生成AIによるDatabricks最新記事まとめと著者傾向分析(自動生成)

過去1ヶ月の記事28件をAPI経由で取得し、生成AIで要約と傾向分析を自動生成しています。すべての処理は自動で行われています。
最終更新: 2026-07-29

最近の著者の傾向

主要な注力テーマ

• 生成AIとLLM（大規模言語モデル）

  • 記事の多くが生成AIやLLMに関連しており、特にClaudeやLakeflowを用いた実践的なアプローチが目立つ。

• データエンジニアリングと自動化

  • Genie CodeやLakeflowを活用したデータパイプラインの構築、自動化に関する取り組みが多く見受けられる。

• データガバナンスとセキュリティ

  • Unity Catalogやシークレット管理に関する記事があり、データの統治やセキュリティへの関心が高いことが示されている。

• MLflowとエージェントの運用

  • MLflowを用いたモデルの管理やエージェントの運用に関する記事が多く、実践的な運用方法の探求が行われている。

技術的特徴

• 実践的なアプローチ

  • 実際のプロジェクトやハンズオンを通じて技術を試し、その結果を共有する姿勢が強い。

• 多様なツールの統合

  • Databricksの複数の機能（Genie Code, Unity Catalog, MLflowなど）を組み合わせて、効率的なデータ処理や分析を実現している。

• 対話型プログラミング

  • 対話型のアプローチを用いて、ユーザーが直接関与できる形でデータ処理やモデル構築を行うことに注力している。

• 先進的なデータ分析手法

  • 最新の技術や手法を取り入れたデータ分析やモデル評価に関する記事が多く、技術のトレンドに敏感である。

傾向分析

カテゴリ	主要技術・テーマ	具体的な取り組み
生成AI	Claude, LLM	Claude Opus 5やGLM-5.2のコーディング能力を試す
データエンジニアリング	Lakeflow, Genie Code	PySparkからLakeflowへのパイプライン移行を実施
データガバナンス	Unity Catalog, シークレット管理	Unity Catalogを用いたデータの統治とセキュリティ対策
MLflow	MLflow, エージェント運用	MLflowを用いたモデルの品質評価とコスト管理
自動化	Genie Code, スケジュールタスク	自動化された夜間ジョブの朝サマリー作成を実施

記事ごとの要約

[2026-07-28] MMF AgentをGenie Codeで動かしてみた

DatabricksのMany Model Forecasting (MMF)に新たに追加された「MMF Agent」は、AIコーディングアシスタント向けのスキルセットで、Markdownファイルとノートブックテンプレートから構成されています。Genie Codeを使用して実行する際、導入時に2つの問題に直面しました。1つは、install.pyがGenie Code用ではないこと、もう1つはスキルファイルの配置が正しくないことです。正しいフォルダ構成に従うことで、エージェントの機能を正常に活用できるようになりました。

[2026-07-27] Databricks Genie Agentにボリュームをアタッチして非構造化ファイルを分析する

DatabricksのGenie AgentにUnity Catalogボリュームをアタッチすることで、PDFやWord文書などの非構造化データを分析可能になりました。この機能により、構造化データと非構造化データを同時に扱うことができ、例えば返品理由を問い合わせ記録から引き出すことができます。検証環境では、ECサイトの注文データを基に、テーブルとボリュームを組み合わせた構成を作成。ボリュームの説明は、作成時のコメントが引き継がれるため、運用が容易になります。

[2026-07-27] Databricks Genie Codeを試す (3): スケジュールされたタスクで夜間ジョブの朝サマリーを作る

DatabricksのGenie Codeに新たに追加された「スケジュールされたタスク」は、定期的にプロンプトを実行する機能で、AIエージェントによる自動化を実現します。この機能は、夜間ジョブの状況を毎朝9時に要約するタスクを作成する際に、承認モデルを通過する設計となっています。タスク作成はチャットで簡単に行え、結果は通常のチャットとして管理されます。これにより、無人での運用が可能となり、効率的なデータ処理が期待されます。

[2026-07-26] Claude Opus 5がDatabricksホストモデルとして登場したので試してみた

AnthropicのClaude Opus 5が2026年7月にDatabricksでホストモデルとして利用可能になりました。このモデルは、エージェンティックなコーディングや長時間の自律作業に特化し、100万トークンのコンテキストウィンドウを持ち、指示追従の品質を維持します。Databricksホストの利点は、セキュリティ境界内で運用され、APIキー管理が不要で、Unity AI Gatewayによるアクセス制御や使用量追跡が可能な点です。これにより、企業内での導入が容易になります。

[2026-07-24] CodingAgentOps 実践編——Claude Code のトレースを Databricks + MLflow 3.x で可視化・品質評価・コスト管理する

