Cas d'utilisation

Lakebase Autoscaling prend en charge quatre modèles principaux : servir des données lakehouse dans Postgres, stocker les modifications Postgres dans le lakehouse, exécuter un backend d'application et alimenter les agents AI et le ML. Chaque modèle utilise Postgres avec Unity Catalog pour offrir à votre application une base de données à faible latence qui reste synchronisée avec le lakehouse.

Servir les données du lakehouse

Les tables synchronisées intègrent les données d'Unity Catalog dans votre base de données Lakebase pour des lectures transactionnelles à faible latence. Sélectionnez une table source, choisissez un mode de synchronisation, et le pipeline est entièrement managé. Pas de scripts de synchronisation, pas d'orchestration externe, pas de jobs à surveiller. Le mode continu maintient les données à quelques secondes de la source. Le mode Trigger équilibre la fraîcheur et le coût avec des mises à jour incrémentielles planifiées. Votre application sert toujours les dernières analytiques en parallèle de ses propres données opérationnelles.

Premières étapes	Parcours de formation
Créer une table synchronisée Programmer des synchronisations récurrentes	Modes de synchronisation : instantané, déclenché ou continu Correspondance des types de données — compatibilité des types UC et Postgres Planification de la capacité – limites de connexion, throughput rates S'inscrire dans Unity Catalog — queries inter-sources pour les données opérationnelles et analytiques

Premières étapes	Parcours de formation
Créer une table synchronisée Programmer des synchronisations récurrentes	Modes de synchronisation : instantané, déclenché ou continu Correspondance des types de données — compatibilité des types UC et Postgres Planification de la capacité – limites de connexion, throughput rates S'inscrire dans Unity Catalog — queries inter-sources pour les données opérationnelles et analytiques

Stockez les modifications Postgres dans le lakehouse

remarque

La fonctionnalité Change Data Feed de Lakebase est en aperçu public.

Lakebase Change Data Feed (CDF) stocke les modifications au niveau des lignes de vos tables Postgres sous forme de tables Delta gérées par Unity Catalog. Chaque insertion, mise à jour et suppression est capturée depuis le journal de transactions et écrite comme une nouvelle ligne dans une table d'historique Delta. Aucun outil CDC externe, aucun Job Spark, aucun pipeline à maintenir. Le chemin de capture s'exécute sur un compute indépendant ; les queries de production ne sont donc pas affectées. La table d'historique a la même forme que Delta Change Data Feed, de sorte que les pipelines en aval, les vues matérialisées et les query d'audit s'y connectent directement.

Premières étapes	Parcours de formation
Stocker les modifications Postgres dans le lakehouse Construisez un pipeline en aval	Qu'est-ce que Lakebase CDF ? — schéma de destination, colonnes système, modèles de changement Mappage des types de données — Prise en charge des types de Postgres vers Delta Gestion des modifications de schéma — ce qui se passe lorsque les schémas évoluent Limitations — scénarios d'échec et dépannage

Premières étapes	Parcours de formation
Stocker les modifications Postgres dans le lakehouse Construisez un pipeline en aval	Qu'est-ce que Lakebase CDF ? — schéma de destination, colonnes système, modèles de changement Mappage des types de données — Prise en charge des types de Postgres vers Delta Gestion des modifications de schéma — ce qui se passe lorsque les schémas évoluent Limitations — scénarios d'échec et dépannage

Back-end d'application

Votre application se connecte à Lakebase de la même manière qu'elle se connecte à n'importe quelle base de données Postgres. Utilisez les Drivers et les frameworks que vous connaissez déjà. Lorsque votre application connaît un pic de trafic, l'autoscaling ajoute du compute sans perdre de connexions. Lorsque le trafic s’arrête, la mise à l’échelle à zéro suspend la base de données et se réactive en quelques centaines de millisecondes lors de la prochaine query. Vous ne surprovisionnez pas pour les pics et ne payez pas l'inactivité. Pour le développement, le branchement donne à chaque développeur une copie isolée de la base de données de production, sans amorçage de données, sans duplication de stockage et sans attente.

Premières étapes	Parcours de formation
Créer une application Databricks — déployer un template avec des identifiants gérés Connectez votre propre application — application Databricks personnalisée, SDK ou API	Fonctionnement de l'autoscaling — comportement du compute sous charge Mise à l'échelle à zéro — suspension, réactivation, délai d'inactivité Fonctionnement des branches : isolation copy-on-write pour le dev/test Authentification — changement de jeton pour les applications de production

Premières étapes	Parcours de formation
Créer une application Databricks — déployer un template avec des identifiants gérés Connectez votre propre application — application Databricks personnalisée, SDK ou API	Fonctionnement de l'autoscaling — comportement du compute sous charge Mise à l'échelle à zéro — suspension, réactivation, délai d'inactivité Fonctionnement des branches : isolation copy-on-write pour le dev/test Authentification — changement de jeton pour les applications de production

Agents d'IA et ML

Lakebase sert de back-end pour la mémoire d'agent d'IA et le Feature Serving en temps réel. Les agents conçus avec LangGraph ou le SDK OpenAI Agents stockent l'état des conversations et la mémoire à long terme dans Postgres. Les modèles servis avec Model Serving accèdent aux données des fonctionnalités via des magasins de fonctionnalités en ligne, alimentés par Lakebase Autoscaling. Les deux bénéficient du dimensionnement automatique, du dimensionnement à zéro et de la gouvernance Unity Catalog.

Premières étapes

Parcours de formation

Déployer un agent sur Databricks Apps — cloner un template et le déployer État et mémoire de l'agent — ajoutez de la mémoire à court et à long terme avec Lakebase

Mémoire d'agent autogérée (Lakebase) — points de contrôle LangGraph, templates de mémoire Agents avec état sur Model Serving — time travel, gestion des points de contrôle Magasin de fonctionnalités et Model Serving — données de fonctionnalité à faible latence optimisées par Lakebase Magasins de fonctionnalités en ligne — créer, publier et gérer les magasins de fonctionnalités Recherche hybride vectorielle et par mot-clé — recherche sémantique et en texte intégral avec les extensions lakebase_vector et lakebase_text.

Premières étapes

Parcours de formation

Déployer un agent sur Databricks Apps — cloner un template et le déployer État et mémoire de l'agent — ajoutez de la mémoire à court et à long terme avec Lakebase

Mémoire d'agent autogérée (Lakebase) — points de contrôle LangGraph, templates de mémoire Agents avec état sur Model Serving — time travel, gestion des points de contrôle Magasin de fonctionnalités et Model Serving — données de fonctionnalité à faible latence optimisées par Lakebase Magasins de fonctionnalités en ligne — créer, publier et gérer les magasins de fonctionnalités Recherche hybride vectorielle et par mot-clé — recherche sémantique et en texte intégral avec les extensions lakebase_vector et lakebase_text.