LTAP стремится объединить эти нагрузки на единой копии данных, хранящейся в Data Lake. По заявлению Databricks, архитектура изначально исключает ETL, реплики и перемещение данных . Транзакционные данные становятся доступными для аналитики мгновенно, без трансформации или обслуживания конвейеров.

Основой LTAP является Lakebase — бессерверный сервис Postgres от Databricks, построенный на открытом объектном хранилище. Lakebase уже обслуживает тысячи клиентов и обрабатывает 12 миллионов запусков баз данных в день на платформе . В модели LTAP Lakebase хранит данные непосредственно в Unity Catalog, используя открытые форматы — Delta Lake и Apache Iceberg, — так что управляемые транзакционные данные становятся немедленно доступными для аналитических запросов .

Компания описывает несколько ключевых свойств архитектуры: унифицированное управление с единым источником достоверной информации, независимое масштабирование для транзакционных и аналитических нагрузок, полную семантику ACID для рабочих нагрузок Postgres и отсутствие необходимости поддерживать скрытые конвейеры или соединители .

Новые возможности Lakebase

Одновременно с анонсом LTAP Databricks представила несколько усовершенствований самого Lakebase:

• Кроссплатформенное и межрегиональное аварийное восстановление для производственных баз данных Postgres.
• Ветвление и снимки в стиле Git, позволяющие безопасно экспериментировать непосредственно с производственными данными.
• Автономные операции базы данных, которые отслеживают замедления, выявляют аномалии и запускают автоматическое восстановление .

Эти функции сигнализируют о намерении Databricks сделать бессерверный Postgres первоклассной операционной базой данных для приложений и AI-агентов, а не просто удобным слоем для аналитики.

Lakehouse//RT: аналитика в реальном времени на управляемых данных

Вторым крупным инфраструктурным анонсом стал Lakehouse//RT — Lakehouse реального времени, работающий на новом вычислительном движке Reyden (сокращение от «Reynold's Dream Engine», названного в честь сооснователя Рейнольда Синя) . Databricks утверждает, что Reyden обеспечивает миллисекундную задержку запросов при десятках тысяч одновременных пользователей и агентов, работая непосредственно с управляемыми таблицами Delta Lake и Apache Iceberg .

Последствия значительны: предприятиям больше не нужно развертывать отдельную обслуживающую инфраструктуру — такую как слои кэширования, материализованные представления или внешние движки запросов, — чтобы достичь производительности реального времени. Партнером-запускающим выступила Sigma Computing, которая напрямую подключается к Lakehouse//RT для встраиваемой аналитики .

Сооснователь Databricks Рейнольд Синь описал запуск как «вероятно, самое крупное отдельное представление, которое мы делали с момента запуска Lakehouse» .

Агентный рывок: Genie One, Agent Bricks и более широкий инструментарий ИИ

Databricks использовала саммит, чтобы позиционировать свою платформу как основу для корпоративных AI-агентов. Анонсы включали:

• Genie One: AI-агент-коллега, призванный помогать бизнес-командам автоматизировать работу на основе реальных бизнес-данных, с улучшениями для агентного контекста .
• Genie Agents и Agent Bricks: Инструменты для создания и развертывания AI-агентов, способных наблюдать, рассуждать и действовать в рамках корпоративных данных. Agent Bricks — это готовые компоненты, которые автооптимизируют агентов, используя управляемые данные .
• Unity AI Gateway: Мульти-ИИ управление и контроль затрат для организаций, работающих с несколькими поставщиками ИИ-моделей .

Более широкая картина, по мнению отраслевых аналитиков, заключается в том, что LTAP и Lakehouse//RT служат слоями обслуживания данных под агентной корпоративной архитектурой. Размещая операционные данные в открытых форматах на управляемом хранилище, Databricks полагает, что AI-агенты смогут получать доступ, анализировать и действовать в производственных базах данных без перемещения или копирования данных .

