Selama beberapa dekad, organisasi telah mengekalkan dua dunia berasingan untuk data mereka. Sistem Pemprosesan Transaksi Dalam Talian (OLTP) mengendalikan operasi harian—seperti pesanan, kemas kini inventori, dan rekod pelanggan—manakala sistem Pemprosesan Analitik Dalam Talian (OLAP) menjalankan pelaporan, papan pemuka, dan latihan model. Memindahkan data antara kedua-duanya memerlukan saluran paip ETL, yang memperkenalkan kependaman, kos, dan masalah tadbir urus.

LTAP bertujuan untuk menyatukan beban kerja ini pada satu salinan data yang disimpan di dalam tasik data (data lake). Menurut Databricks, seni bina ini menghapuskan ETL, replika, dan pergerakan data secara reka bentuk . Data transaksi tersedia untuk analitik serta-merta, tanpa transformasi atau penyelenggaraan saluran paip.

Asas LTAP ialah Lakebase, perkhidmatan Postgres tanpa pelayan (serverless) Databricks yang dibina di atas storan objek terbuka. Lakebase kini sudah melayani ribuan pelanggan dan mengendalikan 12 juta pelancaran pangkalan data setiap hari di seluruh platform . Di bawah model LTAP, Lakebase menyimpan data secara langsung dalam Unity Catalog menggunakan format terbuka—Delta Lake dan Apache Iceberg—supaya data transaksi yang ditadbir urus boleh terus ditanya untuk beban kerja analitik .

Syarikat itu menerangkan beberapa ciri utama untuk seni bina ini: tadbir urus bersatu dengan satu sumber kebenaran, penskalaan bebas untuk beban kerja transaksi dan analitik, semantik ACID penuh untuk beban kerja Postgres, dan tiada saluran paip atau penyambung tersembunyi untuk diselenggara .

Keupayaan baharu Lakebase

Bersama pengumuman LTAP, Databricks mendedahkan beberapa peningkatan kepada Lakebase itu sendiri:

• Pemulihan bencana merentas awan dan rantau untuk pangkalan data Postgres pengeluaran.
• Percabangan dan syot kilat (snapshot) gaya Git, membolehkan eksperimen selamat secara langsung ke atas data pengeluaran.
• Operasi pangkalan data autonomi yang memantau kelembapan, mengesan anomali, dan mencetuskan pemulihan automatik .

Ciri-ciri ini menandakan niat Databricks untuk menjadikan Postgres tanpa pelayan sebagai pangkalan data operasi kelas pertama untuk aplikasi dan ejen AI, bukan sekadar lapisan kemudahan untuk analitik.

Lakehouse//RT: analitik masa nyata pada data yang ditadbir urus

Pengumuman infrastruktur utama kedua ialah Lakehouse//RT, sebuah lakehouse masa nyata yang dikuasakan oleh enjin pengiraan baharu yang dipanggil Reyden (singkatan untuk "Reynold's Dream Engine," dinamakan sempena pengasas bersama Reynold Xin) . Databricks mengatakan Reyden menyampaikan kependaman pertanyaan milisaat pada puluhan ribu pengguna dan ejen serentak, berjalan secara langsung pada jadual Delta Lake dan Apache Iceberg yang ditadbir urus .

Implikasinya adalah besar: perusahaan tidak lagi perlu menyediakan infrastruktur penyampaian berasingan—seperti lapisan penimbalan (caching), paparan terwujud (materialized views), atau enjin pertanyaan luaran—untuk mencapai prestasi masa nyata. Sigma Computing menyertai sebagai rakan pelancaran, menghubungkan secara langsung ke Lakehouse//RT untuk analitik terbenam .

Pengasas bersama Databricks, Reynold Xin, menggambarkan pelancaran ini sebagai "mungkin pengenalan tunggal terbesar yang telah kami lakukan sejak pelancaran Lakehouse" .

