LTAP Gerçekte Hangi Sorunu Çözüyor?

Onlarca yıldır organizasyonlar verileri için iki ayrı dünya inşa ediyordu. Çevrimiçi İşlemsel İşleme (OLTP) sistemleri, siparişler, envanter güncellemeleri ve müşteri kayıtları gibi günlük operasyonları yönetirken, Çevrimiçi Analitik İşleme (OLAP) sistemleri raporlama, gösterge panelleri ve model eğitimi için kullanılıyordu. Bu iki dünya arasında veri taşımak, gecikme, maliyet ve yönetişim sorunlarına yol açan ETL boru hatlarını zorunlu kılıyordu.

LTAP, bu iş yüklerini veri gölünde (data lake) saklanan tek bir veri kopyası üzerinde birleştirmeyi hedefliyor. Databricks'e göre bu mimari, tasarım gereği ETL süreçlerini, veri kopyalarını ve veri hareketini ortadan kaldırıyor . İşlemsel veriler, herhangi bir dönüşüme veya boru hattı bakımına gerek kalmadan anında analitiğe hazır hale geliyor.

LTAP'ın temelini, Databricks'in açık nesne depolama üzerine kurulu sunucusuz Postgres hizmeti olan Lakebase oluşturuyor. Halihazırda binlerce müşteriye hizmet veren ve platform genelinde günde 12 milyon veritabanı başlatma işlemini yöneten Lakebase , LTAP modeliyle birlikte verileri doğrudan Unity Catalog'da Delta Lake ve Apache Iceberg gibi açık formatlarda saklıyor. Bu sayede, yönetilen işlemsel veriler, analitik iş yükleri için anında sorgulanabilir oluyor .

Şirket, bu yeni mimari için birkaç kritik özelliğin altını çiziyor: tek bir doğruluk kaynağı ile birleşik yönetişim, işlemsel ve analitik iş yükleri için bağımsız ölçeklendirme, Postgres iş yükleri için tam ACID uyumluluğu ve bakımı gereken hiçbir gizli boru hattı veya bağlayıcının olmaması .

Yeni Lakebase Yetenekleri

LTAP duyurusunun yanı sıra Databricks, Lakebase'in kendisinde de önemli iyileştirmeler açıkladı:

• Çapraz bulut, çapraz bölge felaket kurtarma: Üretim ortamındaki Postgres veritabanları için kritik bir dayanıklılık özelliği.
• Git tarzı dallanma ve anlık görüntüler: Üretim verileri üzerinde doğrudan güvenli deneyler yapılmasına olanak tanıyor.
• Otonom veritabanı operasyonları: Yavaşlamaları izleyen, anormallikleri tespit eden ve otomatik kurtarmayı tetikleyen sistemler .

Bu özellikler, Databricks'in sunucusuz Postgres'i yalnızca analitik için bir kolaylık katmanı olmaktan çıkarıp, uygulamalar ve yapay zeka ajanları için birinci sınıf bir operasyonel veritabanı haline getirme niyetini açıkça gösteriyor.

Lakehouse//RT: Yönetilen Veriler Üzerinde Gerçek Zamanlı Analitik

Zirvedeki ikinci büyük altyapı duyurusu ise Lakehouse//RT oldu. Bu, Reyden (kurucu ortak Reynold Xin'e atfen "Reynold's Dream Engine"in kısaltması) adlı yeni bir hesaplama motoruyla güçlendirilen gerçek zamanlı bir lakehouse (veri gölü evi) . Databricks, Reyden'ın, doğrudan yönetilen Delta Lake ve Apache Iceberg tabloları üzerinde, on binlerce eş zamanlı kullanıcı ve ajana milisaniye seviyesinde sorgu gecikmesi sunduğunu belirtiyor .

Bunun anlamı oldukça büyük: İşletmelerin artık gerçek zamanlı performans elde etmek için önbellek katmanları, gerçekleştirilmiş görünümler (materialized views) veya harici sorgu motorları gibi ayrı sunum altyapıları kurmasına gerek kalmıyor. Sigma Computing, gömülü analitik için doğrudan Lakehouse//RT'ye bağlanarak lansman ortağı olarak yer aldı .

Databricks kurucu ortağı Reynold Xin, bu lansmanı "muhtemelen Lakehouse'un lansmanından bu yana yaptığımız en büyük tanıtım" olarak nitelendirdi .

