top of page

Databricks Lakehouse//RT détaille son argumentaire de coûts en temps réel

il y a 15 minutes
14 min de lecture

Databricks a publié le 12 novembre un nouvel argumentaire sur les coûts de Lakehouse//RT, citant une réduction de coûts par dix rapportée par Aurasell, accompagnée de requêtes plus rapides. Son titre, « Lakehouse//RT: Scale real-time analytics, not your bill », répond à une préoccupation des équipes qui relient des agents IA aux données de l’entreprise. Davantage de requêtes automatisées peuvent transformer une facture d’analytique acceptable en contrainte pour le produit lui-même.

L’annonce prolonge un produit existant plutôt qu’elle ne marque un nouveau lancement. Lakehouse//RT est l’entrepôt d’analytique en temps réel de Databricks, un système qui interroge les données d’entreprise avec des temps de réponse courts. Son argument central remet en question la couche de service séparée, une base de données supplémentaire qui répond aux requêtes d’applications à partir de données copiées.

La pression porte donc sur un choix architectural, plutôt que sur un simple concours de vitesse entre bases de données. Les équipes doivent-elles continuer à exploiter un système spécialisé à côté de leur entrepôt, ou ramener ces requêtes sur leur principale plateforme de données ? Apache Pinot et Apache Druid figurent dans les exemples clients de Databricks, tandis que Snowflake propose une autre approche de l’analytique interactive. La question importante est de savoir quelle configuration répond aux exigences de l’application à un coût total soutenable.

Lakehouse//RT: développez l’analytique en temps réel, pas votre facture

La dernière mise à jour de Databricks déplace l’attention de la vitesse affichée vers l’économie du traitement du trafic applicatif.

L’analyse des coûts en temps réel du 12 novembre décrit une concurrence accrue, une exécution plus rapide, une montée en charge progressive et une consolidation de l’infrastructure comme sources d’économies. La concurrence désigne la capacité à traiter des requêtes simultanément. La montée en charge progressive consiste à ajouter de plus petites quantités de capacité de calcul à mesure que la demande évolue.

L’exemple le plus clair concernant les agents est Aurasell, dont la plateforme prend en charge des flux de vente. Selon Databricks, Aurasell avait auparavant besoin de plusieurs clusters pour atteindre 200 requêtes par seconde, une mesure du débit de demandes. Un seul entrepôt Lakehouse//RT de petite taille aurait maintenu plus de 250 requêtes par seconde, avec des requêtes quatre à cinq fois plus rapides et des coûts divisés par dix.

Ces chiffres décrivent une charge de travail client particulière et sa configuration antérieure. Ils n’établissent pas les économies qu’une autre entreprise réalisera, ni le comportement de chaque agent commercial. Ils laissent également sans réponse d’importantes questions d’achat, notamment le mélange exact de requêtes, la période de mesure et des conditions d’exploitation comparables.

Pour un acheteur, ce résultat donne une raison de réexaminer une hypothèse architecturale. Un système de service supplémentaire entre souvent dans un produit parce que l’entrepôt initial ne peut pas répondre aux exigences de temps de réponse de l’application. Une fois ce système opérationnel, la nécessité de le maintenir peut échapper à tout examen. Une nouvelle option d’exécution justifie de comparer à nouveau l’ensemble des configurations.

Cette comparaison nécessite une frontière claire. Remplacer le backend de requêtes d’une application diffère du remplacement de l’application, de sa logique métier ou de son framework d’agents. Une base de données plus rapide n’améliore pas automatiquement la qualité des décisions d’un agent. Elle modifie une dépendance au sein d’un flux de travail plus vaste.

Le calendrier compte également, car le produit précède cette mise à jour. La présentation de Lakehouse//RT de Databricks, le 16 juin, décrivait le moteur de requêtes Reyden et sa disponibilité en bêta pour certaines charges de travail en lecture seule. Ce lancement faisait état d’une latence inférieure à 100 millisecondes à 12 000 requêtes par seconde sur des benchmarks analytiques. La latence est le temps nécessaire pour qu’une requête retourne une réponse.

