェクトごとに PASS/FAIL または WARNING を出力します。レポートには 決定論的な 2 つの主要スコア が示され、同じ入力であれば実行ごとに同じ値になります。 Storage Score – データを保持するオブジェクト (テーブル、インデックス) 全体でのスキーマの一貫性を測る Code Score – 実行可能なオブジェクト (ビュー、ストアドプロシージャ、関数、トリガー) 全体での機能カバレッジを測る この 2 つの数値で移行のカバレッジを素早く把握できますが、最終的な評価を決めるのはこれらではありません。それを担うのが AI ジャッジ ( LLM-as-a-Judge )です。これは、エキスパートレビュワーとして振る舞う Amazon Strands Agents です。ルールベースのチェックが答えるのは「何が違うのか」です。これに対して AI ジャッジが答えるのは「それは重要なのか、どう直すべきか」です。 この AI ジャッジは両方の稼働中データベースに読み取り専用でアクセスでき、フラグの立った問題を裏付けたり否定したりするために自ら検証クエリを発行できます。そのうえで、この Strands Agents が検出内容を根本原因ごとのクラスターにまとめます。たとえば、スキーマがひとつ欠けていることが原因で 29 個のトリガーが欠落している場合、29 件ではなく 1 件のクラスターとして扱われます。各クラスターには次の重大度が割り当てられます。 重大度 基準 CRITICAL ユーザーデータの損失または破損 HIGH 将来的に気づきにくい障害が起きる、またはアプリケーションからの呼び出しが失敗する MEDIUM アプリケーションが意図どおりに動作しない可能性がある LOW 表示上の問題で、動作を妨げない 根本原因ごとにまとめるこのアプローチでは、影響を受けたオブジェクトを個別に列挙するのではなく、大元の問題に対処するためノイズが減ります。共通の原因を修正すれば、そこから派生したすべての症状が一度に解消します。 本番移行準備の判定ルール Critical の検出があれば、他のスコアに関わらず本番デプロイをブロックする High のクラスターがあれば条件付きの準備完了となる (追加の検証が必要) Medium と Low の問題は、Critical や High のブロッカーを上書きしない まとめ SQL Server から PostgreSQL への移行は影響範囲の大きい変更であり、テストに合格したというだけでは正しさの証明にはなりません。AWS Transform の 3 層検証ワークフローは、その主張を監査可能な成果物に変えます。Tier 1 ですべてのオブジェクトが移行できたことを確認し、Tier 2 で個々のオブジェクトが意味的に等価であることを確認し、Tier 3 でルーチンが同じ結果を返すことを実際に検証します。さらに AI ジャッジである Amazon Strands エージェントが検出内容を根本原因ごとにまとめ、重大度にもとづいた評価を出すため、主要スコアが高いだけで重大なデータ損失の問題が見過ごされることはありません。 まずは最初のスキーマ移行の検証を AWS Transform で試してみてください。詳細は以下のリソースをご覧ください。 AWS Transform Amazon Aurora PostgreSQL Amazon Bedrock Amazon Strands Agents 翻訳はソリューションアーキテクトの Yoshinori Sawada が担当しました。原文は こちら です。 著者について Amit Kachroo Dr. Amit は、Amazon Agentic AI Science チームのシニアアプライドサイエンティストとして、コード変換のための生成 AI および LLM システムを構築しています。さまざまなプログラミング言語やデータベースに対応した変換機能を開発するサイエンスチームを率いています。詳しくは https://amitkac.github.io/ をご覧ください。 Vijay Mandadi Vijay は、AWS Migrations and Modernizations グループのエンジニアリングリーダーです。分散システム、クラウドコンピューティング、仮想化、ワークロード変換、ヘルスケアの分野で 16 年以上の経験を持ちます。AWS では、生成 AI とエージェンティック AI を活用して、お客様のアプリケーションワークロードのモダナイゼーションとクラウドネイティブ化を加速することに取り組んでいます。 Nits Jeganathan Nits は、AWS Transform のプロダクトリーダーです。IT 業界で 15 年の経験を持ち、エッジコンピューティング、システム開発、アプリケーションモダナイゼーションの分野で 12 件の特許と 2 件の論文があります。複雑な課題の解決とカスタマーエクスペリエンスの向上に情熱を注いでおり、現在は生成 AI を使ったレガシーアプリケーションのモダナイゼーション加速に注力しています。

