LTAP прагне об'єднати ці робочі навантаження на одній копії даних, що зберігається в data lake. За задумом Databricks, архітектура усуває ETL, репліки та переміщення даних за самим дизайном . Транзакційні дані стають доступними для аналітики миттєво, без трансформації чи обслуговування пайплайнів.

Основою LTAP є Lakebase, безсерверний сервіс Postgres від Databricks, побудований на відкритому об'єктному сховищі. Lakebase вже обслуговує тисячі клієнтів і обробляє 12 мільйонів запусків баз даних на день на платформі . У моделі LTAP Lakebase зберігає дані безпосередньо в Unity Catalog у відкритих форматах — Delta Lake та Apache Iceberg — так що керовані транзакційні дані одразу доступні для аналітичних запитів .

Компанія описує кілька ключових властивостей архітектури: уніфіковане управління з єдиним джерелом правди, незалежне масштабування транзакційних та аналітичних навантажень, повна семантика ACID для робочих навантажень Postgres та жодних прихованих пайплайнів чи конекторів для підтримки .

Нові можливості Lakebase

Разом з анонсом LTAP Databricks представила кілька вдосконалень самого Lakebase:

• Міжхмарне та міжрегіональне аварійне відновлення для виробничих баз даних Postgres.
• Галуження та знімки у стилі Git, що дозволяють безпечно експериментувати безпосередньо з виробничими даними.
• Автономні операції з базами даних, які відстежують уповільнення, виявляють аномалії та запускають автоматичне відновлення .

Ці функції свідчать про намір Databricks зробити безсерверний Postgres повноцінною операційною базою даних для застосунків і AI-агентів, а не просто зручним шаром для аналітики.

Lakehouse//RT: аналітика в реальному часі на керованих даних

Другим великим інфраструктурним анонсом став Lakehouse//RT — lakehouse реального часу на базі нового обчислювального двигуна Reyden (скорочено від «Reynold's Dream Engine», названого на честь співзасновника Рейнольда Сіня) . Databricks стверджує, що Reyden забезпечує затримку запитів на рівні мілісекунд для десятків тисяч одночасних користувачів і агентів, працюючи безпосередньо на керованих таблицях Delta Lake та Apache Iceberg .

Це має значний підтекст: підприємствам більше не потрібно створювати окрему інфраструктуру для обслуговування — як-от шари кешування, матеріалізовані подання або зовнішні пошукові системи — щоб досягти продуктивності в реальному часі. Sigma Computing приєдналася як партнер-запускач, підключаючись безпосередньо до Lakehouse//RT для вбудованої аналітики .

Співзасновник Databricks Рейнольд Сінь описав цей запуск як «ймовірно, найбільше окреме впровадження з моменту запуску Lakehouse» .

Агентний поштовх: Genie One, Agent Bricks та ширший AI-інструментарій

Databricks використала саміт, щоб позиціонувати свою платформу як фундамент для корпоративних AI-агентів. Серед анонсів:

• Genie One: AI-агент-колега, створений для допомоги бізнес-командам автоматизувати роботу на основі реальних бізнес-даних, з покращенням так званого «агентного контексту» .
• Genie Agents та Agent Bricks: Інструменти для створення та розгортання AI-агентів, здатних спостерігати, аналізувати й діяти в межах корпоративних даних. Agent Bricks — це попередньо створені компоненти, які автоматично оптимізують агентів, використовуючи керовані дані .
• Unity AI Gateway: Управління та контроль витрат для організацій, які працюють з кількома постачальниками AI-моделей .

Ширша історія, зафіксована галузевими аналітиками, полягає в тому, що LTAP та Lakehouse//RT є шарами обслуговування даних під «агентною» корпоративною архітектурою. Databricks вважає, що, розміщуючи операційні дані у відкритих форматах на керованому сховищі, AI-агенти зможуть отримувати доступ, аналізувати та діяти на основі виробничих баз даних без переміщення чи копіювання даних .

