【Azure Databricks】No-CodeのLLMクエリおよびAIエージェントプロトタイプ構築

1. はじめに
2.Azure DatabricksにおけるNo-Code LLMの概要
3.前提条件
4.No-Code LLMの使用方法
5. まとめ
- この記事を読んだ方へのオススメコンテンツはこちら

1. はじめに

皆さんこんにちは。

今回はNo-CodeのLLMクエリおよびAIエージェントプロトタイプ構築について説明していきます。

【背景】

現代のデータシステムにおいて、生成AIと大規模言語モデル（LLM）は重要なコンポーネントとなってきています。しかし、多くのデータエンジニアやビジネスユーザーにとって、LLMの活用にはいくつかの課題があります。LLMの利用にはプログラミングスキルが必要なことが多く、AIの知識がなければ導入障壁が非常に高くなります。また、プロトタイプの構築に多くの時間と労力がかかります。

Azure Databricksはビッグデータ処理における強力なプラットフォームです。これらの障壁を克服するために、LLMクエリやAIエージェントプロトタイプを迅速に構築できるNo-Codeアプローチが必要です。これにより、高度なプログラミングスキルを持たないユーザーでも生成AIの力を活用でき、企業環境における試験時間の短縮とイノベーションの加速が実現できます。

【目的】

本記事では、Azure Databricks上のUI駆動型ツール（AI Playground、Genie、AI Functions）の活用方法を解説します。これにより、技術的な障壁を最小限に抑え、生成AIの試作・検証サイクルを短縮することを目指します。本ソリューションを通じて、データエンジニアとビジネスユーザーの双方が、プログラミングを行うことなく、自然言語によるLLMクエリの実行、セキュアなAIエージェントのプロトタイプ構築、ソースコードの自動生成、そして統合プラットフォーム上での一元的なデプロイ管理を容易に行えるようになります。

【目標】

本記事を読み終えた後、ユーザーはAI Playground上でLLMクエリを熟練して実行でき、完全なNo-Codeツール（Tools）統合型AIエージェントプロトタイプを自ら設定・テストできるようになります。また、コード出力（Code Output）のエクスポート機能を習得して実際のデプロイに活用でき、技術的な制限を正確に理解することで、この直感的なアプローチと従来のプログラミング手法（Databricks-backed code）を比較・選択できるようになります。

2.Azure DatabricksにおけるNo-Code LLMの概要

Azure DatabricksにおけるNo-Code LLMは、プログラミングスキルを必要とせずに生成AI技術へのアクセスを簡素化するために設計された、直感的なUIドリブンツール（AI Playground、Genie、AI Functionsなど）の集合体です。このソリューションは、以下の3つの主要機能を通じてコアな課題の解決に焦点を当てています。

AI Playground：ユーザーが自然言語でLLMの生のクエリを実行し、プロンプトを試験し、モデルのパラメーターを迅速に調整できる直接対話型インターフェースです。
AIエージェントプロトタイピング：外部ツールと連携して複雑なタスクを処理できるAIエージェントプロトタイプを迅速に設定・構築するための統合ツールを提供します。

l構造化 & コード出力：ビジュアルの設定をDatabricks-backed codeに自動変換するか、大規模システムへのデプロイ・テスト・統合に対応した構造化フォーマットでエクスポートします。

本記事では、企業向けの迅速なプロトタイピング基盤として、AIエージェントプロトタイプ構築とクエリ実行のワークフローに焦点を当てます。このNo-Code LLMアプローチの活用は、ビジネスユーザーの技術的障壁を下げるだけでなく、Azure Databricksの統合インフラ上での一貫性を確保し、安全なガバナンス基準に準拠しながらもアイデアから実際のプロダクトまでの時間を最大限に短縮します。

3.前提条件

このガイドを実施する前に、以下の前提条件を満たしていることを確認すること。

DatabricksワークスペースはFoundation ModelsおよびUnity AI Gatewayの機能をサポートするリージョンにデプロイされていること。
ワークスペースでUnity Catalogのデータガバナンス機能が有効化されていること。AIリソースを実行・管理するために、USE CATALOGおよびUSE SCHEMAの権限が必要です。
AI Playgroundで呼び出す対象のモデルサービングエンドポイントに対して、EXECUTEの権限が付与されていること。
こののサンプルデータセットをダウンロードし、[databricks-app.default.cherry_blossom_forecasts]というテーブルとしてUnity Catalogにインポートすること。

また、AIエージェントプロトタイプをアプリケーションとしてパッケージ化・デプロイ（エクスポート）する場合は、ワークスペースの管理者ページでDatabricks AppsとManaged MCP Serversの機能を有効化しておくこと。詳細はDatabricks Appsのブログを参照してください。

詳細については、Features with limited regional availability – Azure Databricks | Microsoft Learnを参照してください。

