[2026年4月版] 生成AIによる情報システムへのインパクト

工学院大学での講義に使用した資料です。

【事前準備】生成AIによる情報システムへのインパクト #Databricks - Qiita https://qiita.com/taka_yayoi/private/84c49a3491dca9a680c7
【事後課題】生成AIによる情報システムへのインパクト #Databricks - Qiita https://qiita.com/taka_yayoi/private/7fe9ad5cdac8541988ab

Transcript

1. ©2026 Databricks Inc. — All rights reserved 生成AIによる 情報システム へのインパクト 2026/4/24 Databricks Japan 弥生 隆明 1
2. ©2026 Databricks Inc. — All rights reserved 自己紹介 弥生 隆明 (やよい たかあき) Databricks シニア スペシャリスト ソリューションアーキテクト ▪ 2020年からデータブリックス ジャパンにお いて、プレセールス、POCに従事 ▪ 専門領域は生成AI、データエンジニアリン グ、Webアプリケーション ▪ 青山学院大学 特別研究員 ▪ Qiitaでいろいろ書いています。 2 @taka_aki
3. ©2026 Databricks Inc. — All rights reserved 3 MLflowで実践する LLMOps 生成AIアプリケーションの実験管理と品質保証 著者 弥生隆明，渡辺祐貴，大内山浩，平田東夢，河村春孝　著 本書は、LLMアプリケーションの開発・運用に必要な一連のプロセス――可観測性の確 保、品質評価、プロンプト管理、本番展開――を、オープンソースプラットフォーム 「MLflow」を使って体系的に実践する技術書です。 LLMアプリケーションは、従来の機械学習システムとは異なる難しさを持ちます。プロンプト のわずかな変更が品質に大きく影響し、エージェントの挙動は複雑で 追跡が難しく、コストは見えにくい場所で膨らみます。MLflow 3はこうした課題に正面から 向き合い、トレーシング、評価（LLM-as-a-Judge）、Prompt Registry、 AI Gatewayといった機能を1つのプラットフォームに統合しました。 本書では、シンプルなLLMアプリケーションから始め、 RAGシステム、マルチエージェントまで段階的にカバー しています。実際に動くPythonコードとともに、 「作って終わり」ではなく「運用し続けられる」LLM アプリケーションの構築方法を提供します。 4/20(月) 発 売！
4. ©2026 Databricks Inc. — All rights reserved 20,000+ のお客様 $4B+ の収益 $14B の投資 レイクハウス の発明者 & 生成AIのパイオニア Gartnerが認識するリーダー データベース管理システム データサイエンス、機械学習プラットフォーム Forrester Waveのリーダー データレイクハウス 言語向けAI基盤モデル データ&AIカンパニー 開発者集団 Mosaic MPT 4
5. ©2026 Databricks Inc. — All rights reserved アジェンダ 90分 第1部 変化の兆候 10分 2025-2026年に何が起きているか 第2部 変化の原動力 15分 エージェント、MCP、Databricksの3つのツール 第3部 変化の姿 25分 Before/Afterで見る情報システム 第4部 ハンズオン 30分 変化を体験する（Genie/Genie Code/Apps） 第5部 まとめ 10分 変化にどう向き合うか 5
6. ©2026 Databricks Inc. — All rights reserved 本日のストーリー 変化を軸に、理解から体験へ 第1部 今、何が起きている？ 第2部 なぜ今、変われる？ 第3部 どう変わる？ 第4部 変化を体験する 第5部 どう向き合うか？ 座学で理解 → ハンズオンで体験 → 自分ごととして持ち帰る 6
7. ©2026 Databricks Inc. — All rights reserved 本日のゴール 講義を修了すると、以下のことができるようになります 1 2025年以降、生成AI・AIエージェント領域で何が起きているかを説明できる 2 AIエージェントの概念と、それを支える技術（MCP等）を理解できる 3 情報システムがどう変わろうとしているかをBefore/Afterで説明できる 4 Databricksの3つのAIツール（Genie、Genie Code、Apps）を操作できる 5 自分の立場で変化にどう向き合うべきかのイメージを持てる 前提知識：プログラミング経験は不要です 7
