Cas d'utilisation

info

Bêta

À partir du 15 juin, Lakebase est disponible en bêta sur GCP. Consultez la disponibilité des régions pour les régions prises en charge.

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

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 et ML

Lakebase sert de backend pour la mémoire d'agent et le Feature Serving en temps réel. Les agents construits avec LangGraph ou le SDK OpenAI Agents stockent l'état de la conversation et la mémoire à long terme dans Postgres. Les modèles servis avec Model Serving accèdent aux données de fonctionnalité via des Magasins de fonctionnalités en ligne qui sont alimentés par Lakebase Autoscaling. Les deux bénéficient d'une mise à l'échelle automatique, d'une échelle 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	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

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	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