【内容注意】RAG 検証用ファイル
>100 Views
October 08, 25
スライド概要
RAG 検証用ファイル用のファイルとして配置しています。
内容については誤りが含まれていることに注意してください。
関連スライド
各ページのテキスト
Databricks の全体像 データインテリジェンスプラットフォーム 2025年9月
目次 目次 本プレゼンテーションの構成を一覧で示します 。 第1部: イントロダクション Databricksとは レイクハウスからの進化 データインテリジェンスプラットフォームの概念 プレゼンテーション構成 第2部: 基本アーキテクチャ システム全体像 マルチクラウド対応 Control PlaneとCompute Plane スケーリングの仕組み サーバレスコンピュート セキュリティアーキテクチャ ワークスペースとストレージ 高可用性と災害復旧 ネットワークアーキテクチャ パフォーマンス最適化 第3部～第7部 第3部: Unity Catalog - データ・AIガバナンス 第6部: ワークロード別活用パターン 第4部: データアーキテクチャ 第7部: セキュリティとガバナンス 第5部: AI・機械学習プラットフォーム
第1部: イントロダクション 第1部: イントロダク ション このセクションの内容 Databricksとは Databricksの概要、目的、そして企業のデータ活用を変革する基本的な役割 Databricksプラットフォームの基本概念と最新 のデータインテリジェンス機能を紹介します。 データインテリジェンスプラットフォームの概念 次世代データプラットフォームとしてのDatabricksの位置づけとその基本アーキテクチャ レイクハウスからインテリジェンスプラットフォームへの進化 データレイクハウスからデータインテリジェンスプラットフォームへと発展した背景と最新機能
イントロダクション：Databricksとは Databricksとは Databricksは、データレイクハウスの概念を発展させたデータインテリジェン スプラットフォームです。Apache Sparkの創設者たちによって2013年に設立さ れ、現在はクラウドベースの統合データ分析・AI開発プラットフォームとして 進化しています。 データとAIの統合：ビッグデータ処理、機械学習、BIを一つのプラットフ ォームで実現 オープンスタンダード：Delta LakeやApache Spark等のオープン技術を基 盤として採用 マルチクラウド対応：AWS、Azure、GCPなど主要クラウドに対応 Databricks データインテリジェンスプラットフォーム概要図 出典:Databricks公式ブログ ユニファイドガバナンス：Unity Catalogによるデータ・AIアセットの統合 ガバナンス 主な利用シナリオ データエンジニアリング BIとアナリティクス AI・機械学習 リアルタイム処理 詳細はAzure Databricks公式ドキュメントを参照 スライド 3 / 55
データインテリジェンスプラットフォームとは データインテリジェンスプラットフォーム データインテリジェンスプラットフォームは、レイクハウスの概念をさらに発 展させ、データとAIを統合して、高度な知見を導き出す次世代のデータプラッ トフォームです。 統一ガバナンス：Unity Catalogによるデータ・AI資産の一元管理とアクセ ス制御 セマンティック理解：AIによるデータの意味理解で、より高度な分析とイ ンサイト発見 AI活用：生成AIやML技術をビジネスデータと組み合わせた高度な分析 Databricksデータインテリジェンスプラットフォームの構成要素 出典: Microsoft Learn - Azure Databricks公式ドキュメント 多様なワークロード：ETL、DWH、BIからAI/MLまで、あらゆるデータワ ークロードに対応 プラットフォームの特徴 オープン性と互換性 セキュリティとガバナンス パフォーマンス最適化 全ユーザー向けインターフェー ス 詳細はAzure Databricks公式ドキュメントを参照 スライド 4 / 55
レイクハウスからインテリジェンスプラットフォームへの進化 進化の背景と意義 レイクハウス ～2023 Databricksは「レイクハウス」の概念を発展させ、現在は「データインテリジ ェンスプラットフォーム」として新たなステージに移行しています。この進化 は、データと人工知能を統合し、真のビジネスインテリジェンスを実現するた めのものです。 データレイク + データウェアハウス Delta Lake + SQL Analytics レイクハウスの限界：データ管理とAIが分離されており、ガバナンスが断 片化していた インテリジェンスへの進化：ユニファイドガバナンス、AIの組み込み、ビ ジネスコンテキストの強化 データインテリジェンスプラットフォーム 2025~ Unity Catalogの進化：データだけでなくAIアセットもカバーする統合管理 セマンティクスレイヤー：2025年新機能のメトリクス定義やAIドキュメン ト自動生成 データ + AI + ガバナンスの統合 Unity Catalog + Mosaic AI + Intelligence Engine 主な進化ポイント (2025) Databricksプラットフォームの進化 ビジネスメトリクス統合 Iceberg対応強化 データ品質監視自動化 AI生成ドキュメント 詳細は2025年のUnity Catalogアップデート情報を参照 スライド 5 / 55
第2部: 基本アーキテクチャ 第2部: 基本アーキテ クチャ Databricksのシステムアーキテクチャの基本要 素と構成について解説します。 基本構成要素 システム全体像と分離設計 マルチクラウド対応とリージョン戦略 Control PlaneとCompute Plane スケーリングの仕組みと自動化 サーバレス vs クラシックコンピュート セキュリティアーキテクチャ ワークスペースとストレージ 高可用性と災害復旧 ネットワークアーキテクチャ パフォーマンス最適化 アーキテクチャの特徴 クラウドネイティブ設計 - クラウドの柔軟性とスケーラビリティを最大限に活用 マルチクラウド対応 - AWS、Azure、GCPで一貫したエクスペリエンス エンタープライズグレードのセキュリティ - 細かなアクセス制御と暗号化
第2部 基本アーキテクチャ：全体俯瞰 Databricksアーキテクチャ全体像 出典: Microsoft Learn - Azure Databricks公式ドキュメント DatabricksのアーキテクチャはControl Plane（制御層）とCompute Plane（計算層）の2つに大別されます。この分離によりセキュリティと柔 軟なスケーリングを両立しています。 スライド 6 / 55
コントロールプレーンとコンピュートプレーン 2つのプレーンの分離 Databricksアーキテクチャは、管理機能を担う「コントロールプレーン」と実 際の計算処理を行う「コンピュートプレーン」に論理的に分離されています。 この分離により、セキュリティと拡張性の両立を実現しています。 コントロールプレーン：ワークスペース管理、認証、メタデータ、ウェブ UI、ジョブスケジューリングなどの管理機能を提供するDatabricks管理領 域 コンピュートプレーン：データ処理を実行するApache Sparkクラスタやサ ーバレスコンピュートが稼働する計算領域 Databricksのコントロールプレーンとコンピュートプレーンの分離アーキテク チャ ワークスペースストレージ：各ワークスペース専用のストレージアカウン トでシステムデータやDBFSを保管 出典:Microsoft Learn - Azure Databricks公式ドキュメント 分離アーキテクチャの利点 セキュリティ強化：顧客ごとのコンピュートリソースの完全な分離 スケーラビリティ：必要に応じた計算リソースの独立した拡張 パフォーマンス：管理機能と計算処理の分離による最適化 詳細はAzure Databricksアーキテクチャを参照 スライド 7 / 55