Интеграции с Azure и Microsoft

Databricks углубила интеграцию с экосистемой Azure, совместно анонсировав несколько возможностей:

• Copilot Studio и GitHub Copilot: Пользователи могут создавать агентов Copilot Studio, которые анализируют все рабочее пространство Azure Databricks через одно MCP-соединение (Model-Centric-Protocol) .
• Genie для Microsoft Teams и M365 Copilot (Beta): Пользователи могут отметить Genie в треде Teams и получить контекстно-зависимый ответ непосредственно из их окружения Azure Databricks .
• Надстройка Azure Databricks для Excel (публичное превью) и нативный прием Excel (GA) обеспечивают «беспилотную» аналитику из электронных таблиц .
• Databricks CustomerLake: Первая нативная для Lakehouse платформа клиентских данных, представленная для Azure Databricks .

Эти интеграции предполагают стратегию внедрения управления и возможностей ИИ от Databricks в инструменты совместной работы, где принимаются бизнес-решения, вместо того чтобы требовать от пользователей переключения на отдельный аналитический интерфейс.

Что это значит для архитектуры корпоративных данных

В совокупности анонсы саммита представляют собой последовательную ставку на платформу: следующее поколение корпоративных приложений будет агентным, работающим в реальном времени и управляемым. LTAP устраняет транзакционно-аналитический разрыв, Lakehouse//RT снимает компромисс по задержкам для аналитических запросов, а семейство Genie обеспечивает уровень оркестровки агентов.

В случае успеха эта архитектура может сократить количество движущихся частей в типичном стеке корпоративных данных — меньше баз данных, меньше конвейеров, меньше обслуживающих слоев — при этом предоставляя AI-агентам управляемый, актуальный контекст, необходимый им для автономных действий с бизнес-данными.

Databricks не одинока в стремлении к этой конвергенции, но с уже 12 миллионами ежедневных запусков баз данных в Lakebase и саммитом с 30 000 участников, укрепляющим ее экосистему, анонс LTAP знаменует собой важную веху в эволюции архитектуры Lakehouse от аналитической платформы к основе операционных данных .

LTAP стремится объединить эти нагрузки на единой копии данных, хранящейся в Data Lake. По заявлению Databricks, архитектура изначально исключает ETL, реплики и перемещение данных . Транзакционные данные становятся доступными для аналитики мгновенно, без трансформации или обслуживания конвейеров.

Основой LTAP является Lakebase — бессерверный сервис Postgres от Databricks, построенный на открытом объектном хранилище. Lakebase уже обслуживает тысячи клиентов и обрабатывает 12 миллионов запусков баз данных в день на платформе . В модели LTAP Lakebase хранит данные непосредственно в Unity Catalog, используя открытые форматы — Delta Lake и Apache Iceberg, — так что управляемые транзакционные данные становятся немедленно доступными для аналитических запросов .

Компания описывает несколько ключевых свойств архитектуры: унифицированное управление с единым источником достоверной информации, независимое масштабирование для транзакционных и аналитических нагрузок, полную семантику ACID для рабочих нагрузок Postgres и отсутствие необходимости поддерживать скрытые конвейеры или соединители .

Новые возможности Lakebase

Одновременно с анонсом LTAP Databricks представила несколько усовершенствований самого Lakebase:

• Кроссплатформенное и межрегиональное аварийное восстановление для производственных баз данных Postgres.
• Ветвление и снимки в стиле Git, позволяющие безопасно экспериментировать непосредственно с производственными данными.
• Автономные операции базы данных, которые отслеживают замедления, выявляют аномалии и запускают автоматическое восстановление .

Эти функции сигнализируют о намерении Databricks сделать бессерверный Postgres первоклассной операционной базой данных для приложений и AI-агентов, а не просто удобным слоем для аналитики.

Lakehouse//RT: аналитика в реальном времени на управляемых данных

Вторым крупным инфраструктурным анонсом стал Lakehouse//RT — Lakehouse реального времени, работающий на новом вычислительном движке Reyden (сокращение от «Reynold's Dream Engine», названного в честь сооснователя Рейнольда Синя) . Databricks утверждает, что Reyden обеспечивает миллисекундную задержку запросов при десятках тысяч одновременных пользователей и агентов, работая непосредственно с управляемыми таблицами Delta Lake и Apache Iceberg .

