top of page

Databricks Lakehouse//RT przedstawia argumenty za niższymi kosztami pracy w czasie rzeczywistym

13 minut temu
11 minut(y) czytania

12 listopada Databricks przedstawił nowe argumenty kosztowe dla Lakehouse//RT, powołując się na deklarowaną przez Aurasell dziesięciokrotną redukcję kosztów przy jednocześnie szybszych zapytaniach. Hasło „Lakehouse//RT: Scale real-time analytics, not your bill” odnosi się do problemu zespołów łączących agentów AI z danymi biznesowymi. Większa liczba zautomatyzowanych żądań może zmienić akceptowalny rachunek za analitykę w ograniczenie samego produktu.

Ogłoszenie jest rozwinięciem istniejącego produktu, a nie nową premierą. Lakehouse//RT to hurtownia analityczna Databricks działająca w czasie rzeczywistym — system do odpytywania danych biznesowych z krótkim czasem odpowiedzi. Jego główna propozycja podważa potrzebę oddzielnej warstwy obsługowej, czyli dodatkowej bazy danych odpowiadającej na żądania aplikacji na podstawie skopiowanych danych.

Presja dotyczy więc decyzji architektonicznej, a nie po prostu rywalizacji na szybkość baz danych. Czy zespoły powinny nadal obsługiwać wyspecjalizowany system obok swojej hurtowni, czy przenieść te żądania z powrotem na główną platformę danych? Apache Pinot i Apache Druid pojawiają się w przykładach klientów Databricks, podczas gdy Snowflake oferuje inne podejście do analityki interaktywnej. Kluczowe pytanie brzmi, które rozwiązanie spełnia wymagania aplikacji przy zrównoważonym całkowitym koszcie.

Lakehouse//RT: Skaluj analitykę czasu rzeczywistego, nie rachunek

Najnowsza aktualizacja Databricks przesuwa uwagę z deklarowanej szybkości na ekonomię obsługi ruchu aplikacyjnego.

Opublikowana 12 listopada analiza kosztów pracy w czasie rzeczywistym wskazuje wyższą współbieżność, szybsze wykonywanie, stopniowe skalowanie i konsolidację infrastruktury jako źródła oszczędności. Współbieżność oznacza obsługę żądań w tym samym czasie. Stopniowe skalowanie oznacza dodawanie mniejszych ilości mocy obliczeniowej wraz ze zmianą popytu.

Najbardziej wyraźnym przykładem agentowym jest Aurasell, którego platforma wspiera procesy sprzedażowe. Według Databricks Aurasell wcześniej potrzebował kilku klastrów, aby osiągnąć 200 zapytań na sekundę, czyli miarę przepustowości żądań. Pojedyncza mała hurtownia Lakehouse//RT miała utrzymywać ponad 250 zapytań, przy zapytaniach wykonywanych cztery do pięciu razy szybciej i kosztach niższych dziesięciokrotnie.

Liczby te opisują konkretne obciążenie klienta i jego wcześniejszą konfigurację. Nie pokazują, ile zaoszczędzi inna firma ani jak zachowa się każdy agent sprzedażowy. Pozostawiają też istotne pytania zakupowe, w tym dotyczące dokładnej struktury zapytań, okresu pomiaru i porównywalnych warunków operacyjnych.

Dla kupującego wynik jest powodem, by ponownie przeanalizować założenie architektoniczne. Dodatkowy system obsługowy często trafia do produktu, ponieważ pierwotna hurtownia nie jest w stanie spełnić wymagań aplikacji dotyczących czasu odpowiedzi. Gdy system zaczyna działać, potrzeba jego dalszego utrzymywania może przestać być analizowana. Nowa opcja wykonawcza daje powód, aby ponownie porównać pełne rozwiązania.

Porównanie to wymaga wyraźnego określenia granic. Zastąpienie backendu zapytań aplikacji różni się od zastąpienia samej aplikacji, jej logiki biznesowej lub frameworka agentowego. Szybsza baza danych nie poprawia automatycznie jakości decyzji agenta. Zmienia jedną zależność w większym przepływie pracy.

