Casi d'uso

La scalabilità automatica di Lakebase supporta tre modelli principali: fornire dati lakehouse in Postgres, eseguire un backend applicativo e alimentare agenti di IA e ML. Ogni modello usa Postgres insieme a Unity Catalog per offrire all'applicazione un database a bassa latenza che rimane sincronizzato con il lakehouse.

Gestire i dati di lakehouse

Le tabelle sincronizzate portano i dati di Unity Catalog nel database Lakebase per letture transazionali a bassa latenza. Selezionare una tabella di origine, scegliere una modalità di sincronizzazione e la pipeline è completamente gestita. Nessun script di sincronizzazione, nessuna orchestrazione esterna, nessun processo da monitorare. La modalità continua mantiene i dati entro pochi secondi dall'origine. La modalità attivata bilancia l'aggiornamento e il costo con gli aggiornamenti incrementali pianificati. L'applicazione gestisce sempre l'analisi più recente insieme ai propri dati operativi.

Passaggi iniziali	Percorso di apprendimento
Creare una tabella sincronizzata Pianificare le sincronizzazioni in corso	Modalità di sincronizzazione : snapshot, trigger o continuo Mapping dei tipi di dati : compatibilità tra tipi uc e postgres Pianificazione della capacità : limiti di connessione, velocità effettiva Eseguire la registrazione in Unity Catalog : query tra origini tra dati operativi e analitici

Back-end dell'applicazione

L'applicazione si connette a Lakebase allo stesso modo in cui si connette a qualsiasi database Postgres. Usate i driver e i framework che già conoscete. Quando l'app ottiene un picco di traffico, la scalabilità automatica aggiunge calcolo senza eliminare le connessioni. Quando il traffico si interrompe, lo scale-to-zero sospende il database e lo riattiva in poche centinaia di millisecondi alla query successiva. Non si dimensionano le risorse per i picchi e non si paga per le risorse inutilizzate. In fase di sviluppo, la creazione di branch fornisce a ogni sviluppatore una copia isolata del database di produzione, senza inizializzazione dei dati, senza duplicazione dello storage e senza tempi di attesa.

Passaggi iniziali	Percorso di apprendimento
Creare un'app Databricks : distribuire un modello con credenziali gestite Connettere un'applicazione personalizzata : app, SDK o API di Databricks personalizzate	Funzionamento della scalabilità automatica : comportamento di calcolo in fase di caricamento Scala a zero : sospensione, riattivazione, timeout di inattività Come funzionano i branch — isolamento copy-on-write per sviluppo e test Autenticazione : rotazione dei token per le app di produzione

Agenti di intelligenza artificiale e Machine Learning

Lakebase funge da back-end per la memoria dell'agente di intelligenza artificiale e la funzionalità in tempo reale. Gli agenti creati con LangGraph o OpenAI Agents SDK archiviano lo stato della conversazione e la memoria a lungo termine in Postgres. I modelli distribuiti con l'accesso a Mosaic AI accedono ai dati delle feature tramite feature store online basati su Lakebase Autoscaling. Entrambi beneficiano della scalabilità automatica, dello scaling a zero e della governance di Unity Catalog.

Passaggi iniziali	Percorso di apprendimento
Distribuire un agente in App Databricks : clonare un modello e distribuire Stato e memoria dell'agente : aggiungere memoria a breve termine e a lungo termine con Lakebase	Agenti con stato nelle app — checkpointer di LangGraph, template di memoria Agenti con stato su Model Serving — viaggio nel tempo, gestione dei checkpoint Archivio funzionalità e gestione dei modelli : dati delle funzionalità a bassa latenza basati su Lakebase Store di funzionalità online : creare, pubblicare e gestire negozi di funzionalità