サーバレス vs クラシックコンピュート 2つのコンピュートモデル サーバレスコンピュー ト Databricksが管理するアカウ ント内で実行 クラシックコンピュー ト VS 顧客のAzureサブスクリプシ ョン内で実行 すぐに使えるオンデマンドリ ソース VNet統合と完全なネットワ ーク制御 自動スケーリングと管理の簡 素化 特殊なハードウェア要件に対 応 Databricksでは、ワークロードの特性や要件に合わせて2種類のコンピュートモ デルを選択できます。両者の違いと最適な使い分けを理解することで、コスト 効率と性能を最適化できます。 主な違いと特徴 実行環境： サーバレスはDatabricksアカウント内、クラシックは顧客のAzureサブス クリプション内 ネットワーク： サーバレスは複数レイヤーのセキュリティ分離、クラシックはVNet統合 起動速度： サーバレスは即時起動、クラシックは構成によって起動時間が変動 コスト最適化：サーバレスは秒単位の課金と自動スケーリングで効率的 使い分けの指針 サーバレス向き： 一時的ワークロード、コスト重視、素早い起動が必要、SQL分析、ML モデルサービング Databricksのサーバレス/クラシックアーキテクチャの概要 クラシック向き： 特殊なネットワーク要件、オンプレミスリソースとの接続、GPUなど 特殊ハードウェア利用時 出典:Microsoft Learn - Azure Databricks公式ドキュメント スライド 8 / 55
ワークスペースとストレージ ワークスペースとストレージ管理 Azure Databricksでは、ワークスペースとストレージの関係が明確に定義され ています。各ワークスペースには専用のストレージアカウントが関連付けられ ます。 ワークスペースストレージアカウント：ワークスペース作成時に自動的に 作成され、システムデータ、DBFS、Unity Catalogワークスペースカタロ グを保存 DBFS (Databricks File System)：dbfs:/名前空間でアクセス可能な分散ファ イルシステム Unity Catalogとの連携：ワークスペースカタログはUnity Catalogで自動的 に有効化され、外部ロケーションとストレージ認証情報によってバックアッ プ Databricks ワークスペースとストレージの関係図 出典:Microsoft Learn - Azure Databricks公式ドキュメント ストレージアクセス制限：ファイアウォールサポートを有効にすること で、認可されたリソースとネットワークからのみアクセス可能 ストレージアクセス方法 DBFS Root（/dbfs） DBFS マウント Unity Catalog ボリューム 外部クラウドストレージ直接ア クセス スライド 9 / 55
ネットワークアーキテクチャ セキュアなネットワーク通信 Databricksは多層防御のセキュアなネットワークアーキテクチャを採用し、コ ントロールプレーンとコンピュートプレーン間の安全な分離を実現しています 。 PrivateLink連携：Azure PrivateLink対応でコントロールプレーンとの通信 をプライベート化 VNet注入：クラスタリソースを顧客VNetに配置し、既存のネットワークポ リシーを適用 Secure Cluster Connectivity：クラスタへのSSHアクセスを排除し、セキ ュアなWebSocketベースの通信を実現 Azure Databricksのネットワークアーキテクチャ概要 出典:Microsoft Learn - Azure Databricks公式ドキュメント IPアクセスリスト：ユーザーインターフェイスやAPIへのアクセスを特定の IPアドレス範囲に制限 通信経路の暗号化 転送中データは常にTLS 1.2以上で暗号化 保存データは暗号化（CMEK/BYOK対応） サーバレスコンピュートでは顧客間の完全なネットワーク分離 詳細はAzure Databricksネットワークセキュリティドキュメントを参照 スライド 10 / 55
マルチクラウド対応とリージョン戦略 クラウド間の一貫性と柔軟性 Databricksはマルチクラウド戦略をサポートし、AWS、Azure、GCPの主要ク ラウドプロバイダーで一貫した体験を提供します。これにより、ベンダーロッ クインを回避しながら最適なリソース配置が可能になります。 統一された体験：クラウドに関係なく同一のDatabricksインターフェース と機能 グローバルリージョン展開：30以上のリージョンで利用可能、コンプライ アンス要件にも対応 クロスクラウドコラボレーション：Delta Sharingを活用したクラウド間で のセキュアなデータ共有 Databricks マルチクラウドアーキテクチャ 画像出典:Databricks 公式ブログ 移行とポータビリティ：オープンフォーマット（Delta, Iceberg）採用によ るクラウド間移行の容易さ リージョン選択の考慮点 データ主権要件 レイテンシー要件 地域別コンプライアンス コスト最適化 Azure Databricksサポート対象リージョン一覧 スライド 11 / 55
スケーリングの仕組み スケーリングの仕組み Databricksは柔軟で強力なスケーリング機能を提供し、ワークロードに応じて 計算リソースを最適化します。ユーザーが意識することなく、必要に応じてリ ソースを拡張・縮小できます。 Worker 1 自動スケーリング：クラスターは負荷に応じてワーカーノードを自動的に 追加/削除し、コストとパフォーマンスを最適化 Worker 2 水平スケーリング（Scale Out）：ワーカーノードの数を増減してワークロ ードを分散処理。ビッグデータ処理やSparkジョブに効果的 垂直スケーリング（Scale Up）：個々のノードのサイズ（CPU/メモリ）を 拡張。メモリ集約型ワークロードに最適 Worker 1 Worker 2 Worker 3 Worker 4 Databricksクラスターの自動水平スケーリング サーバレスコンピュート：事前プロビジョニング不要で即時スケール。使 用時のみ課金される効率的なオプション スケーリングのベストプラクティス 自動終了： 一定の非アクティブ時間後にクラスターを自動終了させ、コスト削減 水平スケール 垂直スケール ロードバランス 最小/最大ワーカー数：ワークロードに応じた適切な設定で効率化 フォトンエンジン： 高速クエリパフォーマンスとコスト削減のための最適化 スライド 12 / 55
セキュリティアーキテクチャ概要 セキュリティアーキテクチャ Databricksは多層防御アプローチを採用し、クラウドネイティブなセキュリテ ィアーキテクチャを実現しています。 主要セキュリティ対策 ネットワークセキュリティ：PrivateLink、IP制限、VNet統合によるネット ワーク分離 アイデンティティ管理：SSO連携、SCIM、細かなIAM権限設定 データ保護：転送中・保存中の暗号化、顧客管理暗号化キー(CMEK)対応 コンプライアンス：主要認証（SOC 2 Type II、HIPAA、GDPR等）に準拠 Databricksのセキュリティレイヤー構造 出典:Microsoft Learn - Azure Databricks公式ドキュメント セキュリティ設計の特徴 Control PlaneとCompute Planeの分離による強固なセキュリティ境界 Unity Catalogによる統一されたデータガバナンスとアクセス制御 サーバレスコンピュートによる顧客間の完全分離 セキュリティ対策を自動監視するSecurity Analysis Tool (SAT) セキュリティベストプラクティスの詳細 スライド 13 / 55