Znaczenie ma również moment, ponieważ produkt poprzedza tę aktualizację. Zaprezentowane 16 czerwca wprowadzenie Lakehouse//RT opisywało silnik zapytań Reyden i dostępność wersji beta dla wybranych obciążeń tylko do odczytu. W ramach premiery podano opóźnienie poniżej 100 milisekund przy 12 000 zapytań na sekundę w benchmarkach analitycznych. Opóźnienie to czas potrzebny na zwrócenie odpowiedzi na żądanie.

Benchmark z premiery i wynik Aurasell dotyczą odrębnych konfiguracji oraz kontekstów pomiarowych. Kupujący nie może łączyć przepustowości benchmarku z redukcją kosztów klienta, aby stworzyć oczekiwany wynik wdrożenia. Każde twierdzenie wymaga własnych warunków, zanim stanie się użytecznym dowodem.

Wiadomością jest zatem bardziej konkretny argument handlowy wokół istniejącej możliwości. Databricks prosi klientów, aby oceniali obsługę w czasie rzeczywistym przez pryzmat architektury, którą może ona wyeliminować. To szersza propozycja niż samo szybsze wykonywanie tych samych zapytań.

Ruch agentów wywiera presję na architekturę obsługową

Pod presją są zespoły odpowiedzialne zarówno za responsywność aplikacji, jak i rachunek za stojącą za nią infrastrukturę.

Żądanie analityka i żądanie agenta mogą wyglądać podobnie dla bazy danych. Ich otaczające zachowanie może jednak istotnie się różnić. Agent może wysyłać kolejne żądania, powtarzać nieudaną czynność lub pobierać dodatkowy kontekst bez oczekiwania na człowieka.

Rozważmy hipotetycznego asystenta sprzedaży przygotowującego rekomendację dotyczącą konta. Może on pobrać szczegóły konta, sprawdzić ostatnią aktywność, porównać szanse sprzedażowe i zweryfikować, do których rekordów użytkownik ma dostęp. Każdy krok może generować pracę dla bazy danych. Zwiększenie użyteczności asystenta może więc zwiększać nakład pracy wymagany do ukończenia każdego zadania.

Zmienia to rozmowę między zespołami produktowymi i infrastrukturalnymi. Właściciele produktu chcą, aby asystent analizował wystarczającą ilość informacji, by udzielić przydatnej odpowiedzi. Właściciele infrastruktury potrzebują przewidywalnych czasów odpowiedzi i kontrolowanego zużycia zasobów. Finanse muszą rozumieć, czy większe wykorzystanie odzwierciedla wartość biznesową, nieefektywne wykonywanie czy niepotrzebne żądania.

Znana metryka kosztu na pracownika staje się w tym środowisku mniej informacyjna. Ten sam pracownik może uruchamiać różne ilości zautomatyzowanej pracy zależnie od przepływu pracy. Produkt może też generować znaczny ruch w tle bez dodawania użytkowników. Planowanie pojemności musi uwzględniać to, co faktycznie robi oprogramowanie.

Oddzielna warstwa obsługowa tworzy kolejne miejsce, w którym kumulują się te decyzje. Dane muszą trafiać do systemu obsługowego, zachowywać wystarczającą spójność dla aplikacji i respektować odpowiednie reguły dostępu. Zespół potrzebuje także ścieżki odzyskiwania działania, gdy aktualizacje przestają docierać lub zapytanie zachowuje się nieoczekiwanie.

Żaden z tych obowiązków nie oznacza, że wyspecjalizowana baza danych jest z natury nieodpowiednia. Dedykowany system może być właściwym wyborem, gdy jego zachowanie odpowiada wymaganiom aplikacji. Istotna presja dotyczy ciągłego uzasadnienia dla dodatkowego systemu. Jego korzyści muszą przewyższać pełny ciężar operacyjny.