Последствия значительны: предприятиям больше не нужно развертывать отдельную обслуживающую инфраструктуру — такую как слои кэширования, материализованные представления или внешние движки запросов, — чтобы достичь производительности реального времени. Партнером-запускающим выступила Sigma Computing, которая напрямую подключается к Lakehouse//RT для встраиваемой аналитики .

Сооснователь Databricks Рейнольд Синь описал запуск как «вероятно, самое крупное отдельное представление, которое мы делали с момента запуска Lakehouse» .

Агентный рывок: Genie One, Agent Bricks и более широкий инструментарий ИИ

Databricks использовала саммит, чтобы позиционировать свою платформу как основу для корпоративных AI-агентов. Анонсы включали:

• Genie One: AI-агент-коллега, призванный помогать бизнес-командам автоматизировать работу на основе реальных бизнес-данных, с улучшениями для агентного контекста .
• Genie Agents и Agent Bricks: Инструменты для создания и развертывания AI-агентов, способных наблюдать, рассуждать и действовать в рамках корпоративных данных. Agent Bricks — это готовые компоненты, которые автооптимизируют агентов, используя управляемые данные .
• Unity AI Gateway: Мульти-ИИ управление и контроль затрат для организаций, работающих с несколькими поставщиками ИИ-моделей .

Более широкая картина, по мнению отраслевых аналитиков, заключается в том, что LTAP и Lakehouse//RT служат слоями обслуживания данных под агентной корпоративной архитектурой. Размещая операционные данные в открытых форматах на управляемом хранилище, Databricks полагает, что AI-агенты смогут получать доступ, анализировать и действовать в производственных базах данных без перемещения или копирования данных .

Интеграции с Azure и Microsoft

Databricks углубила интеграцию с экосистемой Azure, совместно анонсировав несколько возможностей:

• Copilot Studio и GitHub Copilot: Пользователи могут создавать агентов Copilot Studio, которые анализируют все рабочее пространство Azure Databricks через одно MCP-соединение (Model-Centric-Protocol) .
• Genie для Microsoft Teams и M365 Copilot (Beta): Пользователи могут отметить Genie в треде Teams и получить контекстно-зависимый ответ непосредственно из их окружения Azure Databricks .
• Надстройка Azure Databricks для Excel (публичное превью) и нативный прием Excel (GA) обеспечивают «беспилотную» аналитику из электронных таблиц .
• Databricks CustomerLake: Первая нативная для Lakehouse платформа клиентских данных, представленная для Azure Databricks .

Эти интеграции предполагают стратегию внедрения управления и возможностей ИИ от Databricks в инструменты совместной работы, где принимаются бизнес-решения, вместо того чтобы требовать от пользователей переключения на отдельный аналитический интерфейс.

Что это значит для архитектуры корпоративных данных

В совокупности анонсы саммита представляют собой последовательную ставку на платформу: следующее поколение корпоративных приложений будет агентным, работающим в реальном времени и управляемым. LTAP устраняет транзакционно-аналитический разрыв, Lakehouse//RT снимает компромисс по задержкам для аналитических запросов, а семейство Genie обеспечивает уровень оркестровки агентов.

В случае успеха эта архитектура может сократить количество движущихся частей в типичном стеке корпоративных данных — меньше баз данных, меньше конвейеров, меньше обслуживающих слоев — при этом предоставляя AI-агентам управляемый, актуальный контекст, необходимый им для автономных действий с бизнес-данными.

Databricks не одинока в стремлении к этой конвергенции, но с уже 12 миллионами ежедневных запусков баз данных в Lakebase и саммитом с 30 000 участников, укрепляющим ее экосистему, анонс LTAP знаменует собой важную веху в эволюции архитектуры Lakehouse от аналитической платформы к основе операционных данных .