Gebruikssituaties

Lakebase Autoscaling ondersteunt drie hoofdpatronen: lakehouse-gegevens aanbieden in Postgres, een applicatiebackend draaien en agents en ML aandrijven. Elk patroon maakt gebruik van Postgres naast Unity Catalog om uw toepassing een database met lage latentie te geven die gesynchroniseerd blijft met lakehouse.

Lakehouse-gegevens aanbieden

Gesynchroniseerde tabellen brengen Unity Catalog-gegevens naar uw Lakebase-database voor transactionele leesbewerkingen met lage latentie. Kies een brontabel, kies een synchronisatiemodus en de pijplijn wordt volledig beheerd. Geen synchronisatiescripts, geen externe orkestratie, geen taken om te monitoren. Continue modus bewaart gegevens binnen enkele seconden van de bron. De geactiveerde modus zorgt voor een balans tussen nieuwheid en kosten met geplande incrementele updates. Uw toepassing biedt altijd de nieuwste analysegegevens samen met de eigen operationele gegevens.

Eerste stappen	Leertraject
Een gesynchroniseerde tabel maken Lopende synchronisaties plannen	Synchronisatiemodi : momentopname, geactiveerd of doorlopend Toewijzing van datatypen — compatibiliteit tussen UC- en Postgres-typen Capaciteitsplanning : verbindingslimieten, doorvoersnelheden Registreren in Unity Catalog : query's voor meerdere bronnen voor operationele en analytische gegevens

Applicatiebackend

Uw toepassing maakt verbinding met Lakebase op dezelfde manier als deze verbinding maakt met een Postgres-database. Gebruik de stuurprogramma's en frameworks die u al kent. Wanneer uw app een piek in het verkeer krijgt, wordt met automatisch schalen rekenkracht toegevoegd zonder verbindingen te verwijderen. Wanneer er geen verkeer meer is, pauzeert scale-to-zero de database en activeert deze bij de volgende query binnen enkele honderden milliseconden opnieuw. U bent niet ingericht voor pieken en u betaalt niet voor inactiviteit. Voor development geeft het werken met branches elke ontwikkelaar een geïsoleerde kopie van de productiedatabase, zonder data te hoeven seeden, zonder opslagduplicatie en zonder te hoeven wachten.

Eerste stappen	Leertraject
Een Databricks-app bouwen : een sjabloon implementeren met beheerde referenties Uw eigen toepassing verbinden : aangepaste Databricks-app, SDK of API	Hoe automatisch schalen werkt : rekengedrag onder belasting Schalen naar nul : ophanging, opnieuw activeren, time-out voor inactiviteit Hoe branches werken — copy-on-write-isolatie voor dev/test Verificatie : tokenrotatie voor productie-apps

Agents en ML

Lakebase fungeert als de backend voor agentgeheugen en realtime feature-serving. Agents die zijn gebouwd met LangGraph of de OpenAI Agents SDK slaan de gespreksstatus en het langetermijngeheugen op in Postgres. Modellen die via Model Serving worden aangeboden, krijgen toegang tot featuregegevens via Online Feature Stores die worden aangedreven door Lakebase Autoscaling. Beide profiteren van automatisch schalen, schalen naar nul en Unity Catalog-governance.

Eerste stappen

Leertraject

Een agent implementeren in Databricks-apps : een sjabloon klonen en implementeren Agentstatus en -geheugen : voeg kort- en langetermijngeheugen toe met Lakebase

Zelfbeheerd agentgeheugen (Lakebase) — LangGraph-controlepunten , geheugensjablonen Stateful agents in Model Serving - tijdreizen, controlepuntbeheer Feature Store en Model Serving : functiegegevens met lage latentie, mogelijk gemaakt door Lakebase Online Feature Stores — feature stores maken, publiceren en beheren Hybride vector- en trefwoordzoekopdrachten - semantisch en zoeken in volledige tekst met lakebase_vector en lakebase_text extensies