Pergunte, construa, componha: o que o nosso 5º Genie Hackathon nos ensinou sobre o Databricks Genie

Como funcionam os hackathons da Databricks

Realizamos esses hackathons por um motivo simples: a maneira mais rápida de aprender sobre um produto é construindo algo com ele. Cada um começa com uma sessão de capacitação onde as equipes conhecem o produto e para onde ele está indo no roadmap. Depois, a construção começa. As equipes trabalham juntas por cerca de uma semana e enviam um projeto, e as soluções mais fortes ganham prêmios.

Este foi o nosso quinto, e o produto em destaque foi o Databricks Genie.

Por que o Genie é excelente para um hackathon

Os produtos Databricks Genie permitem que as pessoas trabalhem com dados em inglês simples em vez de SQL, oferecendo um excelente alcance para o foco de um hackathon. O Genie não é apenas um recurso; é uma família e se apresenta de três maneiras distintas:

• Pergunte a ele. Um Genie Agent é uma interface de chat sobre seus dados governados.
• Construa com ele. Genie Code é um parceiro autônomo de AI que auxilia em fluxos de trabalho de dados, analytics e ML.
• Componha com ele. Um Genie Agent pode ser exposto como uma ferramenta que agentes e apps chamam por conta própria.

Cada um deles atende a diferentes equipes em uma organização, e é exatamente por isso que realizamos três trilhas. Vamos segui-las nessa ordem, desde o usuário de negócios que quer apenas uma resposta até o engenheiro que conecta Genie Agents a uma frota completa. A constante por trás de todos os três é que o Unity Catalog governa quem pode ver o quê, independentemente de como a pergunta seja feita, e a Genie Ontology fornece a compreensão semântica compartilhada.

Trilha 1: Converse com seus dados usando Genie Agents

Para quem se destina: usuários de negócios que desejam fazer perguntas a agentes governados e específicos de um domínio. Um Genie Agent é uma interface de chat específica de um domínio que um analista faz a curadoria sobre uma fatia de dados governados, que pode então ser compartilhada com usuários de negócios para fazer perguntas em linguagem natural. O curador pode apontar para tabelas do Unity Catalog, adicionar algumas consultas de exemplo, definir o vocabulário de negócios com expressões SQL e visualizações de métricas, e fixar ativos confiáveis (funções governadas) para as perguntas que precisam ser respondidas com exatidão. A partir daí, o usuário de negócios apenas digita uma pergunta e recebe de volta um resultado, um gráfico e a consulta por trás dele. Como isso se parece quando equipes reais implantam Genie Agents?

A OneTrust deparou-se diretamente com uma das mecânicas reais dos Genie Agents. Um único agente é projetado para focar em até 30 tabelas, o que mantém as respostas rápidas e precisas, mas os dados com os quais um analista real se importa na OneTrust abrangem 190 tabelas e mais de 300 views. Então, eles construíram uma camada de supervisão que divide os dados entre vários Genie Agents focados, direciona cada pergunta para o agente correto e costura as respostas de volta em uma única conversa. Do ponto de vista do usuário, nada muda: ele ainda faz perguntas a apenas um agente. Nos bastidores, o autoatendimento em inglês simples agora alcança todo o patrimônio de dados da empresa sem abrir mão da governança que o mantém confiável.

Outra equipe direcionou o Genie Agent para cerca de 160 mil registros de empréstimos e, crucialmente, ensinou a ele a linguagem da equipe, definindo o que significa "cura" e o que significa "DNC" para que o modelo mapeie as perguntas do dia a dia para os dados corretos. Logo, a equipe de cobrança pôde perguntar em inglês simples e descobrir coisas como o fato de que a maioria dos empréstimos inadimplentes é resolvida em cerca de 15 dias. O melhor momento não foi planejado: uma vez estabelecido o vocabulário, o agente começou a sugerir perguntas perspicazes que a equipe não havia pensado em fazer. É nisso que um bom contexto transforma uma caixa de chat.

Trilha 2: Construa com o Genie Code

Perguntar é apenas o começo. A próxima questão é quem consegue construir e com que rapidez.

Para quem se destina: analistas e construtores. Aquelas pessoas semitécnicas que conhecem seus dados e sabem escrever um pouco de SQL, mas que costumavam encontrar barreiras no momento em que um projeto precisava de pipelines, funções ou um dashboard refinado.

O Genie Code é o construtor da família. Você descreve o que deseja em linguagem simples e ele faz o trabalho: escreve visualizações de métricas, funções do Unity Catalog, pipelines e dashboards, tudo dentro do Databricks, sem a necessidade de configurar um ambiente de desenvolvimento separado. Como ele é profundamente integrado ao Unity Catalog, ele entende seu esquema e semântica reais, escolhendo as junções corretas em vez de inventar nomes de colunas. Para um analista, isso é um grande diferencial. Um trabalho que antes exigia um chamado para a engenharia de dados ou uma semana de SQL escrito à mão agora leva uma tarde, que é exatamente o que esta trilha foi criada para mostrar.

Uma equipe aplicou o Genie na própria casa da equipe de dados. Eles usaram o Genie Code para construir uma plataforma de inteligência de governança que sinaliza relatórios inativos que vale a pena desativar, usa linhagem e lógica SQL para agrupar relatórios duplicados ocultos na organização e avalia se os dados estão realmente prontos para serem usados por AI. É o tipo de projeto de governança transversal que geralmente exige um trimestre e um roadmap. Construído com o Genie Code, ele foi concluído durante um hackathon.

