Vuosikymmenten ajan organisaatiot ovat ylläpitäneet datalleen kahta erillistä maailmaa. Operatiiviset järjestelmät (OLTP, Online Transactional Processing) pyörittävät päivittäisiä rutiineja — tilauksia, varastosaldoja, asiakastietoja — kun taas analyyttiset järjestelmät (OLAP, Online Analytical Processing) vastaavat raportoinnista, koontinäytöistä ja mallien kouluttamisesta. Datan siirtäminen näiden maailmojen välillä vaatii ETL-putkia (Extract, Transform, Load), jotka tuovat mukanaan latenssia, kustannuksia ja hallinnollisia päänvaivoja.

LTAP:n tavoitteena on yhdistää nämä kaksi kuormitustyyppiä yhteen, datajärvessä säilytettävään datakopioon. Databricksin mukaan arkkitehtuuri poistaa suunnittelultaan ETL-prosessit, replikat ja datan siirtelyn kokonaan . Operatiivinen data on välittömästi analytiikan hyödynnettävissä ilman erillisiä muunnoksia tai putkiston ylläpitoa.

LTAP:n perustana on Lakebase, Databricksin palvelinvapaa Postgres-tietokanta, joka on rakennettu avoimen objektitallennuksen päälle. Lakebase palvelee jo tuhansia asiakkaita ja käsittelee 12 miljoonaa tietokantakäynnistystä päivässä alustalla . LTAP-mallin myötä Lakebase tallentaa datan suoraan Unity Catalogiin käyttäen avoimia tiedostomuotoja — Delta Lakea ja Apache Icebergiä — jolloin hallittu transaktiodata on välittömästi kyseltävissä analyyttisiin töihin ilman erillisiä siirtoja .

Yritys kuvailee arkkitehtuurin ominaisuuksiksi yhtenäisen hallintamallin yhden totuuden lähteen pohjalta, riippumattoman skaalautuvuuden transaktio- ja analytiikkakuormille, täysin ACID-semantiikan Postgres-työkuormille ja sen, ettei ylläpidettäviä piiloputkia tai liittimiä enää tarvita .

Uudet Lakebase-ominaisuudet

Samaan aikaan LTAP-julkistuksen kanssa Databricks paljasti useita parannuksia Lakebaseen:

• Pilvien ja alueiden välinen toipumissuunnittelu tuotannossa oleville Postgres-tietokannoille.
• Git-tyylinen versiohallinta ja tilannevedokset, jotka mahdollistavat turvallisen kokeilun suoraan tuotantodatalla.
• Autonomiset tietokantaoperaatiot, jotka valvovat hidastumisia, havaitsevat poikkeamia ja käynnistävät automaattisen palautuksen .

Nämä ominaisuudet viestivät Databricksin pyrkimyksestä tehdä palvelinvapaasta Postgre:stä ensiluokkainen operatiivinen tietokanta sovelluksille ja tekoälyagenteille, ei vain analytiikan käyttömukavuutta lisäävä kerros.

Lakehouse//RT: reaaliaika-analytiikkaa hallitulla datalla

Toinen suuri infrastruktuurijulkistus oli Lakehouse//RT, reaaliaikainen järvitalo, jonka voimanlähteenä toimii uusi laskentamoottori nimeltä Reyden (lyhenne sanoista ”Reynold's Dream Engine”, nimetty perustajaosakas Reynold Xinin mukaan) . Databricksin mukaan Reyden tarjoaa millisekuntien kyselylatenssin kymmenille tuhansille samanaikaisille käyttäjille ja agenteille, toimien suoraan hallittujen Delta Lake- ja Apache Iceberg -taulujen päällä .

Tämän merkitys on suuri: yritysten ei enää tarvitse pystyttää erillistä palveluinfrastruktuuria — kuten välimuistikerroksia, materialisoituja näkymiä tai ulkoisia kyselymoottoreita — saavuttaakseen reaaliaikaisen suorituskyvyn. Sigma Computing liittyi mukaan lanseerauskumppanina, yhdistäen suoraan Lakehouse//RT:hen upotettua analytiikkaa varten .

Perustajaosakas Reynold Xin kuvaili julkistusta ”todennäköisesti suurimmaksi yksittäiseksi lanseeraukseksemme sitten Lakehousen julkistuksen” .

