Baixe as arquiteturas de referência da Lakehouse

Este artigo aborda a orientação arquitetônica para a lakehouse em termos de fonte de dados, ingestão, transformação, consulta e processamento, fornecimento, análise/saída e armazenamento.

Cada arquitetura de referência tem um PDF para download em formato 11 x 17 (A3).

Arquitetura de referência genérica

Download: Arquitetura de referência genérica de lakehouse para Databricks (PDF)

Organização das arquiteturas de referência

A arquitetura de referência é estruturada ao longo das pistas de natação Source, Ingest, Transform, Query and Process, Serve, Analysis e Storage:

Origem

A arquitetura faz distinção entre dados semiestruturados e não estruturados (sensores e IoT, mídia, arquivos/logs) e dados estruturados (RDBMS, aplicativos de negócios). As fontes SQL (RDBMS) também podem ser integradas ao lakehouse e ao Unity Catalog sem ETL por meio da federação lakehouse. Além disso, os dados podem ser carregados de outros provedores de nuvem.
Ingerir

Os dados podem ser ingeridos no lakehouse por meio de lote ou transmissão:
- Os arquivos entregues ao armazenamento em nuvem podem ser carregados diretamente com o Databricks Auto Loader.
- Para a ingestão em lote de dados de aplicativos corporativos em Delta Lake, a Databricks lakehouse conta com ferramentas de ingestão de parceiros com adaptadores específicos para esses sistemas de registro.
- Os eventos de streaming podem ser ingeridos diretamente de sistemas de streaming de eventos, como o Kafka, com o Databricks Structured Streaming. As fontes de streaming podem ser sensores, IoT ou processos de captura de dados de alterações.
Armazenamento

Normalmente, os dados são armazenados no sistema de armazenamento em nuvem, onde os pipelines de ETL utilizam a arquitetura medallion para armazenar dados de forma selecionada como arquivos/tabelas Delta.
Transformar, consultar e processar

O lakehouse Databricks utiliza seus sistemas Apache Spark e Photon para todas as transformations e queries.

Devido à sua simplicidade, a estrutura declarativa DLT (Delta Live Tables) é uma boa opção para a criação de pipelines de processamento de dados confiáveis, passíveis de manutenção e teste.

Com a tecnologia Apache Spark e Photon, a plataforma de inteligência de dados Databricks aceita ambos os tipos de cargas de trabalho: consultas SQL por meio de SQL warehouses e cargas de trabalho SQL, Python e Scala por meio de clusters de workspace.

Para a ciência de dados (modelagem de ML e IA generativa), a plataforma de IA e machine learning Databricks fornece tempos de execução especializados de ML para AutoML e para codificação de jobs de ML. Todos os fluxos de trabalho de MLOps e ciência de dados têm melhor compatibilidade pelo MLflow.
Servir

Para casos de uso de DWH e BI, o Databricks lakehouse oferece o Databricks SQL, o data warehouse com tecnologia de SQL warehouses, e serverless SQL warehouses.

Para machine learning, o serviço de modelo é um recurso de serviço de modelo dimensionável, em tempo real e de nível empresarial hospedado no plano de controle do Databricks.

Bancos de dados operacionais: sistemas externos, como bancos de dados operacionais, podem ser utilizados para armazenar e entregar produtos de dados finais aos aplicativos do usuário.

Colaboração: os parceiros de negócios recebem acesso seguro aos dados de que precisam por meio do Delta Sharing. Com base no Delta Sharing, o Databricks Marketplace é um fórum aberto para troca de produtos de dados.
Análise

Os aplicativos de negócios finais estão nesta raia. Os exemplos incluem clientes personalizados, como aplicativos de IA conectados ao Mosaic AI Model Serving para inferência em tempo real ou aplicativos que acessam dados enviados do lakehouse para um banco de dados operacional.

Para casos de uso de BI, os analistas geralmente utilizam ferramentas de BI para acessar o data warehouse. Os desenvolvedores de SQL também podem utilizar o Databricks SQL Editor (não mostrado no diagrama) para consultas e painéis.

