top of page

Databricks Lakehouse//RT detalla su caso de reducción de costes en tiempo real

hace 15 minutos
14 min de lectura

Databricks publicó un nuevo argumento de costes para Lakehouse//RT el 12 de noviembre, citando la reducción de costes de diez veces reportada por Aurasell junto con consultas más rápidas. Su titular, “Lakehouse//RT: Scale real-time analytics, not your bill”, apunta a una preocupación de los equipos que conectan agentes de IA con datos empresariales. Más solicitudes automatizadas pueden convertir una factura de analítica aceptable en una limitación para el propio producto.

El anuncio da seguimiento a un producto existente, en lugar de presentar un nuevo lanzamiento. Lakehouse//RT es el almacén de analítica en tiempo real de Databricks, un sistema para consultar datos empresariales con tiempos de respuesta breves. Su propuesta central cuestiona la capa de serving independiente, una base de datos adicional que responde a las solicitudes de aplicaciones mediante datos copiados.

Esto pone la presión sobre una decisión arquitectónica, en lugar de limitarse a una competencia por la velocidad de las bases de datos. ¿Deben los equipos seguir operando un sistema especializado junto a su almacén, o devolver esas solicitudes a su plataforma principal de datos? Apache Pinot y Apache Druid aparecen en los ejemplos de clientes de Databricks, mientras que Snowflake ofrece otro enfoque para la analítica interactiva. La cuestión importante es qué configuración cumple los requisitos de la aplicación con un coste total sostenible.

Lakehouse//RT: Scale real-time analytics, not your bill

La última actualización de Databricks desplaza la atención de la velocidad principal a la economía de atender el tráfico de aplicaciones.

El análisis de costes en tiempo real del 12 de noviembre describe una mayor concurrencia, una ejecución más rápida, un escalado incremental y la consolidación de infraestructura como fuentes de ahorro. La concurrencia consiste en gestionar solicitudes al mismo tiempo. El escalado incremental implica añadir cantidades menores de capacidad de computación a medida que cambia la demanda.

El ejemplo más claro de agentes es Aurasell, cuya plataforma respalda flujos de trabajo de ventas. Según Databricks, Aurasell necesitaba anteriormente varios clústeres para alcanzar 200 consultas por segundo, una medida del rendimiento de solicitudes. Un único almacén pequeño de Lakehouse//RT habría sostenido más de 250, con consultas de cuatro a cinco veces más rápidas y costes diez veces menores.

Estas cifras describen una carga de trabajo específica de un cliente y su configuración anterior. No establecen cuánto ahorrará otra empresa ni cómo se comportará cada agente de ventas. También dejan abiertas preguntas importantes de compra, incluida la combinación exacta de consultas, el periodo de medición y las condiciones operativas comparables.

Para un comprador, el resultado es una razón para reexaminar una premisa arquitectónica. Un sistema de serving adicional suele incorporarse a un producto porque el almacén original no puede cumplir los requisitos de respuesta de la aplicación. Cuando ese sistema funciona, la necesidad de mantenerlo puede dejar de revisarse. Una nueva opción de ejecución crea un motivo para comparar de nuevo las configuraciones completas.

Esa comparación necesita un límite claro. Sustituir el backend de consultas de una aplicación es distinto de sustituir la aplicación, su lógica de negocio o su framework de agentes. Una base de datos más rápida no mejora automáticamente la calidad de las decisiones de un agente. Modifica una dependencia dentro de un flujo de trabajo más amplio.

El momento también importa porque el producto es anterior a esta actualización. La introducción de Lakehouse//RT de Databricks, del 16 de junio, describía el motor de consultas Reyden y su disponibilidad en beta para cargas de trabajo seleccionadas de solo lectura. Ese lanzamiento reportó una latencia inferior a 100 milisegundos a 12.000 consultas por segundo en benchmarks analíticos. La latencia es el tiempo que tarda una solicitud en devolver una respuesta.