高可用性・災害復旧戦略 Databricksの可用性と継続性 Databricksは複数のレベルでの高可用性を実現し、データとワークロードの継 続性を確保するための包括的な戦略を提供しています。 コントロールプレーンの冗長性：複数のアベイラビリティゾーンにまたが る高可用性設計 コンピュートプレーンの自動回復：クラスタノード障害時の自動検出と再 起動 メタデータレプリケーション：データベースメタデータの自動レプリケー ションと保護 Databricksの高可用性アーキテクチャ概念図 バックアップと復元：スナップショットによるDelta Lakeテーブルの時間 指定復元 出典:Microsoft Learn - Azure Databricks公式ドキュメント 災害復旧戦略のベストプラクティス マルチリージョン展開による地理的冗長性の確保 高可用性 災害復旧 定期的なデータバックアップとリテンション期間の設定 重要なワークフローの定期的な障害テスト実施 Unity Catalogによるメタデータのクロスリージョンレプリケーション 詳細はAzure Databricks災害復旧ガイドを参照 スライド 14 / 55
パフォーマンス最適化の考え方 パフォーマンス最適化のポイント Databricksプラットフォームでは、ワークロードのパフォーマンスを最大化す るための複数の最適化技術が組み込まれています。費用対効果とパフォーマン スのバランスを考慮した設計が重要です。 Photonエンジン：C++ベースのネイティブエンジンによるクエリ実行の高 速化。従来のSparkエンジンに比べ最大8倍の高速化を実現 液体クラスタリング（Liquid Clustering）：データの自動インデックス化 と最適レイアウト生成によるI/O最適化 予測的最適化（Predictive Optimization）：クエリパターンを学習し、自 動的に最適なデータレイアウトを予測・適用 Databricks パフォーマンス最適化アーキテクチャ Delta最適化：Z-Order、コンパクション、データスキッピングによる処理 効率化 出典: Microsoft Learn - Azure Databricks公式ドキュメント ベストプラクティス クラスタ構成の最適化 SQLウェアハウスサイジング パーティション戦略 キャッシュの有効活用 Azure Databricks Photonエンジン公式ドキュメント スライド 15 / 55
第3部 Unity Catalogとは 第3部 Unity Catalog とは Databricksのコア・ガバナンス基盤である Unity Catalogの概要と主要機能について解説 します。 統合データ・AIガバナンス基盤 Unity Catalogは、データとAIアセットに対する統一的なガバナンス、検索、アクセス管理を提供する中央メ タデータサービスです。複数のワークスペース、クラウド、ツールにまたがる統合管理を実現します。 主要機能 拡張機能と連携 統一カタログによるメタデータ管理 メトリクス管理（2025年新機能） きめ細かなアクセス制御（RBAC/ABAC） データ品質監視の強化 データリネージと監査機能 外部システム・カタログ連携 Apache Iceberg対応（2025年新機能） ビジネスユーザー向け拡張 詳細は公式ドキュメントをご参照ください： Unity Catalog 公式ドキュメント
統一カタログによるメタデータ管理 Unity Catalogによるメタデータ統合 Unity Catalogは、Databricksの中核となるメタデータ管理システムで、データ とAI資産の統合カタログを提供します。複数のワークスペース、クラウド、リ ージョンにまたがる一元的なデータガバナンスを実現します。 3層メタデータ階層：カタログ＞スキーマ＞テーブル/ビューという直感的 な階層構造 多様なアセット対応：テーブル、ビュー、ファイル、ML機能、モデル、ダ ッシュボードなど 自動リネージ追跡：データの変遷を自動で記録し、影響分析を容易に Unity Catalogのメタデータ階層構造（カタログ、スキーマ、テーブル） 出典:Microsoft Learn - Unity Catalog公式ドキュメント 統合検索・探索：組織全体のデータ資産をキーワード、タグ、メタデータ で検索 2025年の新機能 AIによる自動タグ付け 統一メトリクス定義 拡張リネージビュー 自然言語データ探索 Unity Catalogの詳細はこちら スライド 17 / 55
アクセス制御の基礎 アクセス制御の基礎 Unity Catalogは、きめ細かなアクセス制御を提供し、組織のセキュリティニー ズに合わせた柔軟なポリシー設定が可能です。従来のロールベースから、より 高度な属性ベースのアクセス制御まで対応しています。 RBAC (Role-Based Access Control) 役割に基づく制御：ユーザーの役割（管理者、分析者など）によってアク セス権限を付与 簡潔な管理：カタログ、スキーマ、テーブルレベルでの権限管理が可能 階層構造：継承可能な権限体系により管理を簡素化 RBAC vs ABAC 比較 出典: DNSstuff技術ガイド ABAC (Attribute-Based Access Control) 属性に基づく制御：データの属性、ユーザー属性、環境条件などに基づく 動的なアクセス制御 行・列レベルのセキュリティ：特定の条件に基づきデータの一部のみを表 示 データ分類連携：自動分類されたPIIデータへのアクセス制限を自動適用 Unity Catalogの主なアクセス制御機能 細粒度アクセス制御：カタログ・スキーマ・テーブル・列・行レベル Unity Catalog のマルチレベル・アクセス制御 IAM/AAD連携：クラウドIDとの統合認証 スライド 18 / 55
データリネージ・監査機能 データリネージと監査機能 Unity Catalogは、データの起源から変換、使用まで追跡する強力なリネージ（ 系統）機能と、包括的な監査機能を提供します。これによりデータガバナンス とコンプライアンスが大幅に強化されます。 自動リネージ収集：SQLクエリ実行時に自動的にテーブル間の関係を記録 し、列レベルの詳細な系統情報を生成 視覚的リネージグラフ：上流・下流の依存関係を直感的なグラフで表示、 インパクト分析を容易に実現 監査ログ：すべてのデータアクセス、メタデータ変更、権限変更を包括的 に記録 Unity Catalogによるカラムレベルのデータリネージの可視化 出典: Monte Carlo Data技術ブログ 変更履歴追跡：データやスキーマの変更を追跡し、いつ誰が何を変更した かを明確に把握 主なユースケース 問題の根本原因調査 コンプライアンス証明 監査報告書作成 変更影響分析 詳細はAzure Databricks Unity Catalogのデータリネージ公式ドキュメントを参照 スライド 19 / 55
第3部 Unity Catalog - データ・AIガバナンス Iceberg対応とオープンフォーマット連携 Unity Catalog Apache Delta Iceberg Lake 統合メタデータレイヤー ネイティブサポート 2025新対応 Apache Hudi Parquet/CSV メタデータ連携 標準フォーマット 2025年新機能： Unity CatalogはApache Iceberg REST Catalog APIを完全サポートし、外部エンジンからの読み書きを実現。これによりフォー マットロックインを排除し、Trino、Snowflake、Amazon EMRなど様々な外部システムとの相互運用性を提供します。 Icebergマネージドテーブル Icebergカタログフェデレーション Delta SharingからのIceberg対応 オープン標準を活用した相互運用性 詳細はDatabricksブログを参照 スライド 20 / 55