4.No-Code LLMの使用方法

4-1.AI PlaygroundでLLMクエリの実行

AI Playgroundは、Databricksワークスペースに統合されたノーコードのチャット環境であり、プロンプトの試験や大規模言語モデル（LLM）の直感的な比較を可能にします。ここでは、命令文のテスト、創造性（temperature）や出力語数の上限（max tokens）などの技術パラメーターの調整を簡単に行えます。また、ツール呼び出し（tool-calling）機能を持つAIエージェントのプロトタイプやスマート応答チャットボットを並べて素早く構築し、実際のコードに正式変換する前に確認できます。

DatabricksでAI PlaygroundによるLLMクエリを実行するには、以下の手順を順番に実施する。

Databricksワークスペースにアクセスする。サイドバーのAI/MLセクションで「Playground」を選択する。

ドロップダウンメニューのある「Model」セクションをクリックし、クエリに使用するモデルを選択する。

ここでチャットに使用するAIモデルを選択する。右側の画面にはトークン使用量をDBUに換算したコストが表示されます。お使いのリージョンでのモデル選択肢については、モデルサービスでサポートされている基礎モデル – Azure Databricks | Microsoft Learnを参照してください。
次に「エンドポイントを使用する」ボタンをクリックする。

画面左側の設定セクションで、モデルのハルシネーションを抑えるためにTemperatureを0.2に制限する。

システムプロンプトの入力欄に以下を入力する。その後「保存」をクリックする。

You are an expert data analyst specialized in weather and environmental data.

1	You are an expert data analyst specialized in weather and environmental data.

次に、以下のようにモデルに質問する。モデルの回答が下に表示されます。

Please write a Python code to calculate the average number of days from when cherry blossoms start to bloom to full bloom based on a basic algorithm, 
and also tell me this year's expected full bloom date in Kyoto in the databricks-app.default.cherry_blossom_forecasts data table

1 2	Please write a Python code to calculate the average number of days from when cherry blossoms start to bloom to full bloom based on a basic algorithm, and also tell me this year's expected full bloom date in Kyoto in the databricks-app.default.cherry_blossom_forecasts data table

モデルはコードの断片を返答するだけで、実行することはできません。モデルをアクション実行可能なAIエージェントにアップグレードするために、次のセクション「統合ツールを使ったAIエージェントプロトタイプの構築」に進みます。

4-2.統合ツールを使ったAIエージェントプロトタイプの構築

統合ツールを使ったAIエージェントプロトタイプの構築（AIエージェント Prototyping with Tools）とは、通常の大規模言語モデルに拡張機能を追加して構成をアップグレードするプロセスです。

これにより、テキストによる応答しかできないエンティティから、推論・自律的な選択・外部タスクの実行が可能なエージェントへと変換され、複雑な要求を解決できるようになります。

生のLLMを本格的なAIエージェントにアップグレードするために、以下の2つのフェーズを実施する。

フェーズ1：SQL エディタでツールを作成・パッケージ化する

Databricksの左側ナビゲーションバーで「SQL エディタ」を選択する。

以下のコードを入力し、「すべてを実行」をクリックする。下部にOKと表示されれば、関数の作成に成功しています。

CREATE OR REPLACE FUNCTION `databricks-app`.default.get_cherry_blossom_summary(
  year_param INT COMMENT 'The year to query, e.g., 2024'
)
RETURNS STRING
COMMENT 'Returns the average temperature for a specific year as a text string.'
RETURN
  SELECT 
    CONCAT('The average temperature (tavg) for ', year_param, ' is: ', ROUND(AVG(tavg), 2), '°C')
  FROM 
    `databricks-app`.default.cherry_blossom_forecasts
  WHERE 
    YEAR(date) = year_param;

CREATE OR REPLACE FUNCTION `databricks-app`.default.get_cherry_blossom_summary(

year_param INT COMMENT 'The year to query, e.g., 2024'

)

RETURNS STRING

COMMENT 'Returns the average temperature for a specific year as a text string.'

RETURN

SELECT

CONCAT('The average temperature (tavg) for ', year_param, ' is: ', ROUND(AVG(tavg), 2), '°C')

FROM

`databricks-app`.default.cherry_blossom_forecasts

WHERE

YEAR(date) = year_param;

フェーズ2：作成したツールをAI Playgroundに統合する。

Playground画面で「追加」→「ツールを追加」を選択し、「system.ai.python_exec」と先ほど作成した「databricks-app.default.get_cherry_blossom_summary」を選択する。

2つのツールが追加されていることを確認した後、以下のプロンプトを入力する。

Give me the weather summary for 2024.

