Künstliche Intelligenz, aktuell.
Direkt aus den Originalmeldungen.

Databricks: Lakehouse//RT senkt Kosten für Echtzeitanalysen

12. November 2026, 17:53Von der KI Nachrichten RedaktionQuelle: Databricks
Databricks: Lakehouse//RT senkt Kosten für Echtzeitanalysen
Bild: Databricks

Databricks zufolge ist Lakehouse//RT darauf ausgelegt, die steigenden Abfragemengen von KI-Agenten aufzufangen, ohne dass die Infrastrukturkosten proportional steigen. Kunden, die die Plattform anstelle separater Echtzeit-Serving-Schichten einsetzen, berichten laut dem Unternehmen von 6- bis 10-mal niedrigeren Infrastrukturkosten.

Das Wichtigste in Kürze
  • Lakehouse//RT ist für umfangreiche Echtzeitabfragen durch KI-Agenten und Nutzer ausgelegt.
  • Databricks zufolge berichten Kunden von 6- bis 10-mal niedrigeren Infrastrukturkosten.
  • Die Plattform unterstützt hohe Gleichzeitigkeit und Autoscaling in kleinen Schritten.
  • Aurasell meldete mehr als 250 QPS und 10-mal niedrigere Kosten.
  • nOps beseitigte nach der Migration von Apache Druid 40 TB doppelt vorgehaltener Daten.

KI-Agenten verändern die Kostenstruktur

Databricks zufolge führt ein menschlicher Analyst an einem Nachmittag möglicherweise einige Dutzend Abfragen aus, während ein KI-Agent rund um die Uhr Hunderte pro Sekunde ausführen kann. Auch kundenseitige Dashboards, die sich im Millisekundenbereich aktualisieren, sowie Anwendungen mit integrierten Analysefunktionen steigern die Nachfrage nach Echtzeit-Workloads.

Das Unternehmen argumentiert, dass viele Data Warehouses für Abfragemengen im menschlichen Maßstab ausgelegt wurden und nicht für die anhaltende Gleichzeitigkeit durch Agenten und Tausende von Nutzern. In diesem Modell kann eine Verzehnfachung der Abfragen potenziell zu einer Verzehnfachung der Kosten führen. Schwankende Nachfrage kann Teams außerdem dazu zwingen, Kapazitäten zu überdimensionieren, sodass außerhalb von Spitzenzeiten Rechenleistung ungenutzt bleibt.

Lakehouse//RT soll Echtzeit-Workloads direkt auf dem Lakehouse ausführen und dabei ein proportionales Kostenwachstum vermeiden. Laut Databricks kombiniert der Ansatz eine höhere Gleichzeitigkeit, schnellere Ausführung, Autoscaling in kleinen Schritten und ein einziges System anstelle einer separaten Serving-Infrastruktur.

Mehr Abfragen mit denselben Ressourcen

Lakehouse//RT kann laut Databricks mehr Abfragen parallel auf jedem Warehouse ausführen. Dadurch kann die Kapazität mehr Anfragen bedienen, bevor zusätzliche Ressourcen erforderlich werden. Im Launch-Blog des Unternehmens wurden laut Databricks Latenzen von unter 100 Millisekunden bei 12.000 Abfragen pro Sekunde ausgewiesen.

Die Plattform soll außerdem die Zeit verkürzen, in der eine Abfrage Rechenleistung bindet, einschließlich der Zeit für Planung, Weiterleitung und Rückgabe der Ergebnisse. Databricks zufolge kann die Kapazität in kleinen Schritten erweitert werden, unter anderem um jeweils einen Node. Steigt der Datenverkehr nur um einen Bruchteil der bestehenden Kapazität, ist somit kein vollständiger zusätzlicher Cluster erforderlich.

Databricks positioniert Lakehouse//RT außerdem als Alternative zu separaten Echtzeit-Schichten wie Apache Druid, Apache Pinot oder einem Cache. Solche Architekturen können eine dauerhaft laufende Infrastruktur, kopierte Daten, Synchronisierungspipelines und zusätzlichen Entwicklungsaufwand erfordern. Lakehouse//RT fragt laut Databricks direkt die verwalteten Daten im Lakehouse ab.

Kunden berichten von niedrigeren Kosten und einfacheren Architekturen

Aurasell wechselte von mehreren Clustern, die 200 Abfragen pro Sekunde verarbeiteten, zu einem kleinen Lakehouse//RT-Warehouse, das mehr als 250 QPS bewältigt. Laut Databricks liefen die Abfragen 4- bis 5-mal schneller, während Infrastruktur und Kosten um das 10-Fache sanken. Aurasell-CTO Srinivas Bandi sagte, das Unternehmen habe Echtzeitleistung in Databricks erzielt, ohne Daten in externe Systeme zu verschieben oder dort zu indizieren.

VisionHeight wechselte von Apache Pinot und dauerhaft laufenden EC2-Clustern zu Lakehouse//RTs Serverless-Modell. Das Unternehmen meldete eine Kostensenkung von mehr als 90 Prozent. Die anspruchsvollste Abfrage erreichte Antwortzeiten von unter einer Sekunde und war damit fast 3-mal schneller als bei Pinot. Laut Databricks dauerte die Migration drei Tage.

nOps ersetzte eine Apache-Druid-Schicht, die einen separaten, dauerhaft laufenden Cluster und 40 TB doppelt vorgehaltene Daten erforderte. Nach der Migration meldete das Unternehmen mehr als 6-mal niedrigere Infrastrukturkosten und beseitigte die doppelten Daten. Laut Databricks wechselte nOps ohne Datenkopien, neue Ingestion-Pipelines oder neue Infrastruktur.

Diese Beispiele stützen die zentrale These von Databricks, dass Echtzeitsysteme ihre Effizienz pro Einheit Rechenleistung verbessern müssen, wenn die durch KI getriebene Abfragenachfrage wächst. Für Teams, die bereits separate Serving-Schichten betreiben, stellt das Unternehmen Lakehouse//RT als Möglichkeit dar, die Infrastruktur zu konsolidieren und Daten dort abzufragen, wo sie liegen.

Ähnliche Meldungen

OpenAI und Databricks bringen kontrollierte Unternehmensdaten in KI-Tools
Wirtschaft13. November 2026, 16:30

OpenAI und Databricks bringen kontrollierte Unternehmensdaten in KI-Tools

OpenAI und Databricks bauen ihre Partnerschaft aus, damit Unternehmen ChatGPT, Codex und GPT-Modelle mit kontrollierten Geschäftsdaten nutzen können. Die Unternehmen…

Eclipse Aerospace bringt zwei Jahrzehnte Flugdaten in Databricks
Produkte und Tools12. November 2026, 20:20

Eclipse Aerospace bringt zwei Jahrzehnte Flugdaten in Databricks

Eclipse Aerospace hat die Aufnahme von fast 20 Jahren proprietärer Flugdaten mit Databricks modernisiert. Servicezentren und Ingenieure erhalten dadurch schneller…

Produkte und Tools
Produkte und Tools12. November 2026, 19:26

Databricks-Seite bezeichnet Genie Migrate als allgemein verfügbar

Databricks zufolge ist Genie Migrate nun allgemein für die Migration zum Databricks Lakehouse verfügbar. Die Unternehmensseite mit der Ankündigung ist derzeit nicht…