Le benchmark de lancement et le résultat d’Aurasell relèvent de configurations et de contextes de mesure distincts. Un acheteur ne peut pas combiner le débit du benchmark avec la réduction de coûts du client pour en déduire un résultat de déploiement attendu. Chaque affirmation doit être accompagnée de ses propres conditions avant de devenir un élément de preuve utile.

L’information est donc un argument commercial plus concret autour d’une capacité existante. Databricks demande aux clients d’évaluer le service en temps réel à l’aune de l’architecture qu’il peut supprimer. C’est une proposition plus large que d’accélérer les mêmes requêtes.

Le trafic des agents met l’architecture de service sous pression

Les équipes sous pression sont celles responsables à la fois de la réactivité de l’application et de la facture d’infrastructure qui la soutient.

La requête d’un analyste et celle d’un agent peuvent sembler similaires pour une base de données. Leur comportement environnant peut toutefois différer sensiblement. Un agent peut émettre des requêtes de suivi, répéter une action échouée ou récupérer du contexte supplémentaire sans attendre une personne.

Prenons l’exemple hypothétique d’un assistant commercial qui prépare une recommandation pour un compte. Il pourrait récupérer les informations du compte, examiner l’activité récente, comparer les opportunités et vérifier les enregistrements auxquels l’utilisateur peut accéder. Chaque étape peut générer du travail pour la base de données. Améliorer l’utilité de l’assistant peut donc accroître le travail nécessaire pour chaque tâche achevée.

Cela modifie la conversation entre les équipes produit et infrastructure. Les responsables produit souhaitent que l’assistant explore suffisamment d’informations pour produire une réponse utile. Les responsables de l’infrastructure ont besoin de temps de réponse prévisibles et d’une consommation maîtrisable. La finance doit comprendre si une utilisation accrue reflète une valeur commerciale, une exécution inefficace ou des requêtes inutiles.

L’indicateur familier du coût par employé devient moins informatif dans ce contexte. Un même employé peut déclencher des volumes variables de travail automatisé selon le flux de travail. Un produit peut également générer un trafic d’arrière-plan important sans ajouter d’utilisateurs. La planification de capacité doit suivre ce que le logiciel fait réellement.

Une couche de service séparée crée un autre endroit où ces décisions s’accumulent. Les données doivent atteindre le système de service, rester suffisamment cohérentes pour l’application et respecter les règles d’accès appropriées. L’équipe a aussi besoin d’un chemin de récupération lorsque les mises à jour cessent d’arriver ou qu’une requête se comporte de façon inattendue.

Aucune de ces responsabilités ne rend une base de données spécialisée intrinsèquement inadaptée. Un système dédié peut être le bon choix lorsque son comportement correspond aux exigences de l’application. La pression pertinente concerne la justification continue du système supplémentaire. Ses bénéfices doivent l’emporter sur l’ensemble de sa charge opérationnelle.

Cela est particulièrement conséquent lorsque les données sous-jacentes résident déjà sur la plateforme principale. Dans cette situation, une équipe peut comparer un déploiement de service supplémentaire à une alternative qui interroge ses données existantes. Une entreprise qui part d’un autre environnement doit effectuer un calcul différent, incluant le travail de migration et les changements apportés aux opérations établies.

Les travailleurs du savoir perçoivent le résultat à travers l’application. Une réponse tardive sur un compte ou un tableau de bord obsolète peut interrompre une décision même lorsque le modèle sous-jacent répond rapidement. La base de données n’est qu’un facteur parmi d’autres, mais une application ne peut pas masquer une dépendance lente en présentant simplement une interface conversationnelle.

Il existe également une distinction entre l’analytique organisationnelle et la récupération de connaissances personnelles. Les ingénieurs qui documentent ces décisions peuvent tirer parti d’une base de connaissances interrogeable contenant des rapports de test, des notes d’architecture et des conclusions d’incidents. Cette documentation soutient la décision sans remplacer les mesures de charge de travail.

