AIプラットフォームの最新情報：MLエンジニアリング向けエージェント、当社のディープラーニングプラットフォーム、リアルタイムML向けの新機能

独自のAIモデルやシステムを構築する上で、これほどダイナミックでエキサイティングな時代はありません。需要予測や不正検知から、検索、レコメンデーション、パーソナライズ、マルチモーダルAIに至るまで、機械学習はあらゆる業界の重要なアプリケーションを支えています。

Data + AI Summit 2026において、Databricks AI Platformの以下の新機能を発表できることを嬉しく思います。

• Genie Code for ML: Genie CodeにMLエンジニアリング向けの高度なインテリジェンスが加わり、特徴量エンジニアリング、モデルトレーニング、サービング、モニタリングといったDatabricks ML Platformのすべてのコンポーネントとネイティブに統合されました。
• AI Runtime（パブリックプレビュー）: サーバーレスのGPUトレーニング環境であり、複雑なインフラ管理なしで、研究レベルのディープラーニングやファインチューニングを可能にします。
• リアルタイムMLのサポート強化: Feature StoreおよびModel Serving製品における低レイテンシ、高QPSのサポートなどが含まれます。

これらの機能により、実験から本番環境への移行が合理化され、企業はAIアプリケーションの構築、デプロイ、拡張をこれまで以上に大幅に高速化できるようになります。

それでは、新機能の詳細を見ていきましょう。

機械学習向けGenie Code

現在、MLモデルを本番環境に導入するには数か月かかることがあり、チームは特徴量エンジニアリングや実験管理からモデル評価、デプロイに至るまで、MLライフサイクル全体の反復的なタスクに膨大な時間を費やしています。しかし、エージェントはエンジニアリングチームや技術チームの働き方を変革しました。そこで今年のDAISでは、Genie CodeがMLライフサイクル全体をサポートすることを発表できるのを嬉しく思います。

MLモデルの構築と運用には、一般的なコーディングエージェントでは下せない、ニュアンスを含んだ意思決定が必要です。「このデータセットの最新性と品質は、特徴量として信頼できるか？」「この特徴量はモデルに未来の情報をリーク（漏洩）させないか？」「このサービングエンドポイントはドリフトし始めていないか？」といった問いです。MLの細部を正しく把握するには深いコンテキストが必要であり、そのコンテキストはデータおよびMLプラットフォーム（データとその品質、特徴量のリネージ、実験履歴、トレーニングインフラ、本番環境のパフォーマンス）との緊密な統合からのみ得られます。

そこでGenie Codeの出番です。

• Unity Catalogを介したデータのコンテキスト: Genie Codeは、データ、ビジネスセマンティクス、ガバナンスモデルを理解します。Unity Catalogとの統合により、どのテーブルや特徴量がMLにとって高品質であるか、データがMLパイプラインをどのように流れるか、そしてどのアクセス制御やポリシーを遵守すべきかを把握します。
• Databricks MLスタックのコンテキスト: Genie CodeはDatabricks上のML向けに構築されており、Feature Store、Serverless Compute、AI Runtime、Model Serving、Inference Tablesと深く統合されています。単に相互作用するコードを生成するだけでなく、トレーニングジョブの最適化、サービング問題の診断、チャレンジャーモデルの評価、MLスタック全体にわたるアクションの実行が可能です。
• MLライフサイクルとワークフローのコンテキスト: MLflowを通じて、Genie CodeはMLライフサイクル全体を理解します。これには、特徴量エンジニアリングや実験から、デプロイ、モニタリング、ドリフト検出、再トレーニング、本番運用までが含まれます。モデルが出荷されて終わりではありません。CTR、コンバージョン、収益など、そのモデルがもたらすビジネス指標が本番環境で健全に維持されるよう支援します。

このように、Genie Codeを使用することで、MLチームはこれまで以上に迅速に行動できるようになります。

Genie Codeは、シニアMLエンジニアと同じように特徴量エンジニアリングを処理します。チームの既存のパターンを学習し、実績のある変換処理を再利用し、すでに本番環境にあるものと一貫性のある特徴量を構築します。

