Jun 30 — Jul 7, 2026
Este período foi marcado por um foco significativo nas capacidades de IA da Databricks, particularmente em torno de agentes de IA e sua governança, juntamente com aprimoramentos contínuos na plataforma Lakehouse para gerenciamento de dados e análises operacionais.
1.Omnigent e Governança de Agentes de IA
A Databricks introduziu o Omnigent, um meta-arnês de código aberto para agentes de IA, projetado para unificar a composição, controle e colaboração entre vários modelos e fluxos de trabalho de agentes. Isso inclui recursos robustos de governança, como políticas contextuais e observabilidade integrada através do MLflow Tracing, abordando as complexidades do gerenciamento de múltiplos agentes de IA em produção.
Fontes
- 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 e LTAP para Dados Operacionais
A Databricks está repensando a arquitetura de banco de dados com Lakebase e LTAP (Lakehouse Transactional Analytical Platform). O Lakebase externaliza logs de computação e dados do Postgres para armazenamento em nuvem para escalabilidade e elasticidade, enquanto o LTAP visa unificar dados analíticos e operacionais em uma única plataforma, eliminando os processos tradicionais de ETL.
Fontes
- 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) para Automação Declarativa
Os Databricks Asset Bundles (DABs), agora referidos como Declarative Automation Bundles, continuam a evoluir como uma ferramenta chave para gerenciar implantações Databricks. Novos recursos e discussões destacam seu uso para automação declarativa, incluindo mutators para centralizar regras e proteção de versão para implantações consistentes em todos os ambientes.
Fontes
- 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.Modelagem de Dados e Execução de Decisões Impulsionadas por IA
A Databricks está aprimorando a modelagem de dados e a tomada de decisões com IA. O Vibe Data Modeling usa LLMs para criar modelos de negócios analíticos a partir de linguagem natural, acelerando significativamente a implantação. Além disso, o conceito de Plataformas de Execução de Decisão (DEPs) é introduzido para automatizar o ciclo completo de decisão executiva na infraestrutura Databricks.
5.Qualidade de Dados e Geração de Dados Sintéticos
Novos projetos e ferramentas estão surgindo para abordar a qualidade de dados e a geração de dados sintéticos dentro do ecossistema Databricks. O DQx fornece uma estrutura para validar a qualidade de dados em PySpark DataFrames, enquanto o dbldatagen oferece uma maneira de gerar rapidamente grandes conjuntos de dados sintéticos relevantes para testes e projetos de prova de conceito.