La réponse immédiate pour les équipes concernées consiste à réexaminer les hypothèses qui sous-tendent leur architecture de service. La réponse à plus long terme est de relier la consommation d’infrastructure aux tâches produit achevées. Sans ce lien, une efficacité accrue peut disparaître dans un volume croissant de requêtes.

La consolidation modifie les comparaisons nécessaires pour les acheteurs

L’argument de coût le plus solide concerne l’ensemble de la configuration de service, y compris le travail requis pour la maintenir en fonctionnement.

Un moteur de requêtes peut être plus efficace alors que l’application qui l’entoure demeure coûteuse. À l’inverse, une architecture peut devenir moins chère en supprimant des responsabilités opérationnelles, même lorsque les améliorations de requêtes individuelles varient. Les acheteurs doivent distinguer ces effets avant de déterminer quel résultat s’applique à leur cas.

Cette distinction apparaît dans le témoignage client VisionHeight de Databricks. L’entreprise de cybersécurité aurait remplacé un déploiement de service Apache Pinot par Lakehouse//RT. Ses résultats publiés incluent une réduction des coûts d’infrastructure supérieure à 90 % et une amélioration de près de trois fois sur sa requête la plus lourde.

L’étude de cas indique également que VisionHeight a travaillé avec des ingénieurs de Databricks afin d’optimiser ses requêtes avant le déploiement. Ce détail importe pour évaluer la transférabilité. Une migration réussie peut refléter conjointement les capacités du produit, la préparation du client et l’assistance directe du fournisseur. Les autres équipes doivent établir quelles parties elles peuvent reproduire.

La leçon analytique est que le point de départ compte autant que la destination. Un déploiement constamment actif peut supporter des coûts d’inactivité différents de ceux d’un service qui suit la demande active. Les comparer peut révéler un résultat commercial utile. Cela n’isole pas la part de l’amélioration issue du seul moteur d’exécution.

Le témoignage client nOps de Databricks fournit un exemple connexe avec un point de départ différent. L’entreprise de gestion des coûts cloud aurait remplacé sa couche de service Druid, réduit ses dépenses d’infrastructure de plus de six fois et éliminé 40 téraoctets de données dupliquées. Il s’agit de résultats clients publiés par le fournisseur, plutôt que de tests comparatifs indépendants.

Pour un opérateur, supprimer la duplication a des implications qui dépassent la consommation de stockage. Un jeu de données copié crée une relation qui doit rester compréhensible lors des mises à jour et des incidents. Lorsque la source change, la copie de service doit refléter le bon état. La valeur opérationnelle dépend de la quantité de travail que cette relation exigeait auparavant.

Cela rend la consolidation pertinente pour les discussions sur la fiabilité comme pour les achats. Une équipe devrait se demander quels modes de défaillance disparaissent et quelles responsabilités sont transférées vers la plateforme restante. Moins de systèmes peuvent réduire le travail de coordination. Une dépendance accrue envers une plateforme peut aussi concentrer les conséquences d’une panne ou d’une erreur de configuration.

Le mécanisme derrière la proposition de coût est simple à haut niveau. Davantage de travail réalisé avec la capacité disponible peut retarder le besoin de ressources supplémentaires. Une exécution plus courte peut libérer les ressources plus tôt. Des ajustements de capacité plus modestes peuvent réduire la marge inutilisée lors d’une demande irrégulière. La suppression d’un déploiement secondaire peut éliminer des coûts extérieurs à l’exécution des requêtes.

Ce sont des effets distincts, et leur importance dépend de la charge de travail. Une application stable peut bénéficier différemment d’un produit connaissant de forts pics de trafic. Un cluster de service bien utilisé présente un point de départ différent d’un déploiement surdimensionné. Une application avec des déplacements de données complexes représente une autre opportunité à part entière.

L’expression « Lakehouse//RT: Scale real-time analytics, not your bill » condense ces possibilités en une promesse commerciale. Une décision d’achat doit à nouveau les distinguer. Sinon, un témoignage client réussi devient une prévision non étayée pour une application sans rapport.

