Künstliche Intelligenz, aktuell.
Direkt aus den Originalmeldungen.

Databricks: Spatial SQL auf Lakehouse//RT bis zu 38-mal schneller als ein Cloud-Data-Warehouse

15. Oktober 2026, 19:31Von der KI Nachrichten RedaktionQuelle: Databricks
Databricks: Spatial SQL auf Lakehouse//RT bis zu 38-mal schneller als ein Cloud-Data-Warehouse
Bild: Databricks

Databricks hat Spatial SQL und Spatial Joins in Lakehouse//RT integriert, sein Echtzeit-Data-Warehouse. Benchmarks des Unternehmens zufolge laufen räumliche Abfragen bis zu 38-mal schneller als in einem klassischen Cloud-Data-Warehouse, wenn 50 Nutzer gleichzeitig abfragen.

Das Wichtigste in Kürze
  • Spatial SQL und Spatial Joins laufen jetzt auf dem Echtzeit-Warehouse Lakehouse//RT von Databricks und sind in der Beta verfügbar.
  • Databricks meldet bei 50 gleichzeitigen Nutzern bis zu 38-mal schnellere räumliche Abfragen als in einem klassischen Cloud-Data-Warehouse.
  • Bei einzelnen, nacheinander ausgeführten Abfragen zeigt der Benchmark bis zu 20-mal und im Schnitt 3-mal schnellere Ergebnisse.
  • Bestehende räumliche Abfragen aus Databricks SQL Serverless laufen laut Unternehmen ohne Codeänderungen und ohne neue Lizenzen.
  • Ziel ist es, eine separate Geodaten- oder Echtzeit-Serving-Schicht überflüssig zu machen.

Was Databricks veröffentlicht

Spatial SQL und Spatial Joins laufen jetzt auf Lakehouse//RT, dem Echtzeit-Warehouse, das Databricks auf dem Data + AI Summit 2026 vorgestellt hat. Das Unternehmen beschreibt es als Warehouse, das Abfragen in Millisekunden bei massiver Parallelität direkt auf Lakehouse-Daten liefern soll. Räumliche Abfragen lassen sich damit mit niedriger Latenz und hoher Parallelität aus verwalteten Delta- und Iceberg-Tabellen bedienen, ohne Daten in ein separates Geodatensystem oder eine eigene Echtzeit-Serving-Schicht zu kopieren.

Anfang des Jahres hat Databricks Spatial SQL allgemein verfügbar gemacht (General Availability), darunter den Datentyp GEOMETRY, mehr als 100 räumliche Funktionen, leistungsstarke Spatial Joins, AI/BI-Karten und Delta Sharing. Laut Unternehmen sind die Datentypen GEOMETRY und GEOGRAPHY Teil des offenen Lakehouse, in Apache Spark verfügbar und in denselben zugrunde liegenden Parquet-Dateien unterstützt, die auch Delta und Iceberg v3 nutzen.

Spatial SQL auf Lakehouse//RT ist ab sofort in der Beta verfügbar. Zum Einstieg legen Nutzer auf der Seite „SQL Warehouses“ ein Lakehouse//RT-Echtzeit-Warehouse an und führen ihre bestehenden räumlichen Abfragen aus.

Die Benchmark-Ergebnisse

Databricks hat Lakehouse//RT mit SpatialBench, einer Sammlung räumlicher Abfragen, gegen ein klassisches Cloud-Data-Warehouse getestet. Das Unternehmen nennt folgende Ergebnisse:

  • Lakehouse//RT war bei einzelnen, nacheinander ausgeführten Abfragen im Schnitt 3-mal und über die getesteten Abfragen hinweg bis zu 20-mal schneller.
  • Bei 50 gleichzeitigen Nutzern war es bei den Abfragen, bei denen das klassische Warehouse mithalten konnte, bis zu 38-mal schneller.
  • Ohne die größte Verbesserung liegt die durchschnittliche Beschleunigung bei über 3,5.
  • Jede räumliche Benchmark-Abfrage lief auf Lakehouse//RT schneller.