8. ©2026 Databricks Inc. — All rights reserved 第1部 変化の兆候 2025年に何が起きたのか 8
9. ©2026 Databricks Inc. — All rights reserved 2025年、何が起きた？ 9 79% の企業が AIエージェントを導入済 PwC AI Agent Survey 2025 80倍 MCPダウンロード数 （1年間で10万→800万） Model Context Protocol 元年 2025年は 「AIエージェント元年」 Gartner Hype Cycle 2025 ※ MCP = Model Context Protocol：AIエージェントがツールと連携するための標準プロトコル
10. ©2026 Databricks Inc. — All rights reserved 今日お話しする「 3つの変化」 情報システムは今、これらの変化に直面しています 10 1 インターフェースの変化 Before GUI・ダッシュボード ↓ After 対話型・自然言語 Genie 2 開発プロセスの変化 Before 人が設計・実装 ↓ After AIが生成・人がレビュー Genie Code 3 開発の民主化 Before IT部門が開発 ↓ After 業務部門も開発 Apps 座学で理解し、ハンズオンで体験します 第3部：Before/Afterを詳しく解説 → 第4部：3つのツールを実際に操作
11. ©2026 Databricks Inc. — All rights reserved 11 本日の問い この変化は、 情報システムに どう影響するのか？ そして、私たちはどう向き合うべきか？ 本日のゴール • 変化の原動力(エージェント・MCP)を理解する • 情報システムの変化をBefore/Afterで説明できる • Databricksの3つのAIツールを実際に操作する
12. ©2026 Databricks Inc. — All rights reserved 第2部 変化の原動力 エージェントと MCP 12
13. ©2026 Databricks Inc. — All rights reserved 生成AIとは 13 「新しいものを作り出す」 AI 従来のAI 生成AI 分類する 「この写真は犬？猫？」 予測する 「明日の売上は？」 文章を書く 「レポートを作成して」 会話する 「この問題を説明して」 例：ChatGPT、Claude、Gemini、Copilot など
14. ©2026 Databricks Inc. — All rights reserved でも、生成 AIには限界がある 14 ❌ 最新情報を知らない 「今日の株価は？」→ 答えられない ❌ 外部システムを操作できない 「会議を予約して」→ できない ❌ 1回の指示で 1回の回答 複数の作業を自動でつなげられない この限界を超えるのが「 AIエージェント」
15. ©2026 Databricks Inc. — All rights reserved AIエージェントとは 15 「自分で考えて、自分で動く」 AI イメージ：優秀なアシスタント 普通のAI（ChatGPT等） AIエージェント あなた：「会議を設定して」 AI：「会議の設定方法を 　　 お教えします...」 （説明だけで終わる） あなた：「会議を設定して」 AI：カレンダーを確認 　　→ 空き時間を探す 　　→ 会議を作成 　　→ 参加者に招待送信 「教えてくれる」から「やってくれる」へ
16. ©2026 Databricks Inc. — All rights reserved AIが「手足」を持つには？ 16 問題：AIとツールを繋ぐのが大変 例：スマホの充電ケーブル（昔） 😫 昔（USB以前） ・メーカーごとに違うケーブル ・機種変更のたびに買い直し ・ケーブルだらけ... 😊 今（USB-C） ・どのメーカーでも同じ ・ケーブル 1本でOK ・スッキリ！ AIの世界でも同じことが起きていた AIごとに別々の接続方法 → 開発が大変 → 普及しない そこで登場したのが「MCP」（AIの世界のUSB）
17. ©2026 Databricks Inc. — All rights reserved MCPとは 17 Model Context Protocol(モデル・コンテキスト・プロトコル) AIと外部ツールをつなぐ「共通ルール」 身近な例で考えると... USB → 機器をつなぐ共通規格 コンセント → 電気をつなぐ共通規格 MCP → AIとツールをつなぐ共通規格 2024年11月に登場 → 1年で業界標準に OpenAI、Google、Microsoftなど主要企業が採用