Dorongan ejen: Genie One, Agent Bricks, dan peralatan AI yang lebih luas

Databricks menggunakan sidang kemuncak itu untuk meletakkan platformnya sebagai asas untuk ejen AI perusahaan. Pengumuman termasuk:

• Genie One: Rakan sekerja ejen AI yang direka untuk membantu pasukan perniagaan mengautomasikan kerja berpandukan data perniagaan sebenar, dengan peningkatan untuk konteks ejen .
• Genie Agents dan Agent Bricks: Alat untuk membina dan menerapkan ejen AI yang boleh memerhati, menaakul, dan bertindak merentasi data perusahaan. Agent Bricks ialah komponen pra-bina yang mengoptimumkan ejen secara automatik menggunakan data yang ditadbir urus .
• Unity AI Gateway: Tadbir urus pelbagai AI dan kawalan kos untuk organisasi yang menguruskan berbilang pembekal model AI .

Naratif yang lebih luas, seperti yang ditangkap oleh penganalisis industri, adalah bahawa LTAP dan Lakehouse//RT adalah lapisan penyampaian data di bawah seni bina perusahaan ejen. Dengan meletakkan data operasi dalam format terbuka pada storan yang ditadbir urus, Databricks percaya ejen AI boleh mengakses, menaakul, dan bertindak ke atas pangkalan data pengeluaran tanpa memindahkan atau menyalin data .

Integrasi Azure dan Microsoft

Databricks memperdalam integrasi ekosistem Azure dengan beberapa keupayaan yang diumumkan bersama:

• Copilot Studio dan GitHub Copilot: Pengguna boleh mengarang ejen Copilot Studio yang menaakul ke atas keseluruhan ruang kerja Azure Databricks melalui satu sambungan MCP (Model-Centric-Protocol) .
• Genie untuk Microsoft Teams dan M365 Copilot (Beta): Pengguna boleh menandai (tag) Genie dalam urutan Teams dan menerima jawapan sedar konteks terus dari persekitaran Azure Databricks mereka .
• Azure Databricks Excel Add-in (Pratonton Awam) dan pengambilan (ingestion) Excel asli (GA) membolehkan analitik tanpa pemandu dari hamparan elektronik .
• Databricks CustomerLake: Platform data pelanggan asli lakehouse pertama, diperkenalkan untuk Azure Databricks .

Integrasi ini mencadangkan strategi untuk membenamkan keupayaan tadbir urus dan AI Databricks ke dalam alat kerjasama di mana keputusan perniagaan dibuat, dan bukannya memerlukan pengguna beralih ke antara muka analitik yang berasingan.

Apa maknanya untuk seni bina data perusahaan

Secara kolektif, pengumuman sidang kemuncak ini mewakili pertaruhan platform yang koheren: bahawa generasi aplikasi perusahaan seterusnya akan bersifat ejen, masa nyata, dan ditadbir urus. LTAP menghapuskan pemisah transaksi-analitik, Lakehouse//RT menghapuskan kompromi kependaman untuk pertanyaan analitik, dan keluarga Genie menyediakan lapisan orkestrasi ejen.

Jika berjaya, seni bina ini dapat mengurangkan bilangan bahagian yang bergerak dalam tindanan data perusahaan biasa—kurang pangkalan data, kurang saluran paip, kurang lapisan penyampaian—sambil menyediakan ejen AI dengan konteks masa nyata yang ditadbir urus yang mereka perlukan untuk bertindak secara autonomi ke atas data perniagaan.

Databricks tidak bersendirian dalam mengejar penumpuan ini, tetapi dengan Lakebase sudah berada pada 12 juta pelancaran pangkalan data harian dan sidang kemuncak yang dihadiri 30,000 orang mengukuhkan ekosistemnya, pengumuman LTAP menandakan satu pencapaian penting dalam evolusi seni bina lakehouse dari platform analitik kepada tulang belakang data operasi .