La comparaison la plus utile inclut donc à la fois les machines et les personnes. La consommation d’infrastructure est mesurable, tandis que l’effort opérationnel exige sa propre comptabilité. Les combiner sans explication peut masquer l’origine des économies. Ignorer l’un ou l’autre peut donner une vision trompeuse de la charge réelle de l’architecture.

Snowflake maintient la compétition centrée sur les données existantes

Databricks fait face à la concurrence d’autres plateformes visant des analyses réactives sans copie distincte des données.

Le guide d’analytique interactive de Snowflake décrit des entrepôts interactifs capables d’interroger des tables standard existantes via l’analytique interactive zéro copie. Dans ce contexte, zéro copie signifie éviter la conversion vers une table supplémentaire pour le flux de service. La consolidation des plateformes devient ainsi une direction concurrentielle, plutôt qu’un argument exclusif à Databricks.

Le même guide identifie les requêtes simples et répétitives comme charge de travail cible. Il documente également des limites opérationnelles, notamment l’annulation des requêtes exécutées pendant plus de cinq secondes et un entrepôt de repli configurable. Un entrepôt de repli constitue une destination d’exécution alternative pour les requêtes qui dépassent les limites du système interactif.

Ces détails illustrent pourquoi les seuls noms de produits ne peuvent trancher la comparaison. Une plateforme peut répondre aux exigences d’une application par différents chemins d’exécution. Les acheteurs doivent savoir quelles requêtes restent sur le chemin rapide, lesquelles empruntent une autre route et ce que cela implique en matière de coûts.

Un agent complique cette évaluation, car ses schémas de requêtes peuvent évoluer pendant son utilisation. Un flux de travail qui débute par des consultations prévisibles peut s’étendre à une analyse plus large. Si les requêtes qui en résultent se comportent différemment, un profil de performance initialement attractif peut ne plus décrire l’ensemble de l’application.

Cela n’établit aucun avantage pour l’un ou l’autre fournisseur. Cela identifie ce qu’une évaluation équitable doit mettre en évidence. Des tests équivalents doivent utiliser les mêmes données, exigences d’accès, schémas de requêtes et attentes applicatives. Une comparaison qui modifie ces conditions mesure des produits différents réalisant des tâches différentes.

Le même principe s’applique à Pinot et Druid. Les migrations rapportées par VisionHeight et nOps décrivent des décisions prises dans leurs environnements particuliers. Elles n’établissent pas que chaque déploiement de ces technologies devrait migrer. L’expertise existante, les caractéristiques du trafic et les exigences opérationnelles peuvent justifier des choix différents.

Un système de service spécialisé donne également aux équipes une frontière explicite autour du trafic applicatif. Une plateforme consolidée modifie cette frontière et exige sa propre gestion des ressources. L’utilité de ce changement dépend des besoins du produit et de la capacité de l’organisation à exploiter l’arrangement qui en résulte.

Pour les fournisseurs, l’enjeu est de rendre visibles les bénéfices de chaque frontière. Une base de données de service doit justifier son déploiement supplémentaire. Une plateforme consolidée doit démontrer qu’elle peut absorber la demande applicative sans compromettre le comportement requis. Les deux arguments gagnent en force lorsqu’ils s’appuient sur des preuves reproductibles issues des charges de travail.

Pour les acheteurs, la comparaison devrait commencer par l’emplacement actuel de leurs données et leur distribution réelle de requêtes. Cela évite une compétition faussée entre une démonstration soigneusement optimisée et un déploiement de production sans rapport. La meilleure option architecturale est celle qui remplit les obligations de l’application dans des conditions réalistes.

Cela préserve le conflit central de l’article. La question est de savoir si une pile de service distincte mérite encore sa place à côté de l’entrepôt. L’approche de Snowflake élargit les alternatives disponibles pour les acheteurs sans résoudre cette question pour chaque charge de travail.

Des coûts unitaires plus faibles ne garantissent pas une facture stable

Une réduction du coût de traitement d’une requête ne plafonne pas le nombre de requêtes générées par une application.

C’est la limite essentielle de la promesse du titre. Si un agent effectue davantage de travail, la consommation totale peut encore augmenter, même lorsque l’exécution devient plus efficace. Un coût par requête plus faible crée une marge supplémentaire. Il ne crée ni une capacité illimitée ni un engagement de dépenses fixe.