Jest to szczególnie ważne, gdy dane bazowe już znajdują się na głównej platformie. W takiej sytuacji zespół może porównać dodatkowe wdrożenie obsługowe z alternatywą odpytującą istniejące dane. Firma zaczynająca w innym miejscu staje przed inną kalkulacją, uwzględniającą pracę migracyjną i zmiany w ustalonych operacjach.

Pracownicy umysłowi odczuwają rezultat przez aplikację. Opóźniona odpowiedź dotycząca konta lub nieaktualny panel może zakłócić decyzję, nawet gdy model bazowy odpowiada szybko. Baza danych jest tylko jednym z czynników, ale aplikacja nie może ukryć wolnej zależności wyłącznie przez prezentowanie interfejsu konwersacyjnego.

Istnieje też rozróżnienie między analityką organizacyjną a wyszukiwaniem wiedzy osobistej. Inżynierowie dokumentujący te decyzje mogą skorzystać z przeszukiwalnej bazy wiedzy zawierającej raporty z testów, notatki architektoniczne i ustalenia z incydentów. Taka dokumentacja wspiera decyzję, nie zastępując pomiarów obciążenia.

Bezpośrednią odpowiedzią dla zainteresowanych zespołów jest ponowne przeanalizowanie założeń stojących za ich architekturą obsługową. Długoterminową odpowiedzią jest połączenie zużycia infrastruktury z ukończonymi zadaniami produktowymi. Bez tego połączenia większa efektywność może zniknąć w rosnącej liczbie żądań.

Konsolidacja zmienia zakres porównań potrzebnych kupującym

Najmocniejszy argument kosztowy dotyczy całego rozwiązania obsługowego, w tym pracy wymaganej do utrzymania go w działaniu.

Silnik zapytań może być bardziej efektywny, podczas gdy otaczająca aplikacja pozostaje kosztowna. I odwrotnie, architektura może stać się tańsza dzięki usunięciu obowiązków operacyjnych, nawet gdy poprawa pojedynczych zapytań jest różna. Kupujący muszą rozróżnić te efekty, zanim zdecydują, który wynik ich dotyczy.

Rozróżnienie to pojawia się w historii klienta VisionHeight opublikowanej przez Databricks. Firma z branży cyberbezpieczeństwa miała zastąpić wdrożenie obsługowe Apache Pinot rozwiązaniem Lakehouse//RT. Opublikowane wyniki obejmują redukcję kosztów infrastruktury o ponad 90% oraz niemal trzykrotną poprawę w przypadku jej najbardziej wymagającego zapytania.

Studium przypadku podaje również, że VisionHeight współpracował z inżynierami Databricks nad optymalizacją zapytań przed wdrożeniem. Ten szczegół ma znaczenie przy ocenie możliwości przeniesienia wyników. Udana migracja może być efektem łącznego działania możliwości produktu, przygotowania klienta i bezpośredniego wsparcia dostawcy. Inne zespoły muszą ustalić, które elementy są w stanie odtworzyć.

Wniosek analityczny jest taki, że punkt odniesienia ma równie duże znaczenie jak cel. Stale działające wdrożenie może generować inne koszty bezczynności niż usługa dostosowująca się do aktywnego popytu. Ich porównanie może ujawnić użyteczny rezultat biznesowy. Nie wyodrębnia jednak, jaka część poprawy wynikała wyłącznie z silnika wykonawczego.

Historia klienta nOps opublikowana przez Databricks oferuje powiązany przykład z innym punktem wyjścia. Firma zajmująca się zarządzaniem kosztami chmurowymi miała zastąpić warstwę obsługową Druid, zmniejszyć wydatki infrastrukturalne ponad sześciokrotnie i wyeliminować 40 terabajtów zduplikowanych danych. Są to publikowane przez dostawcę wyniki klientów, a nie niezależne testy porównawcze.

Dla operatora usunięcie duplikacji ma konsekwencje wykraczające poza zużycie pamięci masowej. Skopiowany zbiór danych tworzy relację, która musi pozostawać zrozumiała podczas aktualizacji i incydentów. Gdy źródło się zmienia, kopia obsługowa musi odzwierciedlać właściwy stan. Wartość operacyjna zależy od tego, ile pracy wymagało wcześniej utrzymanie tej relacji.