このブログは、2026 年 8 月 3 日に公開された「  Modernize SQL Server databases to Aurora PostgreSQL using AWS Transform  」を翻訳したものです。 はじめに SQL Server データベースの Aurora PostgreSQL へのモダナイゼーションは、始める前から停滞することがよくあります。インフラストラクチャーのセットアップ、ネットワーク構成、資格情報の共有、セキュリティレビューといった準備作業に何週間もかかり、移行の中身を評価する段階にすらたどり着けないのです。 AWS Transform フルスタック Windows モダナイゼーション  の Offline Source を使用すると、こうした障壁を飛び越えて、SQL Server データベースのスキーマファイルをアップロードするだけで Microsoft SQL Server データベースの  Amazon Aurora PostgreSQL-Compatible Edition  (Aurora PostgreSQL) へのモダナイゼーションを開始できます。 SQL Server 環境を管理していて、始めるまでの複雑さからモダナイゼーションを先送りにしてきた方に、ぜひ読んでいただきたい記事です。Offline Source がインフラストラクチャーの事前準備をどのように不要にするか、.NET アプリケーションコードのアセスメントを含む変換ワークフローがエンドツーエンドでどのように動くか、そして SQL Server スキーマの DDL エクスポートから、変換済みアプリケーションコードを伴う検証済み Aurora PostgreSQL スキーマに至るまでの流れを解説します。 課題: アセスメント前のインフラストラクチャー要件 SQL Server データベースのモダナイゼーションアセスメントには従来、以下が必要でした : ソースデータベースと変換ツール間のネットワーク接続 ソースサーバーへの資格情報の共有またはエージェントのインストール スキーマ分析のための中間環境のプロビジョニング 厳格なセキュリティポリシー、規制環境、または企業ファイアウォールの背後にあるデータベースを持つ組織にとって、アセスメント作業を始める前の段階でこれらの前提条件だけでモダナイゼーションプロジェクトが数週間から数か月遅れることもありました。 ソリューション概要 AWS Transform  の Offline Source を使用すると、標準的な Data Definition Language (DDL) エクスポートファイルからソースデータベースの構造を再現できます。稼働中の SQL Server インスタンスに接続する必要はなく、 DDL をアップロードするだけで AWS Transform がアセスメントから変換、検証、Aurora PostgreSQL へのデプロイまでを実行します。インフラストラクチャーの事前準備は一切不要です。 図 1: AWS Transform Offline Source ワークフロー ワークフローは 5 つのステージで構成されます : データベースアセスメント : データベースオブジェクトの複雑さ、依存関係、作業量レベルを分析 スキーマ変換 : SQL Server オブジェクトの PostgreSQL への LLM ベースの変換 検証 : 3 層の検証 (構造的、意味的、機能的) デプロイ : 検証済みスキーマを Aurora PostgreSQL クラスターに適用 アプリケーションのアセスメントと変換 : .NET ソースコードを接続し、スキーマと並行してデータベース依存のアプリケーションコードをアセスメントおよび変換 前提条件 開始する前に、以下を確認してください : AWS Transform console へのアクセスを持つ AWS アカウント DDL を抽出するための SQL Server に接続する資格情報 Aurora PostgreSQL クラスターを作成する権限を持つ AWS アカウント (AWS Transform はデプロイステップの一部としてターゲットクラスターをプロビジョニングします) オプション : .NET アプリケーションアセスメント用の、 AWS CodeConnections 経由でアクセス可能な、または Amazon S3 や Personal Access Token (PAT) 経由でアップロードされたソースコードリポジトリ (GitHub、GitLab、または Bitbucket) AWS Transform for SQL Server は US East (N. Virginia) us-east-1 でのみ利用可能です。他のリージョンのデータベースの場合、変換のために us-east-1 にクローンしてください。 