18. ©2026 Databricks Inc. — All rights reserved MCPで何ができるようになるか 18 💬 「来週、田中さんと会議を設定して。空いてる日を探して、招待メールも送って」 MCPがない場合 ❌ AIはカレンダーを見られない ❌ AIはメールを送れない → 結局、自分で全部やる MCPがある場合 ✓ カレンダーで空き確認 ✓ 会議を自動作成 ✓ 招待メールを送信 → AIが全部やってくれる MCPにより、AIが様々なツールを「手足」として使える カレンダー、メール、Slack、データベース、ファイル... 何でもつながる
19. ©2026 Databricks Inc. — All rights reserved Databricksが提供する 3つのツール 19 今日はこの3つを実際に体験します Genie 聞くだけで データ分析 Genie Code AIが コードを書く Apps 作ったものを すぐ公開 この3つで「分析 → 開発 → 公開」ができる Genie データを 分析 → Genie Code より深い 分析を開発 → Apps チームに 共有
20. ©2026 Databricks Inc. — All rights reserved Genie 20 日本語で聞くだけでデータ分析 使い方のイメージ あなた 先月の売上を教えて Genie 先月の売上は 1,234万円 です あなた 地域別に見せて Genie 📊 地域別売上グラフを表示... SQLやプログラミングを知らなくても、日本語で聞くだけ
21. ©2026 Databricks Inc. — All rights reserved Genie Code 21 AIがコードを書いて実行 使い方のイメージ 💬 「このデータをグラフにして、トレンドを分析して」 アシスタントが自動で： 1. データを読み込むコードを作成 2. グラフを描画するコードを作成 3. トレンド分析のコードを作成 4. 全部実行して結果を表示 「Agent Mode」：計画 → 実行 → 確認 を自律的に繰り返す まさに「自分で考えて動くAI」を体験できる
22. ©2026 Databricks Inc. — All rights reserved 22 第2部のまとめ 生成AI 言葉で指示すれば、何かを作ってくれる AIエージェント 自分で考えて、自分で動いてくれる MCP AIが色々なツールを使えるようにする仕組み 3つのツール Genie（聞く）→ Genie Code（作る）→ Apps（公開） 次は第3部：これが情報システムをどう変えるか？
23. ©2026 Databricks Inc. — All rights reserved 第3部 情報システムへの インパクト 何が、どう変わるのか 23
24. ©2026 Databricks Inc. — All rights reserved 第3部で見ていくこと 24 1 情報システムの「今まで」 従来の形と課題 2 インターフェースの進化 操作方法が変わる 3 データ分析の民主化 誰でも分析できる 4 業務プロセスの変革 仕事の進め方が変わる 生成AIが情報システムのあり方を根本から変えつつある
25. ©2026 Databricks Inc. — All rights reserved 1. 情報システムの「今まで」 従来の形を知る 25
26. ©2026 Databricks Inc. — All rights reserved 情報システムとは 26 会社の仕事を支えるコンピューターの仕組み全体 身近な例 販売管理 売上を記録、在庫を管理 勤怠管理 出退勤、休暇申請 経費精算 領収書提出、承認 顧客管理 お客様情報、商談履歴 これらを作り、動かし、守るのが「情報システム部門」の仕事 そして今、その「作り方」「使い方」が大きく変わろうとしている
27. ©2026 Databricks Inc. — All rights reserved 従来の情報システムの形 27 「ピラミッド型」の分業体制 IT専門家 システム設計・開発 システム管理者 運用・保守・セキュリティ 業務部門（ユーザー） 決められた画面を、決められた通りに使う 「作る人」と「使う人」が分かれていた 業務部門は「こういうシステムが欲しい」→ IT部門に依頼 → 作ってもらう
28. ©2026 Databricks Inc. — All rights reserved なぜこの形になったか 28 専門知識が必要だった プログラミング、データベース、ネットワーク...素人には無理 コストが高かった サーバー購入、ソフト開発...数千万〜数億円規模 ⏰ 時間がかかった 要件定義→設計→開発→テスト...1年以上も普通 だから「専門家に任せる」しかなかった これは合理的な選択だった。でも今、前提が変わりつつある
29. ©2026 Databricks Inc. — All rights reserved 従来のやり方の課題 29 欲しいものがすぐ手に入らない 依頼から完成まで数ヶ月〜数年 伝言ゲームで要望がズレる 「こうじゃない」が完成後に発覚 変化に対応できない 作り直しには再度コストと時間 IT部門がボトルネックに 依頼が集中、対応しきれない ビジネスのスピード ＞ システム開発のスピード
