Skenario penggunaan

Lakebase Autoscaling mendukung tiga pola utama: melayani data lakehouse di Postgres, menjalankan backend aplikasi, dan menggerakkan agen AI dan ML. Setiap pola menggunakan Postgres bersama Unity Catalog untuk memberi aplikasi Anda database latensi rendah yang tetap sinkron dengan lakehouse.

Menyajikan data lakehouse

Tabel yang disinkronkan memasukkan data Unity Catalog ke database Lakebase Anda untuk pembacaan transaksional dengan latensi rendah. Pilih tabel sumber, pilih mode sinkronisasi, dan alur dikelola sepenuhnya. Tidak ada skrip sinkronisasi, tidak ada orkestrasi eksternal, tidak ada pekerjaan untuk dipantau. Mode berkelanjutan menyimpan data dalam hitungan detik dari sumber. Mode yang dipicu menyeimbangkan kesegaran dan biaya dengan pembaruan inkremental terjadwal. Aplikasi Anda selalu melayani analitik terbaru bersama data operasionalnya sendiri.

Langkah pertama	Jalur pembelajaran
Membuat tabel yang disinkronkan Menjadwalkan sinkronisasi yang sedang berlangsung	Mode sinkronisasi — Rekam Jepret, Dipicu, atau Berkelanjutan Pemetaan jenis data — Kompatibilitas jenis UC ke Postgres Perencanaan kapasitas — batas koneksi, tingkat throughput Daftarkan di Unity Catalog — kueri lintas sumber pada data operasional dan analitis

Backend aplikasi

Aplikasi Anda terhubung ke Lakebase dengan cara yang sama seperti terhubung ke database Postgres apa pun. Gunakan driver dan kerangka kerja yang sudah Anda ketahui. Saat aplikasi Anda mendapatkan lonjakan lalu lintas, penskalaan otomatis menambahkan komputasi tanpa menghilangkan koneksi. Saat trafik berhenti, scale-to-zero menangguhkan basis data dan mengaktifkannya kembali hanya dalam hitungan ratusan milidetik saat ada kueri berikutnya. Anda tidak perlu menyediakan kapasitas untuk beban puncak dan tidak perlu membayar sumber daya yang menganggur. Untuk pengembangan, percabangan memberikan setiap pengembang salinan basis data produksi yang terisolasi tanpa proses seeding data, tanpa duplikasi penyimpanan, dan tanpa perlu menunggu.

Langkah pertama	Jalur pembelajaran
Membangun Aplikasi Databricks — menyebarkan templat dengan kredensial terkelola Hubungkan aplikasi Anda sendiri — Aplikasi Databricks kustom, SDK, atau API	Cara kerja penskalaan otomatis — perilaku komputasi di bawah beban Skalakan ke nol — penangguhan, aktivasi ulang, batas waktu diam Cara kerja cabang — isolasi copy-on-write untuk pengembangan/pengujian Autentikasi — rotasi token untuk aplikasi produksi

Agen AI dan ML

Lakebase berfungsi sebagai backend untuk memori agen AI dan penyajian fitur real time. Agen yang dibangun dengan LangGraph atau OpenAI Agents SDK menyimpan status percakapan dan memori jangka panjang di Postgres. Model disajikan dengan data fitur akses Mosaic AI melalui Toko Fitur Online yang didukung oleh Lakebase Autoscaling. Keduanya sama-sama memperoleh manfaat dari penskalaan otomatis, penskalaan ke nol, dan tata kelola Unity Catalog.

Langkah pertama	Jalur pembelajaran
Menerapkan agen di Databricks Apps — kloning template dan menerapkannya Status agen dan memori — tambahkan memori jangka pendek dan jangka panjang dengan Lakebase	Agen stateful di Aplikasi — Titik pemeriksaan LangGraph, templat memori Agen stateful pada Model Serving — perjalanan waktu, manajemen titik pemeriksaan Penyimpanan Fitur dan Penyajian Model — data fitur latensi rendah yang didukung oleh Lakebase Penyimpanan Fitur Online — membuat, menerbitkan, dan mengelola penyimpanan fitur