Unity Catalogメトリクス管理 Unity Catalog Metrics Unity Catalog Metricsは、2025年の主要な新機能で、ビジネスメトリクスをデ ータレイヤーで定義し、すべてのデータ・AIワークロードで一貫して再利用で きるようにします。 一度定義、どこでも利用：メトリクスをUnity Catalogで一元定義し、AI/BI ダッシュボード、Genie、ノートブック、SQL、Lakeflowジョブなど全ての 場所で利用可能 一貫したセマンティクス：異なるツールやチーム間でビジネスKPIの定義を 標準化し、全社で一貫した指標を実現 ガバナンスとセキュリティ：認証済みメトリクスには監査とリネージ機能 が標準搭載され、コンプライアンスとデータ信頼性を確保 Unity Catalog Metricsアーキテクチャ - 2025年新機能 出典:Databricks公式ブログ パートナーエコシステム統合：TableauやPower BI等の主要BIツール、 Anomaloなど監視ツールとの統合予定 ビジネスユーザーへの価値 統合されるパートナーエコシステム Tableau Monte Carlo Power BI Hex ThoughtSpot 「Unity Catalog Metricsは、ビジネスKPIを中央で定義し、チーム間でセマ ンティクスを標準化することで、全員が同じ信頼できる定義をダッシュボ ード、SQL、AIアプリケーション全体で使用できるようになります。」 - Richard Masters氏（Virgin Atlantic社、データ＆AI担当副社長） Azure Databricksメトリックビュー公式ドキュメントを参照 スライド 21 / 55
データ品質監視の強化 データ品質監視の強化 Unity Catalogを基盤とした自動データ品質監視システムにより、大規模デー タ環境でも一貫した品質管理が可能になります。2025年の最新機能では、異 常検知とアラートが大幅に強化されています。 データ鮮度の監視：テーブルが最後に更新されたタイミングをモニタリン グし、データの古さをアラート通知 データ完全性チェック：予測されるデータ量と実際のデータ量の比較を自 動実施 異常検知：AIを活用した統計的異常検出により、データパターン変化をプ ロアクティブに検出 Unity Catalogを活用したデータ品質監視ダッシュボード 出典：Databricks公式ブログ 影響分析：リネージを活用した下流への影響評価で重要度を自動判定 主な適用シナリオ IoT/センサーデータ検証 顧客データ品質確保 金融取引データ整合性 AIモデル入力データ検証 詳細はAzure Databricks公式ドキュメントのデータ品質監視ガイドを参照 スライド 22 / 55
外部システムおよびカタログ連携 外部システム連携 Unity Catalogを中心としたDatabricksの外部システム連携機能により、既存の データソースとシームレスに統合し、単一の管理ポイントからアクセス制御を 実現できます。 Lakehouse Federation：外部RDBMSや他のSQLデータソース（MySQL、 Postgres、SQL Server、Synapse等）をETLなしでUnity Catalogに統合 カタログフェデレーション：Hiveメタストアカタログを既存の形式のまま Unity Catalogに連携し、統合ガバナンスを適用 Databricks と外部システムの連携アーキテクチャ 出典:Microsoft Learn - Azure Databricks公式ドキュメント 連携システム例 SQL Server PostgreSQL Snowflake AWS Glue Synapse Analytics Hiveメタストア Iceberg Catalog連携（2025年新機能）：AWS Glue、Hiveメタストア、 Snowflake HorizonのIcebergテーブルにシームレスにアクセス Delta Sharing：組織間のデータ共有をオープンプロトコルで実現、クラウ ドやリージョンを越えた連携が可能 連携のメリット データ移行不要で既存資産を活用しながら統合ガバナンスを実現 単一インターフェースからすべてのデータソースにアクセス可能 きめ細かなアクセス制御と監査ログを外部データにも適用 詳細はLakehouse Federation公式ドキュメントを参照 スライド 23 / 55
ビジネスユーザー向け拡張機能 ビジネスユーザー向け機能強化 2025年のDatabricksは、技術者だけでなくビジネスユーザーにもフォーカスし た機能拡張を提供しています。データプラットフォームを企業全体で活用する ための新機能を紹介します。 Unity Catalog Discover機能（Private Preview）：ビジネスドメイン別に整 理されたキュレーションされた内部マーケットプレイス。データ資産を部 門別（営業・マーケティング・財務など）に発見しやすい形で提示します 。 Unity Catalog Metrics（Public Preview）：ビジネスメトリクスを一元管 理する新機能。ダッシュボード、SQL、AI間で一貫した指標定義を実現し 、指標の混乱を解消します。 Unity Catalog Discover インターフェース 出典:Databricks公式ブログ 認証・廃止フラグ表示：データの信頼性を視覚的に表示し、品質の高いデ ータセットを瞬時に識別可能にします。 Databricksアシスタント：自然言語で質問すると、統制されたデータに基 づいて回答する対話型AIツール。 インテリジェント検索 AIアシスタント セマンティック検索体験 自然言語での質問応答 メトリクス管理 ドメイン整理 統一された指標定義 ビジネス領域別の整理 ビジネス価値 意思決定の迅速化 部門間データ連携促進 データ信頼性向上 セルフサービス分析 スライド 24 / 55
第4部 データアーキテクチャとパイプライン 第4部 データアーキテ クチャとパイプライン モダンデータパイプライン全体像と構成の流れ を解説します。メダリオンアーキテクチャを中 心に、効率的なデータ変換と管理手法を学びま しょう。 メダリオンアーキテクチャ メダリオンアーキテクチャの基本概念 トランザクション保証 Bronze層：生データの取り込み スキーマ進化 Silver層：データクレンジングと統合 タイムトラベル（履歴管理） Gold層：ビジネス準備済みデータ クエリ最適化 Delta Lakeの特徴と利点 Parquet形式とメタデータ管理 データ処理パイプライン ストリーミングデータ処理 多様なデータフォーマット対応 Structured Streamingの活用 Delta, Iceberg, Hudiの互換性 バッチ処理パイプライン データ共有とDatabricks Marketplace Auto Loaderによるデータ取り込み Delta Sharingの活用事例 このセクションでは、Databricksが推奨するメダリオンアーキテクチャの実装方法と、そのメリットを詳しく解説します。特 に、データの品質向上プロセスと各層の役割に焦点を当てています。 詳細は 公式ドキュメント をご参照ください。
第4部 データアーキテクチャとパイプライン メダリオンアーキテクチャとは 画像出典: Databricks公式サイト メダリオンアーキテクチャはBronze（生データ）、Silver（検証済みデータ）、Gold（ビジネス準備済みデータ）の3層でデータを段階的に洗練 していくデータレイクハウスの基本設計パターンです。 Bronze: 生データをそのまま保存 Silver: クレンジング・変換・結合 Gold: ビジネスメトリクス・集計 スライド 26 / 55 全層でDeltaトランザクション保証
Bronze層：生データの取り込み Bronze層：生データレイヤー Bronze層はメダリオンアーキテクチャの最初のステージで、外部ソースからの 生データをそのまま取り込み保存する領域です。これは「Single Source of Truth」として機能し、後続の処理のための基盤となります。 取り込みデータの種類：ログデータ、IoTセンサーデータ、CRMシステム、 ERPシステム、トランザクションデータなど データフォーマット：JSON、CSV、XML、Avro、Parquet、画像、動画な ど様々な形式 取り込み手法：Auto Loader、Structured Streaming、Apache Kafka連 携、JDBC/ODBC接続など スキーマ適用：最小限のスキーマ強制または推論スキーマの適用 メダリオンアーキテクチャのBronze層（生データ取り込み） Bronze層のベストプラクティス 出典:Databricks公式サイト データはそのまま取り込み、変換は最小限に抑える すべてのソースデータに取り込み時刻と出所を記録 Delta Lake形式でデータを保存し、ACIDトランザクション保証 効率的なパーティショニング戦略を適用する 詳細はAzure Databricksメダリオンアーキテクチャのドキュメントを参照 スライド 27 / 55