Genie Codeは単にMLコードを書くだけでなく、本番レベルのモデルのトレーニングとチューニングも行います。軽量な実験用のCPUであれ、分散トレーニング用のGPUであれ、適切なインフラを自動的に選択して構成し、すべての実行をMLflowにネイティブに記録します。

Genie Codeは、ノートブックから本番環境までモデルを単一のフローで移行させます。Unity Catalogへの登録、サービングエンドポイントへのデプロイを行い、すべてのステップでガバナンスを維持します。

Genie Codeは私の働き方を完全に変えました。毎日、異なるノートブックやアセットを対象とした15以上の並行スレッドを実行していますが、それらすべてをタブ間で管理することは、私のワークフローにおける最大のストレスの1つでした。同時セッションが可能なフルページのGenie Codeがあれば、コンテキストを常に失うことなく、すべてを並行して実行できる真のワークスペースが得られます。—Moritz Schiek氏（Bosch、ソリューションコンサルタント）

Genie Codeを使用することで、生データからガバナンスの効いた本番対応のMLワークフローへの移行を90分で実現できました。Databricks上の本番MLワークフローを独自に理解しているため、Deltaテーブルの作成、データの探索、モデルのトレーニングと比較、MLflowおよびUnity Catalogへの登録、そしてチャンピオンモデルのサービングエンドポイントへのデプロイを支援してくれました。最も重要なビジネス成果の最適化に費やす時間も十分に確保できました。—Radu Dragusin氏（Danfoss、データ＆AI担当プリンシパルエンジニア）

Genie Codeの詳細については、ぜひこちらから始めてみてください。

AI Runtimeのご紹介：レイクハウス内の研究レベルのGPUプラットフォーム

GPUは、予測やレコメンデーションからマルチモーダルな基盤モデルに至るまで、今日の最も先進的なAIワークロードを支えています。しかし、ディープラーニングチームは、GPUインフラの調達や管理、分散トレーニング環境の構成、パフォーマンスのボトルネックの解決に苦労しています。彼らはインフラではなく、モデリングに集中したいと考えています。

3月にAI Runtimeのプレビューを開始しましたが、本日、Data AI Summitの一環として、AI Runtimeが高性能なマルチノードトレーニングをサポートしたことを発表できるのを嬉しく思います。AI Runtimeにより、Databricksユーザーは以下を利用できるようになります。

• サーバーレスでオンデマンドのNVIDIA GPU: ノートブックを2〜3クリックで簡単に構成するだけで、サーバーレスのA10およびH100 GPUに迅速にアタッチしてトレーニングを開始できます。クラスターは不要です。アイドル時間、使用率、または事前のコミットメントを心配することなく、使用したGPUの分だけ支払います。
• 堅牢なオーケストレーションツール: 長時間実行されるGPUワークロード向けに、Lakeflow JobsやDABsをサポートするDatabricksのオーケストレーションスイートの全機能を活用できます。
• 最適化された分散トレーニング: AIRには、RDMAや高性能データロードなどの分散GPUパフォーマンス向上機能がバンドルされており、GPUワークロードで最適なパフォーマンスを実現します。
• 一元化されたガバナンスとオブザーバビリティ: MLflowによる組み込みの実験管理、Unity Catalogによるアクセス管理、Genie Codeによるデバッグ支援により、データが存在するまさにその場所でGPUワークロードを実行、観察、ガバナンスできます。

このリリースにより、Databricksのお客様は、当社のチームがDBRXやKARLなどの基盤モデルのトレーニングに使用したのと同じ研究レベルのGPUプラットフォームを活用できるようになります。現在、AI Runtimeは何百ものDatabricksのお客様の最先端ワークロードを支えており、最先端 of AIを研究段階から本番環境のエンタープライズアプリケーションへと移行させるのを支援しています。

ノートブックにサーバーレスのA10およびH100 GPUを2〜3クリックでアタッチできます。クラスター管理は不要で、使用した分だけ支払います。

Genie Codeを使用して、パフォーマンスのボトルネックの解決、新しいアーキテクチャの実験、モデルの収束に関する厄介なバグや難解なフレームワークエラーのデバッグを支援します。