Databricks verweist auf die SpatialBench-Dokumentation, um die synthetischen Daten zu erzeugen und die Ergebnisse nachzuvollziehen. Für Abfrage Nr. 8 empfiehlt das Unternehmen, den Aufruf ST_GeomFromWKB zu entfernen, der als Well-Known-Binary gespeicherte Daten konvertiert, und stattdessen die nativen GEOMETRY-Datentypen zu verwenden. Laut Databricks ermöglichen native Typen Abfrageoptimierungen und File Skipping, die die beste Leistung bringen.

Warum getrennte Geodaten-Stacks im Visier stehen

Viele Organisationen mit räumlichen OLAP-Workloads und Echtzeitanwendungen auf Standortbasis verlassen sich laut Databricks weiterhin auf klassische Data Warehouses. Manche betreiben zusätzlich für jeden Anwendungsfall einen eigenen Stack auf Basis von PostGIS, um Latenzanforderungen zu erfüllen. Aus Sicht des Unternehmens bedeutet das mehr Datenkopien, mehr Synchronisations-Pipelines und mehr Governance-Aufwand.

Databricks beschreibt nun vier Säulen für Geodaten-Workloads: Lakehouse für langlaufende räumliche OLAP-Analysen, Lakebase für räumliches OLTP, Apps und Agenten, Databricks Apps für maßgeschneiderte Anwendungen sowie Lakehouse//RT für Echtzeitanalysen. Spatial SQL auf Lakehouse//RT verbindet laut Unternehmen Echtzeit-Performance mit offenen Formaten und der Governance von Unity Catalog.

Was das für Nutzer bedeutet

Für Bestandskunden ist vor allem die Portabilität wichtig. Databricks zufolge laufen dieselben räumlichen Funktionen und Joins, die heute auf Databricks SQL Serverless laufen, ohne Codeänderungen und ohne neue Lizenzen auf Lakehouse//RT. Nutzer legen ein Lakehouse//RT-Warehouse an und richten ihre Abfragen darauf aus. Alle H3-Ausdrücke, die Databricks Lakehouse unterstützt, werden ebenfalls unterstützt, und AI/BI-Dashboards können Karten mit nativen Geometry- und Geography-Typen erstellen.

Das Unternehmen nennt Beispielanwendungen aus mehreren Branchen:

  • Telekommunikation und Handel: Bewertung der Signalqualität von Teilnehmern in Versorgungsgebieten und der Überschneidung von Einzugsgebieten für neue Filialstandorte.
  • Energie: Verschneidung von Bohrlochstandorten mit Pachtflächen und von Pipelinetrassen mit Eignungskorridoren.
  • Versicherung: Zuordnung von Policen zu prognostizierten Sturmzugbahnen und Berechnung des gefährdeten Versicherungswerts.
  • Logistik: Zuweisung von Aufträgen zum nächstgelegenen Servicegebiet.
  • Sicherheit: Bereitstellung von Point-in-Polygon-Abfragen für Dashboards und Agenten bei hoher Parallelität.

Die Zahlen stammen aus eigenen Benchmarks von Databricks, die Funktion befindet sich noch in der Beta. Zu Lakehouse//RT insgesamt gibt das Unternehmen an, Kunden der Preview hätten Latenzen von nur 10 ms und eine Parallelität von bis zu 12.000 Abfragen pro Sekunde erlebt.

Ähnliche Meldungen

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…

Databricks: Lakehouse//RT senkt Kosten für Echtzeitanalysen
Produkte und Tools12. November 2026, 17:53

Databricks: Lakehouse//RT senkt Kosten für Echtzeitanalysen

Databricks zufolge ist Lakehouse//RT darauf ausgelegt, die steigenden Abfragemengen von KI-Agenten aufzufangen, ohne dass die Infrastrukturkosten proportional steigen.…

Databricks beschleunigt Abfragen mit UNIQUE-Constraints
Produkte und Tools3. November 2026, 22:00

Databricks beschleunigt Abfragen mit UNIQUE-Constraints

Die neuen UNIQUE-Constraints von Databricks ermöglichen mehrere Eindeutigkeitsgarantien, darunter zusammengesetzte Garantien und Garantien, die NULL-Werte erlauben. Mit…