Silver層：データクレンジングと統合 Silver層の役割と処理 Silver層はメダリオンアーキテクチャの中間層で、Bronze層から取り込まれた 生データを検証・クレンジング・統合してビジネス利用可能な形に変換します 。品質と一貫性が確保された信頼性の高いデータセットを作成します。 主なデータ処理操作 データクレンジング：欠損値の処理、外れ値の検出と補正、重複データの 削除 スキーマ適用：データ型の強制、スキーマ進化の管理 データ統合：複数のソースから取得したデータの結合・統合 データ標準化：名称や単位の標準化、コードの統一 データ検証：ビジネスルールに基づくデータ検証と品質チェック メダリオンアーキテクチャにおけるSilver層の位置付けと処理フロー 出典:Databricks公式サイト Silver層の実装パターン Delta Lake テーブル + データ検証 Delta Lakeのトランザクション機能を活用し、データ品質チェック（ expectations）を適用 クレンジング 統合 検証 ストリーミング + バッチハイブリッド処理 リアルタイムデータとバッチデータの統合パイプラインの構築 メダリオンアーキテクチャの詳細はこちら スライド 28 / 55
Gold層：ビジネス指向データ Gold層：ビジネス価値の創出 Gold層はメダリオンアーキテクチャの最終層であり、ビジネスユーザーが直接 アクセスして利用する高度に集約・加工されたデータを提供します。Silver層 のクリーニング済みデータをさらに価値化した状態です。 ビジネス指向の集計データ：部門やチーム別KPI、ダッシュボード用集計 値 特徴量テーブル：ML・AIモデル用に最適化された特徴量 ディメンショナルモデル：ファクトテーブルとディメンションテーブル メダリオンアーキテクチャにおけるGold層の位置づけ データプロダクト：再利用可能な分析データセットやビュー 出典:Databricks公式サイト Gold層のベストプラクティス ビジネス要件に基づく設計 データカタログとの統合 アクセス制御の最適化 データ品質メトリクスの監視 詳細はAzure Databricksメダリオンアーキテクチャのドキュメントを参照 スライド 29 / 55
Delta Lakeの特徴と利点 Delta Lakeの特徴と利点 Delta Lakeは、データレイクにデータウェアハウスの信頼性と性能を提供する オープンソースストレージレイヤーです。大規模なデータセットに対する高信 頼性のETL、分析、AIワークロードをサポートします。 ACIDトランザクション：複数の同時書き込みを安全に処理し、データの整 合性を保証 スキーマ強制と進化：データ品質の確保とスキーマの柔軟な変更をサポー ト タイムトラベル（バージョニング）：過去のデータスナップショットに簡 単にアクセス可能 ストリーミングデータ統合：Structured Streamingとのシームレスな連携 Delta Lakeの多層アーキテクチャとトランザクション機能 出典： The Databricks Blog 最適化エンジン：Zオーダー、自動インデックス、データスキッピングに よる高速クエリ 一般的なユースケース バッチ・ストリーミング統合 データバージョニング データ品質管理 ETL/ELTパイプライン 詳細はAzure Databricks Delta Lake公式ドキュメントを参照 スライド 30 / 55
第4部 データアーキテクチャとパイプライン ストリーミングデータ処理 出典: Databricks公式ブログ DatabricksではStructured StreamingとDelta Lakeを組み合わせることで、高速かつ信頼性の高いストリーミングデータ処理パイプラインを実現 しています。 スライド 31 / 55
バッチ処理パイプライン バッチ処理パイプライン Databricksプラットフォームでは、大規模データの定期的なバッチ処理を効率 的に構築・運用できます。Delta Lake上に構築されたバッチ処理パイプライン は、信頼性と拡張性を兼ね備えています。 自動化ワークフロー：Lakeflow Jobsを使用した依存関係を持つマルチタ スクワークフロー構築 冪等性と耐障害性：トランザクション管理とチェックポイントによる安全 な再処理 スケジュール実行：時間/イベントベースのトリガーで定期的なデータ処理 を実現 Databricksバッチ処理パイプラインアーキテクチャ 出典:Microsoft Learn - Azure Databricks公式ドキュメント パフォーマンス最適化：Z-Order、データスキッピング、コンパクションに よる処理効率向上 実装パターン メダリオン各層間ETL 増分データロード 定期的データ集計 日次/月次レポート生成 詳細はDatabricksジョブ公式ドキュメントを参照 スライド 32 / 55
多様なデータフォーマット対応 オープンデータフォーマット対応 Databricks はオープンでベンダーロックインのないアーキテクチャを採用して おり、複数のオープンデータフォーマットをネイティブでサポートしています 。これにより、既存の投資を保護しながら、様々なエンジンやツールとの相互 運用性を実現しています。 Delta Lake：Databricks開発のオープンフォーマット。ACID トランザクシ ョン、スキーマ強制、タイムトラベルをサポート Apache Iceberg：2025年に強化されたネイティブサポート。大規模テーブ ル管理のためのオープンフォーマット 出典: Databricks 公式ブログ UniForm：Delta Lake上のデータをIceberg/Hudiとして読み書き可能にす る互換レイヤー フォーマット選択のポイント 既存環境との統合：使用中のツール・システムとの互換性を確認 Delta Lake Parquet Iceberg パフォーマンス要件：ユースケースに最適な読み書き性能を持つフォ ーマットを選択 Unity Catalogによる統合管理：どのフォーマットも単一のカタログで 管理可能 スライド 33 / 55
Auto Loaderによるデータ取り込み Auto Loaderとは Auto Loaderは、クラウドストレージに到着する新しいデータファイルを自動 的に検出し、効率的に取り込むDatabricksの機能です。増分処理により、大規 模データ取り込みをシンプルかつスケーラブルに実現します。 シンプルなAPI：spark.readStream.format("cloudFiles")の簡潔な構文で ストリーミング読み込み インフラコスト削減：通知ベースのアーキテクチャによりリストコスト最 適化 柔軟なスキーマ対応：スキーマ進化（evolution）対応と推論機能 高スループット：大量のファイルを効率的に処理、並列読み取りによる最 適化 Auto Loader によるクラウドストレージからのデータ取り込みフロー 実装例 出典:Microsoft Learn - Azure Databricks公式ドキュメント クラウドストレージ Auto Loader Delta Lake spark.readStream .format("cloudFiles") .option("cloudFiles.format", "json") .option("cloudFiles.schemaLocation", "/tmp/schema") .load("/path/to/input") .writeStream .trigger(once=True) .toTable("silver.customers") スライド 34 / 55