Ajan Odaklı Atılım: Genie One, Agent Bricks ve Daha Geniş Yapay Zeka Araçları

Databricks, zirveyi platformunu kurumsal yapay zeka ajanlarının temeli olarak konumlandırmak için kullandı. Duyurular şunları içeriyordu:

• Genie One: İş ekiplerinin, gerçek iş verilerine dayalı işleri otomatikleştirmesine yardımcı olmak için tasarlanmış, ajan bağlamı için geliştirmeler içeren bir yapay zeka "iş arkadaşı" .
• Genie Agents ve Agent Bricks: Kurumsal veriler üzerinde gözlem yapabilen, akıl yürütebilen ve eyleme geçebilen yapay zeka ajanları oluşturmak ve dağıtmak için araçlar. Agent Bricks, ajansları yönetilen verileri kullanarak otomatik olarak optimize eden önceden oluşturulmuş bileşenlerdir .
• Unity AI Gateway: Birden fazla yapay zeka modeli sağlayıcısını yöneten organizasyonlar için çoklu yapay zeka yönetişimi ve maliyet kontrolü .

Sektör analistlerinin de yakaladığı daha geniş anlatı, LTAP ve Lakehouse//RT'nin, ajan odaklı bir kurumsal mimarinin altındaki veri sunum katmanları olduğu yönünde. Databricks, operasyonel verileri yönetilen depolamada açık formatlara yerleştirerek, yapay zeka ajanlarının verileri taşımadan veya kopyalamadan üretim veritabanlarına erişebileceğine, bunlar üzerinde akıl yürütebileceğine ve eyleme geçebileceğine inanıyor .

Azure ve Microsoft Entegrasyonları

Databricks, Azure ekosistemiyle entegrasyonunu bir dizi ortak duyuruyla derinleştirdi:

• Copilot Studio ve GitHub Copilot: Kullanıcılar, tek bir MCP (Model-Centric-Protocol) bağlantısı aracılığıyla tüm bir Azure Databricks çalışma alanı üzerinde akıl yürüten Copilot Studio ajanları oluşturabilecek .
• Microsoft Teams ve M365 Copilot için Genie (Beta): Kullanıcılar, bir Teams sohbetinde Genie'yi etiketleyerek doğrudan Azure Databricks ortamlarından bağlam farkında yanıtlar alabilecek .
• Azure Databricks Excel Eklentisi (Genel Önizleme) ve yerel Excel veri alımı (GA), elektronik tablolardan sürücüsüz analitiği mümkün kılıyor .
• Databricks CustomerLake: Azure Databricks için tanıtılan, lakehouse tabanlı ilk müşteri veri platformu .

Bu entegrasyonlar, Databricks'in yönetişim ve yapay zeka yeteneklerini, kullanıcıların ayrı bir analitik arayüzüne geçmesini gerektirmeden, iş kararlarının alındığı iş birliği araçlarına yerleştirme stratejisini gösteriyor.

Kurumsal Veri Mimarisi İçin Ne Anlama Geliyor?

Toplu olarak bakıldığında, zirve duyuruları tutarlı bir platform bahsini temsil ediyor: yeni nesil kurumsal uygulamaların ajan odaklı, gerçek zamanlı ve yönetilen olacağı öngörüsü. LTAP işlemsel-analitik ayrımını, Lakehouse//RT analitik sorgular için gecikme ödününü ortadan kaldırıyor ve Genie ailesi de ajan düzenleme katmanını sağlıyor.

Başarılı olması halinde bu mimari, tipik bir kurumsal veri yığınındaki hareketli parça sayısını (daha az veritabanı, daha az boru hattı, daha az sunum katmanı) azaltırken, yapay zeka ajanlarına iş verileri üzerinde otonom olarak eyleme geçmek için ihtiyaç duydukları yönetilen ve gerçek zamanlı bağlamı sunabilir.

Databricks bu yakınsamayı hedefleyen tek şirket değil, ancak Lakebase'in halihazırda günde 12 milyon veritabanı başlatmasına ulaşması ve 30.000 katılımcılı zirvenin ekosistemi güçlendirmesiyle, LTAP duyurusu lakehouse mimarisinin bir analitik platformundan operasyonel bir veri omurgasına dönüşümünde önemli bir dönüm noktasına işaret ediyor .