AI Runtimeは、高速化されたコンピューティングのための本番レベルのプラットフォームです。インタラクティブなノートブックでディープラーニングコードを開発し、Lakeflowの全機能を使用してGPUコンピュート上でジョブを送信およびオーケストレーションします。

DatabricksのAI Runtimeは、カスタムのText To Formula（TTF）モデルのトレーニングプロセスを大幅に効率化しました。インフラストラクチャのセットアップや遅延が発生しないため、プロンプトのサイズや出力トークンの生成量に基づいて、適切なコンピュートを簡単に選択できました。これにより、迅速に行動し、Lakehouseのワークフローを維持しながら、完全なガバナンスを備えた高品質なモデルを提供することができ、モデルのセットアップ、トレーニング、デプロイにかかる時間を数日から数時間に短縮できました。—Nikhil Sunderraj氏（FactSet Research Systems, Inc.、プリンシパル マシンラーニング エンジニア）

GPUで次のモデルのトレーニングを開始するには、こちらのサンプルとドキュメントをご覧ください。

大規模なリアルタイムML：Feature StoreとModel Serving

最も効果的な機械学習アプリケーションはリアルタイムで動作します。ミリ秒単位でレコメンデーションを提供し、不正な取引が承認される前に阻止し、瞬時に感じられる検索結果を配信します。

モデルを本番環境にデプロイするには、デリケートなバランスが必要です。トラフィックが急増したときでも、すべてのリクエストを数ミリ秒以内に完了させる必要がありますが、トラフィックが穏やかなときはコストを低く抑える必要があります。大規模環境でこのバランスを維持することは、歴史的にモデル自体を構築することと同じくらい困難でした。高いQPS環境下では、サービングインフラストラクチャがボトルネックになります。レイテンシは予測不可能になり、コストは上昇し、モデルやそのトラフィックが変化するたびに、チームは優秀なエンジニアにレプリカ数、同時実行制限、オートスケーリングのしきい値の再調整という負担を強いることになります。

Data + AI Summitでは、その負担を解消し、Databricks上での低レイテンシかつ高QPSのサービングの実現を効率化する新機能を発表します。

• 宣言的特徴量エンジニアリング — 特徴量を一度定義するだけで、トレーニングとサービング用に自動的にマテリアライズされます。
• ストリーミング特徴量 — イベントストリーム上に極めて最新の特徴量を構築し、顧客のアクティビティにリアルタイムで反応するMLを実現します。
• 高QPS Model Serving — 調整用のノブを必要とせず、CPUとGPUの両方のモデルで低レイテンシのサービングを実現する、強化された推論エンジンとネットワークルーティング。プラットフォームが各モデルとそのトラフィックに自動的に適応し、10ミリ秒未満のp99レイテンシオバーヘッドで30万以上のQPSを達成します。
• Lakebaseでのオンライン特徴量サービング — 本番アプリケーション向けに、低レイテンシのアクセスで最新の特徴量を提供します。
• ML向けGenie ZeroOps — Genie Codeは推論テーブルへのクエリ、サービングエンドポイントのパフォーマンス問題のデバッグ、アラートの根本原因分析を実行でき、本番環境のモデルにエージェント型の運用オブザーバビリティをもたらします。

Databricks Model Servingを利用しているお客様は、自主管理型のスタックと比較してインフラストラクチャコストを最大90%以上削減し、p99およびp50レイテンシを最大2倍改善し、ほとんどメンテナンスなしで本番環境において10万QPSを超えてスケールさせています。これらはすべて、エンタープライズグレードの信頼性と可用性のもとで実現されています。GrammarlyやGoGuardianなどの主要なMLチームをはじめ、何千ものお客様が、リアルタイムMLシステムのサービングをDatabricksに信頼して任せています。

Data + AI Summit 2026で詳細をチェックしましょう！

次のAIモデルの構築に向けて、ぜひこれらの新機能をお試しください！詳細については、ドキュメントまたは詳細なウォークスルーブログ記事をご覧ください。

• Genie Code
• AI Runtime
• Model Serving
• Feature Serving

Data + AI Summit 2026で、実際に動作するAIプラットフォームをご覧いただき、主要な組織がどのようにAIモデルを大規模に構築およびデプロイしているかを学んでください。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事