Agenttitavoitteet: Genie One, Agent Bricks ja laajemmat tekoälytyökalut

Databricks hyödynsi huippukokousta asemoidakseen alustansa yritysten tekoälyagenttien perustaksi. Julkistuksiin lukeutuivat:

• Genie One: Tekoälyagentti ”työkaveri”, joka auttaa bisnestiimejä automatisoimaan työtä pohjautuen todelliseen yritysdataan, nyt tehostetulla agenttikontekstilla .
• Genie Agents ja Agent Bricks: Työkaluja tekoälyagenttien rakentamiseen ja käyttöönottoon, joiden avulla ne voivat havainnoida, järkeillä ja toimia yrityksen datan yli. Agent Bricksit ovat esirakennettuja komponentteja, jotka optimoivat agentit automaattisesti hallittua dataa käyttäen .
• Unity AI Gateway: Usean tekoälymallin hallinta ja kustannusseuranta organisaatioille, jotka käyttävät useita eri tekoälymallien tarjoajia .

Laajempi tarina, kuten alan analyytikot sen tiivistävät, on, että LTAP ja Lakehouse//RT muodostavat datan palvelukerroksen agenttimaisen yritysarkkitehtuurin alla. Asettamalla operatiivisen datan avoimiin formaatteihin hallitulle tallennusalustalle Databricks uskoo tekoälyagenttien pääsevän käsiksi, järkeilevän ja toimivan tuotantotietokantojen päällä ilman datan siirtämistä tai kopiointia .

Azure- ja Microsoft-integraatiot

Databricks syvensi Azure-ekosysteemi-integraatioitaan useilla yhdessä julkistetuilla kyvykkyyksillä:

• Copilot Studio ja GitHub Copilot: Käyttäjät voivat luoda Copilot Studio -agentteja, jotka järkeilevät koko Azure Databricks -työtilan yli yhden MCP-yhteyden kautta .
• Genie for Microsoft Teams ja M365 Copilot (beta): Käyttäjät voivat tägätä Genien Teams-keskustelussa ja saada kontekstitietoisia vastauksia suoraan omasta Azure Databricks -ympäristöstään .
• Azure Databricks Excel -lisäosa (julkinen esikatselu) ja natiivi Excel-tiedostojen sisäänluku (GA) mahdollistavat ”kuljettajattoman” analytiikan suoraan taulukoista .
• Databricks CustomerLake: Ensimmäinen järvitalo-natiivi asiakasdata-alusta, joka esiteltiin Azure Databricksille .

Nämä integraatiot kielivät strategiasta upottaa Databricksin hallinta- ja tekoälyominaisuudet suoraan yhteistyötyökaluihin, joissa liiketoimintapäätökset tehdään, sen sijaan, että käyttäjien tarvitsisi siirtyä erilliseen analytiikkakäyttöliittymään.

Mitä tämä tarkoittaa yritysten data-arkkitehtuurille

Kokonaisuudessaan huippukokouksen julkistukset muodostavat johdonmukaisen alustavedon: seuraavan sukupolven yrityssovellukset tulevat olemaan agenttimaisia, reaaliaikaisia ja hallittuja. LTAP poistaa transaktioiden ja analytiikan välisen kuilun, Lakehouse//RT poistaa latenssikompromissin analyyttisiltä kyselyiltä, ja Genie-tuoteperhe tarjoaa agenttien orkestrointikerroksen.

Onnistuessaan tämä arkkitehtuuri voi vähentää liikkuvien osien määrää tyypillisessä yrityksen datapinossa — harvempia tietokantoja, harvempia putkia, harvempia palvelukerroksia — samalla kun se tarjoaa tekoälyagenteille niiden tarvitseman hallitun, reaaliaikaisen kontekstin toimiakseen itsenäisesti yritysdatalla.

Databricks ei ole yksin tavoittelemassa tätä yhdistymistä, mutta kun taustalla on jo 12 miljoonaa päivittäistä tietokantakäynnistystä Lakebasessa ja 30 000 hengen huippukokous, LTAP-julkistus merkitsee huomattavaa virstanpylvästä järvitaloarkkitehtuurin kehityksessä analytiikka-alustasta operatiivisen datan selkärangaksi .