LTAP Gerçekte Hangi Sorunu Çözüyor?

Onlarca yıldır organizasyonlar verileri için iki ayrı dünya inşa ediyordu. Çevrimiçi İşlemsel İşleme (OLTP) sistemleri, siparişler, envanter güncellemeleri ve müşteri kayıtları gibi günlük operasyonları yönetirken, Çevrimiçi Analitik İşleme (OLAP) sistemleri raporlama, gösterge panelleri ve model eğitimi için kullanılıyordu. Bu iki dünya arasında veri taşımak, gecikme, maliyet ve yönetişim sorunlarına yol açan ETL boru hatlarını zorunlu kılıyordu.

LTAP, bu iş yüklerini veri gölünde (data lake) saklanan tek bir veri kopyası üzerinde birleştirmeyi hedefliyor. Databricks'e göre bu mimari, tasarım gereği ETL süreçlerini, veri kopyalarını ve veri hareketini ortadan kaldırıyor . İşlemsel veriler, herhangi bir dönüşüme veya boru hattı bakımına gerek kalmadan anında analitiğe hazır hale geliyor.

LTAP'ın temelini, Databricks'in açık nesne depolama üzerine kurulu sunucusuz Postgres hizmeti olan Lakebase oluşturuyor. Halihazırda binlerce müşteriye hizmet veren ve platform genelinde günde 12 milyon veritabanı başlatma işlemini yöneten Lakebase , LTAP modeliyle birlikte verileri doğrudan Unity Catalog'da Delta Lake ve Apache Iceberg gibi açık formatlarda saklıyor. Bu sayede, yönetilen işlemsel veriler, analitik iş yükleri için anında sorgulanabilir oluyor .

Şirket, bu yeni mimari için birkaç kritik özelliğin altını çiziyor: tek bir doğruluk kaynağı ile birleşik yönetişim, işlemsel ve analitik iş yükleri için bağımsız ölçeklendirme, Postgres iş yükleri için tam ACID uyumluluğu ve bakımı gereken hiçbir gizli boru hattı veya bağlayıcının olmaması .

Yeni Lakebase Yetenekleri

LTAP duyurusunun yanı sıra Databricks, Lakebase'in kendisinde de önemli iyileştirmeler açıkladı:

• Çapraz bulut, çapraz bölge felaket kurtarma: Üretim ortamındaki Postgres veritabanları için kritik bir dayanıklılık özelliği.
• Git tarzı dallanma ve anlık görüntüler: Üretim verileri üzerinde doğrudan güvenli deneyler yapılmasına olanak tanıyor.
• Otonom veritabanı operasyonları: Yavaşlamaları izleyen, anormallikleri tespit eden ve otomatik kurtarmayı tetikleyen sistemler .

Bu özellikler, Databricks'in sunucusuz Postgres'i yalnızca analitik için bir kolaylık katmanı olmaktan çıkarıp, uygulamalar ve yapay zeka ajanları için birinci sınıf bir operasyonel veritabanı haline getirme niyetini açıkça gösteriyor.

Lakehouse//RT: Yönetilen Veriler Üzerinde Gerçek Zamanlı Analitik

Zirvedeki ikinci büyük altyapı duyurusu ise Lakehouse//RT oldu. Bu, Reyden (kurucu ortak Reynold Xin'e atfen "Reynold's Dream Engine"in kısaltması) adlı yeni bir hesaplama motoruyla güçlendirilen gerçek zamanlı bir lakehouse (veri gölü evi) . Databricks, Reyden'ın, doğrudan yönetilen Delta Lake ve Apache Iceberg tabloları üzerinde, on binlerce eş zamanlı kullanıcı ve ajana milisaniye seviyesinde sorgu gecikmesi sunduğunu belirtiyor .

Bunun anlamı oldukça büyük: İşletmelerin artık gerçek zamanlı performans elde etmek için önbellek katmanları, gerçekleştirilmiş görünümler (materialized views) veya harici sorgu motorları gibi ayrı sunum altyapıları kurmasına gerek kalmıyor. Sigma Computing, gömülü analitik için doğrudan Lakehouse//RT'ye bağlanarak lansman ortağı olarak yer aldı .

Databricks kurucu ortağı Reynold Xin, bu lansmanı "muhtemelen Lakehouse'un lansmanından bu yana yaptığımız en büyük tanıtım" olarak nitelendirdi .

