Casos de uso

O Dimensionamento Automático do Lakebase dá suporte a três padrões primários: fornecer dados lakehouse no Postgres, executar um back-end de aplicativo e habilitar agentes de IA e ML. Cada padrão usa o Postgres ao lado do Catálogo do Unity para dar ao aplicativo um banco de dados de baixa latência que permanece em sincronia com o lakehouse.

Disponibilizar dados do lakehouse

Linhas do Lakehouse sincronizadas no Lakebase Postgres para leitura por aplicativos com baixa latência

As tabelas sincronizadas trazem dados do Unity Catalog para o seu banco de dados Lakebase, para permitir leituras transacionais de baixa latência. Escolha uma tabela de origem, escolha um modo de sincronização, e o pipeline é totalmente gerenciado. Nenhum script de sincronização, nenhuma orquestração externa, nenhum trabalho a ser monitorado. O modo contínuo mantém os dados dentro de segundos da origem. O modo acionado equilibra a atualidade dos dados e o custo por meio de atualizações incrementais agendadas. Seu aplicativo sempre atende às análises mais recentes junto com seus próprios dados operacionais.

Primeiras etapas	Roteiro de aprendizagem
Criar uma tabela sincronizada Agendar sincronizações em andamento	Modos de sincronização — Instantânea, Disparada, ou Contínua Mapeamento de tipos de dados — compatibilidade de tipos entre UC e Postgres Planejamento de capacidade — limites de conexão, taxas de transferência Registrar-se no Catálogo do Unity – consultas entre fontes em dados operacionais e analíticos

Back-end do aplicativo

Clientes postgres padrão se conectam ao Lakebase Postgres

Seu aplicativo se conecta ao Lakebase da mesma forma que se conecta a qualquer banco de dados postgres. Use os drivers e frameworks que você já conhece. Quando seu aplicativo recebe um pico de tráfego, o dimensionamento automático adiciona computação sem descartar conexões. Quando o tráfego cessa, o escalonamento para zero suspende o banco de dados e o reativa em centenas de milissegundos na consulta seguinte. Você não provisiona para o pico e não paga pela ociosidade. Para desenvolvimento, a ramificação fornece a cada desenvolvedor uma cópia isolada do banco de dados de produção sem propagação de dados, sem duplicação de armazenamento e sem espera.

Primeiras etapas	Roteiro de aprendizagem
Criar um aplicativo do Databricks – implantar um modelo com credenciais gerenciadas Conectar seu próprio aplicativo – Aplicativo, SDK ou API personalizado do Databricks	Como o dimensionamento automático funciona – comportamento de computação sob carga Escala para zero — suspensão, reativação, tempo limite ocioso Como os branches funcionam – isolamento de cópia na gravação para desenvolvimento/teste Autenticação – rotação de token para aplicativos de produção

Agentes de IA e ML

Agentes armazenam memória e modelos leem atributos por meio do Lakebase Postgres, que é sincronizado com a lakehouse

O Lakebase serve como o back-end para a memória do agente de IA e o serviço de recursos em tempo real. Agentes criados com o LangGraph ou o SDK do OpenAI Agents armazenam o estado de conversa e a memória de longo prazo no Postgres. Modelos disponibilizados com acesso ao Mosaic AI utilizam dados de atributos por meio de Feature Stores online com tecnologia de escalonamento automático do Lakebase. Ambos se beneficiam do dimensionamento automático, do escalonamento até zero e da governança do Unity Catalog.

Primeiras etapas	Roteiro de aprendizagem
Implantar um agente nos Aplicativos do Databricks – clonar um modelo e implantar Estado e memória do agente – adicionar memória de curto e longo prazo com o Lakebase	Agentes com estado em aplicativos — pontos de verificação do LangGraph, modelos de memória Agentes com estado no Model Serving – viagem no tempo, gerenciamento de ponto de verificação Repositório de Recursos e Serviço de Modelo – dados de recursos de baixa latência alimentados pelo Lakebase Repositórios de Recursos Online – criar, publicar e gerenciar repositórios de recursos

Comentários

Esta página foi útil?

Last updated on 2026-06-01