Vuosikymmenten ajan organisaatiot ovat ylläpitäneet datalleen kahta erillistä maailmaa. Operatiiviset järjestelmät (OLTP, Online Transactional Processing) pyörittävät päivittäisiä rutiineja — tilauksia, varastosaldoja, asiakastietoja — kun taas analyyttiset järjestelmät (OLAP, Online Analytical Processing) vastaavat raportoinnista, koontinäytöistä ja mallien kouluttamisesta. Datan siirtäminen näiden maailmojen välillä vaatii ETL-putkia (Extract, Transform, Load), jotka tuovat mukanaan latenssia, kustannuksia ja hallinnollisia päänvaivoja.

LTAP:n tavoitteena on yhdistää nämä kaksi kuormitustyyppiä yhteen, datajärvessä säilytettävään datakopioon. Databricksin mukaan arkkitehtuuri poistaa suunnittelultaan ETL-prosessit, replikat ja datan siirtelyn kokonaan . Operatiivinen data on välittömästi analytiikan hyödynnettävissä ilman erillisiä muunnoksia tai putkiston ylläpitoa.

LTAP:n perustana on Lakebase, Databricksin palvelinvapaa Postgres-tietokanta, joka on rakennettu avoimen objektitallennuksen päälle. Lakebase palvelee jo tuhansia asiakkaita ja käsittelee 12 miljoonaa tietokantakäynnistystä päivässä alustalla . LTAP-mallin myötä Lakebase tallentaa datan suoraan Unity Catalogiin käyttäen avoimia tiedostomuotoja — Delta Lakea ja Apache Icebergiä — jolloin hallittu transaktiodata on välittömästi kyseltävissä analyyttisiin töihin ilman erillisiä siirtoja .

Yritys kuvailee arkkitehtuurin ominaisuuksiksi yhtenäisen hallintamallin yhden totuuden lähteen pohjalta, riippumattoman skaalautuvuuden transaktio- ja analytiikkakuormille, täysin ACID-semantiikan Postgres-työkuormille ja sen, ettei ylläpidettäviä piiloputkia tai liittimiä enää tarvita .

Uudet Lakebase-ominaisuudet

Samaan aikaan LTAP-julkistuksen kanssa Databricks paljasti useita parannuksia Lakebaseen:

• Pilvien ja alueiden välinen toipumissuunnittelu tuotannossa oleville Postgres-tietokannoille.
• Git-tyylinen versiohallinta ja tilannevedokset, jotka mahdollistavat turvallisen kokeilun suoraan tuotantodatalla.
• Autonomiset tietokantaoperaatiot, jotka valvovat hidastumisia, havaitsevat poikkeamia ja käynnistävät automaattisen palautuksen .

Nämä ominaisuudet viestivät Databricksin pyrkimyksestä tehdä palvelinvapaasta Postgre:stä ensiluokkainen operatiivinen tietokanta sovelluksille ja tekoälyagenteille, ei vain analytiikan käyttömukavuutta lisäävä kerros.

Lakehouse//RT: reaaliaika-analytiikkaa hallitulla datalla

Toinen suuri infrastruktuurijulkistus oli Lakehouse//RT, reaaliaikainen järvitalo, jonka voimanlähteenä toimii uusi laskentamoottori nimeltä Reyden (lyhenne sanoista ”Reynold's Dream Engine”, nimetty perustajaosakas Reynold Xinin mukaan) . Databricksin mukaan Reyden tarjoaa millisekuntien kyselylatenssin kymmenille tuhansille samanaikaisille käyttäjille ja agenteille, toimien suoraan hallittujen Delta Lake- ja Apache Iceberg -taulujen päällä .

Tämän merkitys on suuri: yritysten ei enää tarvitse pystyttää erillistä palveluinfrastruktuuria — kuten välimuistikerroksia, materialisoituja näkymiä tai ulkoisia kyselymoottoreita — saavuttaakseen reaaliaikaisen suorituskyvyn. Sigma Computing liittyi mukaan lanseerauskumppanina, yhdistäen suoraan Lakehouse//RT:hen upotettua analytiikkaa varten .

Perustajaosakas Reynold Xin kuvaili julkistusta ”todennäköisesti suurimmaksi yksittäiseksi lanseeraukseksemme sitten Lakehousen julkistuksen” .