Ajan Odaklı Atılım: Genie One, Agent Bricks ve Daha Geniş Yapay Zeka Araçları

Databricks, zirveyi platformunu kurumsal yapay zeka ajanlarının temeli olarak konumlandırmak için kullandı. Duyurular şunları içeriyordu:

• Genie One: İş ekiplerinin, gerçek iş verilerine dayalı işleri otomatikleştirmesine yardımcı olmak için tasarlanmış, ajan bağlamı için geliştirmeler içeren bir yapay zeka "iş arkadaşı" .
• Genie Agents ve Agent Bricks: Kurumsal veriler üzerinde gözlem yapabilen, akıl yürütebilen ve eyleme geçebilen yapay zeka ajanları oluşturmak ve dağıtmak için araçlar. Agent Bricks, ajansları yönetilen verileri kullanarak otomatik olarak optimize eden önceden oluşturulmuş bileşenlerdir .
• Unity AI Gateway: Birden fazla yapay zeka modeli sağlayıcısını yöneten organizasyonlar için çoklu yapay zeka yönetişimi ve maliyet kontrolü .

Sektör analistlerinin de yakaladığı daha geniş anlatı, LTAP ve Lakehouse//RT'nin, ajan odaklı bir kurumsal mimarinin altındaki veri sunum katmanları olduğu yönünde. Databricks, operasyonel verileri yönetilen depolamada açık formatlara yerleştirerek, yapay zeka ajanlarının verileri taşımadan veya kopyalamadan üretim veritabanlarına erişebileceğine, bunlar üzerinde akıl yürütebileceğine ve eyleme geçebileceğine inanıyor .

Azure ve Microsoft Entegrasyonları

Databricks, Azure ekosistemiyle entegrasyonunu bir dizi ortak duyuruyla derinleştirdi:

• Copilot Studio ve GitHub Copilot: Kullanıcılar, tek bir MCP (Model-Centric-Protocol) bağlantısı aracılığıyla tüm bir Azure Databricks çalışma alanı üzerinde akıl yürüten Copilot Studio ajanları oluşturabilecek .
• Microsoft Teams ve M365 Copilot için Genie (Beta): Kullanıcılar, bir Teams sohbetinde Genie'yi etiketleyerek doğrudan Azure Databricks ortamlarından bağlam farkında yanıtlar alabilecek .
• Azure Databricks Excel Eklentisi (Genel Önizleme) ve yerel Excel veri alımı (GA), elektronik tablolardan sürücüsüz analitiği mümkün kılıyor .
• Databricks CustomerLake: Azure Databricks için tanıtılan, lakehouse tabanlı ilk müşteri veri platformu .

Bu entegrasyonlar, Databricks'in yönetişim ve yapay zeka yeteneklerini, kullanıcıların ayrı bir analitik arayüzüne geçmesini gerektirmeden, iş kararlarının alındığı iş birliği araçlarına yerleştirme stratejisini gösteriyor.

Kurumsal Veri Mimarisi İçin Ne Anlama Geliyor?

Toplu olarak bakıldığında, zirve duyuruları tutarlı bir platform bahsini temsil ediyor: yeni nesil kurumsal uygulamaların ajan odaklı, gerçek zamanlı ve yönetilen olacağı öngörüsü. LTAP işlemsel-analitik ayrımını, Lakehouse//RT analitik sorgular için gecikme ödününü ortadan kaldırıyor ve Genie ailesi de ajan düzenleme katmanını sağlıyor.

Başarılı olması halinde bu mimari, tipik bir kurumsal veri yığınındaki hareketli parça sayısını (daha az veritabanı, daha az boru hattı, daha az sunum katmanı) azaltırken, yapay zeka ajanlarına iş verileri üzerinde otonom olarak eyleme geçmek için ihtiyaç duydukları yönetilen ve gerçek zamanlı bağlamı sunabilir.

Databricks bu yakınsamayı hedefleyen tek şirket değil, ancak Lakebase'in halihazırda günde 12 milyon veritabanı başlatmasına ulaşması ve 30.000 katılımcılı zirvenin ekosistemi güçlendirmesiyle, LTAP duyurusu lakehouse mimarisinin bir analitik platformundan operasyonel bir veri omurgasına dönüşümünde önemli bir dönüm noktasına işaret ediyor .