Databricks Certified Generative AI Engineer Associate試験は、RAGパイプラインやエージェントの構築、LLMアプリのデプロイ、ガバナンス、評価を含む生成AIエンジニアリングの実践力を問う資格です。 本記事では6つの出題ドメインの配点と頻出テーマ、RAGアーキテクチャの技術的詳細、LangChain統合、他資格との違い、そして学習ロードマップまでを網羅します。
Generative AI Engineer Associateは2024年に新設されたDatabricks認定資格で、生成AIアプリケーションの設計・実装・運用能力を評価します。 従来のML Associate/Professionalが古典的ML寄りであるのに対し、本試験はRAG・LLM・エージェント・プロンプトエンジニアリングに特化しています。 現行の試験ガイドは2026年3月18日時点の版です。
| 項目 | 内容 |
|---|---|
| 問題数 | 45問（採点対象。単一選択・複数選択） |
| 試験時間 | 90分 |
| 合格ライン | 非公表（統計的分析で設定され、変更されうる） |
| 受験料 | $200（税別） |
| 言語 | 英語・日本語・ポルトガル語（ブラジル）・韓国語 |
| 有効期限 | 2年間 |
| 前提資格 | なし（独立した資格） |
| 推奨経験 | 試験ガイドに載っている生成AIソリューションのタスクの実務経験6ヶ月以上（Pythonの実務知識も推奨） |
| 受験方式 | オンライン監督付き（公式の英語ページにはテストセンターも記載） |
出題は6ドメインに分かれ、アプリケーション開発（Application Development）が30%で最大、次いでアプリの組み立てとデプロイ（Assembling and Deploying Apps）が22%です。この2つで全体の半分を超えるため、まずここを固め、残り4ドメインもまんべんなく対策する必要があります。
| ドメイン | 配点 | 問題数目安 |
|---|---|---|
| 1. アプリケーション設計（Design Applications） | 14% | 約6問 |
| 2. データ準備（Data Preparation） | 14% | 約6問 |
| 3. アプリケーション開発（Application Development） | 30% | 約14問 |
| 4. アプリの組み立てとデプロイ（Assembling and Deploying Apps） | 22% | 約10問 |
| 5. ガバナンス（Governance） | 8% | 約4問 |
| 6. 評価とモニタリング（Evaluation and Monitoring） | 12% | 約5問 |
問題数の目安は、公式の配点を45問に当てはめた概算です。なお、現行の試験ガイドには、ファインチューニング（LoRAなど）やTransformerの仕組みといった基礎理論の項目はありません（ただし、サンプル問題には、レイテンシを損なわずに精度を上げる方法としてカスタムの埋め込みモデルのファインチューニングを選ぶものが1問あります）。代わりに、Agent Bricks、MCPサーバー、プロンプトのバージョン管理、MLflowによるエージェントの評価など、エージェント開発に関する項目が並んでいます。
RAG（Retrieval-Augmented Generation）は、データ準備（14%）・アプリケーション開発（30%）・アプリの組み立てとデプロイ（22%）の3つのドメインにまたがる最重要テーマです。Databricks上でのRAGパイプラインは「データ準備→チャンキング→Embedding→Vector Store格納→検索→LLM呼び出し→回答生成」の流れで構成されます。
ドキュメントをLLMのコンテキストウィンドウに収まるサイズに分割する処理がチャンキングです。戦略の選択はRetrieval品質に直結します。
| 戦略 | 分割基準 | 適したユースケース |
|---|---|---|
| Fixed-size Chunking | 文字数・トークン数で固定長に分割 | 構造が均一なログデータ、FAQ集など。実装が簡単でオーバーヘッドが少ない |
| Semantic Chunking | Embeddingの類似度変化で意味的な区切りを検出 | 技術文書・論文など、段落の境界が意味的に重要な文書。精度は高いが計算コストも高い |
| Recursive Chunking | 段落→文→単語の順で再帰的に分割し、目標サイズに収める | LangChainのRecursiveCharacterTextSplitterで広く使用。汎用性が高くデフォルト選択として推奨 |
試験では「社内マニュアル1,000ページをRAGに取り込む際、最適なチャンキング戦略は？」のようなシナリオ問題が出ます。オーバーラップ（chunk_overlap）の設定がコンテキスト喪失を防ぐ役割を持つ点も頻出です。試験ガイドのサンプル問題では、上限1億件のベクトルデータベースに1億5,000万件の埋め込みを入れるために「チャンクサイズを大きくする」「チャンク間のオーバーラップを減らす」の2つを選ぶのが正解で、複数選択の形式も出ることがわかります。
チャンクをベクトル空間に変換するEmbeddingモデルの選択は、検索精度を左右します。試験ガイドには、文書の長さや想定クエリに合わせて埋め込みモデルのコンテキスト長を選ぶ項目もあります（サンプル問題では、チャンクが最大512トークンで品質よりコストとレイテンシを重視するなら、コンテキスト長512の最小モデルが正解）。Databricks上で利用可能な主要モデルは以下の通りです。
Databricksが提供するマネージドベクトル検索サービスで、以前はVector Search（Mosaic AI Vector Search）と呼ばれていました。2026年3月版の試験ガイドは旧称のVector Searchで書かれているので、両方の名前を覚えておきましょう。2種類のインデックスタイプがあり、試験ではこの違いを正確に区別できることが求められます。