To sprawia, że konsolidacja ma znaczenie zarówno dla dyskusji o niezawodności, jak i zakupach. Zespół powinien zapytać, które tryby awarii znikają, a które obowiązki przechodzą na pozostałą platformę. Mniejsza liczba systemów może ograniczyć pracę koordynacyjną. Większa zależność od jednej platformy może także skoncentrować skutki awarii lub błędu konfiguracji.

Mechanizm stojący za propozycją kosztową jest na wysokim poziomie prosty. Więcej pracy wykonanej w ramach dostępnej pojemności może opóźnić potrzebę dodawania kolejnych zasobów. Krótsze wykonywanie może szybciej zwalniać zasoby. Mniejsze korekty pojemności mogą ograniczać niewykorzystany zapas przy nierównomiernym popycie. Usunięcie wtórnego wdrożenia może wyeliminować koszty niezwiązane z wykonywaniem zapytań.

Są to odrębne efekty, a ich znaczenie zależy od obciążenia. Stabilna aplikacja może odnieść inne korzyści niż produkt z gwałtownymi skokami ruchu. Dobrze wykorzystany klaster obsługowy stanowi inny punkt odniesienia niż przewymiarowane wdrożenie. Aplikacja ze złożonym przepływem danych przedstawia całkowicie inną okazję.

Sformułowanie „Lakehouse//RT: Scale real-time analytics, not your bill” łączy te możliwości w jedną obietnicę handlową. Decyzja zakupowa wymaga ponownego ich rozdzielenia. W przeciwnym razie udana historia klienta staje się niepopartą dowodami prognozą dla niepowiązanej aplikacji.

Najbardziej użyteczne porównanie obejmuje więc zarówno maszyny, jak i ludzi. Zużycie infrastruktury jest mierzalne, podczas gdy nakład operacyjny wymaga osobnego rozliczenia. Łączenie ich bez wyjaśnienia może zacierać źródło oszczędności. Ignorowanie któregokolwiek z nich może prowadzić do mylącego obrazu rzeczywistego obciążenia architektury.

Snowflake utrzymuje rywalizację wokół istniejących danych

Databricks mierzy się z konkurencją ze strony innych platform oferujących responsywną analitykę bez oddzielnej kopii danych.

Przewodnik Snowflake dotyczący analityki interaktywnej opisuje interaktywne hurtownie, które mogą odpytywać istniejące standardowe tabele za pomocą analityki interaktywnej zero-copy. W tym kontekście zero-copy oznacza uniknięcie konwersji do dodatkowej tabeli na potrzeby procesu obsługi zapytań. To sprawia, że konsolidacja platformy staje się konkurencyjnym kierunkiem, a nie argumentem zastrzeżonym wyłącznie dla Databricks.

Ten sam przewodnik wskazuje proste, powtarzalne żądania jako docelowe obciążenie. Dokumentuje również ograniczenia operacyjne, w tym anulowanie zapytań trwających dłużej niż pięć sekund oraz konfigurowalną hurtownię zapasową. Hurtownia zapasowa to alternatywne miejsce wykonywania żądań przekraczających limity systemu interaktywnego.

Te szczegóły pokazują, dlaczego same nazwy produktów nie mogą rozstrzygnąć porównania. Platforma może spełniać wymagania aplikacji za pomocą różnych ścieżek wykonania. Kupujący muszą wiedzieć, które żądania pozostają na szybkiej ścieżce, które są kierowane inaczej i co to oznacza dla kosztów.

Agent komplikuje tę ocenę, ponieważ wzorce jego żądań mogą zmieniać się podczas użycia. Przepływ pracy, który zaczyna się od przewidywalnych wyszukiwań, może rozszerzyć się na szerszą analizę. Jeśli wynikowe zapytania zachowują się inaczej, początkowo atrakcyjny profil wydajności może już nie opisywać całej aplikacji.