El benchmark del lanzamiento y el resultado de Aurasell pertenecen a configuraciones y contextos de medición distintos. Un comprador no puede combinar el rendimiento del benchmark con la reducción de costes del cliente para crear un resultado esperado de despliegue. Cada afirmación necesita sus propias condiciones antes de convertirse en evidencia útil.

La noticia, por tanto, es un argumento comercial más concreto en torno a una capacidad existente. Databricks pide a los clientes que evalúen el serving en tiempo real a través de la arquitectura que puede eliminar. Es una propuesta más amplia que lograr que las mismas consultas terminen antes.

El tráfico de agentes presiona la arquitectura de serving

Los equipos sometidos a presión son los responsables tanto de la capacidad de respuesta de la aplicación como de la factura de infraestructura que la respalda.

La solicitud de un analista y la de un agente pueden parecer similares para una base de datos. Su comportamiento alrededor puede diferir de forma considerable. Un agente puede emitir solicitudes de seguimiento, repetir una acción fallida o recuperar contexto adicional sin esperar a una persona.

Consideremos un asistente de ventas hipotético que prepara una recomendación para una cuenta. Podría recuperar los detalles de la cuenta, revisar la actividad reciente, comparar oportunidades y comprobar a qué registros puede acceder el usuario. Cada paso puede generar trabajo para la base de datos. Por tanto, mejorar la utilidad del asistente puede incrementar el trabajo necesario para cada tarea completada.

Esto cambia la conversación entre los equipos de producto e infraestructura. Los responsables de producto quieren que el asistente explore suficiente información para producir una respuesta útil. Los responsables de infraestructura necesitan tiempos de respuesta predecibles y un consumo manejable. Finanzas necesita entender si un mayor uso refleja valor empresarial, ejecución ineficiente o solicitudes innecesarias.

La métrica habitual de coste por empleado se vuelve menos informativa en ese contexto. Un mismo empleado puede activar distintas cantidades de trabajo automatizado según el flujo de trabajo. Un producto también puede generar un tráfico considerable en segundo plano sin añadir usuarios. La planificación de capacidad debe seguir lo que el software realmente hace.

Una capa de serving independiente crea otro lugar donde se acumulan esas decisiones. Los datos deben llegar al sistema de serving, mantenerse lo suficientemente consistentes para la aplicación y respetar las reglas de acceso adecuadas. El equipo también necesita una vía de recuperación cuando dejan de llegar actualizaciones o una consulta se comporta de forma inesperada.

Ninguna de estas responsabilidades hace que una base de datos especializada sea inherentemente inadecuada. Un sistema dedicado puede ser la elección correcta cuando su comportamiento se ajusta a los requisitos de la aplicación. La presión relevante recae en la justificación continua del sistema adicional. Sus beneficios deben superar su carga operativa total.

Esto es especialmente relevante cuando los datos subyacentes ya residen en la plataforma principal. En esa situación, un equipo puede comparar un despliegue de serving adicional con una alternativa que consulta sus datos existentes. Una empresa que parte de otro entorno se enfrenta a un cálculo distinto, incluido el trabajo de migración y los cambios en operaciones ya establecidas.

Los trabajadores del conocimiento experimentan el resultado a través de la aplicación. Una respuesta tardía sobre una cuenta o un panel desactualizado puede interrumpir una decisión incluso cuando el modelo subyacente responde rápidamente. La base de datos es solo uno de los factores, pero una aplicación no puede ocultar una dependencia lenta simplemente presentando una interfaz conversacional.

También existe una distinción entre la analítica organizativa y la recuperación de conocimiento personal. Los ingenieros que documentan estas decisiones pueden beneficiarse de una base de conocimiento con capacidad de búsqueda que contenga informes de pruebas, notas de arquitectura y hallazgos de incidentes. Esa documentación respalda la decisión sin sustituir las mediciones de carga de trabajo.