La distinction devient plus claire lors de l’évaluation d’une tâche achevée. Une application peut rendre chaque requête de base de données moins coûteuse tout en émettant des requêtes inutiles entre des actions utiles. Elle peut aussi réduire le nombre de requêtes tout en générant une réponse moins utile. Ni l’efficacité de la base de données ni le seul nombre de requêtes ne saisissent la valeur du produit.

Une évaluation pertinente relie donc la consommation à un résultat important pour l’entreprise. Pour un assistant commercial, il peut s’agir d’une analyse de compte terminée. Pour un tableau de bord client, il peut s’agir d’une session réactive contenant des informations à jour. L’unité appropriée dépend de l’application.

Les exemples clients publiés laissent subsister une lacune de vérification. Ils présentent des expériences nommées et des résultats rapportés utiles, mais ils sont sélectionnés et présentés par le fournisseur. Ils ne constituent pas un échantillon de déploiements audité de manière indépendante. Les lecteurs devraient éviter de les traiter comme une distribution générale des économies.

Le périmètre de mesure doit également être examiné avec attention. Le coût d’infrastructure peut exclure l’effort de migration, les modalités de support, le temps de développement ou d’autres dépenses de plateforme. Une réduction apparente peut être significative même avec ces exclusions. Les acheteurs doivent toutefois savoir quelles dépenses sont incluses avant d’appliquer le résultat à un budget.

Les performances exigent une précision similaire. Un temps de réponse moyen peut dissimuler des requêtes plus lentes que les utilisateurs rencontrent lors de pics d’activité. La latence de queue décrit ces réponses plus lentes situées près de l’extrémité de la distribution. Une application peut sembler incohérente, même lorsque sa requête typique paraît satisfaisante.

La fraîcheur des données est une autre exigence distincte. La fraîcheur décrit à quel point les informations sous-jacentes reflètent récemment un événement source. Renvoyer rapidement un résultat n’établit pas que celui-ci contient les données les plus récentes. Une évaluation du service doit considérer ces deux propriétés lorsque l’application dépend d’informations actuelles.

Le contrôle d’accès reste également une préoccupation applicative. Un moteur de requêtes ne peut pas déterminer si un agent a choisi la bonne action métier simplement parce qu’il a exécuté une requête autorisée. Les équipes ont toujours besoin d’identités, d’autorisations et de garde-fous appropriés autour de la manière dont l’agent utilise les informations renvoyées.

Le cadrage antérieur de la bêta mérite aussi l’attention. Une charge de travail sélectionnée en lecture seule est une proposition plus étroite qu’un remplacement de chaque rôle de base de données. La lecture seule signifie récupérer des informations sans modifier les enregistrements sous-jacents. Un agent qui met à jour l’état métier introduit des exigences allant au-delà du service de requêtes analytiques.

Ces distinctions n’invalident pas les économies rapportées. Elles expliquent pourquoi les résultats devraient déclencher une investigation plutôt qu’une adoption automatique. La position sceptique utile consiste à demander quelles hypothèses s’appliquent à un déploiement particulier et quelles preuves renverseraient la conclusion initiale.

Pour « Lakehouse//RT: Scale real-time analytics, not your bill », l’interprétation défendable est une meilleure économie dans des conditions appropriées. Une garantie de dépenses inchangées nécessiterait un engagement commercial différent. Les affirmations publiées concernant les performances et les clients n’en fournissent pas.

Surveillez la reproductibilité, l’adoption et les économies concurrentes

Les prochaines preuves devraient montrer si les gains rapportés résistent aux conditions d’exploitation ordinaires sur un éventail plus large d’applications.

Le premier signal est une communication plus reproductible sur les charges de travail. Au cours des prochains mois, les acheteurs devraient rechercher des comparaisons qui révèlent les schémas de requêtes, les caractéristiques des données, les paramètres de ressources et les périmètres de mesure. Des résultats couvrant à la fois les périodes actives et les intervalles plus calmes aideraient à expliquer l’origine des économies.