この記事では、DatabricksとMLflow 3.xを用いて、コーディングエージェント「Claude Code」のトレースを可視化し、品質評価やコスト管理を行う方法を解説しています。特に、軌跡オブザーバビリティ、品質ゲート、コストガバナンスの3つの柱に焦点を当て、ローカル環境から自動収集したデータをDatabricksで分析・評価・蓄積するプロセスを示します。また、新たに「スキルオブザーバビリティ」を導入し、スキル利用の追跡も行います。デモには複数のノートブックが用意され、具体的な実装手順が説明されています。

[2026-07-23] Databricks Genie Codeを試す (2): データエンジニアリング編 — 対話でPySparkからLakeflow宣言型パイプラインへ

この記事では、DatabricksのGenie Codeを用いて、メダリオンアーキテクチャに基づくデータパイプラインを構築する方法を解説しています。まず、PySparkを使って手続き的にbronzeからsilver層を作成し、その後、同じ処理をLakeflowの宣言型パイプラインにリファクタリングします。ECの注文データを題材に、欠損や異常値を含むデータを用いてクレンジングの重要性を示し、Genie Codeとの対話を通じてデータエンジニアリングの実践を体験します。

[2026-07-22] Databricks Genie Codeを試す (1): 機能の全体像・承認モデル・日本語環境セットアップ

Databricksの「Genie Code」は、AIコーディングアシスタントで、コード生成、実行、パイプライン構築、エラー修正を自動化します。ノートブックやSQLエディター、AI/BIダッシュボードで動作し、ユーザーの権限に基づいて機能します。主な機能は、エージェントモード、コードアシスタンス、パーソナライズの三層に整理され、特に日本語環境での利用にカスタム指示が重要です。2026年7月からは従量課金制に移行しています。

[2026-07-21] DatabricksのMLflowエクスペリメント、「GenAIアプリとエージェント」と「機械学習」の種類はどう決まるのか

DatabricksのMLflowエクスペリメントでは、エクスペリメントの種類が「GenAIアプリとエージェント」または「機械学習」として表示され、画面構成が異なる。この分類はエクスペリメントタグ mlflow.experimentKind によって管理され、UIがその値を基に表示を切り替える。タグが未設定の場合、UIはトレースやランの有無に基づいて自動的にタイプを推論する。トレースがあればGenAI、ランがあれば機械学習と判断され、混在する場合もGenAI扱いとなる。エクスペリメント作成時にタグを指定することも可能。

[2026-07-21] Databricksノートブックのコメント欄でGenie Codeを呼び出す嬉しさとは

Databricksノートブックのコメント機能で、Genie CodeをメンションしてAIのヘルプを得ることが可能になりました。この機能により、コードレビュー時にリアルタイムでAIの説明を得られ、コメントスレッドに残るため、後の疑問解消にも役立ちます。また、CAN READ権限のレビュアーでも利用できるため、コードを実行せずに理解を深める手段となります。非同期コラボレーションにおける摩擦を減らすことがこの機能の主な目的です。

[2026-07-19] Unity Catalogシークレットを試す

DatabricksのUnity Catalogシークレットは、機密情報を安全に管理する新機能で、従来のワークスペースレベルのシークレットスコープと異なり、メタストアレベルでの管理が可能です。これにより、シークレットはテーブルやボリュームと同様に扱われ、アクセス制御や監査が統一されます。シークレットの作成、権限付与、取得はカタログエクスプローラのUIから行え、最小権限での運用が実現します。

[2026-07-17] 「作って終わり」を卒業する: Databricks Free EditionでLLMOpsを1周する—JEDAIもくもく会ハンズオン

DatabricksユーザーコミュニティJEDAIが開催する「作って終わりを卒業する」イベントでは、MLflowを用いたLLMOpsの実践を学ぶ。参加者はDatabricks Free Editionを使い、LLMOpsのコアループを体験。座学とハンズオンで、レビュー分析エージェントを構築し、トレースの永続化やエクスペリメント管理を学ぶ。特に、動くものにトレースを仕込む重要性が強調され、MLflowの機能を活用した品質管理が提案されている。

[2026-07-16] Thinking Machines LabのInklingをDatabricks Unity AI Gatewayで試す

Thinking Machines Labのオープンウェイトモデル「Inkling」がDatabricksのUnity AI Gatewayで提供開始。Inklingは975Bのパラメータを持つMixture-of-Expertsモデルで、テキスト・画像・音声に対応。ユーザーはDatabricksのワークスペースで簡単にInklingを呼び出し、マルチターンの会話やストリーミング機能を利用可能。OpenAI SDKを使用して、Pythonからのアクセスもサポートされている。