La respuesta inmediata para los equipos afectados es revisar las premisas de su arquitectura de serving. La respuesta a largo plazo consiste en conectar el consumo de infraestructura con las tareas de producto completadas. Sin esa conexión, una mayor eficiencia puede desaparecer dentro de un volumen creciente de solicitudes.

La consolidación cambia lo que los compradores deben comparar

El argumento de costes más sólido se refiere a la configuración completa de serving, incluido el trabajo necesario para mantenerla en funcionamiento.

Un motor de consultas puede ser más eficiente mientras la aplicación circundante sigue siendo costosa. A la inversa, una arquitectura puede abaratarse al eliminar responsabilidades operativas incluso cuando las mejoras de cada consulta varían. Los compradores deben distinguir estos efectos antes de decidir qué resultado se aplica a su caso.

La distinción aparece en la historia de cliente de VisionHeight de Databricks. La empresa de ciberseguridad habría sustituido un despliegue de serving de Apache Pinot por Lakehouse//RT. Sus resultados publicados incluyen una reducción de costes de infraestructura superior al 90% y una mejora cercana a tres veces en su consulta más exigente.

El caso de estudio también indica que VisionHeight trabajó con ingenieros de Databricks para optimizar sus consultas antes del despliegue. Ese detalle importa al evaluar la transferibilidad. Una migración exitosa puede reflejar conjuntamente las capacidades del producto, la preparación del cliente y la asistencia directa del proveedor. Otros equipos deben determinar qué partes pueden reproducir.

La lección analítica es que la línea base importa tanto como el destino. Un despliegue siempre activo puede tener costes de inactividad distintos de los de un servicio que sigue la demanda activa. Compararlos puede revelar un resultado empresarial útil. No aísla cuánto de la mejora procedió únicamente del motor de ejecución.

La historia de cliente de nOps de Databricks ofrece un ejemplo relacionado con un punto de partida diferente. La empresa de gestión de costes en la nube habría sustituido su capa de serving Druid, reducido el gasto de infraestructura más de seis veces y eliminado 40 terabytes de datos duplicados. Se trata de resultados de clientes publicados por el proveedor, no de pruebas comparativas independientes.

Para un operador, eliminar la duplicación tiene implicaciones que van más allá del consumo de almacenamiento. Un conjunto de datos copiado introduce una relación que debe seguir siendo comprensible durante las actualizaciones y los incidentes. Cuando cambia la fuente, la copia de serving debe reflejar el estado correcto. El valor operativo depende de cuánto trabajo exigía previamente esa relación.

Eso hace que la consolidación sea relevante tanto para las conversaciones sobre fiabilidad como para las compras. Un equipo debe preguntar qué modos de fallo desaparecen y qué responsabilidades pasan a la plataforma restante. Menos sistemas pueden reducir el trabajo de coordinación. Una mayor dependencia de una única plataforma también puede concentrar las consecuencias de una interrupción o un error de configuración.

El mecanismo detrás de la propuesta de costes es sencillo a alto nivel. Más trabajo completado dentro de la capacidad disponible puede retrasar la necesidad de recursos adicionales. Una ejecución más breve puede liberar recursos antes. Ajustes de capacidad más pequeños pueden reducir el margen sin utilizar durante una demanda irregular. Eliminar un despliegue secundario puede suprimir costes fuera de la ejecución de consultas.

Son efectos distintos, y su importancia depende de la carga de trabajo. Una aplicación estable puede beneficiarse de manera diferente a un producto con fuertes picos de tráfico. Un clúster de serving bien utilizado presenta una línea base distinta de la de un despliegue sobredimensionado. Una aplicación con un movimiento de datos complejo presenta otra oportunidad por completo.

La frase “Lakehouse//RT: Scale real-time analytics, not your bill” condensa estas posibilidades en una promesa comercial. Una decisión de compra necesita separarlas de nuevo. De lo contrario, una historia de éxito de un cliente se convierte en una previsión sin respaldo para una aplicación no relacionada.