AWS アカウントで IAM Identity Center が有効化されていること Microsoft SQL Server バージョン 2008 R2 から 2022 (すべてのエディションがサポートされています)。SQL Server は AWS 上または AWS 外でホストできます。 オプション (.NET アセスメント用): .NET Core 6、7、8、または 10 アプリケーション。レガシーな .NET Framework 4.x 以前はサポートされていません。 ウォークスルー 以下のセクションでは、Offline Source ワークフローの各ステージを説明します。 ステップ 1: SQL Server DDL を抽出してアップロード AWS Transform は DDL を抽出するための 2 つの方法を提供します : オプション 1 (推奨): 変換ジョブを作成すると、AWS Transform は SQL Server に対して実行する抽出スクリプト ( ExtractDatabaseMetadata.ps1 ) を提供します。このスクリプトはデータベースごとに SQL Server オブジェクトタイプ (テーブル、ストアドプロシージャ、関数、トリガーなど) の DDL 定義を抽出し、複数の機能領域 (SSIS、SSRS、Service Broker、Agent Jobs など) を検出するため、アセスメントに最も完全な情報を提供します。 オプション 2 (手動): SSMS または sqlpackage を使用して SQL DDL ファイル ( CREATE TABLE 、 CREATE PROCEDURE  などのステートメント) を手動でエクスポートし、zip にしてアップロードします。各 SQL ファイルには 1 つのデータベースのステートメントのみを含める必要があります。 結果の DDL ファイル (または zip) を AWS Transform にアップロードして Offline Source を作成します。 ステップ 2: アセスメントの確認 AWS Transform はすべてのデータベースオブジェクトの複雑さと依存関係を分析します。アセスメントレポートには以下が含まれます : オブジェクト間の関連性を可視化する依存関係マップ 各オブジェクトの複雑さスコア (Simple、Moderate、Complex) 手動変換と自動変換の作業量 (LOE) の見積もり エージェントによる自動化で削減できる工数と、人的レビューが必要な部分の内訳 アセスメントでは、PostgreSQL のイベントトリガーへの置き換えが必要な DDL トリガーや、例外ブロック内でのみ有効な構文を使用している関数など、手動レビューが必要になる可能性のある項目も識別されます。これらの情報をもとに、変換開始前にチームの作業計画を立てることができます。 ステップ 3: 変換をカスタマイズ アセスメントを確認した後、AWS Transform は変換の実行方法を定義する変換プランを生成します。プランは実行戦略、フェーズの順序付け、変換ルール、インフラストラクチャー構成を単一のレビュー可能なアーティファクトに統合します。デフォルトを受け入れて進めることも、変換開始前に任意の側面をカスタマイズすることもできます。 変換プランは 4 つの領域をカバーします : 実行ウェーブ – データベースはウェーブ順に変換され、各ウェーブ内で最大 5 つのデータベースが並行して実行されます。次のウェーブは現在のウェーブのすべてのデータベースが完了した後にのみ開始されます。ウェーブ間でデータベースの順序を変更したり、完全に除外したりできます。 ジョブプラン – 変換ジョブのフェーズの順序 (スキーマ変換、ターゲットプロビジョニング、スキーマデプロイ、コード変換、およびオプションの合成テストデータ生成)。必要に応じてオプションフェーズをスキップできます。 変換およびカスタムルール – 型マッピング (例: SQL Server の MONEY から PostgreSQL の DECIMAL(19,4) )、スキーマ名マッピング (例: 単一データベース移行での dbo から public )、関数マッピング (例: GETDATE から CURRENT_TIMESTAMP )、IDENTITY 列戦略 ( GENERATED BY DEFAULT または GENERATED ALWAYS )、およびプロシージャ結果のハンドリング (refcursor または関数リターンスタイル)。適切なデフォルトが自動的に適用されるため、ユースケースに合わないものだけを変更するだけで済みます。 ターゲットプロビジョニング構成 – 新しい Aurora PostgreSQL クラスターを作成するか既存のものに接続するか、およびインスタンスクラス、ネットワーク設定、資格情報管理。 これらの設定は、コンソールでプランを直接編集するか、自然言語でプリファレンスを記述するか、JSON 構成ファイルを提供することでカスタマイズできます。