30. ©2026 Databricks Inc. — All rights reserved 生成AIを活用した 開発フローのデモ 30
31. ©2026 Databricks Inc. — All rights reserved 2. インタフェースの進化 「使い方」が変わる 31
32. ©2026 Databricks Inc. — All rights reserved インタフェースとは 32 人とコンピューターの「接点」＝ 操作方法 身近な例 テレビ → リモコンのボタン ATM → タッチパネル スマホ → タッチ＋音声 ChatGPT → 文章を打つだけ インターフェースが進化すると、使える人が増える
33. ©2026 Databricks Inc. — All rights reserved インタフェースの進化の歴史 33 1970s コマンド入力 呪文のような命令を暗記 専門家のみ 1980s GUI（画面操作） マウスでクリック 訓練された人 2010s タッチ 指で直感的に 子供でも使える 2020s 自然言語 話すように文章で 誰でも 使いやすくなるほど、使える人が増える 自然言語インターフェース = 究極の民主化 「日本語が話せれば、コンピューターを操作できる」時代へ
34. ©2026 Databricks Inc. — All rights reserved 「日本語で使える」ことの意味 34 従来 データ分析をしたい ↓ SQLを覚える Excelの関数を覚える 専門ツールの使い方を覚える これから データ分析をしたい ↓ 「先月の売上を 地域別に見せて」 これが意味すること ・学習コストが劇的に下がる（覚えることがほぼない） ・「できる人」の定義が変わる（専門知識 → 何をしたいかの明確さ） ・業務部門が自分で分析できるようになる Databricks Genieは、この「自然言語インターフェース」を実現している
35. ©2026 Databricks Inc. — All rights reserved 3. データ分析の民主化 「誰でも分析できる」時代へ 35
36. ©2026 Databricks Inc. — All rights reserved 従来のデータ分析の壁 36 スキルの壁 SQL、Python、統計学...専門知識が必要 ツールの壁 高価で複雑な専門ソフトが必要 データの壁 どこにあるか分からない、アクセスできない ⏳ 時間の壁 分析依頼から結果まで数週間 結果：「データはあるのに活用できない」企業が多数
37. ©2026 Databricks Inc. — All rights reserved 生成AIによる変化 37 従来 生成AI時代 スキルの壁 SQL必須 日本語でOK ツールの壁 専門ソフト ブラウザだけ データの壁 どこ？ AIが探す 時間の壁 数週間 数分 4つの壁がすべて低くなる 「専門家だけのもの」から「みんなのもの」へ ── これが民主化
38. ©2026 Databricks Inc. — All rights reserved 4. 業務プロセスの変革 「仕事の進め方」が変わる 38
39. ©2026 Databricks Inc. — All rights reserved 従来の業務フロー 39 例「営業レポートを作って共有したい」 1 データ依頼 IT部門へ 1週間 2 分析依頼 分析チームへ 2週間 3 開発依頼 開発チームへ 1ヶ月 4 テスト 品質管理へ 2週間 5 公開 インフラへ 1週間 合計：2〜3ヶ月。多くの部門を経由、調整コスト大
40. ©2026 Databricks Inc. — All rights reserved AIエージェントによる変化 40 同じ例「営業レポートを作って共有したい」 1 Genieに聞く 「売上の推移を見せて」 5分 2 Genie Codeで深掘り 「地域別の分析を追加」 15分 3 Appsで公開 「これをアプリにして」 10分 合計：約30分。担当者 1人で完結 2〜3ヶ月 → 30分。これが「変革」の意味
41. ©2026 Databricks Inc. — All rights reserved 開発の民主化 41 「専門家だけが作れる」から「誰でも作れる」へ アプリ開発 プログラマーが数週間 → 業務担当が数分 レポート作成 BIツール専門家 → 現場の人が直接 自動化 システム部門に依頼 → 自分で設定 Databricks Appsが、この「開発の民主化」を実現する 第4部のハンズオンで実際に体験します
42. ©2026 Databricks Inc. — All rights reserved 42 第3部のまとめ インターフェース 専門コマンド → 自然言語 誰でも使える データ分析 専門家の領域 → みんなの道具 現場で判断できる 業務プロセス 数ヶ月 → 数分 スピードが桁違い 組織の役割 依頼する/される → 自分でやる 自律的に動ける 共通するキーワード：「民主化」