Selama beberapa dekad, organisasi telah mengekalkan dua dunia berasingan untuk data mereka. Sistem Pemprosesan Transaksi Dalam Talian (OLTP) mengendalikan operasi harian—seperti pesanan, kemas kini inventori, dan rekod pelanggan—manakala sistem Pemprosesan Analitik Dalam Talian (OLAP) menjalankan pelaporan, papan pemuka, dan latihan model. Memindahkan data antara kedua-duanya memerlukan saluran paip ETL, yang memperkenalkan kependaman, kos, dan masalah tadbir urus.

LTAP bertujuan untuk menyatukan beban kerja ini pada satu salinan data yang disimpan di dalam tasik data (data lake). Menurut Databricks, seni bina ini menghapuskan ETL, replika, dan pergerakan data secara reka bentuk . Data transaksi tersedia untuk analitik serta-merta, tanpa transformasi atau penyelenggaraan saluran paip.

Asas LTAP ialah Lakebase, perkhidmatan Postgres tanpa pelayan (serverless) Databricks yang dibina di atas storan objek terbuka. Lakebase kini sudah melayani ribuan pelanggan dan mengendalikan 12 juta pelancaran pangkalan data setiap hari di seluruh platform . Di bawah model LTAP, Lakebase menyimpan data secara langsung dalam Unity Catalog menggunakan format terbuka—Delta Lake dan Apache Iceberg—supaya data transaksi yang ditadbir urus boleh terus ditanya untuk beban kerja analitik .

Syarikat itu menerangkan beberapa ciri utama untuk seni bina ini: tadbir urus bersatu dengan satu sumber kebenaran, penskalaan bebas untuk beban kerja transaksi dan analitik, semantik ACID penuh untuk beban kerja Postgres, dan tiada saluran paip atau penyambung tersembunyi untuk diselenggara .

Keupayaan baharu Lakebase

Bersama pengumuman LTAP, Databricks mendedahkan beberapa peningkatan kepada Lakebase itu sendiri:

• Pemulihan bencana merentas awan dan rantau untuk pangkalan data Postgres pengeluaran.
• Percabangan dan syot kilat (snapshot) gaya Git, membolehkan eksperimen selamat secara langsung ke atas data pengeluaran.
• Operasi pangkalan data autonomi yang memantau kelembapan, mengesan anomali, dan mencetuskan pemulihan automatik .

Ciri-ciri ini menandakan niat Databricks untuk menjadikan Postgres tanpa pelayan sebagai pangkalan data operasi kelas pertama untuk aplikasi dan ejen AI, bukan sekadar lapisan kemudahan untuk analitik.

Lakehouse//RT: analitik masa nyata pada data yang ditadbir urus

Pengumuman infrastruktur utama kedua ialah Lakehouse//RT, sebuah lakehouse masa nyata yang dikuasakan oleh enjin pengiraan baharu yang dipanggil Reyden (singkatan untuk "Reynold's Dream Engine," dinamakan sempena pengasas bersama Reynold Xin) . Databricks mengatakan Reyden menyampaikan kependaman pertanyaan milisaat pada puluhan ribu pengguna dan ejen serentak, berjalan secara langsung pada jadual Delta Lake dan Apache Iceberg yang ditadbir urus .

Implikasinya adalah besar: perusahaan tidak lagi perlu menyediakan infrastruktur penyampaian berasingan—seperti lapisan penimbalan (caching), paparan terwujud (materialized views), atau enjin pertanyaan luaran—untuk mencapai prestasi masa nyata. Sigma Computing menyertai sebagai rakan pelancaran, menghubungkan secara langsung ke Lakehouse//RT untuk analitik terbenam .

Pengasas bersama Databricks, Reynold Xin, menggambarkan pelancaran ini sebagai "mungkin pengenalan tunggal terbesar yang telah kami lakukan sejak pelancaran Lakehouse" .