Ces éléments renforceraient l’argument de Databricks s’ils démontraient une économie utile sur des comportements applicatifs représentatifs. Ils affaibliraient les interprétations générales si les gains dépendaient de conditions inhabituellement étroites ou de références favorables. Dans les deux cas, ils amélioreraient les décisions d’achat en remplaçant une promesse ambiguë par des limites plus claires.

La reproductibilité exige également des attentes de service comparables. Un résultat moins coûteux qui tolère des réponses plus lentes ne répond pas aux besoins d’un acheteur exigeant une interactivité constante. Un résultat plus rapide mesuré par rapport à un jeu de données différent présente un autre décalage. Les comparaisons publiées deviennent plus utiles lorsque ces obligations restent explicites.

Le deuxième signal est l’adoption au-delà d’exemples clients étroitement accompagnés. Des rapports de production plus larges devraient révéler l’effort de migration, les besoins continus d’ajustement et l’éventail des charges de travail adaptées. La documentation produit devrait également clarifier la disponibilité actuelle et les comportements pris en charge à mesure que l’offre évolue.

Ce signal renforcerait l’argument de la consolidation si les équipes pouvaient répéter la transition sans implication exceptionnelle du fournisseur. Il le restreindrait si l’adoption nécessitait systématiquement une personnalisation importante ou des modifications substantielles de l’application. Une migration assistée réussie reste une preuve précieuse, mais elle répond à une question différente de celle d’un déploiement courant.

L’utilisation continue compte autant que le mouvement initial. Une annonce de migration capture un instant donné. Des rapports ultérieurs peuvent révéler comment les coûts et les temps de réponse évoluent lorsque les données, les utilisateurs et les fonctionnalités du produit changent. C’est là qu’une décision architecturale devient un historique d’exploitation.

Le troisième signal est l’économie des approches concurrentes dans des conditions équivalentes. Le chemin d’exécution interactif de Snowflake et les déploiements de service spécialisés existants méritent une comparaison face aux mêmes exigences métier. Les acheteurs devraient rechercher des preuves prenant en compte les ressources inactives, l’exécution de repli, le mouvement des données et l’effort opérationnel.

Un résultat concurrentiel affaiblirait toute affirmation selon laquelle les économies liées à la consolidation appartiennent uniquement à un fournisseur. Il n’affaiblirait pas nécessairement l’argument plus large en faveur d’une réévaluation d’une pile de service distincte. Plusieurs options crédibles pourraient rendre cette décision plus accessible tout en accentuant la pression sur chaque fournisseur pour expliquer ses compromis.

Pour l’instant, Databricks a fourni des raisons précises de reconsidérer l’architecture. Les exemples relient le service en temps réel à la consolidation de l’infrastructure, plutôt que de traiter la vitesse comme le seul résultat. Ils restent des expériences clients rapportées qui nécessitent une validation spécifique à la charge de travail.

Avant d’approuver une migration, identifiez le résultat applicatif qui importe, le temps de réponse nécessaire et les dépenses incluses dans votre comparaison. Conservez ces hypothèses avec les résultats de test et les constats opérationnels afin qu’une autre équipe puisse remettre en question la décision. Demandez-vous si l’architecture proposée élimine suffisamment de travail pour justifier son adoption et si l’application reste abordable à mesure que le comportement des agents s’étend. Databricks Lakehouse//RT offre aux acheteurs une option concrète à évaluer. L’étape suivante utile consiste à la comparer avec l’organisation de service que vous exploitez réellement, en utilisant le trafic que votre produit génère réellement. Quel système fournit l’expérience requise tout en laissant à votre équipe les responsabilités opérationnelles les plus claires ?

 
 

Commencez pour Gratuit

Un premier assistant IA local avec gestion des connaissances personnelles

Pour une meilleure expérience IA,

remio ne supporte que Windows 10+ (x64) et M-Chip Macs actuellement.

Votre partenaire IA au travail
Faites-en plus avec remio

Planifiez. Créez. Livrez.
Tout au même endroit.

bottom of page