例えば、「MONEY を DECIMAL(19,4) にマッピングし、dbo に public を使用し、GENERATED ALWAYS で IDENTITY 列を生成する」とリクエストすると、AWS Transform が該当するルールを適用します。 ステップ 4: LLM ベースのスキーマ変換の実行 AWS Transform では、大規模言語モデル (LLM) を使用して SQL Server スキーマオブジェクトを PostgreSQL に変換します。変換はコンテキストを考慮し、構文だけでなくビジネスロジックの意図を保持します。 変換はステージごとに進行します: 基盤オブジェクト (スキーマ、シーケンス、シノニム、ユーザー定義型) テーブルと主キー 制約とインデックス プログラマブルオブジェクト (ストアドプロシージャ、関数、ビュー、トリガー) LLM ベースのアプローチは、ルールベースのツールでは通常手動変換が必要な複雑な T-SQL パターンやプロプライエタリな SQL Server 構文を処理します。これにより、自動変換率が向上し、手動介入が減少します。 ステップ 5: 変換済みオブジェクトの検証 変換されたオブジェクトは、以下の 3 層の自動検証を通過します : 構造的検証 は、変換された PostgreSQL スキーマが構文的に正しくデプロイ可能であることを確認します。 意味的検証 は、変換されたオブジェクトがソースの論理的な意味と動作を保持していることを検証します。 機能的検証 は、ソースとターゲット間のクエリ動作を比較し、本番環境に影響する前に差異を検出します。 各検証パスでは分離されたサンドボックスが起動し、ソースとターゲット両方のスキーマをロードした上で、型マッピング、制約、ルーチンを検査する AI エキスパートレビュワーが実行されます。AWS Transform はストレージオブジェクトの変換後とコードオブジェクトの変換後にそれぞれ検証レポートを生成します。各レポートでは、カテゴリごと (テーブル、列、制約、インデックス、ビュー、プロシージャ、関数) に Pass、Warning、Fail の結果が示されます。 検証完了後、エキスパートアセスメントが全体の変換を評価します : Ready: オブジェクトが完全に変換および検証済み Conditional: オブジェクトが変換済みで、レビュー用にマイナーな問題がフラグ付けされている Not Ready: 手動介入が必要なオブジェクト ステップ 6: 残りの問題への対応 Conditional または Not Ready と評価されたオブジェクトについて、AWS Transform は具体的な次のステップを含む Schema Conversion Report を提供します。2 つのオプションがあります : 組み込みの AWS Transform Web コンソールを使用して、ローカル IDE のインストールなしにブラウザで直接変換の問題を確認して修正する。 または、Kiro や他のローカル AI コーディングアシスタントと  AWS Transform MCP Server  を使用して、好みの IDE にアーティファクトを取得する。 修正を加えた後に検証を再実行し、スキーマ全体が検証に合格するまで繰り返しデプロイできます。 Web コンソールでは、変換レポートの確認、SQL の編集、検証の再実行、変更のデプロイまでをブラウザ上で一貫して行えます。ローカル開発を好むチームには、MCP Server を使って IDE から AWS Transform ワークスペースに接続して普段の開発ワークフローのまま、同じアーティファクトとデプロイ機能を利用できます。 ステップ 7: Aurora PostgreSQL にデプロイ 検証が完了したら、AWS Transform に AWS アカウントへのアクセスを付与するデータベースコネクタを設定します。AWS Transform はターゲットの Aurora PostgreSQL クラスターをプロビジョニングし、変換済みスキーマをデプロイします : 既存のクラスターを選択するか、AWS Transform に新しいクラスターを作成させます。 AWS Transform が変換済みオブジェクトをターゲットに適用します。 データベース資格情報が生成され、AWS Secrets Manager に保存されます。 問題がないかデプロイレポートを確認します。 デプロイ後、継続的な運用に不要な場合は、オプションで RDS Data API を無効にできます。 ステップ 8: .NET アプリケーションコードのアセスメントおよび変換 スキーマのデプロイが完了すると、コード変換が実行可能になります。アプリケーションのアセスメントと変換を行うために、.NET Core (6、7、8、または 10) のソースコードリポジトリを接続します。アプリケーションのデータベースアクセスには ADO.NET または Entity Framework (6.3-6.5、または EF Core 1.0-8.0) を使用している必要があります。