Інтеграція з Azure та Microsoft

Databricks поглибив інтеграцію з екосистемою Azure, анонсувавши кілька спільних можливостей:

• Copilot Studio та GitHub Copilot: Користувачі можуть створювати агенти Copilot Studio, які аналізують весь робочий простір Azure Databricks через одне з'єднання MCP (Model-Centric-Protocol) .
• Genie для Microsoft Teams та M365 Copilot (Beta): Користувачі можуть позначити Genie у гілці Teams та отримати контекстну відповідь безпосередньо зі свого середовища Azure Databricks .
• Azure Databricks Excel Add-in (публічний попередній перегляд) та нативний імпорт Excel (GA) забезпечують «безпілотну» аналітику з електронних таблиць .
• Databricks CustomerLake: Перша платформа клієнтських даних, нативна для lakehouse, представлена для Azure Databricks .

Ці інтеграції свідчать про стратегію вбудовування можливостей управління та AI від Databricks в інструменти співпраці, де ухвалюються бізнес-рішення, замість того, щоб змушувати користувачів перемикатися на окремий аналітичний інтерфейс.

Що це означає для корпоративної архітектури даних

У сукупності анонси саміту є ставкою на цілісну платформу: що наступне покоління корпоративних застосунків буде агентним, працюватиме в реальному часі та буде керованим. LTAP усуває розрив між транзакціями та аналітикою, Lakehouse//RT прибирає компроміс затримки для аналітичних запитів, а сімейство Genie забезпечує рівень оркестрації агентів.

У разі успіху ця архітектура може зменшити кількість рухомих частин у типовому корпоративному стеку даних — менше баз даних, менше пайплайнів, менше рівнів обслуговування — водночас забезпечуючи AI-агентам керований контекст у реальному часі, необхідний для автономної роботи з бізнес-даними.

Databricks не самотня у прагненні до цієї конвергенції, але з Lakebase, який вже має 12 мільйонів щоденних запусків баз даних, та 30 000 відвідувачів саміту, які посилюють її екосистему, анонс LTAP знаменує важливу віху в еволюції архітектури lakehouse від аналітичної платформи до основи операційних даних .

LTAP прагне об'єднати ці робочі навантаження на одній копії даних, що зберігається в data lake. За задумом Databricks, архітектура усуває ETL, репліки та переміщення даних за самим дизайном . Транзакційні дані стають доступними для аналітики миттєво, без трансформації чи обслуговування пайплайнів.

Основою LTAP є Lakebase, безсерверний сервіс Postgres від Databricks, побудований на відкритому об'єктному сховищі. Lakebase вже обслуговує тисячі клієнтів і обробляє 12 мільйонів запусків баз даних на день на платформі . У моделі LTAP Lakebase зберігає дані безпосередньо в Unity Catalog у відкритих форматах — Delta Lake та Apache Iceberg — так що керовані транзакційні дані одразу доступні для аналітичних запитів .

Компанія описує кілька ключових властивостей архітектури: уніфіковане управління з єдиним джерелом правди, незалежне масштабування транзакційних та аналітичних навантажень, повна семантика ACID для робочих навантажень Postgres та жодних прихованих пайплайнів чи конекторів для підтримки .

Нові можливості Lakebase

Разом з анонсом LTAP Databricks представила кілька вдосконалень самого Lakebase:

• Міжхмарне та міжрегіональне аварійне відновлення для виробничих баз даних Postgres.
• Галуження та знімки у стилі Git, що дозволяють безпечно експериментувати безпосередньо з виробничими даними.
• Автономні операції з базами даних, які відстежують уповільнення, виявляють аномалії та запускають автоматичне відновлення .

Ці функції свідчать про намір Databricks зробити безсерверний Postgres повноцінною операційною базою даних для застосунків і AI-агентів, а не просто зручним шаром для аналітики.

Lakehouse//RT: аналітика в реальному часі на керованих даних

Другим великим інфраструктурним анонсом став Lakehouse//RT — lakehouse реального часу на базі нового обчислювального двигуна Reyden (скорочено від «Reynold's Dream Engine», названого на честь співзасновника Рейнольда Сіня) . Databricks стверджує, що Reyden забезпечує затримку запитів на рівні мілісекунд для десятків тисяч одночасних користувачів і агентів, працюючи безпосередньо на керованих таблицях Delta Lake та Apache Iceberg .