1	Give me the weather summary for 2024.

ここにモデルがクエリ結果を返すのが確認できます。統合ツール付きAIエージェントの構築に成功しました。

4-3.Databricks Appにエージェントのエクスポート

エージェントをDatabricks Appにエクスポートするには、以下の手順を実施する。

モデル上部のバーで「コードを取得」→「Databricks Appsにエクスポート」を選択する。

「Databricks Appsにエクスポート」画面で、アプリのアプリ名とアプリの説明を入力する。次に「MLflowエクスペリメント」セクションで「新しいエクスペリメントを作成」を選択する。これはエージェントの監視スペースと活動履歴を保存するために必須の項目です。

「GenAIアプリとエージェントエクスペリメントを作成」画面でエクスペリメント名を入力する。「トレースの保存場所」でUnity Catalogを選択し、「Unity Catalogのロケーション」で作成した機能を含むCatalogを選択する。エージェントのツールコールのログはここに非公開デルタテーブルとしてパッケージ化されます。「エクスペリメントを作成」ボタンをクリックしてエクスペリメントを作成する。

完了後、「エクスポート」をクリックする。DatabricksがAppの作成プロセス全体を自動実行します。

Databricks Appにアクセスしてアプリを確認する。アプリのステータスが緑の点「実行中（Running）」および「ステータス：アクティブ（Status: Active）」に変わり、https://agent-weather-summary-…形式の公式アクセスURLが発行されると、エージェントのDatabricks Appsへのパッケージ化とデプロイが完了します。

4-4.No-Codeアプローチと従来のアプローチの比較

評価基準	No-Codeアプローチ（Playground + Databricks Apps）	従来のアプローチ（コードベースエージェント）
デプロイ速度	迅速。エクスポート機能を通じて、数回のクリックだけでプロトタイプをパッケージ化して本番環境\に展開できます。	より遅い。エンジニアがSDK接続コードを手動で記述し、LangChain/LlamaIndexのフローを構成し、Docker/Serverlessインフラをゼロから設定する必要があります。
データガバナンス & セキュリティ	最適化・同期済み。Unity Catalogの階層型セキュリティ機構を継承しています。関数呼び出しのログはMLflow Experimentを通じて自動管理されます。	複雑。接続文字列の設定、コード内でのToken/Secretsの手動管理が必要で、情報漏洩のリスクが生じやすいです。
スキル要件（Skill Barrier）	低い。Data Analyst、Business Analyst、または業務専門家でも、高度なPythonプログラミングスキルなしにエージェントを作成できます。	高い。コードの最適化とインフラ管理のためにソフトウェアエンジニアの関与が必要です。
インターフェースのカスタマイズ性（UI/UX）	制限あり。Databricks Appsの既存チャットインターフェーステンプレートや既存フレームワーク（Streamlit/Gradio）に完全依存します。	柔軟。複雑なインターフェースを自由に構築し、企業のブランドアイデンティティに合わせたカスタムの動的グラフを統合できます。
複雑なロジックの処理	基本〜中程度。単層のツール呼び出し（Tool Calling）や明確なデータ検索シナリオの処理に適しています。	無制限。複雑なマルチエージェント・システム（Multi-Agent Systems）の構築をサポートし、自動コード修正や高度な推論チェーンの実行が可能です。

4-5.利用上の制限事項と推奨事項

システムの安定性を確保するための利用上の制限事項と推奨事項を以下に示します。

system.ai.python_execツールは独立したサンドボックス内で動作し、外部環境からのグローバル変数（sparkオブジェクトなど）を継承しません。
Unity Catalog関数（UDF）はデータベース層でデータを処理・集約し、LLMが読みやすい文字列（String）または簡潔なJSONのみを返すよう設計することを推奨します。
エージェントがアクセスする必要のあるテーブルや関数に対して、USE CATALOG、USE SCHEMA、SELECT/EXECUTEなどの最小限の権限のみを付与すること。

5. まとめ

AI PlaygroundとDatabricks Appsを通じたAIエージェントの構築・デプロイは、生成AIモデルを企業の実務に導入するプロセスを簡素化する大きな進歩です。Unity Catalogに既存する関数をツールとして活用することで、生の大規模言語モデルをインテリジェントなデータアシスタントへと変換し、複雑な接続コードを書くことなくリアルタイムで正確な検索と応答が可能になります。

いくつかの技術的制限はあるものの、このNo-Codeアプローチは開発時間の最適化において優れた価値を提供します。これは、製品開発チームがアイデアを迅速にパッケージ化し、PoC（概念実証）プロトタイプを構築し、または社内の検索チャットアプリケーションをDatabricksのデータエコシステム上で最も安全かつコンパクトな方法でデプロイするための最適なソリューションです。

今回の記事が少しでも皆さんの新しい知識や業務のご参考になれば幸いです。

双日テックイノベーションでは、Azure Databricksの環境構築パッケージを用意しています。

Azure DatabricksやAzure活用、マイクロソフト製品の活用についてご相談事がありましたら是非お問い合わせください！

Azure Databricks連載記事のまとめはこちら

お問い合わせはこちら

この記事を読んだ方へのオススメコンテンツはこちら

アセスメントサービス

この記事を書いた人

Azure支援デスク管理者: 双日テックイノベーション（旧：日商エレクトロニクス）特設サイト「Azure導入支援デスク」サイトマスターです。

この投稿者の最新の記事

この投稿者の記事一覧