43. ©2026 Databricks Inc. — All rights reserved 43 ここまでの話、本当なの？ 「自然言語で分析できる」 「数分でアプリが作れる」 「業務部門だけで完結する」 第4部：実際に体験してみましょう Genie、アシスタント、Appsを使ったハンズオン（50分） ── 休憩10分の後、第4部へ ──
44. ©2026 Databricks Inc. — All rights reserved 第4部 ハンズオン 実際に体験してみよう 44
45. ©2026 Databricks Inc. — All rights reserved ハンズオンの目的 45 第3部で説明した「変化」を、自分の手で体験する 事前課題との違い 事前課題 基礎 「動かしてみる」── 基本操作の確認 今日のハンズオン 発展 「使いこなす」── 実践的なシナリオ 事後課題 応用 「自分で作る」── 実践課題 今日は「発展」レベル。事前課題の先へ進みます
46. ©2026 Databricks Inc. — All rights reserved ハンズオンの流れ 46 1 Genie 発展 複合分析、深掘り質問 10分 2 Genie Code 発展 Agent Mode、複合タスク 15分 3 まとめ＆事後課題紹介 5分 💡 困ったら挙手 or 発言してください。講師がサポートします
47. ©2026 Databricks Inc. — All rights reserved 事前課題でやったこと 47 ✅ 基本的な質問 「売上を見せて」「顧客数は？」など、単純な集計・表示 → Genieが質問を理解し、SQLを生成し、結果を返す流れを体験 今日やること 🔍 複合条件での分析（複数の軸を組み合わせる） 📊 比較分析（前年比、地域間比較など） ❓ 「なぜ？」を深掘りする質問 🎯 Trusted Assetの理解と活用
48. ©2026 Databricks Inc. — All rights reserved 1. Genie発展編 複合分析と深掘り質問 48
49. ©2026 Databricks Inc. — All rights reserved 演習1 : 複合条件での分析 49 事前課題と同じGenieスペースを使います シナリオ あなたは営業部長です。 「どの地域の、どの商品カテゴリが、いつ伸びているか」を把握したい やってみよう 1 💬 店舗別・カテゴリ別の売上を月次で見せて 2 💬 先週比で、成長率が高い組み合わせは？ 3 💬 その中で売り上げの高いものに絞って 💡 ポイント：会話の流れで条件を絞り込んでいく
50. ©2026 Databricks Inc. — All rights reserved 演習2 : 「なぜ？」を深掘りする 50 事前実習と同じGenieスペースを使います シナリオ 売上レポートで「Aomoriエリアが前週比マイナス」と出た。 上司に報告する前に、原因を特定したい やってみよう 1 💬Aomoriエリアの売上が下がった原因を分析して 2 💬 特に落ち込んだ商品カテゴリは？ 3 💬 その商品の顧客層に変化はある？ 4 💬 同じ期間、競合が強い地域との比較は？ 💡 ポイント：Genieは「Why」の質問にも対応できる
51. ©2026 Databricks Inc. — All rights reserved 2. アシスタント発展編 エージェントモードと複合タスク 51
52. ©2026 Databricks Inc. — All rights reserved 事前課題でやったこと 52 ✅ 基本的なコード生成 「このデータを読み込んで」「グラフを作って」など、単発の指示 → アシスタントがコードを生成し、実行する流れを体験 今日やること 🤖 エージェントモードの活用（自律的に複数ステップを実行） 📊 複合タスク（データ取得→加工→可視化→解釈） 🔁 試行錯誤の対話（エラー対応、改善指示） 💾 成果物の保存と共有
53. ©2026 Databricks Inc. — All rights reserved エージェントモードとは 53 通常モード 人間が1ステップずつ指示 「データを読んで」 　↓ 実行 「集計して」 　↓ 実行 「グラフにして」 　↓ 実行 エージェントモード ゴールだけ伝える 「売上分析レポートを作って」 ↓ AIが自動で ・データ取得 ・加工・集計 ・可視化 ・解釈まで実行 「自分で考えて、自分で動く」── 第2部で説明したAIエージェントの実装 有効化の方法 アシスタントパネル右下で 「Agent」モードを選択 ※ 実行内容を確認しながら進めたい場合は「Auto-fix errors」のみON https://docs.databricks.com/aws/ja/notebooks/ds-agent