Nie ustanawia to przewagi żadnego z dostawców. Wskazuje, co powinna ujawniać uczciwa ocena. Równoważne testy powinny wykorzystywać te same dane, wymagania dotyczące dostępu, wzorce żądań i oczekiwania wobec aplikacji. Porównanie, które zmienia te warunki, mierzy różne produkty wykonujące różne zadania.

Ta sama zasada dotyczy Pinot i Druid. Opisane przez VisionHeight i nOps migracje przedstawiają decyzje podjęte w ich konkretnych środowiskach. Nie dowodzą, że każda implementacja tych technologii powinna zostać przeniesiona. Istniejąca wiedza specjalistyczna, charakterystyka ruchu i wymagania operacyjne mogą uzasadniać inne wybory.

Wyspecjalizowany system obsługi zapytań daje zespołom również wyraźną granicę wokół ruchu aplikacyjnego. Scentralizowana platforma zmienia tę granicę i wymaga własnego zarządzania zasobami. To, czy zmiana pomaga, zależy od potrzeb produktu i zdolności organizacji do obsługi powstałego układu.

Dla dostawców presja polega na uwidocznieniu korzyści wynikających z każdej granicy. Baza danych obsługująca zapytania musi uzasadnić dodatkowe wdrożenie. Scentralizowana platforma musi pokazać, że może przyjąć popyt aplikacji bez naruszania wymaganego zachowania. Oba argumenty stają się silniejsze, gdy wspierają je odtwarzalne dowody dotyczące obciążeń.

Dla kupujących porównanie powinno zaczynać się od obecnej lokalizacji danych i rzeczywistego rozkładu żądań. Pozwala to uniknąć zniekształconej rywalizacji między starannie dostrojoną demonstracją a niepowiązanym wdrożeniem produkcyjnym. Najlepsza opcja architektoniczna to ta, która spełnia zobowiązania aplikacji w realistycznych warunkach.

To zachowuje centralny konflikt artykułu. Pytanie brzmi, czy oddzielny stos obsługi zapytań nadal zasługuje na miejsce obok hurtowni. Podejście Snowflake poszerza dostępne kupującym alternatywy, nie rozstrzygając tego pytania dla każdego obciążenia.

Niższe koszty jednostkowe nie gwarantują stałego rachunku

Obniżenie kosztu obsługi pojedynczego żądania nie ogranicza liczby żądań generowanych przez aplikację.

To zasadnicze ograniczenie obietnicy z nagłówka. Jeśli agent wykonuje więcej pracy, całkowite zużycie może nadal rosnąć, nawet gdy wykonanie staje się wydajniejsze. Niższy koszt na żądanie tworzy dodatkową przestrzeń. Nie zapewnia nieograniczonej pojemności ani stałego zobowiązania dotyczącego wydatków.

Różnica staje się wyraźniejsza przy ocenie ukończonego zadania. Aplikacja może obniżyć koszt każdego żądania do bazy danych, jednocześnie wysyłając zbędne żądania między użytecznymi działaniami. Może też ograniczać liczbę żądań, generując mniej użyteczną odpowiedź. Ani wydajność bazy danych, ani sama liczba żądań nie oddają wartości produktu.

Znacząca ocena łączy więc zużycie z wynikiem istotnym dla biznesu. W przypadku asystenta sprzedaży może to być ukończona analiza konta. W przypadku panelu klienta może to być responsywna sesja z aktualnymi informacjami. Właściwa jednostka zależy od aplikacji.

Opublikowane przykłady klientów pozostawiają lukę w weryfikacji. Przedstawiają nazwane doświadczenia i użyteczne deklarowane wyniki, lecz zostały wybrane i zaprezentowane przez dostawcę. Nie stanowią niezależnie audytowanej próby wdrożeń. Czytelnicy powinni powstrzymać się od traktowania ich jako ogólnego rozkładu oszczędności.