| 比較項目 | Delta Sync Index | Direct Vector Access Index |
|---|---|---|
| データソース | Delta Tableから自動同期 | REST APIで直接ベクトルを書き込み |
| Embedding計算 | Databricksが自動計算（Managed Embedding）または事前計算済みカラムを参照 | 外部で事前計算したベクトルを渡す |
| 同期頻度 | Delta Tableの変更を自動検知して差分同期（Continuous / Triggered） | APIコールごとに即座に反映 |
| 適したシナリオ | 社内文書検索など、Delta Tableにデータが蓄積されるバッチ型RAG | リアルタイム更新が必要なチャットボット、外部ベクトルDB移行時 |
| Unity Catalog統合 | テーブルレベルのACLを自動継承 | エンドポイントレベルでの権限設定が必要 |
Retrievalで取得したコンテキストをLLMに渡して回答を生成する際、Databricksでは2つの主要な呼び出し経路があります。
ai_query() SQL関数やOpenAI互換のREST APIで利用可能。 提供されるモデルは入れ替わり、たとえばDBRXとMixtral 8x7Bのpay-per-tokenでの提供は2025年4月30日に終了しているため、対応モデルは公式ドキュメントの一覧で確認するビジネス要件をAIパイプラインの入力と出力に落とし込み、プロンプト・モデルのタスク・チェーンの部品・ツールを設計する力が問われます。
RAGの品質を左右するソース文書の選定・抽出・チャンキングと、検索性能の評価が中心です。
最大配点のドメインで、ツールとモデルの選択、プロンプトの拡張と調整、ガードレール、エージェント開発まで幅広く問われます。
チェーンやRAGアプリを組み立て、Unity Catalogへの登録からModel Servingでのデプロイまでを行う力が問われます。試験ガイドの項目は15個と、6ドメインの中で最も多くなっています。
生成AIアプリケーション特有のガバナンス要件に関する問題が出題されます。
LLMアプリケーションやエージェントの品質評価と、本番環境での監視が問われます。従来のMLメトリクスとは異なるLLM固有の評価方法を理解する必要があります。
mlflow.genai.evaluate()を実行し、スコアラー（LLMジャッジやコードによるチェック）でアプリのバージョンごとに品質を比べる。 トレースでエージェントの動きを確かめ、Databricksのカスタムスコアラーで独自の基準を採点する試験ガイドには、LangChainなどのツールの選択や、要件に沿ったシンプルなチェーンの実装といった項目があります。Databricks固有のコンポーネントとLangChainの統合ポイントを押さえてください。
ChatModelとして利用。ChatDatabricks(endpoint="<エンドポイント名>")のようにサービングエンドポイントを指定Retrieverとして接続。columnsパラメータで返却カラムを制御し、filtersでメタデータフィルタリングを実行Embeddingsインターフェースに準拠mlflow.langchain.log_model()でチェーン全体をMLflowアーティファクトとして記録。Model Servingへのデプロイ時にチェーンの依存関係が自動解決されるGenAI Engineer Associateは、ML Associate（MLA）やML Professional（MLP）と出題範囲が一部重複しますが、フォーカスが明確に異なります。
| 比較項目 | GenAI Engineer Associate | ML Associate | ML Professional |
|---|---|---|---|
| 主なフォーカス | RAG・LLM・エージェント・生成AIアプリ | 古典的ML・MLflowワークフロー | MLOps・本番運用設計 |
| RAG / AI Search（旧Vector Search） | データ準備・アプリ開発・組み立てとデプロイの中心 | 出題なし | 出題なし |
| MLflow | 評価・トレース・Unity Catalogへの登録・Agent Framework | Tracking / Registry中心 | CI/CD統合・Model Registry |
| Model Serving | LLMアプリのサービング（Foundation Model APIs）・アクセス制御・ai_query()によるバッチ推論 | 基本的なリアルタイム推論 | ブルーグリーン・カナリアのデプロイ戦略・カスタムモデルのサービング |
| LangChain | チェーン構築・統合 | 出題なし | 出題なし |
| モデルの学習・調整 | ファインチューニングの項目はなく、モデルの選択が中心 | Hyperopt・交差検証・AutoML | Optuna・Rayによる分散チューニング・SparkML |
| 難易度 | Associate（中級） | Associate（中級） | Professional（上級） |
MLA取得者がGenAI Engineerに進む場合、MLflow・Model Serving・Unity Catalogの知識はそのまま活用できます。追加学習が必要なのは、RAG（チャンキングとAI Search）、LangChainなどによるチェーンとエージェントの構築（Agent Framework・MCP・Agent Bricks）、ガードレール、LLMとエージェントの評価・モニタリングの4領域です。