A plataforma de inteligência de dados também oferece painéis para criar visualizações de dados e compartilhar entendimentos.

Capacidades para suas cargas de trabalho

Além disso, o Databricks lakehouse vem com recursos de gerenciamento compatíveis com todas as cargas de trabalho:

Governança de dados e IA

O sistema central de governança de dados e IA na Plataforma de Inteligência de Dados Databricks é o Unity Catalog. O Unity Catalog apresenta um local único para gerenciar políticas de acesso a dados que se aplicam a todos os espaços de trabalho e suporta todos os ativos criados ou utilizados na lakehouse, como tabelas, volumes, recursos (armazenamento de recursos ) e modelos (registro de modelos). O Unity Catalog também pode ser usado para capturar a linhagem de dados em tempo de execução em consultas executadas no Databricks.

O monitoramento do lakehouse do Databricks permite que você monitore a qualidade dos dados em todas as tabelas na sua conta. Ele também pode acompanhar o desempenho de modelos do machine learning e endpoints de serviço de modelo.

Para fins de observabilidade, as tabelas do sistema são um armazenamento analítico hospedado pelo Databricks dos dados operacionais da sua conta. As tabelas do sistema podem ser usadas para observabilidade histórica em sua conta.
Mecanismo de inteligência de dados

A Databricks Data Intelligence Platform possibilita que toda a sua organização utilize dados e IA. É alimentada pelo DatabricksIQ e combina IA generativa com os benefícios de unificação de um lakehouse para entender a semântica exclusiva dos seus dados.

O Databricks Assistant está disponível nos Notebooks, no editor SQL e no editor de arquivos do Databricks como um assistente de IA sensível ao contexto para desenvolvedores.

Orquestração

O Databricks Workflows comanda o processamento de dados, o machine learning e os pipelines de analítica na Databricks Data Intelligence Platform. Os fluxos de trabalho têm serviços de orquestração totalmente gerenciados, integrados à plataforma Databricks, incluindo o Databricks Jobs para execução de código não interativo em seu espaço de trabalho do Databricks e o Delta Live Tables para criação de pipelines de ETL confiáveis e sustentáveis.

Arquitetura de referência da plataforma de inteligência de dados na AWS

A arquitetura de referência da AWS é derivada da arquitetura de referência genérica, adicionando serviços específicos da AWS para os elementos Source, Ingest, Serve, Analysis e Storage.

Download: Arquitetura de referência para o lakehouse do Databricks na AWS

A arquitetura de referência da AWS mostra os seguintes serviços específicos da AWS para ingestão, armazenamento, disponibilização e análise/saída:

Amazon Redshift como fonte para Lakehouse Federation
Amazon AppFlow e AWS Glue para ingestão em lote
AWS IoT Core, Amazon Kinesis e AWS DMS para ingestão de streaming
Amazon S3 como armazenamento de objetos
Amazon RDS e Amazon DynamoDB como bancos de dados operacionais
Amazon QuickSight como ferramenta de BI
Amazon Bedrock como uma API unificada para modelos básicos de startups líderes em IA e da Amazon

Observação

Esta visão da arquitetura de referência se concentra apenas nos serviços da AWS e na lakehouse do Databricks. O lakehouse no Databricks é uma plataforma aberta que se integra a um grande ecossistema de ferramentas de parceiros.
Os serviços do provedor de nuvem apresentados não são completos. Foram selecionadas para ilustrar o conceito.

Caso de uso: ETL em lotes

Arquitetura de referência de ETL em lote para Databricks on AWS

Download: Arquitetura de referência de ETL em lote para Databricks na AWS

As ferramentas de ingestão utilizam adaptadores específicos da fonte para ler os dados da fonte e em seguida armazená-los na cloud, de onde o Auto Loader pode lê-los, ou chamar o Databricks diretamente (por exemplo, com ferramentas de ingestão de parceiros integradas ao Databricks lakehouse). Para carregar os dados, o mecanismo de ETL e processamento da Databricks, por meio de DLT, executa as consultas. Jobs de tarefa única ou multitarefa podem ser orquestrados por fluxo de trabalho do Databricks e governados pelo Unity Catalog (controle de acesso, auditoria, linhagem e assim por diante). Se os sistemas operacionais de baixa latência exigirem acesso a golden tables específicas, elas poderão ser exportadas para um banco de dados operacional, como um RDBMS ou um armazenamento de key no fim do pipeline de ETL.