Granica pomiaru również wymaga analizy. Koszt infrastruktury może nie obejmować nakładu migracyjnego, ustaleń dotyczących wsparcia, czasu rozwoju lub innych wydatków platformowych. Widoczna redukcja może być znacząca nawet przy takich wyłączeniach. Kupujący nadal muszą wiedzieć, które koszty uwzględniono, zanim zastosują wynik w budżecie.

Wydajność wymaga podobnej precyzji. Średni czas odpowiedzi może ukrywać wolniejsze żądania, z którymi użytkownicy spotykają się podczas skoków ruchu. Opóźnienie ogonowe opisuje te wolniejsze odpowiedzi blisko krańca rozkładu. Aplikacja może sprawiać wrażenie niespójnej, nawet gdy jej typowe żądanie wygląda zadowalająco.

Świeżość danych to kolejne odrębne wymaganie. Świeżość opisuje, jak niedawno informacje bazowe odzwierciedlały zdarzenie źródłowe. Szybkie zwrócenie wyniku nie dowodzi, że zawiera on najnowsze dane. Ocena systemu obsługi zapytań musi uwzględniać obie właściwości, gdy aplikacja zależy od aktualnych informacji.

Kontrola dostępu również pozostaje kwestią aplikacyjną. Silnik zapytań nie jest w stanie określić, czy agent wybrał właściwe działanie biznesowe tylko dlatego, że wykonał autoryzowane żądanie. Zespoły nadal potrzebują odpowiednich tożsamości, uprawnień i zabezpieczeń dotyczących sposobu, w jaki agent wykorzystuje zwrócone informacje.

Wcześniejsze ujęcie beta również zasługuje na uwagę. Wybrane obciążenie tylko do odczytu to węższa propozycja niż zastąpienie każdej roli bazy danych. Tylko do odczytu oznacza pobieranie informacji bez zmieniania bazowych rekordów. Agent, który aktualizuje stan biznesowy, wprowadza wymagania wykraczające poza analityczną obsługę zapytań.

Te rozróżnienia nie unieważniają deklarowanych oszczędności. Wyjaśniają, dlaczego wyniki powinny uruchamiać analizę, a nie automatyczne wdrożenie. Użyteczna sceptyczna postawa pyta, które założenia są spełnione w danym wdrożeniu i jakie dowody podważyłyby początkowy wniosek.

Dla „Lakehouse//RT: Scale real-time analytics, not your bill” możliwa do obrony interpretacja to lepsza ekonomika w odpowiednich warunkach. Gwarancja niezmienionych wydatków wymagałaby innego zobowiązania komercyjnego. Opublikowane twierdzenia dotyczące wydajności i klientów go nie zapewniają.

Obserwuj odtwarzalność, wdrożenie i konkurencyjną ekonomikę

Kolejne dowody powinny pokazać, czy deklarowane korzyści utrzymują się w zwykłych warunkach operacyjnych w szerszym zakresie aplikacji.

Pierwszym sygnałem jest bardziej odtwarzalne raportowanie obciążeń. W nadchodzących miesiącach kupujący powinni szukać porównań ujawniających wzorce żądań, charakterystykę danych, ustawienia zasobów i granice pomiaru. Wyniki obejmujące zarówno okresy aktywne, jak i spokojniejsze pomogłyby wyjaśnić, skąd pochodzą oszczędności.

Takie dowody wzmocniłyby argument Databricks, gdyby pokazywały użyteczną ekonomikę w reprezentatywnym zachowaniu aplikacji. Osłabiłyby szerokie interpretacje, gdyby korzyści zależały od wyjątkowo wąskich warunków lub korzystnych wartości bazowych. Każdy z tych wyników poprawiłby decyzje zakupowe, zastępując niejednoznaczną obietnicę wyraźniejszymi granicami.

Odtwarzalność wymaga również porównywalnych oczekiwań dotyczących usług. Tańszy wynik, który toleruje wolniejsze odpowiedzi, nie odpowiada potrzebom kupującego wymagającego stałej interaktywności. Szybszy wynik mierzony względem innego zbioru danych przedstawia kolejną niezgodność. Opublikowane porównania stają się bardziej użyteczne, gdy te zobowiązania pozostają jawne.