データ共有とDatabricks Marketplace データ共有とマーケットプレイス Databricksはオープン標準のDelta Sharingプロトコルとマーケットプレイスに より、安全で効率的なデータ共有エコシステムを提供します。これにより、組 織間のデータコラボレーションを大幅に簡素化できます。 Delta Sharing：クラウド、プラットフォーム、ツールの境界を超えたオー プン標準のデータ共有プロトコル マルチフォーマット対応：Delta、Iceberg、Parquetなど多様なフォーマ ット間での相互運用性 セキュアな共有：Unity Catalogによる統合アクセス制御と監査 Delta Sharingとデータマーケットプレイス連携アーキテクチャ Databricks Marketplace：商用・公共データ製品のオープンな交換基盤 出典:Microsoft Learn - Azure Databricks公式ドキュメント 主な活用シナリオ 部門間データ共有 パートナー連携 Clean Rooms データマネタイズ 詳細はAzure Databricks Delta Sharing公式ドキュメントを参照 スライド 35 / 55
第5部 AI・機械学習プラットフォーム 第5部 AI・機械学習プ ラットフォーム Databricksのデータを価値に変えるAI・機械学 習プラットフォームの全体像を解説します。 Mosaic AIとは Mosaic AIの概要と特徴 モデルサービングとガバナンス MLOpsワークフロー 生成AI・AIゲートウェイ新機能 モデル開発からデプロイメントまで AutoMLと実験管理 Feature Storeの活用 AI・機械学習の主要コンポーネント MLflow Feature Store 実験追跡、モデル管理、デプロイを 統合的に管理するためのプラットフ ォーム 特徴量の一元管理と再利用を可能に するリポジトリ Model Serving モデルを本番環境にデプロイし、高 性能なAPIとして提供 詳細はAzure Databricks AI/ML公式ドキュメントをご参照ください
Mosaic AI の概要 Mosaic AI とは Mosaic AIはDatabricksが提供する統合AIプラットフォームで、データとAIの ライフサイクル全体を単一の環境でサポートします。従来の機械学習からLLM ・生成AIまで、幅広いAIワークロードに対応します。 統合開発環境：実験からデプロイまでワンストップで提供、MLエンジニア の生産性向上 AI Gatewayとモデルサービング：複数のAIモデルを一元管理・提供するイ ンフラ Databricks Mosaic AI 出典: Databricks HP MLflow統合：実験管理・モデル追跡・再現性確保を自動化 LLMOps：大規模言語モデルの最適化・デプロイ・管理を効率化 2025年の新機能 生成AI MLOps ディープラーニング AI Gateway強化 AIガバナンス自動化 Vector Search高速化 MLモデル監視強化 詳細はAzure Databricks ML公式ドキュメントを参照 スライド 37 / 55
MLOps ワークフロー MLOpsワークフロー DatabricksのMLOpsワークフローは、機械学習モデルの開発から本番環境へ の展開、監視、継続的改善までの一連のプロセスを統合的に管理します。 MLflowを中心としたエンドツーエンドのライフサイクル管理により、モデル の信頼性と再現性を確保します。 開発フェーズ：MLflowによる実験管理、パラメータ追跡、モデルの再現性 確保。Notebooks、自動ML、ハイパーパラメータチューニングを活用 デプロイフェーズ：MLflow Model Registry、CI/CD連携、Databricks Model Servingによるモデルのバージョン管理と本番環境への展開 Databricks MLOps 継続的改善サイクル モニタリングフェーズ：モデル性能、データドリフト、予測品質の継続的 な監視と分析 フィードバックフェーズ：モデル更新トリガーの自動化、A/Bテスト、改 良サイクルの最適化 MLOps自動化ポイント データ検証と品質チェック CI/CDパイプラインとの統合 モデルの自動デプロイ パフォーマンス監視とアラート 詳細はAzure Databricks MLOpsドキュメントを参照 スライド 38 / 55
モデル開発からデプロイメントまで Databricksでのモデル開発ライフサイクル Databricksプラットフォーム上でのMLOpsプロセスは、モデル開発から本番 デプロイまでをシームレスに統合し、AIプロジェクトの価値実現を加速します 。 実験と開発：Notebookでのコラボレーション開発、MLflowによる実験追 跡、自動化されたハイパーパラメータ最適化 モデルの登録と管理：MLflow Model Registryでのバージョン管理、承認ワ ークフロー、Unity Catalogとの統合による全社的なガバナンス Databricks MLOpsライフサイクル - 開発からデプロイメント 出典: データブリックスのUnity Catalogで実現する真のデータガバナンス デプロイメント：複数のデプロイオプション（バッチ推論、Mosaic AI Model Serving、REST API）によるスケーラブルなモデル配信 モニタリングとフィードバック：パフォーマンス監視、特徴量ドリフト検 知、自動再トレーニングパイプラインの構築 2025年の強化ポイント LLMOps - 大規模言語モデルに特化した運用ワークフロー Auto-Scaling Model Serving - コスト効率とパフォーマンスの最適化 自動モデルドキュメント生成 - ガバナンス強化と透明性向上 詳細はAzure Databricks MLOpsドキュメントを参照 スライド 39 / 55
Feature Storeの活用 Feature Storeの活用 Feature Store（特徴量ストア）は、機械学習モデルで使用する特徴量を効率的 に管理・提供するための中央リポジトリです。Databricks Feature Storeは、 Unity Catalogと統合され、開発から本番までのMLライフサイクル全体をサポ ートします。 特徴量の一元管理：全てのML特徴量を一か所で管理し、チーム間で共有・ 再利用が可能 オンライン/オフラインストア：バッチ処理とリアルタイム推論の両方に対 応 バージョン管理とリネージ：特徴量の変更履歴と依存関係を追跡 Databricks Feature Storeのアーキテクチャ図 MLflowとの統合：モデル学習から推論までのプロセスをシームレスに連携 出典: Databricks の Feature Store 主なユースケース 特徴量の保存 特徴量の共有・再利用 リアルタイム推論 パーソナライゼーション 不正検知システム 予測分析モデル Feature Storeの詳細はこちら リアルタイム提供 スライド 40 / 55
モデルサービングとガバナンス モデルサービングとガバナンス Databricks Mosaic AI Model Servingは、機械学習モデルを本番環境に効率的に デプロイし、一元的にガバナンスするためのエンタープライズグレードの仕組 みを提供します。 スケーラブルなサービング：サーバレスインフラストラクチャによる自動 スケーリングと高可用性 統合ガバナンス：Unity Catalogとの連携によるモデルのアクセス制御・監 査・リネージ管理 モデル監視：モデルパフォーマンス・ドリフト検知・説明可能性の継続的 なモニタリング Databricks モデルサービングとガバナンス概念図 出典:Microsoft Learn - Azure Databricks公式ドキュメント MLflow統合：モデルレジストリとの完全統合によるバージョン管理とロー ルバック機能 モデルサービングの主な機能 リアルタイム推論 A/Bテスト アクセス制御 モデル説明可能性 詳細はAzure Databricks Model Serving公式ドキュメントを参照 スライド 41 / 55
