18ページ目。データ基盤・DWHの公式リリースノートと公式ブログを3718件掲載。最新は2026年10月14日のDatabricks「Databricks、サーバーレスから私設網へ接続するPrivate Network Gatewayを発表」。新機能、仕様変更、運用影響を確認できます。

2026年10月14日(水)

Databricks / 公式ブログ / 2026/10/14 / 通常Databricks、サーバーレスから私設網へ接続するPrivate Network Gatewayを発表

• ネットワーク単位で一度設定し、既存の経路・DNS・ファイアウォールで到達先を制御
• Azureで公開プレビュー、AWSで非公開プレビュー。Google Cloud対応は開発中
• 私設データベース、MCPサーバー、パッケージ保管庫や自社の通信検査設備へ接続

Introducing Private Network GatewayDatabricks 公式ブログで原文を確認 ↗

Databricks / 公式ブログ / 2026/10/14 / 通常Databricks、予測・異常検知・要因分析のPredictive AI FunctionsをBeta提供

• ai_forecastを強化し、ai_top_drivers・ai_detect_anomalies・ai_predict_value・ai_predict_classを追加
• SQL関数として予測や異常検知を実行でき、利用者が個別のモデル基盤を運用する手間を軽減
• 提供段階はBetaで、Genieではai_top_driversが利用可能、他の関数連携は今後の予定

Unlock powerful insights and forecasts with Predictive AI Functionsdatabricksで原文を確認 ↗

Databricks / 公式ブログ / 2026/10/14 / 通常FactSet、AI Runtimeで金融データ照会式を生成するモデルの学習・展開を短縮

• 自然言語からFactSet Query Languageの式を作るシステムで、微調整した公開モデルを活用
• 複雑な式でのRAGの精度限界を補い、新しいデータに応じて2〜3週間ごとに再学習
• AI RuntimeのサーバーレスGPUを既存Lakehouse業務と併用し、同社の準備・学習・展開時間を短縮

How FactSet cut model training and deployment from days to hours with Databricks AI Runtimedatabricksで原文を確認 ↗

Google BigQuery / リリースノート / 2026/10/14 / 通常BigQuery、AI.AGGの出力スキーマ指定を一般提供

• AI.AGGにoutput_schema引数を追加し、関数の出力構造を指定可能に
• 出力するフィールドをカンマ区切りの一覧として指定
• 自然言語による集約処理で構造化した結果を得る機能を一般提供

The AI.AGG function now supports the output_schema argument, which lets you specify the schema of the function output as a comma-separated list of fields. This feature is generally available (GA).bigqueryで原文を確認 ↗

Google BigQuery / リリースノート / 2026/10/14 / 通常BigQuery、Dataproc MetastoreからLakehouseへのメタデータ移行を一般提供

• Dataproc MetastoreサービスのメタデータをLakehouseへ移行可能に
• Iceberg RESTまたはHiveカタログのエンドポイントへメタデータを一括移行でき、事前の試行にも対応
• Google Cloudコンソール、gcloud CLI、REST APIに対応し一般提供

Metadata migration from Dataproc Metastore to Lakehouse is now generally available (GA). You can perform a one-time backfill migration or dry run to migrate metadata from a Dataproc Metastore service to an Apache Iceberg REST catalog endpoint or a Hive catalog endpoint using the Google Cloud console, the gcloud CLI, or the REST API. For more information, see Migrate metadata from Dataproc Metastore to Lakehouse .bigqueryで原文を確認 ↗

Google BigQuery / 公式ブログ / 2026/10/14 / 通常BigQuery、Icebergの標準カタログでクラウド横断の会話型分析を構成

• Unity Catalog、Snowflake、AWS GlueをLakehouseのIceberg RESTカタログ仕様で接続
• 遠隔のParquetを一時認証情報で直接読み、Google Cloud側の計算資源でクエリを実行
• 3カタログのデータを結合し、BigQueryの会話型分析で探索する手順を紹介

Cross-cloud conversational analytics made simple with open standardsGoogle BigQuery 公式ブログで原文を確認 ↗

Google BigQuery / リリースノート / 2026/10/14 / 通常BigQuery、LakehouseランタイムカタログのHiveエンドポイントを一般提供

• LakehouseランタイムカタログのApache Hiveカタログエンドポイントが一般提供
• メタストアをサーバーレスの中央メタデータ層として利用
• Apache Spark・Apache Hive・BigQuery間のデータ共有と統合クエリを支援

The Apache Hive catalog endpoint in the Lakehouse runtime catalog is now generally available (GA). This integration lets you use the metastore as a serverless, central metadata layer, enabling seamless data sharing and unified querying across Apache Spark, Apache Hive, and BigQuery. For more information, see About the Hive catalog endpoint and Set up Spark and Hive with the Lakehouse runtime catalog .bigqueryで原文を確認 ↗

Google BigQuery / リリースノート / 2026/10/14 / 通常BigQuery、会話型分析エージェントのGemini Enterpriseへの公開を一般提供

• BigQueryのデータエージェントをGemini Enterpriseへ公開し、自然言語で業務データを分析
• Agent Registryの利用を推奨し、エージェントとAgent Gatewayの登録リージョンを一致させる必要
• 公開後は管理者によるアプリへの追加と利用者へのアクセス権付与を行う構成

You can publish a BigQuery Conversational Analytics agent in Gemini Enterprise . This feature is now generally available (GA).Google BigQueryで原文を確認 ↗

Google BigQuery / リリースノート / 2026/10/14 / 通常BigQuery、複数プロジェクトやデータセット単位の会話作成を一般提供

• Conversational Analyticsで会話に含めるデータソースの選択範囲を拡大
• 複数プロジェクトの全データソースを対象に会話を作成可能
• データセットを指定した会話作成にも対応し、両機能を一般提供

Conversational analytics now lets you create a conversation with all of the data sources in multiple projects, or create a conversation with a dataset . These features are generally available (GA).bigqueryで原文を確認 ↗

ClickHouse / 公式ブログ / 2026/10/14 / 通常ClickHouseがRedshift Serverlessとの継続取り込み比較を公開

• 1,132億件の株価データを毎秒100万行の目標で取り込みながら、集計・詳細クエリを実行
• 準備費用・クエリ費用・累積実行時間を合わせた独自指標で、対象構成比1,996倍と報告
• Redshiftの詳細検索はライブビュー、集計は完了済みMVの最新状態を使う条件で、一般の速度比較ではない

Why Redshift Serverless can’t match ClickHouse Cloud for real-time analyticsClickHouse 公式ブログで原文を確認 ↗