目次 › 第4章 › 4-6

第4章 アプリケーションの組み立てとデプロイ / 想定学習時間:30〜40分 / 最終確認:2026年8月

4-6. エンドツーエンドのRAGアプリケーションのデプロイ演習

1. 全体像:8ステップのパイプライン

この節は総合演習です。第2章(データ準備)、第3章(アプリ開発)、第4章(デプロイ)で学んだ部品を1本につなぎ、「社内PDFに答えるRAGボット」を作りきる流れを通しで確認します。まず全体像です。

2. ステップ①〜③:データ準備とインデックス

① Volumeに PDFを配置(2-2の復習)。ファイルはUCのVolumeに置くことで、ガバナンスの下で管理されます。

/Volumes/prod/rag/docs/ 配下にPDFをアップロード

② パース&チャンキングしてDeltaテーブルへ(2-2、2-3の復習)。PDFからテキストを抽出し、チャンクに分割して保存します。このときChange Data Feed(CDF)を必ず有効化します。後続のDelta Sync Indexが変更を追跡するために必要です。

CREATE TABLE prod.rag.chunks (
  chunk_id STRING,
  content  STRING,
  source   STRING
) TBLPROPERTIES (delta.enableChangeDataFeed = true);

③ AI Searchエンドポイント+Delta Sync Indexの作成(3-3の復習)。埋め込みはマネージド埋め込み(例:databricks-gte-large-en)を指定すれば、チャンク追加時のベクトル化とインデックス同期が自動化されます。

from databricks.vector_search.client import VectorSearchClient

vsc = VectorSearchClient()
index = vsc.create_delta_sync_index(
    endpoint_name="rag-vs-endpoint",
    index_name="prod.rag.chunks_index",
    source_table_name="prod.rag.chunks",
    pipeline_type="TRIGGERED",
    primary_key="chunk_id",
    embedding_source_column="content",
    embedding_model_endpoint_name="databricks-gte-large-en",
)

3. ステップ④〜⑤:チェーン構築とUC登録

④ LangChainでRAGチェーンを構築(3-1、3-4の復習)。retriever(AI Search)→ prompt → ChatDatabricks(Servingエンドポイント上のLLM)をつなぎます。

from databricks_langchain import (
    ChatDatabricks, DatabricksVectorSearch
)
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

retriever = DatabricksVectorSearch(
    index_name="prod.rag.chunks_index",
    columns=["content", "source"],
).as_retriever(search_kwargs={"k": 3})

prompt = ChatPromptTemplate.from_template(
    "コンテキストのみに基づいて回答してください。\n"
    "コンテキスト: {context}\n質問: {question}"
)
llm = ChatDatabricks(endpoint="databricks-llm-endpoint")

chain = (
    {"context": retriever, "question": lambda x: x}
    | prompt | llm | StrOutputParser()
)

⑤ MLflowでログし、UCへ登録(3-8、4-1の復習)。チェーンを1つのモデルとしてログし、3レベル名で登録します。

import mlflow
mlflow.set_registry_uri("databricks-uc")

with mlflow.start_run():
    mlflow.langchain.log_model(
        lc_model=chain,
        artifact_path="chain",
        registered_model_name="prod.rag.pdf_qa_bot",
    )

4. ステップ⑥〜⑧:デプロイ・確認・監視

⑥ エンドポイント化(4-2の復習)。エージェント/チェーンならagents.deploy()が近道です。Review Appと推論テーブルも自動で用意されます。

from databricks import agents
agents.deploy(model_name="prod.rag.pdf_qa_bot", model_version="1")

⑦ 動作確認。RESTまたはSQLのai_query()で応答を確認します。

SELECT ai_query(
  "pdf-qa-bot-endpoint",
  "経費精算の締め日はいつですか?"
) AS answer;

⑧ 監視(4-4の復習、第5章への接続)。推論テーブルに記録されたリクエスト/レスポンスを確認し、以降の品質評価・監視サイクルにつなげます。ここから先(評価指標、LLM-as-a-judge、継続監視)が第5章・第6章のテーマです。

5. つまずきやすいポイント:トラブルシューティング表

この演習で(そして試験のシナリオ問題で)特に多いつまずきを表にまとめます。

練習問題