Cas d’utilisation

La mise à l’échelle automatique de Lakebase prend en charge trois principaux cas d’usage : exploiter des données lakehouse dans Postgres, exécuter un backend applicatif et alimenter des agents et le ML. Chaque modèle utilise Postgres en même temps que le catalogue Unity pour donner à votre application une base de données à faible latence qui reste synchronisée avec le lakehouse.

Diffusion des données lakehouse

Les tables synchronisées apportent des données Unity Catalog dans votre base de données Lakebase pour les lectures transactionnelles à faible latence. Choisissez une table source, choisissez un mode de synchronisation et le pipeline est entièrement géré. Aucun script de synchronisation, aucune orchestration externe, aucun travail à surveiller. Le mode continu maintient les données à quelques secondes seulement de la source. Le mode déclenché offre un équilibre entre la fraîcheur des données et le coût grâce à des mises à jour incrémentielles planifiées. Votre application sert toujours les dernières analyses en même temps que ses propres données opérationnelles.

Premières étapes	Parcours d’apprentissage
Créer une table synchronisée Planifier des synchronisations en cours	Modes de synchronisation : instantané, déclenché ou continu Correspondance des types de données — compatibilité des types entre UC et Postgres Planification de la capacité : limites de connexion, débits S’inscrire dans le catalogue Unity : requêtes inter-sources entre les données opérationnelles et analytiques

Back-end d’application

Votre application se connecte à Lakebase de la même façon qu’elle se connecte à n’importe quelle base de données Postgres. Utilisez les pilotes et les frameworks que vous connaissez déjà. Lorsque votre application obtient un pic de trafic, la mise à l’échelle automatique ajoute le calcul sans supprimer les connexions. Lorsque le trafic s’arrête, la mise à l’échelle à zéro suspend la base de données et se réactive en quelques centaines de millisecondes lors de la requête suivante. Vous ne provisionnez pas pour les pics et vous ne payez pas pour l’inactivité. Pour le développement, le branchement donne à chaque développeur une copie isolée de la base de données de production sans amorçage de données, aucune duplication de stockage et aucune attente.

Premières étapes	Parcours d’apprentissage
Créer une application Databricks : déployer un modèle avec des informations d’identification managées Connecter votre propre application : application, KIT de développement logiciel (SDK) ou API Databricks personnalisée	Fonctionnement de la mise à l’échelle automatique : comportement de calcul en cours de chargement Mise à l’échelle à zéro : suspension, réactivation, délai d’inactivité Comment fonctionnent les branches — isolation par copie à l’écriture pour le développement et les tests Authentification : rotation des jetons pour les applications de production

Agents et apprentissage automatique

Lakebase sert de serveur principal pour la mémoire de l’agent et la fonctionnalité en temps réel. Les agents créés avec LangGraph ou le SDK OpenAI Agents stockent l’état des conversations et la mémoire à long terme dans Postgres. Les modèles servis avec la fonctionnalité d’accès à Model Serving accèdent aux données de variables via des Feature Stores en ligne reposant sur l’autoscaling de Lakebase. Les deux bénéficient de la mise à l’échelle automatique, de la mise à l’échelle jusqu’à zéro et de la gouvernance d’Unity Catalog.

Premières étapes

Parcours d’apprentissage

Déployer un agent sur Databricks Apps : cloner un modèle et déployer État et mémoire de l’agent : ajoutez une mémoire à court terme et à long terme avec Lakebase

Mémoire d’agent autogérée (Lakebase) — points de contrôle LangGraph, modèles de mémoire Agents à état dans le service de modèles — voyage dans le temps, gestion des points de contrôle Stockage des caractéristiques et mise en production de modèles — données de caractéristiques à faible latence propulsées par Lakebase Magasins de fonctionnalités en ligne : créer, publier et gérer des magasins de fonctionnalités Recherche de vecteurs hybrides et de mots clés : recherche sémantique et de recherche en texte intégral avec lakebase_vector et lakebase_text extensions