Це має значний підтекст: підприємствам більше не потрібно створювати окрему інфраструктуру для обслуговування — як-от шари кешування, матеріалізовані подання або зовнішні пошукові системи — щоб досягти продуктивності в реальному часі. Sigma Computing приєдналася як партнер-запускач, підключаючись безпосередньо до Lakehouse//RT для вбудованої аналітики .

Співзасновник Databricks Рейнольд Сінь описав цей запуск як «ймовірно, найбільше окреме впровадження з моменту запуску Lakehouse» .

Агентний поштовх: Genie One, Agent Bricks та ширший AI-інструментарій

Databricks використала саміт, щоб позиціонувати свою платформу як фундамент для корпоративних AI-агентів. Серед анонсів:

• Genie One: AI-агент-колега, створений для допомоги бізнес-командам автоматизувати роботу на основі реальних бізнес-даних, з покращенням так званого «агентного контексту» .
• Genie Agents та Agent Bricks: Інструменти для створення та розгортання AI-агентів, здатних спостерігати, аналізувати й діяти в межах корпоративних даних. Agent Bricks — це попередньо створені компоненти, які автоматично оптимізують агентів, використовуючи керовані дані .
• Unity AI Gateway: Управління та контроль витрат для організацій, які працюють з кількома постачальниками AI-моделей .

Ширша історія, зафіксована галузевими аналітиками, полягає в тому, що LTAP та Lakehouse//RT є шарами обслуговування даних під «агентною» корпоративною архітектурою. Databricks вважає, що, розміщуючи операційні дані у відкритих форматах на керованому сховищі, AI-агенти зможуть отримувати доступ, аналізувати та діяти на основі виробничих баз даних без переміщення чи копіювання даних .

Інтеграція з Azure та Microsoft

Databricks поглибив інтеграцію з екосистемою Azure, анонсувавши кілька спільних можливостей:

• Copilot Studio та GitHub Copilot: Користувачі можуть створювати агенти Copilot Studio, які аналізують весь робочий простір Azure Databricks через одне з'єднання MCP (Model-Centric-Protocol) .
• Genie для Microsoft Teams та M365 Copilot (Beta): Користувачі можуть позначити Genie у гілці Teams та отримати контекстну відповідь безпосередньо зі свого середовища Azure Databricks .
• Azure Databricks Excel Add-in (публічний попередній перегляд) та нативний імпорт Excel (GA) забезпечують «безпілотну» аналітику з електронних таблиць .
• Databricks CustomerLake: Перша платформа клієнтських даних, нативна для lakehouse, представлена для Azure Databricks .

Ці інтеграції свідчать про стратегію вбудовування можливостей управління та AI від Databricks в інструменти співпраці, де ухвалюються бізнес-рішення, замість того, щоб змушувати користувачів перемикатися на окремий аналітичний інтерфейс.

Що це означає для корпоративної архітектури даних

У сукупності анонси саміту є ставкою на цілісну платформу: що наступне покоління корпоративних застосунків буде агентним, працюватиме в реальному часі та буде керованим. LTAP усуває розрив між транзакціями та аналітикою, Lakehouse//RT прибирає компроміс затримки для аналітичних запитів, а сімейство Genie забезпечує рівень оркестрації агентів.

У разі успіху ця архітектура може зменшити кількість рухомих частин у типовому корпоративному стеку даних — менше баз даних, менше пайплайнів, менше рівнів обслуговування — водночас забезпечуючи AI-агентам керований контекст у реальному часі, необхідний для автономної роботи з бізнес-даними.

Databricks не самотня у прагненні до цієї конвергенції, але з Lakebase, який вже має 12 мільйонів щоденних запусків баз даних, та 30 000 відвідувачів саміту, які посилюють її екосистему, анонс LTAP знаменує важливу віху в еволюції архітектури lakehouse від аналітичної платформи до основи операційних даних .