[2026-07-16] MCP Developer Lab登壇振り返り — DatabricksにおけるMCPソリューション

2026年7月15日に行われたMCP Developer Labでの発表「DatabricksにおけるMCPソリューション」では、MCP（Model Context Protocol）がAIエージェントとデータ/ツールを標準化して接続する重要性が強調された。MCPは接続の複雑さやガバナンスの課題を解決し、DatabricksのUnity Catalogと統合することで、承認済みツールの管理や外部サービスとの安全な接続を実現。Unity AI Gatewayを通じてAI資産の一元管理も可能となる。

[2026-07-15] Genie Oneのドキュメント機能を試す: 引用付きレポートを生成し、推測をデータで検証する

DatabricksのGenie Oneに新たに追加されたドキュメント機能は、チャットの応答を引用付きの編集可能なドキュメントに変換できる。これにより、データとクエリに基づく根拠を明示し、バージョン履歴を保持することで、対話的なドキュメント作成が可能になる。本記事では、架空のコーヒーECのデータを用いて、経営会議向けのワンページャーを生成し、ストーリーを引用付きで発見できるかを検証。結果、想定以上の成果が得られた。

[2026-07-11] Databricks Free EditionでGLM-5.2のコーディング能力を試す

GLMは中国のZhipu AIが開発した大規模言語モデルで、特にコーディングタスクに強みを持つ。最新モデルGLM-5.2は744Bパラメータを持ち、MITライセンスでオープンソース。Databricks Free Editionを使用し、GLM-5.2のコーディング能力を試すデモを行い、自然言語からのPySparkやSQLコード生成、コードレビュー、HTMLダッシュボード生成を実施。セットアップは簡単で、特別なインフラは不要。詳細なコード例も紹介されている。

[2026-07-10] DatabricksのMCPサービスを試す — エージェントのツールもUnity Catalogで統治する

DatabricksのMCPサービスは、Unity Catalog内でエージェントが外部ツールを利用するための管理機能を提供します。MCPサービスは、GitHubなどのビルトインツールを含む外部MCPサーバーを登録し、エージェントのアクセスを統治します。認証はDatabricksが処理し、ユーザーごとにトークンが管理されるため、個々の権限で外部ツールにアクセス可能です。現在、MCPサービスはベータ版であり、UIや機能に制限があります。

[2026-07-10] DatabricksモデルプロバイダーサービスでOpenAIをUnity Catalogに登録する — 外部モデルがUCオブジェクトになった

DatabricksのUnity Catalogにおいて、外部モデルプロバイダー（OpenAIなど）を登録・管理できる「モデルプロバイダーサービス」が導入されました。これにより、外部モデルがUCオブジェクトとして扱われ、権限管理や使用状況追跡が可能になります。APIキーはDatabricksが暗号化して保管し、クライアント側への配布が不要になります。具体的な設定手順も示され、モデル選択時には価格情報も表示されるため、運用が効率化されます。

[2026-07-08] その不一致、悪いのはジャッジ? それとも人間ラベル? ― LLM-as-a-Judgeメタ評価・実践編

この記事では、生成AIアプリの出力を自動で採点する「LLM-as-a-Judge」の信頼性を評価するメタ評価手法について解説しています。具体的には、ジャッジの判定と人間のラベルの一致度をCohen's kappaで測定し、不一致の原因を分析します。特に、一致率だけでは信頼性を判断できない点を指摘し、kappaを用いる重要性を強調しています。実際のデータを用いたベーカリーのレビュー返信エージェントを例に、評価の二層構造を示し、改善手段としてアラインメントの効果も検証します。

[2026-07-07] 2026年のDatabricks管理者に求められるスキルマップ

Databricks管理者の役割は進化し、2026年にはガバナンスやAI資産管理が重要なスキルとなる。管理者はアカウント管理、メタストア管理、ワークスペース管理、データ資産管理などの異なる責務を持つ。記事では、Databricks本番運用計画を10フェーズに分け、各フェーズに必要なスキルを整理。さらに、ガバナンス、運用、インフラの3軸で9つのスキル領域を定義し、管理者に求められる能力を明確化している。

[2026-07-06] Lakebase変更データフィード(CDF)でPostgresの変更をUnity Catalogに保存する

Lakebase変更データフィード(CDF)は、Postgresテーブルの行レベルの変更をUnity CatalogのDeltaテーブルに保存する機能です。これにより、監査証跡の確保や分析パイプラインの構築が容易になります。クイックスタートは、変更キャプチャの有効化、フィードの開始、行の追跡、変更の確認の4ステップで構成されます。事前にPostgresデータベースとUnity Catalogの設定が必要で、CDFはスキーマレベルで設定されます。注意点として、CDF開始時にコンピュートエンドポイントが再起動されることがあります。

