0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

PR: データブリックス・ジャパン株式会社
MLflowで実践するLLMOps

Databricksに非構造データを置くだけで社内文書Q&Aに!

0
Last updated at Posted at 2026-11-10

Volume Content Searchがプレビュー!

Databricks の Genie Agentで、Unity Catalog ボリュームに置いたファイルを「事前にインデックス化して検索する」Volume Content Search がパブリックプレビューになりました。

  • リリースノート:

  • ドキュメント:

これまで Genie といえば「"テーブル"に自然言語で質問して SQL を書いてもらう」ものでしたが、ボリューム(非構造データ)をソースに追加し PDF・PowerPoint・Word・画像などの非構造化ドキュメントにも答えてくれる ようになりました。
しかもコンテンツ検索は最大10,000ファイルまで!

本来、非構造データをAI検索しようとすると、それ用に別にインデックスを作る&それをツール(ソース)として追加する必要がありましたが、今回のリリースによりそれが不要になり、Genie Agentをより簡単に幅広く作れるようになったということです。

今回架空の社内文書一式を用意して、実際にどこまで読めるのかを検証しました。

image.png

Volume Content Search とは

Genie Agent にアタッチしたボリューム内のファイルを、ai_parse_document で解析・チャンク化してインデックスを作っておく機能です。エージェントは質問に応じてこのインデックスを検索し、該当箇所を根拠に回答します。

項目 内容
有効化 ボリュームを Sources に追加すると自動でオン
対応形式 PDF / DOC(X) / PPT(X) / 画像(JPG・PNG・TIFF)/ MD / TXT
対象 マネージドボリュームのみ(外部ボリューム、My Files は非対応)
上限 1 エージェントあたり 10 ボリューム、1 ワークスペースあたり 250 ボリューム、1 ボリュームあたり 1 万ファイル(ファイルイベントなしの場合)
スキップ条件 100MB 超、または 500 ページ超のファイル
引用 回答にファイルへのリンクとページ番号が付く
権限 質問したユーザー自身の権限で動作(READ VOLUME が必要)
課金 解析は AI Functions、推論は通常の Genie の料金
動作モード Agent モードのみ(Chat モードではボリュームは参照されない)

また今回のアップデートで、ワークスペースにバインドされたカタログ(=そのワークスペースからは通常見えないカタログ)のボリュームもソースとして追加できる ようになったとのことです。

検証の準備

1. ボリュームを作る

image.png

2. テスト用の文書を用意する

「本当にファイルを読んでいるのか」を確かめるため、LLM が事前知識で答えられない架空の事実 だけで文書を作りました(Python の reportlab / python-pptx / python-docx / Pillow で生成)。

ファイル 中身 確かめたいこと
aosagi_progress_report_2026Q3.pdf(5ページ) 架空プロジェクト「アオサギ」の進捗報告。表紙・要約・拠点別 KPI 表・棒グラフ・リスク 表・グラフの読み取り、ページ引用
hoshizora_autumn_menu_2026.pptx(3スライド) 架空ベーカリーの秋限定メニュー スライドの読み取り
security_policy_v3.docx 架空の情報セキュリティ規程 Word の読み取り
receipt_scan_20261024.png 少し傾けたスキャン風レシート 画像の OCR
project_aosagi.md / faq_hoshizora.txt プロジェクト概要・FAQ 基本動作
hoshizora_sales_UNSUPPORTED.xlsx 合言葉「群青のペンギン」 非対応形式が無視されるか

ポイントは、ファイルをまたがないと答えられない質問 を仕込んだことです。たとえば:

  • 予算総額は MD、累計支出は PDF にしか書いていない → 「残予算は?」
  • レシート(画像)の日付が金曜、ポイント 2 倍が金曜であることは PPTX、通常のポイント率は TXT → 「なぜポイントが 2 倍?」
  • 北海道の MAPE は PDF の表では「(図参照)」で、グラフの中にしか数値がない

image.png

image.png

3. Genie Agent を作ってボリュームを追加する

  1. Genie から新しいエージェントを作成
  2. Sources → Add でボリューム docs を選択
  3. ボリュームの説明(Description)を書く

説明はエージェントがボリュームを使うかどうかの判断材料になるので、具体的に書くのがおすすめです。今回はこう書きました:

