Jun 30 — Jul 7, 2026
Cette période a été marquée par une concentration significative sur les capacités d'IA de Databricks, en particulier autour des agents d'IA et de leur gouvernance, ainsi que par des améliorations continues de la plateforme Lakehouse pour la gestion des données et l'analyse opérationnelle.
1.Omnigent et la gouvernance des agents d'IA
Databricks a introduit Omnigent, un méta-harnais open source pour les agents d'IA, conçu pour unifier la composition, le contrôle et la collaboration entre divers modèles et flux de travail d'agents. Cela inclut des fonctionnalités de gouvernance robustes telles que des politiques contextuelles et une observabilité intégrée via MLflow Tracing, répondant aux complexités de la gestion de plusieurs agents d'IA en production.
Sources
- Contextual Policies in Omnigent: Using session state to better govern AI agentsNews · databricks-blog · Jul 6
- OpenAI and Databricks at DAIS 2026: Making enterprise AI realNews · databricks-blog · Jul 6
- What Is a Meta-Harness for AI Agents? Omnigent explainedVideo · Databricks · Jul 6
- Multi-Harness AI Agents Need Multi-Layer Observability: Omnigent in MLflowNews · mlflow-blog · Jul 2
- Introducing Omnigent: The Ultimate Meta-Harness for AI AgentsVideo · Databricks · Jun 30
2.Lakebase et LTAP pour les données opérationnelles
Databricks repense l'architecture des bases de données avec Lakebase et LTAP (Lakehouse Transactional Analytical Platform). Lakebase externalise les journaux de calcul et les données Postgres vers le stockage cloud pour la scalabilité et l'élasticité, tandis que LTAP vise à unifier les données analytiques et opérationnelles sur une seule plateforme, éliminant les processus ETL traditionnels.
Sources
- Lakebase CDF — destination Delta table not created after successful UI setup (Free Edition)Community · databricks-community · Jul 7
- Databricks launches across the Data + AI stack in 90 secondsVideo · Databricks · Jul 3
- From monolith to Lakebase to LTAP: rethinking the database from storage upNews · databricks-blog · Jun 30
3.Databricks Asset Bundles (DABs) pour l'automatisation déclarative
Les Databricks Asset Bundles (DABs), désormais appelés Declarative Automation Bundles, continuent d'évoluer en tant qu'outil clé pour la gestion des déploiements Databricks. De nouvelles fonctionnalités et discussions soulignent leur utilisation pour l'automatisation déclarative, y compris les mutateurs pour centraliser les règles et la protection des versions pour des déploiements cohérents dans tous les environnements.
Sources
- 134: Declarative Automation Bundles (Formerly Databricks Asset Bundles)|Part 1|Complete IntroductionVideo · Raja's Data Engineering · Jul 6
- DABs: mutators as a good place for central rulesVideo · databricks MVP Hubert Dudek · Jul 5
- Release: v2.12.1 (#1948)Release · databricks/databricks-vscode · Jul 2
- databricks DABs: version protectionVideo · databricks MVP Hubert Dudek · Jul 1
4.Modélisation des données et exécution des décisions basées sur l'IA
Databricks améliore la modélisation des données et la prise de décision avec l'IA. Vibe Data Modeling utilise des LLM pour créer des modèles commerciaux analytiques à partir du langage naturel, accélérant considérablement le déploiement. De plus, le concept de plateformes d'exécution des décisions (Decision Execution Platforms - DEPs) est introduit pour automatiser la boucle complète de décision exécutive sur l'infrastructure Databricks.
5.Qualité des données et génération de données synthétiques
De nouveaux projets et outils émergent pour aborder la qualité des données et la génération de données synthétiques au sein de l'écosystème Databricks. DQx fournit un cadre pour valider la qualité des données dans les DataFrames PySpark, tandis que dbldatagen offre un moyen de générer rapidement de grands ensembles de données synthétiques pertinents pour les tests et les projets de preuve de concept.