[2026-07-06] Lakeflow宣言型パイプラインとネイティブ空間型でジオフェンス到着検知を構築し、foliumで可視化する

この記事では、Databricksのネイティブ空間型と空間関数を用いて、Lakeflow Spark宣言型パイプラインを構築し、ジオフェンス到着検知を実現する方法を解説しています。具体的には、GPSデータをストリーミングテーブルに取り込み、緯度・経度をGEOMETRYポイントに変換し、ジオフェンスを保持するマテリアライズドビューを作成します。さらに、foliumを用いて結果を可視化し、空間結合の結果を地図上で確認することで新たな発見を促します。

[2026-07-05] Databricks Free EditionでLakebaseをバックエンドにしたDatabricks Appsを動かしてみる

この記事では、Databricks Free Editionを使用してLakebaseをバックエンドにしたDatabricks Appsを構築する手順を解説しています。LakebaseはフルマネージドのPostgreSQLで、Databricks Appsを通じて対話型アプリケーションを簡単にデプロイ可能です。Flaskテンプレートを用いたToDoアプリの作成手順や、Lakebaseとの接続設定、サービスプリンシパルの管理方法について説明しています。これにより、アプリは資格情報を管理せずにデータベースに接続できます。

[2026-07-03] Omnigentで多モデルの議論を回す ― Debbyと /debate で体験する「もう一つの合成」

この記事では、OmnigentのエージェントDebbyを用いて、複数のAIモデルによる議論の新たな側面を体験する方法が紹介されています。Debbyは同じ問いをClaudeとGPTに同時に投げかけ、両者の回答を批評し合うことで統合を図ります。これにより、単なる並列処理やクロスレビューとは異なる「合成」の形が見えてきます。Debbyの構造は、実際の思考を行わず、サブエージェントに応答を委ねるオーケストレーターとして機能します。具体的な使用例として、Pythonのデータ処理に関する問いを投げた結果、異なる視点からの評価が得られました。

[2026-07-03] Omnigentのアーキテクチャをステップバイステップで理解する ― サーバー・ランナー・2つのサンドボックス

Omnigentのアーキテクチャは、サーバー、ランナー、2つのサンドボックスから構成されており、各コンポーネントの役割を明確に理解することが重要です。サーバーはUIと通信し、セッション履歴や認証を管理します。ホストはコード実行を行い、ランナーが実際の処理を担当します。ランナー内のハーネスは「脳」として機能し、サブエージェントにタスクを振り分けます。OmniboxはOSレベルのサンドボックスで、セキュリティを強化します。全体像を把握することで、Omnigentの動作を理解できるようになります。

[2026-07-02] Databricks マネージドエージェントメモリを試す — 会話をまたいで覚えるエージェントを作る

Databricksの「マネージドエージェントメモリ」は、Unity Catalogの下でエージェントの長期記憶を管理する機能です。主な構成要素は、メモリストア、メモリエントリ、会話の3つです。メモリストアはUCのセキュリティ保護下にあり、メモリエントリは個々のコンテンツを保存します。記事では、ノートブックを用いてメモリストアの作成やエントリの操作を行い、会話をまたいで記憶するエージェントを実装する方法を紹介しています。

[2026-07-01] LakebaseがAWS東京リージョンに対応: 改めて整理するLakebaseとDatabricksでの位置付け

Lakebaseが2026年6月30日にAWS東京リージョンに対応し、国内での本番運用が可能になりました。これにより、データレジデンシー要件を満たしつつ、低レイテンシなトランザクション処理が実現します。LakebaseはDatabricksのフルマネージドなPostgres OLTPデータベースで、OLAPとOLTPを同一プラットフォーム上で統合し、データの双方向同期を可能にします。Autoscaling機能により、コスト効率の良い運用が実現され、他のDatabricksコンポーネントとの連携も強化されています。

[2026-06-30] 【実践】Databricks Agent SkillsでClaude CodeにLakeflowパイプラインを作らせてみた

Databricksの新しい知識キット「databricks-agent-skills」が登場し、旧「ai-dev-kit」がdeprecatedとなりました。新キットは公式の一部として位置づけられ、スキルが「stable」と「experimental」に分かれ、CLIを通じたインストールと更新が統合されました。また、スキル間に親子階層が導入され、知識と実行の分離が進められました。これにより、Databricks上でのパイプライン作成がより効率的に行えるようになります。

[2026-06-29] DatabricksのOmnigentを動かす(2) Pollyのクロスレビューをスモークテストで最後まで通す

DatabricksのOmnigentを使用して、Pollyのクロスレビューをスモークテストで実行する方法を解説しています。Pollyはコーディングオーケストレーターで、異なるベンダーによるレビューを行います。環境設定にはPython 3.12以上とNode.jsが必要で、claude_codeとcodexのCLIが必須です。小さなリポジトリを作成し、Pollyを起動後、タスクを投げることで、実装からクロスレビューまでの流れを確認します。これにより、Pollyの機能を実際に体験し、問題点を把握できます。