La comparación más útil, por tanto, incluye tanto las máquinas como a las personas. El consumo de infraestructura es medible, mientras que el esfuerzo operativo requiere su propia contabilidad. Combinarlos sin explicación puede ocultar el origen de los ahorros. Ignorar cualquiera de los dos puede ofrecer una visión engañosa de la carga real de la arquitectura.

Snowflake mantiene la competencia centrada en los datos existentes

Databricks se enfrenta a la competencia de otras plataformas que persiguen analítica ágil sin una copia de datos independiente.

La guía de analítica interactiva de Snowflake describe warehouses interactivos capaces de consultar tablas estándar existentes mediante analítica interactiva sin copia. En este contexto, sin copia significa evitar la conversión a una tabla adicional para el flujo de servicio. Esto convierte la consolidación de plataformas en una dirección competitiva, en lugar de un argumento exclusivo de Databricks.

La misma guía identifica las solicitudes sencillas y repetitivas como la carga de trabajo objetivo. También documenta límites operativos, incluida la cancelación de consultas que se ejecutan durante más de cinco segundos y un warehouse de respaldo configurable. Un warehouse de respaldo es un destino de ejecución alternativo para las solicitudes que superan los límites del sistema interactivo.

Estos detalles ilustran por qué los nombres de productos por sí solos no pueden resolver la comparación. Una plataforma puede cumplir los requisitos de una aplicación mediante distintas rutas de ejecución. Los compradores necesitan saber qué solicitudes permanecen en la vía rápida, cuáles toman otra ruta y qué implica eso para el coste.

Un agente complica esa evaluación porque sus patrones de solicitud pueden cambiar durante el uso. Un flujo de trabajo que comienza con consultas predecibles puede ampliarse hacia un análisis más amplio. Si las consultas resultantes se comportan de forma diferente, un perfil de rendimiento inicialmente atractivo puede dejar de describir la aplicación completa.

Esto no establece una ventaja para ninguno de los dos proveedores. Identifica lo que debe revelar una evaluación justa. Las pruebas equivalentes deben usar los mismos datos, requisitos de acceso, patrones de solicitud y expectativas de aplicación. Una comparación que cambia esas condiciones mide productos distintos realizando trabajos distintos.

El mismo principio se aplica a Pinot y Druid. Las migraciones comunicadas por VisionHeight y nOps describen decisiones tomadas dentro de sus entornos particulares. No establecen que cada implementación de esas tecnologías deba migrar. La experiencia existente, las características del tráfico y los requisitos operativos pueden justificar elecciones diferentes.

Un sistema de servicio especializado también ofrece a los equipos un límite explícito en torno al tráfico de aplicaciones. Una plataforma consolidada cambia ese límite y requiere su propia gestión de recursos. Que el cambio ayude o no depende de las necesidades del producto y de la capacidad de la organización para operar la configuración resultante.

Para los proveedores, la presión consiste en hacer visibles los beneficios de cada límite. Una base de datos de servicio debe justificar su despliegue adicional. Una plataforma consolidada debe demostrar que puede absorber la demanda de la aplicación sin comprometer el comportamiento requerido. Ambos argumentos se fortalecen cuando están respaldados por evidencia de cargas de trabajo reproducibles.

Para los compradores, la comparación debería comenzar con la ubicación de sus datos existentes y su distribución real de solicitudes. Esto evita una competencia distorsionada entre una demostración cuidadosamente ajustada y un despliegue de producción no relacionado. La mejor opción arquitectónica es la que cumple las obligaciones de la aplicación en condiciones realistas.

Esto mantiene intacto el conflicto central del artículo. La cuestión es si una pila de servicio independiente sigue mereciendo su lugar junto al warehouse. El enfoque de Snowflake amplía las alternativas disponibles para los compradores sin resolver esa cuestión para todas las cargas de trabajo.

Los menores costes unitarios no garantizan una factura estable

Una reducción del coste de atender una solicitud no limita el número de solicitudes que genera una aplicación.