Agenttitavoitteet: Genie One, Agent Bricks ja laajemmat tekoälytyökalut

Databricks hyödynsi huippukokousta asemoidakseen alustansa yritysten tekoälyagenttien perustaksi. Julkistuksiin lukeutuivat:

• Genie One: Tekoälyagentti ”työkaveri”, joka auttaa bisnestiimejä automatisoimaan työtä pohjautuen todelliseen yritysdataan, nyt tehostetulla agenttikontekstilla .
• Genie Agents ja Agent Bricks: Työkaluja tekoälyagenttien rakentamiseen ja käyttöönottoon, joiden avulla ne voivat havainnoida, järkeillä ja toimia yrityksen datan yli. Agent Bricksit ovat esirakennettuja komponentteja, jotka optimoivat agentit automaattisesti hallittua dataa käyttäen .
• Unity AI Gateway: Usean tekoälymallin hallinta ja kustannusseuranta organisaatioille, jotka käyttävät useita eri tekoälymallien tarjoajia .

Laajempi tarina, kuten alan analyytikot sen tiivistävät, on, että LTAP ja Lakehouse//RT muodostavat datan palvelukerroksen agenttimaisen yritysarkkitehtuurin alla. Asettamalla operatiivisen datan avoimiin formaatteihin hallitulle tallennusalustalle Databricks uskoo tekoälyagenttien pääsevän käsiksi, järkeilevän ja toimivan tuotantotietokantojen päällä ilman datan siirtämistä tai kopiointia .

Azure- ja Microsoft-integraatiot

Databricks syvensi Azure-ekosysteemi-integraatioitaan useilla yhdessä julkistetuilla kyvykkyyksillä:

• Copilot Studio ja GitHub Copilot: Käyttäjät voivat luoda Copilot Studio -agentteja, jotka järkeilevät koko Azure Databricks -työtilan yli yhden MCP-yhteyden kautta .
• Genie for Microsoft Teams ja M365 Copilot (beta): Käyttäjät voivat tägätä Genien Teams-keskustelussa ja saada kontekstitietoisia vastauksia suoraan omasta Azure Databricks -ympäristöstään .
• Azure Databricks Excel -lisäosa (julkinen esikatselu) ja natiivi Excel-tiedostojen sisäänluku (GA) mahdollistavat ”kuljettajattoman” analytiikan suoraan taulukoista .
• Databricks CustomerLake: Ensimmäinen järvitalo-natiivi asiakasdata-alusta, joka esiteltiin Azure Databricksille .

Nämä integraatiot kielivät strategiasta upottaa Databricksin hallinta- ja tekoälyominaisuudet suoraan yhteistyötyökaluihin, joissa liiketoimintapäätökset tehdään, sen sijaan, että käyttäjien tarvitsisi siirtyä erilliseen analytiikkakäyttöliittymään.

Mitä tämä tarkoittaa yritysten data-arkkitehtuurille

Kokonaisuudessaan huippukokouksen julkistukset muodostavat johdonmukaisen alustavedon: seuraavan sukupolven yrityssovellukset tulevat olemaan agenttimaisia, reaaliaikaisia ja hallittuja. LTAP poistaa transaktioiden ja analytiikan välisen kuilun, Lakehouse//RT poistaa latenssikompromissin analyyttisiltä kyselyiltä, ja Genie-tuoteperhe tarjoaa agenttien orkestrointikerroksen.

Onnistuessaan tämä arkkitehtuuri voi vähentää liikkuvien osien määrää tyypillisessä yrityksen datapinossa — harvempia tietokantoja, harvempia putkia, harvempia palvelukerroksia — samalla kun se tarjoaa tekoälyagenteille niiden tarvitseman hallitun, reaaliaikaisen kontekstin toimiakseen itsenäisesti yritysdatalla.

Databricks ei ole yksin tavoittelemassa tätä yhdistymistä, mutta kun taustalla on jo 12 miljoonaa päivittäistä tietokantakäynnistystä Lakebasessa ja 30 000 hengen huippukokous, LTAP-julkistus merkitsee huomattavaa virstanpylvästä järvitaloarkkitehtuurin kehityksessä analytiikka-alustasta operatiivisen datan selkärangaksi .