第5部 AI・機械学習プラットフォーム 生成AI・AI Gateway新機能 独自LLMモデル カスタムモデルおよびファイ ンチューニング 外部モデル連携 ベクトル検索 OpenAI, Azure OpenAIなど 高速類似性検索と埋め込み Mosaic AI Gateway 統合管理・セキュリティ・ガバナンス 統合認証 使用状況監視 コスト管理 セキュリティ Mosaic AI Gatewayは、多様なAIモデルとの接続を一元管理し、セキュリティとコスト管理を強化する2025年の新機能です。企業内でのLLMや AIモデルの安全かつスケーラブルな活用を実現します。 中央管理型認証・認可 使用状況モニタリング 監査ログ RAG実装の簡素化 スライド 42 / 55
AutoMLと実験管理 AutoMLと実験管理 DatabricksのAutoMLとMLflow統合による実験管理機能は、モデル開発ライフ サイクル全体を効率化し、ガバナンスを強化します。データサイエンティスト の生産性向上と、企業レベルのAI実装を加速します。 AutoMLの主要機能：特徴量エンジニアリングの自動化、モデル選択、ハ イパーパラメータチューニングの自動最適化 実験のバージョン管理：すべてのモデル、パラメータ、メトリクスを自動 追跡し、再現性を確保 モデル比較と選択：異なるアルゴリズム・パラメータセットの性能を可視 化し、最適モデルを選定 MLflowによる実験トラッキングとAutoMLモデル管理フロー MLOpsとの統合：実験からプロダクション環境へのシームレスな移行を実 現 出典:MLflow公式ドキュメント MLflowによる実験管理の利点 実験履歴の完全追跡 再現可能なワークフロー チーム間コラボレーション モデル展開の簡素化 詳細はAzure Databricks AutoML公式ドキュメントを参照 スライド 43 / 55
第6部 ワークロード活用パターン 第6部 ワークロード活 用パターン 代表的な活用シナリオごとに構成例を提示しま す。 ワークロード活用パターン BI・アナリティクス ダッシュボードによる意 思決定支援、Power BIやTableauとの統合 データエンジニアリング ETLパイプライン自 動化、データ品質管理、メタデータ統合 データサイエンス・ML 予測分析、クラスタリ ング、推薦エンジン開発 詳細情報: Azure Databricksユースケース & ソリューション ストリーミング分析 リアルタイムデータ処理 、異常検知、イベント処理 生成AI・RAGアプリケーション 大規模言語モ デル活用、ナレッジベース検索拡張 外部システム連携 クラウドサービス統合、エ ンタープライズデータ連携
BI・アナリティクス BI・アナリティクスワークロード DatabricksのBI・アナリティクスワークロードは、SQLウェアハウスと主要なBI ツールとの統合により、エンタープライズグレードの分析環境を提供します。 Unity Catalogによる統一ガバナンスを基盤にして、データレイクハウス上のデ ータを直接可視化・分析できます。 Databricks SQL：高性能なSQLウェアハウス機能で、複雑なクエリも高速 実行 ダッシュボードと可視化：内蔵のダッシュボード機能と外部BIツール連携 による柔軟な可視化 Unity Catalogセマンティクス：統一されたメトリクス定義と意味づけで一 貫したレポーティング Power BIを活用したDatabricksデータ分析アーキテクチャ 出典:Databricks公式ブログ エンドツーエンドのガバナンス：データ品質、セキュリティ、系統追跡が 組み込まれた環境 主なユースケース Power BI Tableau セルフサービスアナリティクス リアルタイムダッシュボード データ探索と分析 エンタープライズレポーティン グ Looker 詳細はDatabricks SQLのドキュメントを参照 スライド 45 / 55
データエンジニアリングワークロード データエンジニアリングの最適化 Databricksプラットフォームは、高度なETL/ELTプロセスを設計・開発・運用す るための強力な基盤を提供します。従来のデータエンジニアリングプロセスを 自動化・最適化し、高速で安定したデータパイプラインを実現します。 Lakeflow宣言型パイプライン：コードを減らしメンテナンス性を高める SQL/Python宣言型ETL Auto Loader：クラウドストレージからの増分データ取込みを自動化 Lakeflow Connect：SaaSアプリやデータベースからのノーコード連携 メダリオンアーキテクチャ：Bronze→Silver→Goldの階層的データ処理 Databricksデータエンジニアリングパイプライン概要図 出典:Microsoft Learn - Azure Databricks公式ドキュメント 主要な機能と効率化 データ品質チェックの自動化 スケーラブルなバッチ処理 マルチタスクワークフロー制御 メタデータ・リネージュ統合 ジョブスケジューリング 統合モニタリング・通知 ETLクイックスタート - Azure Databricks公式ドキュメント スライド 46 / 55
データサイエンス・MLプロジェクト事例 データサイエンス・MLプロジェクト事例 Databricksを活用したデータサイエンス・機械学習プロジェクトでは、エンド ツーエンドの実装が可能です。実際の業界導入事例と実装パターンを紹介しま す。 代表的なユースケース 需要予測：小売・物流企業での在庫最適化、売上予測モデル実装 顧客セグメンテーション：金融機関でのリスクスコアリング、購買行動分 析 異常検知：製造業での品質管理、セキュリティ監視システム 画像・ビジョン：医療画像分析、商品認識システム、検査自動化 自然言語処理：感情分析、文書分類、質問応答システム Databricksでのデータサイエンスワークフロー事例 出典: Microsoft Learn - Azure Databricks公式ドキュメント 実装アプローチ Delta Lakeでのデータ準備と特徴量エンジニアリング MLflowでの実験管理と再現性確保 需要予測 顧客セグメンテーション 異常検知 AutoMLによる迅速なプロトタイピング Feature Storeでの特徴量共有と管理 画像処理 自然言語処理 生成AI モデルレジストリによるバージョン管理 モデルサービングによる本番環境へのデプロイ スライド 47 / 55
ストリーミング分析ワークロード リアルタイムデータ処理と意思決定 Databricksのストリーミング分析機能を活用すると、リアルタイムデータに基 づく迅速な意思決定と自動化されたアクションが実現できます。Structured Streamingを活用した高性能・高信頼のストリーム処理が特徴です。 低レイテンシー処理：マイクロバッチまたは連続処理モードでミリ秒レベ ルの応答を実現 デルタテーブル連携：Delta Lakeとのシームレスな統合でACIDトランザク ションを保証 エンド・ツー・エンドの信頼性：Exactly-onceセマンティクス、ウォータ ーマーク、ステートフル処理をサポート Databricks ストリーミング処理アーキテクチャ例 出典: Microsoft Learn - Azure Databricks公式ドキュメント MLモデルとの連携：リアルタイム推論と連携した自動アクション実行 主要ユースケース リアルタイム異常検知 継続的なKPI監視 IoTデバイス分析 リアルタイム不正検出 Structured Streamingの詳細はこちら スライド 48 / 55
生成AI・RAGアプリケーション活用 生成AI・RAG応用 RAG（Retrieval Augmented Generation）は、生成AIの回答精度と信頼性を高 めるために、外部データソースから関連情報を検索・抽出し、プロンプトに組 み込む手法です。Databricksプラットフォームでは、エンドツーエンドのRAG ソリューションを効率的に構築できます。 データの鮮度確保：最新の社内データを活用した回答生成 幻覚の軽減：事実に基づいた情報提供による精度向上 ドメイン特化：業界・企業固有の知識ベース活用 Databricksを活用したRAGアプリケーションアーキテクチャ マルチモーダル対応：テキスト、画像、表形式データの統合活用 出典:Microsoft Learn - Azure Databricks公式ドキュメント Databricksでの実装ポイント 1 Vector Searchを活用した高速検索 - Unity Catalogと連携したスケーラブルな検索基 盤 RAGの主要コンポーネント ベクトルデータベース 生成AIモデル 2 Lakeflow Jobsによる自動更新 - ナレッジベースを継続的に最新化 検索・検索拡張 パイプライン管理 3 AI Gateway & モデルサービング - LLMやエンベディングモデルの統合管理 詳細はVector Searchドキュメントを参照 スライド 49 / 55