Ese es el límite esencial de la promesa del titular. Si un agente realiza más trabajo, el consumo total aún puede aumentar incluso cuando la ejecución se vuelve más eficiente. Un menor coste por solicitud crea margen adicional. No crea capacidad ilimitada ni un compromiso de gasto fijo.

La distinción se vuelve más clara al evaluar una tarea completada. Una aplicación puede abaratar cada solicitud a la base de datos y, aun así, emitir solicitudes innecesarias entre acciones útiles. También puede reducir las solicitudes mientras genera una respuesta menos útil. Ni la eficiencia de la base de datos ni el número de solicitudes por sí solos reflejan el valor del producto.

Por tanto, una evaluación significativa conecta el consumo con un resultado relevante para el negocio. Para un asistente de ventas, podría tratarse de un análisis de cuenta completado. Para un panel de cliente, podría ser una sesión ágil con información actual. La unidad adecuada depende de la aplicación.

Los ejemplos de clientes publicados dejan una brecha de verificación. Ofrecen experiencias identificadas y resultados comunicados de utilidad, pero están seleccionados y presentados por el proveedor. No constituyen una muestra de despliegues auditada de forma independiente. Los lectores deben evitar tratarlos como una distribución general de ahorros.

El límite de medición también requiere escrutinio. El coste de infraestructura puede excluir el esfuerzo de migración, los acuerdos de soporte, el tiempo de desarrollo u otro gasto de plataforma. Una reducción aparente puede ser significativa incluso con esas exclusiones. Los compradores aún necesitan saber qué gastos se incluyen antes de aplicar el resultado a un presupuesto.

El rendimiento necesita una precisión similar. Un tiempo medio de respuesta puede ocultar solicitudes más lentas que los usuarios encuentran durante picos de actividad. La latencia de cola describe esas respuestas más lentas cerca del extremo de la distribución. Una aplicación puede parecer inconsistente incluso cuando su solicitud típica parece satisfactoria.

La actualización de los datos es otro requisito independiente. La actualización describe cuán recientemente la información subyacente refleja un evento de origen. Devolver un resultado rápidamente no demuestra que el resultado contenga los datos más recientes. Una evaluación de servicio debe considerar ambas propiedades cuando la aplicación depende de información actual.

El control de acceso también sigue siendo una preocupación de la aplicación. Un motor de consultas no puede determinar si un agente eligió la acción empresarial correcta solo porque ejecutó una solicitud autorizada. Los equipos aún necesitan identidades, permisos y salvaguardas adecuados en torno al modo en que el agente utiliza la información devuelta.

El anterior encuadre como beta también merece atención. Una carga de trabajo seleccionada y de solo lectura es una propuesta más limitada que un reemplazo para cada función de base de datos. Solo lectura significa recuperar información sin modificar los registros subyacentes. Un agente que actualiza el estado empresarial introduce requisitos que van más allá del servicio de consultas analíticas.

Estas distinciones no invalidan los ahorros comunicados. Explican por qué los resultados deberían impulsar una investigación en lugar de una adopción automática. La postura escéptica útil pregunta qué supuestos se cumplen para un despliegue concreto y qué evidencia invalidaría la conclusión inicial.

Para “Lakehouse//RT: Scale real-time analytics, not your bill,” la interpretación defendible es una mejora económica en condiciones adecuadas. Una garantía de gasto sin cambios requeriría un compromiso comercial diferente. Las afirmaciones publicadas sobre rendimiento y clientes no proporcionan uno.

Vigile la reproducibilidad, la adopción y las economías de la competencia

La próxima evidencia debería mostrar si las mejoras comunicadas sobreviven a condiciones operativas normales en una gama más amplia de aplicaciones.

La primera señal es una presentación más reproducible de las cargas de trabajo. Durante los próximos meses, los compradores deberían buscar comparaciones que revelen patrones de solicitud, características de los datos, configuraciones de recursos y límites de medición. Resultados que cubran tanto los periodos activos como los intervalos más tranquilos ayudarían a explicar de dónde proceden los ahorros.