54. ©2026 Databricks Inc. — All rights reserved 演習1: 複合タスクの依頼 54 シナリオ Irisデータセット（アヤメの花の計測データ）を使って、 花の種類を分類するための特徴を分析したい やってみよう（エージェントモード ON） 💬 「scikit-learnのirisデータセットを読み込んで、 以下の分析をしてください： ・種類ごとの特徴量の分布を箱ひげ図で可視化 ・どの特徴量が種類の分類に効きそうか考察 ・簡単な相関分析も見せて」 💡 ポイント： sklearn.datasets.load_iris() だけで即使える セットアップ不要。AIが自動でコードを生成・実行する様子を観察
55. ©2026 Databricks Inc. — All rights reserved 演習2: 対話で改善する 55 シナリオ 演習1の結果を見て、もう少し調整・深掘りしたい 追加の指示を出してみよう 💬 グラフの色を種類ごとに分けて、凡例も追加して 見た目の調整 💬 petal_lengthとpetal_widthの散布図を種類別に描いて 追加の可視化 💬 簡単な決定木で分類して、精度を出して 分析の深掘り 💬 ここまでの分析結果をまとめて レポート生成 💡 ポイント：完璧を目指さず、対話で改善していく
56. ©2026 Databricks Inc. — All rights reserved 演習3: エラーへの対処 56 AIも間違える。そのときどうする？ ❌ テーブルが見つからない → ✅ 「◦◦というテーブルを使って」と具体的に指示 ❌ グラフが意図と違う → ✅ 「棒グラフではなく折れ線で」と修正指示 ❌ 計算結果がおかしい → ✅ 「集計単位を月別から週別に変えて」と条件明確化 ❌ コードエラーが出た → ✅ 「エラーを修正して」だけでOK（AIが自己修正） 💡 エラーを恐れない。 AIとの対話で解決できる
57. ©2026 Databricks Inc. — All rights reserved アシスタント発展編のポイント 57 エージェントモードで自律実行 ゴールを伝えれば、AIがステップを分解して実行 対話で改善 一発で完璧を目指さない。会話しながら調整 エラーも対話で解決 「直して」だけで自己修正できる 複合タスクをワンストップで データ→加工→可視化→解釈を一連で実行 事後課題では、本格的な分析ワークフローに挑戦します
58. ©2026 Databricks Inc. — All rights reserved 58 お疲れさまでした！ 体験できましたか？ 「日本語で分析できる」 「AIが自分で動く」 「すぐに公開できる」 第5部：まとめ＆明日から何をすべきか 今日の学びを、どう活かすか（15分）
59. ©2026 Databricks Inc. — All rights reserved 第5部 まとめ 明日から何をすべきか 59
60. ©2026 Databricks Inc. — All rights reserved 今日の振り返り 60 第1部 変化の兆候 AIの進化スピードは想像以上 第2部 変化の原動力 生成AI・エージェント・MCPが変革を加速 第3部 インパクト インターフェース・分析・業務プロセスの民主化 第4部 ハンズオン Genie・アシスタント・Appsを体験 キーワード：「民主化」 ── 専門家だけのものが、みんなのものへ
61. ©2026 Databricks Inc. — All rights reserved 今日お伝えしたかった 3つのこと 61 1 変化は「いつか」ではなく「今」起きている 待っていると取り残される 2 技術の詳細より「何ができるか」を知ることが大事 使いこなす側に回る 3 情報システム部門の役割は「なくなる」のではなく「変わる」 より価値の高い仕事へ 「知っている」と「できる」は違う ── 今日の体験を活かしてください
62. ©2026 Databricks Inc. — All rights reserved 明日からできること 62 今週中 事後課題に取り組む 実践力を身につける 今月中 自分の業務で試してみる 「これ、Genieに聞けるかも」を探す 3ヶ月以内 チームに共有する 今日の体験を同僚に伝える 継続的に 情報をキャッチアップ 月1回は新機能をチェック 小さく始めて、徐々に広げる
63. ©2026 Databricks Inc. — All rights reserved 63 質問タイム 今日の内容について、何でも聞いてください 質問の例： ・自分の部署でどう活用できるか ・導入時の注意点 ・技術的な疑問
64. ©2026 Databricks Inc. — All rights reserved 64 本日はありがとうございました 生成AIは「脅威」ではなく「機会」 使いこなす側に回りましょう 事後課題、頑張ってください！ 講師：弥生 隆明（Databricks Japan）
65. ©2026 Databricks Inc. — All rights reserved 65