Drugim sygnałem jest wdrożenie wykraczające poza ściśle wspierane przykłady klientów. Szersze raportowanie produkcyjne powinno ujawnić nakład migracyjny, wymagania dotyczące bieżącego dostrajania oraz zakres pasujących obciążeń. Dokumentacja produktu powinna również wyjaśniać aktualną dostępność i wspierane zachowanie w miarę rozwoju oferty.

Ten sygnał wzmocniłby argument za konsolidacją, gdyby zespoły mogły powtórzyć przejście bez wyjątkowego zaangażowania dostawcy. Zawęziłby ten argument, gdyby wdrożenie konsekwentnie wymagało rozległej personalizacji lub istotnych zmian aplikacji. Udana migracja ze wsparciem pozostaje wartościowym dowodem, ale odpowiada na inne pytanie niż rutynowe wdrożenie.

Dalsze użycie ma równie duże znaczenie jak początkowy ruch. Ogłoszenie migracji uchwytuje moment w czasie. Późniejsze raportowanie może ujawnić, jak koszty i czasy odpowiedzi zachowują się wraz ze zmianą danych, użytkowników i funkcji produktu. To właśnie wtedy decyzja architektoniczna staje się zapisem operacyjnym.

Trzecim sygnałem jest ekonomika konkurencyjnych podejść w równoważnych warunkach. Interaktywna ścieżka wykonania Snowflake oraz istniejące wyspecjalizowane wdrożenia obsługi zapytań zasługują na porównanie względem tych samych wymagań biznesowych. Kupujący powinni obserwować dowody uwzględniające bezczynne zasoby, wykonanie zapasowe, przemieszczanie danych i nakład operacyjny.

Wynik konkurencyjny osłabiłby każde twierdzenie, że oszczędności z konsolidacji należą wyłącznie do jednego dostawcy. Nie musiałby jednak osłabiać szerszego argumentu za ponownym rozważeniem oddzielnego stosu obsługi zapytań. Wiele wiarygodnych opcji mogłoby uczynić tę decyzję bardziej dostępną, jednocześnie zwiększając presję na każdego dostawcę, by wyjaśniał swoje kompromisy.

Na razie Databricks podał konkretne powody, by ponownie przeanalizować architekturę. Przykłady łączą obsługę w czasie rzeczywistym z konsolidacją infrastruktury, zamiast traktować szybkość jako jedyny rezultat. Nadal są to deklarowane doświadczenia klientów, wymagające walidacji specyficznej dla obciążenia.

Przed zatwierdzeniem migracji określ wynik aplikacji, który ma znaczenie, wymagany czas odpowiedzi oraz wydatki uwzględniane w porównaniu. Zachowaj te założenia wraz z wynikami testów i ustaleniami operacyjnymi, aby inny zespół mógł zakwestionować decyzję. Zapytaj, czy proponowana architektura usuwa wystarczająco dużo pracy, aby uzasadnić jej wdrożenie, oraz czy aplikacja pozostaje przystępna cenowo w miarę rozszerzania się zachowania agenta. Databricks Lakehouse//RT daje kupującym konkretną opcję do oceny. Użytecznym kolejnym krokiem jest porównanie jej z układem obsługi zapytań, który faktycznie prowadzisz, przy użyciu ruchu, który rzeczywiście generuje Twój produkt. Który system zapewnia wymagane doświadczenie, pozostawiając Twojemu zespołowi najjaśniej określone obowiązki operacyjne?

 
 

Zacznij bezpłatnie

Asystent AI działający przede wszystkim lokalnie, z funkcją zarządzania wiedzą osobistą

Aby zapewnić lepsze działanie AI,

remio obsługuje obecnie wyłącznie Windows 10+ (x64) i M-Chip Macs.

Twój partner AI w pracy
Zrób więcej z remio

Planuj. Twórz. Dostarczaj.
Wszystko w jednym miejscu.

bottom of page