生成AIの基礎知識がある前提で、1〜2ヶ月の学習計画を示します。平日1時間・週末2〜3時間の学習ペースを想定しています。
アプリの組み立てとデプロイ
問題 1
ある企業が社内ナレッジベース（約10,000件のPDFドキュメント）をDatabricks上でRAGシステムとして構築しています。ドキュメントはDelta Tableに保存され、毎日新しいドキュメントが追加されます。検索品質を維持しながら運用コストを最小化したい場合、最適なVector Searchインデックスの構成はどれですか？
正解: B
Delta Tableにデータが蓄積される構成では、Delta Sync Indexが最適です。Managed Embeddingを選択すると、Databricksが自動的にEmbeddingを計算するため、Embeddingパイプラインの構築・管理が不要になります。Triggered sync modeは毎日の更新に対して差分同期を実行するため、Continuous modeよりもコンピュートコストを抑えられます。選択肢Aは毎日の手動API呼び出しが運用負荷となり、選択肢Cは常時同期のためコストが高くなります。選択肢Dは10,000件のドキュメントをコンテキストウィンドウに収めることが物理的に不可能です。
GenAI Engineer Associate試験にPythonのコーディング問題は出ますか？
選択式（単一選択・複数選択）のみで、IDEでコードを実行する形式の問題はありません。ただしPythonコードの読解力は必須で、公式ページにも、この試験の機械学習のコードはすべてPythonだと書かれています。LangChainなどによるチェーンの構築、前処理と後処理を含むpyfuncモデル、MLflowによる評価（mlflow.genai.evaluate()）、Foundation Model APIの呼び出しコードなど、コードスニペットを読んで正しい動作や修正点を選ぶ問題に備えましょう。日頃からDatabricksノートブック上でRAGパイプラインやエージェントを組む練習をしておくと、コード読解問題への対応力が格段に上がります。
ML Associate（MLA）を先に取るべきですか、それともGenAI Engineerから受けてよいですか？
GenAI Engineer Associateは独立した資格であり、MLAの取得は前提条件ではありません。ただしMLflow、Model Serving、Unity Catalogへのモデル登録など一部の範囲がMLAと重なるため、MLA取得者は学習時間を短縮できます。生成AI領域の実務経験がある方はGenAI Engineerから直接受験しても十分合格可能です。逆に機械学習の基礎が不安な場合はMLAを先に取得すると、アプリの組み立てとデプロイ（Assembling and Deploying Apps）や評価とモニタリング（Evaluation and Monitoring）のドメインの理解がスムーズになります。
RAGの範囲を効率的に学習する方法は？
RAGは1つのドメインではなく、データ準備（14%）、アプリケーション開発（30%）、アプリの組み立てとデプロイ（22%）にまたがります。まず試験ガイドが推奨するDatabricks Academyの「Generative AI Engineering with Databricks」（Building Retrieval Agents On Databricksなど）を進め、次にDatabricks AI Search（旧称Vector Search）のドキュメントでDelta Sync IndexとDirect Vector Access Indexの違いを押さえます。その後、LangChainとDatabricksの統合（ChatDatabricks、DatabricksVectorSearch Retriever）を実際にノートブックで動かし、最後にチャンキング戦略（Fixed-size、Semantic、Recursive）と再ランク付けの使い分けを整理すると、RAGに関わる項目の大部分をカバーできます。
出題範囲を体系的に扱う教科書があります。全 16 章、登録なしで全部読めます。
第 0 部・無料
クラウド自体がはじめての方へ
サーバー・ネットワーク・データベースの前提知識なしで読める 8 章。登録不要・無料。
無料
Databricks とレイクハウスの全体像
なぜこの製品が要るのか、何がどこに属するか
無料
データはどこに、どんな形で保存されるか
テーブルの実体と Delta Lake の内部
NicheeLab編集部
データエンジニアリング・クラウド資格の専門家。Databricks・Snowflake等の認定資格を保有し、実務経験に基づいた問題作成・解説を行っています。NicheeLab運営。
Databricks資格一覧｜全8試験・難易度・勉強法
Databricks認定資格（全8試験）の一覧・出題範囲・合格ライン・難易度を徹底解説。2026年10月時点の公式情報に...
Databricks試験の難易度ランキング｜7資格を徹底比較
Databricks認定試験のうち7資格の難易度をランキング形式で徹底比較。合格率・学習時間・出題傾向から難易度を分析。...
Databricks資格の勉強方法｜最短合格ルートと学習時間の目安
Databricks認定資格に最短で合格するための勉強方法を完全ガイド。公式リソース・問題集・学習スケジュールを徹底解説...
Databricks Data Engineer Associate完全解説｜出題範囲・問題例・合格戦略
Databricks Certified Data Engineer Associate試験を徹底解説。2026年5月版...
Databricks Data Engineer Professional完全解説｜上級試験の攻略法
Databricks Certified Data Engineer Professional試験を徹底解説。2026年...