架空商事の社内文書(架空・検証用)。プロジェクト「アオサギ」(AOSAGI-7731)の進捗報告書PDFと概要MD、
情報セキュリティ規程DOCX、星空ベーカリーの秋メニューPPTX・FAQ・レシート画像を含む。
社内プロジェクト・規程・ベーカリーに関する質問ではこのボリュームのファイルを根拠に回答すること。

image.png

今回のファイル数(7 ファイル)では 約 5 分 で完了しました。

検証結果

すべて Agent モード で質問しています。回答は 1 問あたり 8〜12 秒程度でした。

# 質問 期待する答え 結果
Q1 北海道倉庫のQ3のMAPEは? 7.2%(グラフ内のみ) ❌ 読めず(ただし「記載なし」と正直に回答)
Q2 Q3で一番精度が悪い拠点と、その欠品率は? 九州、4.7%(PDF の表) ✅
Q3 九州のリスクの対策オーナーと、次回のステアリングコミッティの日時は? 堀切 拓真 / 12/8 15:00 会議室「白鷺」 ✅
Q4 アオサギの予算の残りはいくら? 1,715万円(MD と PDF の突き合わせ+計算) ✅
Q5 ナッツを含む限定商品は? 紫芋モンブランブリオッシュ(PPTX) ✅
Q6 外部ストレージの例外承認者と、承認の有効期間は? 鶴見 千景 / 最長 90 日(DOCX) ✅
Q7 10/24のレシートの合計と、ポイントが2倍だった理由は? 1,308円 / 金曜の 2 倍デー(画像+PPTX+TXT) ✅
Q8 群青のペンギンとは何? 答えられない(XLSX は非対応) ✅ 「記載なし」

複数ファイルの突き合わせ(Q4・Q7)

Q4 では、MD の「予算 4,820 万円」と PDF の「累計支出 3,105 万円」を組み合わせて 残予算 1,715 万円 を算出しました。しかも「報告書に残予算の記載はなく、この引き算は私が行った」と、ファイルに書いてあることと自分で計算したことを区別して 答えてくれます。

image.png

Q7 はさらに 3 ファイル横断です。レシート画像から合計 1,308 円と日付(金曜)を読み、PPTX の「毎週金曜日はポイント 2 倍」と結びつけたうえで、FAQ の「200 円ごとに 3 ポイント」から 18pt × 2 = 36pt でレシートと一致する という検算までしていました。

image.png

もう一歩踏み込んで:インデックスの中身

Agent モードの API でレスポンスのストリームを見ると、エージェントは search_context_files というツールでインデックスを検索していて、その結果(チャンク)もそのまま見えます。中身はおおむねこんな構造でした(抜粋):

<chunk rank="1" citation_id="file_..." source="aosagi_progress_report_2026Q3.pdf (p.1)">
Company: 架空商事株式会社
Document Number: AOS-RPT-2026Q3
Project Code: AOSAGI-7731
...
Tables: 2. 拠点別 KPI (拠点, 倉庫コード, SKU数, Q2 MAPE, Q3 MAPE, ...)
Contains: table, text

架空商事株式会社 データ基盤部 created a Q3 2026 progress report.

Content:
(本文。表は HTML の <table> 形式)

Related questions:
What is the Q3 MAPE for the 関西 (WH-OSK) warehouse?
...
</chunk>

ここから分かること:

  • チャンクごとにメタデータ・要約・想定質問が付いている。単純な全文検索ではなく、検索されやすく加工されている
  • 表は HTML で保持される ので、行・列の対応が崩れない(Q2 が正確だった理由)
  • 図はキャプション(「目標 9% 線付きの拠点別棒グラフ」程度)しか付かない。Q1 が読めなかったのはこのため
  • 引用のページ番号はチャンクの先頭ページ。1 チャンクが複数ページにまたがるので、実際の記載ページとずれることがある
  • PPTX は全スライドが 1 チャンク(p.1)にまとまっていた。
  • 画像の OCR はほぼ正確だったが、「拠点」が「拗点」になるなど軽い誤読はあった(LLMが変換するため回答には影響なし)