なお、アセスメントはスキーマデプロイ前でも開始できますが、コード変換にはスキーマが先にデプロイされている必要があります。 ソースコードへの接続には、以下を使用できます :   AWS CodeConnections (GitHub、GitLab、または Bitbucket リポジトリ用) ソースコードの直接アップロード用の Amazon S3 AWS Secrets Manager  に保存する Personal Access Token (PAT) 接続すると、AWS Transform は : コネクタを通じて利用可能なリポジトリを検出します。 ソースコードをダウンロードして分析し、データベース参照、Entity Framework モデル、接続文字列、SQL クエリパターンを識別します。 モダナイゼーションの複雑さ (Low、Medium、High) と具体的な変換レコメンデーションを含むアプリケーションアセスメントレポートを生成します。 アセスメント完了後、コード変換を開始して .NET アプリケーションコードを Aurora PostgreSQL をターゲットとするように更新できます。コード変換はスキーマ変換の結果を使用して、アプリケーション内の接続文字列、ORM マッピング、インライン SQL クエリを更新します。 ステップ 9: テストデータで検証する (オプション) AWS Transform は本番データを公開することなく、ターゲットクラスターに検証用のテストデータを生成できます。テストデータ生成レポートには何が作成されたかが記載され、代表的なデータボリュームに対してストアドプロシージャ、ビュー、アプリケーションクエリの徹底的なテストが可能になります。 クリーンアップ このウォークスルー中にテスト目的で新しい Aurora PostgreSQL クラスターを作成した場合 : Amazon RDS console に移動します。 作成したクラスターを選択します。 Actions > Delete を選択します。 削除を確認します。 AWS Transform ワークスペースは追加料金なしでそのまま残しておけるため、後から参照することができます。 まとめ AWS Transform for SQL Server の Offline Source を使うことで、SQL Server モダナイゼーションにおける 2 つの大きな障害、すなわち「始めるまでのハードル」と「スキーマ変換の精度・検証」を解消できます。稼働中のデータベースへの接続設定は不要で、DDL ファイルをアップロードするだけで始められます。インフラストラクチャーのプロビジョニングなしに、スキーマのアセスメントから変換、検証、Aurora PostgreSQL へのデプロイまでを実行できます。さらに .NET ソースコードリポジトリを接続すれば、データベースと合わせてアプリケーションコードの変換も可能です。これらすべてが単一の統合ワークフローで完結します。 Offline Source を開始するには、 AWS Transform console  を開いて最初の変換ワークスペースを作成してください。詳細については、 AWS Transform ドキュメント を参照してください。モダナイゼーションターゲットとしての Aurora PostgreSQL の詳細については、 Amazon Aurora PostgreSQL-Compatible Edition  を参照してください。 翻訳はソリューションアーキテクトの Yoshinori Sawada が担当しました。原文は こちら です。 Vikas Babu Gali Vikas Babu Gali は Amazon Web Services のシニアスペシャリストソリューションアーキテクトで、SQL Server の移行、モダナイゼーション、クラウドデータベース変換を専門としています。Vikas は Fortune 500 企業の多くのお客様を大規模なミッションクリティカルなクラウド変換でガイドしてきました。 Nits Jeganathan Nits Jeganathan は AWS Transform のプロダクトリーダーで、15 年の IT 業界経験、12 件の特許、エッジコンピューティング、システム開発、アプリケーションモダナイゼーションに関する 2 件の出版物を持っています。Nits は複雑な課題の解決とカスタマーエクスペリエンスの改善に情熱を注いでいます。現在は生成 AI を使用したレガシーアプリケーションのモダナイゼーション加速に注力しています。 Shashank Kalki Shashank Kalki は Amazon Web Services のデータベース移行スペシャリストソリューションアーキテクトです。お客様と連携して最も困難なデータ移行の課題を解決し、Amazon Aurora と Amazon RDS への移行の計画、実行、最適化を支援しています。専門分野は大規模な異種データベース変換と移行のベストプラクティスです。