外部システム連携ソリューション 外部システム連携 Databricksは様々な外部システムと柔軟に連携し、データの統合・活用を実現 します。データを移動せずに直接アクセスすることで、効率的なワークフロー を構築できます。 Lakehouse Federation：外部DBをUnity Catalogに統合し、移動なしで直 接クエリ カタログフェデレーション：既存のHiveメタストアをUnity Catalogに統合 REST API連携：包括的なAPIを通じた自動化・外部アプリケーション連携 Databricksと外部システムの連携アーキテクチャ ETL/ELTコネクタ：各種データソースからの効率的な取り込み 出典:Microsoft Learn - Azure Databricks公式ドキュメント 主要連携システム例 Azure Synapse MySQL/PostgreSQL Snowflake SAP/Salesforce 詳細はAzure Databricks クエリフェデレーション公式ドキュメントを参照 スライド 50 / 55
第7部 セキュリティとガバナンス 第7部 セキュリティと ガバナンス セキュリティベストプラクティス 多層防御アプローチによるセキュリティ設計 IAM統合とID管理のベストプラクティス Databricksプラットフォームのセキュリティ要 点まとめ。多層防御の考え方と実装方法を解説 します。 ネットワーク分離とPrivate Linkの活用 データ暗号化（保存中・転送中）の実装方法 コンプライアンス要件への対応 GDPR、CCPA、HIPAAなど主要規制への対応方法 業界別コンプライアンス要件（金融・医療・公共） 監査ログとコンプライアンスレポート作成の自動化 データプライバシーとユーザーガバナンス 属性ベースのアクセス制御（ABAC）によるきめ細かな権限管理 データ分類・マスキング・匿名化技術 Unity Catalogによる統合ガバナンスの実現方法 SAIFフレームワークを活用したセキュリティ管理 詳細は Databricksセキュリティベストプラクティス公式サイト をご参照ください
セキュリティベストプラクティス セキュリティベストプラクティス Databricksプラットフォームを安全に運用するための主要なセキュリティベス トプラクティスを紹介します。これらの対策を組み合わせることで、包括的な セキュリティ体制を確立できます。 アクセス管理：Unity Catalogによる細粒度アクセス制御の実装、IAMロー ルの最小権限原則の徹底、SSO連携 データ保護：保管時と転送時の暗号化、顧客管理暗号化キー(CMEK)の活 用、自動データ分類によるPII保護 Databricksのセキュリティ多層防御モデル 出典:Microsoft Learn - Azure Databricks公式ドキュメント ネットワーク分離：PrivateLink/VNet連携、IP許可リスト、Secure Cluster Connectivity (SCC) の有効化 監査と検知：包括的な監査ログの有効化、異常検知、Security Analysis Tool(SAT)による継続的なセキュリティ姿勢評価 セキュリティの4つの柱 アイデンティティとアクセ ス ネットワーク分離 データ保護と暗号化 監査と可視性 セキュリティの自動化 Terraform/AzureCLIを使用したセキュリティ設定の自動化と SecurityReferenceArchitecture(SRA)テンプレートの活用により、一貫したセキュリテ ィ対策の実装が可能です。 詳細はDatabricksセキュリティベストプラクティスガイドを参照 スライド 52 / 55
コンプライアンス要件への対応 グローバルコンプライアンスへの対応 Databricksは様々な国際規制や業界基準に対応し、グローバル規模でのコンプ ライアンス要件を満たすための包括的なフレームワークを提供しています。 GDPR CCPA HIPAA EU一般データ保護規 則 カリフォルニア消費者 プライバシー法 医療保険の携行性と責 任に関する法律 地域固有のデータ主権対応：EUデータ所在地要件、GDPR、米国 CCPA/CPRAなど各地域特有のデータプライバシー法に対応 業界別コンプライアンス：金融（GLBA、SOX）、医療（HIPAA）、小 売（PCI DSS）など、業界ごとの規制に準拠 PCI DSS SOC 2 ISO 27001 クレジットカード情報 保護基準 セキュリティ・可用性 監査報告書 情報セキュリティ国際 規格 Databricksが対応する主要なコンプライアンス認証と規制 第三者認証と監査：SOC 1/2/3、ISO 27001、FedRAMP（政府機関向け） などの国際認証を取得 共有責任モデル：プラットフォーム側と顧客側の責任分界点を明確化した コンプライアンスフレームワークを提供 コンプライアンス対応のキーポイント 業界別コンプライアンス対応 Unity Catalogによる統合アクセス制御と監査ログ機能 金融：FINRA, Basel III 医療：HIPAA, HITECH データの暗号化（保存時・転送時）とプライバシー保護機能 小売：CCPA, PCI DSS 製造：ISO 9001, IATF クラウドプロバイダーとの連携による地域特定のコンプライアンス要 件対応 継続的なセキュリティアップデートと脆弱性管理 Azureコンプライアンス公式ドキュメントを参照 スライド 53 / 55
データプライバシーとユーザーガバナンス データプライバシー保護と効率的ガバナン ス Databricksのデータプライバシーとユーザーガバナンス機能は、企業の厳格な コンプライアンス要件に対応しながら、データ活用を促進するための包括的な ソリューションを提供します。 自動データ分類：機械学習を活用してPIIなどの機密情報を自動検出・タグ 付け、保護ポリシーを自動適用 動的マスキング：ユーザーの権限に基づいた列レベル・行レベルでの動的 なデータマスキング Unity Catalogを活用した自動データ分類と保護のワークフロー 属性ベースアクセス制御 (ABAC)：役割、部門、地域などの属性に基づく柔 軟なアクセスポリシー 出典: データブリックスのUnity Catalogで実現する真のデータガバナンス タグポリシー：一貫したデータ分類と保護のための標準化されたタグ付け システム ABAC（属性ベースアクセス制御）適用例 PII データへのアクセス制限 地域別アクセス権限 部門・役割別ポリシー データ機密度レベルによる制御 統合監査・証跡：データアクセス、ポリシー変更、クエリ実行など全操作 の詳細なログ記録 実装ベストプラクティス 最小権限の原則に基づいたアクセス設計 データ分類タクソノミーの標準化と自動適用 スライド 54 / 55
まとめ＆Q&A Databricks プラットフォームの全体像 アーキテクチャ Unity Catalog メダリオンアーキテクチャ Control/Compute Plane分離設計 統一データ・AIガバナンス Bronze/Silver/Gold構造 Mosaic AI セキュリティ 多様なワークロード 統合AI/ML開発・運用基盤 多層防御・コンプライアンス対応 BI/ETL/ML/Gen AI統合 Databricksは統合データ・AI基盤として、データエンジニアリングからAI開発・運用まで一貫したプラットフォームを提供します。Unity Catalogによるガバナンスとオープンフォーマット対応で、データとAIの民主化を実現し、企業のデータ活用を加速します。 より詳細な情報 ご質問・疑問点 デモ・ハンズオン 次のステップ Azure Databricks 公式ドキュメント スライド 55 / 55