Esa evidencia reforzaría el argumento de Databricks si mostrara una economía favorable en comportamientos de aplicación representativos. Debilitaría las interpretaciones amplias si las ganancias dependieran de condiciones inusualmente estrechas o de referencias favorables. Cualquiera de los dos resultados mejoraría las decisiones de compra al sustituir una promesa ambigua por límites más claros.

La reproducibilidad también exige expectativas de servicio comparables. Un resultado más barato que tolera respuestas más lentas no responde a un comprador que exige interactividad consistente. Un resultado más rápido medido frente a un conjunto de datos diferente presenta otro desajuste. Las comparaciones publicadas resultan más útiles cuando estas obligaciones permanecen explícitas.

La segunda señal es la adopción más allá de ejemplos de clientes estrechamente respaldados. Una información de producción más amplia debería revelar el esfuerzo de migración, los requisitos de ajuste continuo y la gama de cargas de trabajo que encajan. La documentación del producto también debería aclarar la disponibilidad actual y el comportamiento compatible a medida que evoluciona la oferta.

Esta señal reforzaría el caso de consolidación si los equipos pudieran repetir la transición sin una participación excepcional del proveedor. Delimitaría el caso si la adopción requiriera de forma sistemática una personalización extensa o cambios sustanciales en la aplicación. Una migración asistida con éxito sigue siendo evidencia valiosa, pero responde a una pregunta distinta de la del despliegue rutinario.

El uso continuado importa tanto como el movimiento inicial. Un anuncio de migración captura un momento en el tiempo. Los informes posteriores pueden revelar cómo se comportan los costes y los tiempos de respuesta a medida que cambian los datos, los usuarios y las funciones del producto. Ahí es donde una decisión arquitectónica se convierte en un historial operativo.

La tercera señal es la economía de los enfoques competidores bajo condiciones equivalentes. La ruta de ejecución interactiva de Snowflake y los despliegues existentes de servicio especializado merecen compararse con los mismos requisitos empresariales. Los compradores deberían buscar evidencia que contemple recursos inactivos, ejecución de respaldo, movimiento de datos y esfuerzo operativo.

Un resultado competitivo debilitaría cualquier afirmación de que los ahorros de consolidación pertenecen exclusivamente a un proveedor. No debilitaría necesariamente el argumento más amplio de reconsiderar una pila de servicio independiente. Múltiples opciones creíbles podrían hacer esa decisión más accesible, al tiempo que aumentarían la presión sobre cada proveedor para explicar sus concesiones.

Por ahora, Databricks ha aportado motivos concretos para revisar la arquitectura. Los ejemplos conectan el servicio en tiempo real con la consolidación de infraestructura, en lugar de tratar la velocidad como el único resultado. Siguen siendo experiencias de clientes comunicadas que requieren validación específica para cada carga de trabajo.

Antes de aprobar una migración, identifique el resultado de aplicación que importa, el tiempo de respuesta que necesita y los gastos que incluye su comparación. Conserve esos supuestos junto con los resultados de las pruebas y los hallazgos operativos para que otro equipo pueda cuestionar la decisión. Pregunte si la arquitectura propuesta elimina suficiente trabajo como para justificar su adopción y si la aplicación sigue siendo asequible a medida que se amplía el comportamiento del agente. Databricks Lakehouse//RT ofrece a los compradores una opción concreta que evaluar. El siguiente paso útil es compararlo con la configuración de servicio que realmente opera, utilizando el tráfico que su producto realmente genera. ¿Qué sistema ofrece la experiencia requerida y deja a su equipo con las responsabilidades operativas más claras?

 
 

Empieza gratis

Un asistente de IA local-first con gestión del conocimiento personal

Para ofrecer una mejor experiencia con la IA,

actualmente remio solo es compatible con Windows 10+ (x64) y M-Chip Macs.

Tu aliado de IA para el trabajo
Haz más con remio

Planifica. Crea. Entrega.
Todo en un solo lugar.

bottom of page