مجمع دیتابریکس داده + هوش مصنوعی ۲۰۲۵: پنج نکته کلیدی برای متخصصان داده، توسعه‌دهندگان

اتوماسیون و ادغام از موضوعات کلیدی در کنفرانس سالانه مشتریان دیتابریکس بودند، چرا که ویژگی‌های جدید هوش مصنوعی مولد و عاملی را که به پلتفرم دریاچه داده ابری آن اضافه می‌شود، به نمایش گذاشت.

در همایش Data + AI Summit 2025 که هفته گذشته توسط Databricks برگزار شد، این شرکت مجموعه‌ای از پیشرفت‌های هوش مصنوعی مولد و عاملی را که به پلتفرم دیتالاکه‌هاوس ابری خود اضافه می‌کند، به نمایش گذاشت — مشابه آنچه رقیب آن، Snowflake، هفته قبل انجام داد.

با این که رویدادهای دو رقیب به این نزدیک به یکدیگر برگزار شد، زمان کمی برای تیم‌های مهندسی محصول آنها برای واکنش به اعلان‌های یکدیگر باقی می‌ماند. اما این به معنای فشار برای اعلام محصولاتی است که هنوز برای بازار آماده نیستند، تا از پیشی‌گرفته شدن توسط رقبا جلوگیری کنند؛ شاید همین دلیل تعداد زیادی از ویژگی‌ها هنوز در مرحله آزمایشی (بتا) یا «پیش‌نمایش» هستند.

در ادامه برخی از محصولات و ویژگی‌های کلیدی جدیدی که در کنفرانس اعلام شد را می‌آوریم؛ محصولاتی که شاید روزی توسعه‌دهندگان و متخصصان داده بتوانند خودشان آن‌ها را امتحان کنند:

این کاملاً خودکار است

بسیاری از شرکت‌ها به سمت استفاده از عوامل هوش مصنوعی برای خودکارسازی برخی از فرآیندهای خود روی می‌آورند. پاسخ Databricks به این امر Agent Bricks، ابزاری برای خودکارسازی فرآیند ساخت عوامل است.

این یک بخش اساسی از پلتفرم هوش داده (Data Intelligence) شرکت است و Databricks آن را به عنوان راهی برای حذف پیچیدگی فرآیند ساخت عوامل معرفی می‌کند، چراکه اکثر شرکت‌ها نه زمان و نه توانایی لازم برای طی یک فرایند تکراری ساخت و تطبیق یک عامل با یک مورد استفاده را دارند. تحلیل‌گران می‌گویند این حوزه توسط فروشندگان رقیب نادیده گرفته شده است.

راه دیگری که Databricks ابزارهای ساخت عامل خود را از ابزارهای رقبایشان متمایز می‌کند، این است که چرخه‌ زندگی عامل را به‌صورت متفاوتی مدیریت می‌کند — نه از داخل رابط سازنده بلکه از طریق Unity Catalog و MLflow 3.0.

در حال حاضر در مرحله آزمایش بتا، این رابط از پروتکل زمینه مدل (MCP) پشتیبانی می‌کند و انتظار می‌رود در آینده از پروتکل A2A گوگل نیز پشتیبانی کند.

از بین بردن گلوگاه‌های مهندسی داده

یک حوزه دیگر که Databricks می‌خواهد به شرکت‌ها کمک کند تا گلوگاه‌های مهندسی داده که پروژه‌های هوش مصنوعی را کند می‌کنند، مدیریت داده است. این شرکت ابزار مدیریت داده‌ای را که توسط یک دستیار هوش مصنوعی مولد، Lakeflow Designer، قدرت می‌گیرد، به نمایش گذاشت تا تحلیل‌گران داده بتوانند وظایفی را که معمولاً توسط مهندسان داده انجام می‌شود، بر عهده بگیرند.

