Casos de uso

El escalado automático de Lakebase admite tres patrones principales: servir datos del lakehouse en Postgres, ejecutar un backend de aplicaciones e impulsar agentes de IA y aprendizaje automático. Cada patrón usa Postgres junto con el catálogo de Unity para proporcionar a la aplicación una base de datos de baja latencia que permanece sincronizada con lakehouse.

Servir datos de lakehouse

Las tablas sincronizadas incluyen datos de Unity Catalog en la base de datos de Lakebase para lecturas transaccionales de baja latencia. Elija una tabla de origen, elija un modo de sincronización y el pipeline queda totalmente gestionado. Sin scripts de sincronización, sin orquestación externa, sin trabajos que supervisar. El modo continuo mantiene los datos a solo unos segundos del origen. El modo activado equilibra la actualidad de los datos y el coste mediante actualizaciones incrementales programadas. La aplicación siempre sirve los análisis más recientes junto con sus propios datos operativos.

Primeros pasos	Ruta de aprendizaje
Creación de una tabla sincronizada Programar sincronizaciones en curso	Modos de sincronización : instantánea, desencadenada o continua Asignación de tipos de datos — compatibilidad de tipos entre UC y Postgres Planeamiento de la capacidad : límites de conexión, velocidades de rendimiento Registrar en Unity Catalog — consultas entre distintas fuentes sobre datos operativos y analíticos

Back-end de la aplicación

La aplicación se conecta a Lakebase de la misma manera que se conecta a cualquier base de datos de Postgres. Use los controladores y marcos que ya conoce. Cuando tu aplicación experimenta un pico de tráfico, el escalado automático añade capacidad de procesamiento sin interrumpir las conexiones. Cuando se detiene el tráfico, el escalado a cero suspende la base de datos y la reactiva en unos cientos de milisegundos con la siguiente consulta. No aprovisionas para los picos de demanda y no pagas por la capacidad ociosa. Para el desarrollo, la bifurcación proporciona a cada desarrollador una copia aislada de la base de datos de producción sin inicialización de datos, sin duplicación de almacenamiento ni espera.

Primeros pasos	Ruta de aprendizaje
Compilación de una aplicación de Databricks : implementación de una plantilla con credenciales administradas Conexión de su propia aplicación : aplicación personalizada de Databricks, SDK o API	Funcionamiento del escalado automático : comportamiento de proceso en carga Escalar a cero — suspensión, reactivación, tiempo de espera por inactividad Cómo funcionan las ramas — aislamiento por copia por escritura para desarrollo y pruebas Autenticación: rotación de tokens para aplicaciones de producción

Agentes de inteligencia artificial y aprendizaje automático

Lakebase actúa como backend para la memoria de agentes de IA y la entrega de variables en tiempo real. Los agentes creados con LangGraph o el SDK de agentes de OpenAI almacenan el estado de conversación y la memoria a largo plazo en Postgres. Los modelos servidos con datos de características de acceso de Mosaic AI acceden a ellos a través de almacenes de características en línea impulsados por Lakebase Autoscaling. Ambos se benefician del escalado automático, el escalado a cero y la gobernanza de Unity Catalog.

Primeros pasos	Ruta de aprendizaje
Implementación de un agente en Aplicaciones de Databricks : clone una plantilla e implemente Estado y memoria del agente : agregue memoria a corto y largo plazo con Lakebase.	Agentes con estado en aplicaciones : puntos de control langGraph, plantillas de memoria Agentes con estado en servicio de modelos : viaje en el tiempo, administración de puntos de control Almacén de variables y servicio de modelos — datos de variables de baja latencia impulsados por Lakebase Tiendas de características en línea : crear, publicar y administrar almacenes de características