API から使う場合

ボリュームのファイルは Agent モードの API でも分析できます(ドキュメントの FAQ に記載あり)。

curl -sN -X POST "$DATABRICKS_HOST/api/2.0/genie/agents/$AGENT_ID/responses" \
  -H "Authorization: Bearer $DATABRICKS_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "input": [{
      "type": "message", "role": "user",
      "content": [{"type": "input_text", "text": "アオサギの予算の残りはいくら?"}]
    }]
  }'

レスポンスは Server-Sent Events で、function_call(search_context_files)→ function_call_output(チャンク)→ message(回答)の順に流れてきます。

気づいた点・注意点

インデックスはボリューム単位で共有されているっぽい

同じボリュームを 2 つ目のエージェントに追加したところ、インデックス作成待ちなしで即座に回答 できました。インデックスはエージェントごとではなく、ボリュームごとに持っているように見えます。最初の 1 回だけ数分待てば、あとは使い回せそうです。

image.png

追加ファイルの反映は「ファイルイベント」の有無で変わる

ドキュメントには「ボリュームと自動で同期される」とあります。実際、インデックス完成後に追加したファイルは、なかなか入らないなと思っていたのですが約1時間後に検索対象へ入りました。
理由は、ボリュームの保存先で ファイルイベントが有効になっていなかった ことです。ドキュメントでは、Content Search は次のように変更を見つけると説明されています。

  • ファイルイベントあり:クラウドストレージからの通知で、追加・変更・削除をすぐに検知する
  • ファイルイベントなし:ストレージを定期的にスキャンして検知する。対象は 1 ボリュームあたり 1 万ファイルまで
    今回のボリュームはファイルイベントなしの構成だったので、スキャンの周期が来るまで新しいファイルが反映されませんでした。外部ロケーションの設定は、Catalog Explorer の External Locations か、次のコマンドで確認できます。
databricks external-locations get <外部ロケーション名> -o json | jq '{url, enable_file_events}'

ちなみに、エージェントからボリュームを外して付け直しても、インデックスは作り直されませんでした。インデックスはボリューム単位で持っているので、エージェント側の操作では同期を早められないようです。
ファイルを頻繁に更新する運用なら、ファイルイベントを有効にしておくか、デフォルトストレージのカタログを使う のがおすすめです。ドキュメントによると、デフォルトストレージのボリュームはファイルイベントの設定がいりません。

精度を上げるコツ

また精度面について検証を通して感じたことです(ドキュメントのベストプラクティスとも概ね一致):

  • ボリュームの説明を具体的に書く:何が入っていて、どんな質問で使うべきかを書く
  • そもそも大事な数値はグラフだけでなく本文や表にも書く:グラフの中身は読まれにくい。普段の業務から意識するだけでその後のデータ参照やAI活用にも影響する
  • ファイル名を分かりやすくする:引用で表示されるので、利用者が根拠を判断しやすくなる
  • Excel はテーブルにする:ボリュームに置いても読まれない。テーブルにするハードルが低いファイルは変換まで行う
  • 内容が重複するファイルを入れない:これもDatabricksに関わらずのそもそも論だが、似た項目に対して異なる内容がある場合どちらを根拠にするか迷う原因になる

まとめ

  • ボリュームを Sources に追加するだけで、PDF・PPTX・DOCX・画像に Genie Agent が答えてくれる
  • 表の読み取り、画像の OCR、複数ファイルの突き合わせと計算 まで実用的なレベル
  • 分からないことは推測せず「記載なし」と答え、引用でファイルに飛べるので 根拠を確認しやすい

テーブルのデータ(売上・在庫)と社内文書(規程・報告書)を 1 つのエージェントにまとめて聞けるのが Genie Agent の強みとなりました。

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?