Lakeflow Designer می‌تواند به عنوان «Canva برای ETL» توصیف شود، توسعهٔ آنی، بصری و با کمک هوش مصنوعی را برای ساخت خطوط لولهٔ داده فراهم می‌کند، اما Databricks همچنین این را راهی می‌بیند تا همکاری بین تحلیل‌گران و مهندسان آسان‌تر شود.

یکپارچه‌شده در Lakeflow Declarative Pipelines، این ابزار همچنین از جریان‌های Git و DevOps پشتیبانی می‌کند و ردیابی lineage، کنترل دسترسی و قابلیت حسابرسی را فراهم می‌آورد.

دموکراتیک‌سازی تجزیه و تحلیل برای کاربران کسب‌وکار در حالی که حاکمیت حفظ می‌شود

Databricks همچنین نسخه‌ای بدون کد از پلتفرم هوش داده خود را که Databricks One نام دارد، به نمایش گذاشت؛ این نسخه ابزارهای هوش مصنوعی و هوش تجاری را برای کاربران غیر فنی از طریق یک رابط کاربری مکالمه‌ای فراهم می‌کند.

به‌عنوان بخشی از پلتفرم One که هم‌اکنون در پیش‌نمایش خصوصی است و مشترکان پلتفرم هوش داده می‌توانند به‌صورت رایگان به آن دسترسی پیدا کنند، Databricks داشبوردهای AI/BI، Genie و برنامه‌های Databricks را به همراه ویژگی‌های حاکمیت و امنیت داخلی از طریق Unity Catalog و پلتفرم IAM Databricks ارائه می‌دهد.

داشبوردهای AI/BI به کاربران غیر فنی سازمان اجازه می‌دهد تا تجسم‌های داده را ایجاد و دسترسی پیدا کنند و تجزیه و تحلیل پیشرفته را بدون نوشتن کد انجام دهند. Genie، یک دستیار مکالمه‌ای، به کاربران امکان می‌دهد با استفاده از زبان طبیعی سوالاتی درباره داده‌هایشان بپرسند.

Databricks همچنین نسخهٔ رایگان از پلتفرم هوش داده خود را معرفی کرد — استراتژی‌ای برای اطمینان از این که تعداد بیشتری از متخصصان داده و توسعه‌دهندگان از این پلتفرم استفاده کنند.

یکپارچه‌سازی PostgreSQL Neon در پلتفرم هوش داده

یک ماه پس از به‌دست آوردن Neon برای یک میلیارد دلار، ارائه‌دهندهٔ ابر‑لاکه‌هاوس این معماری PostgreSQL Neon را به شکل Lakebase در پلتفرم هوش داده خود یکپارچه کرده است.

اضافه‌کردن پایگاه داده PostgreSQL مدیریت‌شده به پلتفرم هوش داده، به توسعه‌دهندگان امکان می‌دهد به‌سرعت عوامل هوش مصنوعی را بسازند و به‌کار ببرند بدون اینکه برای مقیاس‌گذاری همزمان محاسبه و ذخیره‌سازی مجبور شوند، و در عین حال گلوگاه‌های عملکردی را جلوگیری کرده، مسائل زیرساختی را ساده‌سازی و هزینه‌ها را کاهش می‌دهد.

یکپارچه‌سازی مهاجرت داده با کمک هوش مصنوعی توسط BladeBridge

Databricks نهایتاً قابلیت‌های BladeBridge را در پلتفرم هوش داده یکپارچه کرده است، پس از خرید این شرکت در فوریه، به‌صورت Lakebridge — ابزاری رایگان و با کمک هوش مصنوعی برای کمک به مهاجرت داده‌ها به Databricks SQL.

اوایل این ماه، رقیب Databricks، Snowflake نیز ابزار مشابهی به نام SnowCovert معرفی کرد که از عوامل برای کمک به شرکت‌ها در انتقال داده‌ها، انبارهای داده، گزارش‌های هوش تجاری (BI) و کدها به پلتفرم Snowflake استفاده می‌کند.

به‌روزرسانی‌های دیگر Databricks شامل گسترش قابلیت‌های Unity Catalog در مدیریت جداول Apache Iceberg بود.