Dorongan ejen: Genie One, Agent Bricks, dan peralatan AI yang lebih luas

Databricks menggunakan sidang kemuncak itu untuk meletakkan platformnya sebagai asas untuk ejen AI perusahaan. Pengumuman termasuk:

• Genie One: Rakan sekerja ejen AI yang direka untuk membantu pasukan perniagaan mengautomasikan kerja berpandukan data perniagaan sebenar, dengan peningkatan untuk konteks ejen .
• Genie Agents dan Agent Bricks: Alat untuk membina dan menerapkan ejen AI yang boleh memerhati, menaakul, dan bertindak merentasi data perusahaan. Agent Bricks ialah komponen pra-bina yang mengoptimumkan ejen secara automatik menggunakan data yang ditadbir urus .
• Unity AI Gateway: Tadbir urus pelbagai AI dan kawalan kos untuk organisasi yang menguruskan berbilang pembekal model AI .

Naratif yang lebih luas, seperti yang ditangkap oleh penganalisis industri, adalah bahawa LTAP dan Lakehouse//RT adalah lapisan penyampaian data di bawah seni bina perusahaan ejen. Dengan meletakkan data operasi dalam format terbuka pada storan yang ditadbir urus, Databricks percaya ejen AI boleh mengakses, menaakul, dan bertindak ke atas pangkalan data pengeluaran tanpa memindahkan atau menyalin data .

Integrasi Azure dan Microsoft

Databricks memperdalam integrasi ekosistem Azure dengan beberapa keupayaan yang diumumkan bersama:

• Copilot Studio dan GitHub Copilot: Pengguna boleh mengarang ejen Copilot Studio yang menaakul ke atas keseluruhan ruang kerja Azure Databricks melalui satu sambungan MCP (Model-Centric-Protocol) .
• Genie untuk Microsoft Teams dan M365 Copilot (Beta): Pengguna boleh menandai (tag) Genie dalam urutan Teams dan menerima jawapan sedar konteks terus dari persekitaran Azure Databricks mereka .
• Azure Databricks Excel Add-in (Pratonton Awam) dan pengambilan (ingestion) Excel asli (GA) membolehkan analitik tanpa pemandu dari hamparan elektronik .
• Databricks CustomerLake: Platform data pelanggan asli lakehouse pertama, diperkenalkan untuk Azure Databricks .

Integrasi ini mencadangkan strategi untuk membenamkan keupayaan tadbir urus dan AI Databricks ke dalam alat kerjasama di mana keputusan perniagaan dibuat, dan bukannya memerlukan pengguna beralih ke antara muka analitik yang berasingan.

Apa maknanya untuk seni bina data perusahaan

Secara kolektif, pengumuman sidang kemuncak ini mewakili pertaruhan platform yang koheren: bahawa generasi aplikasi perusahaan seterusnya akan bersifat ejen, masa nyata, dan ditadbir urus. LTAP menghapuskan pemisah transaksi-analitik, Lakehouse//RT menghapuskan kompromi kependaman untuk pertanyaan analitik, dan keluarga Genie menyediakan lapisan orkestrasi ejen.

Jika berjaya, seni bina ini dapat mengurangkan bilangan bahagian yang bergerak dalam tindanan data perusahaan biasa—kurang pangkalan data, kurang saluran paip, kurang lapisan penyampaian—sambil menyediakan ejen AI dengan konteks masa nyata yang ditadbir urus yang mereka perlukan untuk bertindak secara autonomi ke atas data perniagaan.

Databricks tidak bersendirian dalam mengejar penumpuan ini, tetapi dengan Lakebase sudah berada pada 12 juta pelancaran pangkalan data harian dan sidang kemuncak yang dihadiri 30,000 orang mengukuhkan ekosistemnya, pengumuman LTAP menandakan satu pencapaian penting dalam evolusi seni bina lakehouse dari platform analitik kepada tulang belakang data operasi .