Caso de uso: transmissão e captura de dados de alterações (CDC)

Arquitetura de transmissão estruturada do Spark no Databricks on AWS

Download: arquitetura de transmissão estruturada do Spark para Databricks on AWS

O mecanismo de ETL do Databricks, transmissão estruturada do Spark, para ler filas de eventos, como Apache Kafka ou AWS Kinesis. Os passos posteriores seguem a abordagem do caso de uso do lote acima.

A CDC captura de dados de alterações normalmente utiliza uma fila de eventos para armazenar os eventos extraídos. A partir daí, o caso de uso segue o caso de uso de transmissão.

Se o CDC for feito em lote, onde os registros extraídos são armazenados primeiro no armazenamento em nuvem, o Databricks Autoloader poderá lê-los e o caso de uso seguirá o ETL em lote.

Caso de uso: aprendizado de máquina e IA

Arquitetura de referência de aprendizado de máquina e IA para Databricks on AWS

Download: Arquitetura de referência de aprendizado de máquina e IA para Databricks na AWS

Para o aprendizado de máquina, a Databricks Data Intelligence Platform oferece o Mosaic AI, que vem com biblioteca de aprendizagem profunda e de máquina de última geração. Ele oferece recursos como o Feature Store e o registro de modelos (ambos integrados ao Unity Catalog), recursos com pouco código com AutoML e integração do MLflow ao ciclo de vida da ciência de dados.

Todos os ativos relacionados à ciência de dados (tabelas, recursos e modelos) são governados pelo Unity Catalog e os cientistas de dados podem usar Databricks Workflows para orquestrar seus trabalhos.

Para implantar modelos de maneira escalável e de nível empresarial, use os recursos de MLOps para publicar os modelos no serviço de modelos.

Caso de uso: geração aumentada de recuperação (IA generativa)

Arquitetura de referência do Gen AI RAG para Databricks on AWS

Download: arquitetura de referência Gen AI RAG para Databricks on AWS

Para casos de uso de IA generativa, o Mosaic AI vem com bibliotecas de última geração e recursos específicos de IA generativa, desde a engenharia de prompts até o ajuste fino dos modelos existentes e o pré-treinamento a partir do zero. A arquitetura acima mostra um exemplo de como a pesquisa vetorial pode ser integrada para criar um aplicativo de IA RAG (retrieval augmented generation).

Para implantar modelos de maneira escalável e de nível empresarial, use os recursos de MLOps para publicar os modelos no serviço de modelos.

Caso de uso: análise de BI e SQL

Download: arquitetura de referência de análise de BI e SQL para Databricks on AWS

Para casos de uso de BI, os analistas de negócios podem usar painéis, o editor Databricks SQL ou ferramentas específicas de BI, como Tableau ou Amazon QuickSight. Em todos os casos, o mecanismo é o Databricks SQL (serverless ou não serverless) e o descobrimento de dados, exploração, linhagem e controle de acesso são fornecidos pelo Unity Catalog.

Caso de uso: Federação da lakehouse

Arquitetura de referência de Lakehouse Federation para Databricks on AWS

Download: arquitetura de referência da Lakehouse Federation para Databricks on AWS

A Lakehouse Federation permite que bancos de dados SQL externos (como MySQL, Postgres ou Redshift) sejam integrados ao Databricks.

Todas as cargas de trabalho (IA, DWH e BI) podem se beneficiar disso sem a necessidade de ETL dos dados no armazenamento de objetos primeiro. O catálogo de fontes externas é associado no catálogo do Unity e o controle de acesso refinado pode ser aplicado ao acesso por meio da plataforma Databricks.