A Procore construiu uma experiência completa de analytics para uma plataforma de aluguel por temporada sem sair do Databricks. Avinash, Abdullah, Amy e Jason usaram funções de AI integradas, como ai_extract() para classificar e pontuar anúncios automaticamente, e depois entregaram um dashboard de KPIs, tendências ano a ano e previsões, com um Genie Agent ao lado que responde em segundos à pergunta de um gerente de portfólio: "quais comodidades devo adicionar para melhorar a satisfação?". Um produto refinado e composto por várias partes, construído em dias em vez de semanas.

A Fanatics Betting and Gaming construiu uma ferramenta de experiência do cliente que entrega aos gerentes uma lista de ações classificada e justificada por ROI sob demanda, de ponta a ponta em uma tarde. Depois, eles fizeram algo que adoramos: usaram o Genie para testar o estresse de seu próprio modelo de churn, descobriram que duas features baseadas no histórico carregavam quase todo o sinal e concluíram honestamente que uma abordagem mais simples funcionava tão bem quanto. Eles até empacotaram o fluxo de trabalho em uma habilidade de analista reutilizável. Quando a construção é rápida assim, você pode se dar ao luxo de desafiar seu próprio trabalho, que é como os bons analistas devem usar a ferramenta.

Trilha 3: Componha o Genie em agentes

Você pode conversar com seus dados e construir com eles. O último salto é o que mais nos entusiasma.

Para quem se destina: vibe coders. Este é o mergulho mais profundo, onde tudo se conecta. A proposta era construir um agente completo no Databricks Apps com o Genie como uma de suas ferramentas, além de trazer as suas próprias.

Esta parte muda o que o Genie é. Um Genie Agent não precisa ser um destino final. Por meio das APIs de conversa do Genie e do servidor MCP gerenciado integrado do Databricks, um Genie Agent se torna uma ferramenta governada que qualquer agente pode chamar para fazer uma pergunta de dados em linguagem natural e obter uma resposta fundamentada de volta. Assim, um engenheiro constrói um agente no Databricks Apps, conecta o Genie ao lado de outros servidores MCP, endpoints de Model Serving e lógica personalizada, rastreia tudo no MLflow e governa cada chamada com OAuth e Unity Catalog. O Genie cuida de "conversar com o warehouse". Você compõe o resto.

A ShipBob construiu o projeto de que todos se lembraram, o "11 PM Ops Brief". As equipes de cadeia de suprimentos geralmente acordam com interrupções já em andamento. O sistema da ShipBob escreve o relatório noturno antes que elas acordem, com um supervisor coordenando vários agentes especialistas: o Genie é o que consulta o warehouse, enquanto outros integram 17 fontes públicas em tempo real, identificam padrões recorrentes, e elaboram e verificam os fatos do resultado. O resultado é um relatório em inglês simples com números reais, como cerca de US$ 192 mil de receita em risco, além de ações de write-back na fila para aprovação humana e cada etapa rastreada no MLflow. Uma reunião diária de 30 minutos se transforma em uma leitura de 30 segundos. É a imagem mais clara do Genie como um jogador de equipe, e não um solista.

Reach Mobile criou o DBX Lens, que direciona a mesma ideia de volta para a própria Databricks. Ele combina um agente Genie integrado com seu próprio servidor MCP para que você possa perguntar "mostrar DBUs por SKU nos últimos 30 dias" e obter respostas de custo e governança em linguagem simples, limitadas às suas permissões, nas tabelas de sistema do Unity Catalog. Ele inclui até mesmo um recurso que transforma uma regra de governança em linguagem natural em SQL higienizado usando Model Serving. Pense nele como um analista de FinOps integrado que ajuda as equipes a manter a eficiência e a acompanhar as melhores práticas.

A Kin Insurance criou um agente de crescimento e marketing que pesquisa novos mercados, executa análises com o Genie no fluxo e entrega recomendações acionáveis para a equipe. Ao combinar o planejamento autônomo com um agente Genie, ele transforma um trabalho exaustivo de pesquisa e relatório de várias etapas em uma única solicitação. Menos perguntas, mais ação.

Mais duas criações mostram a mesma ideia de composição sob diferentes ângulos.

A Ripple criou um agente de briefing de KYC (Know Your Customer) para o mercado financeiro regulamentado: o Genie fornece o contexto interno do CRM enquanto o agente cruza informações com fontes externas de sanções, aplicações da lei e mídias adversas, reduzindo de três a quatro horas de pesquisa manual pré-reunião a um único prompt e um resumo de menos de um minuto com todas as fontes citadas. As visualizações de métricas certificadas mantêm os números precisos, e cada execução é registrada no Unity Catalog para uma trilha de auditoria limpa.

A Fanatics Betting and Gaming criou o FirstBet Coach, um guia de integração para novos clientes de apostas esportivas que combina o Genie em mais de uma dezena de tabelas governadas com um servidor MCP personalizado de dados esportivos que a própria equipe desenvolveu, além de memória persistente e rastreamento do MLflow para uma trilha de auditoria integrada. Dois servidores MCP, uma conversa e proteções de jogo responsável definidas logo de início.

O panorama geral

Leia as três trajetórias em sequência e você terá uma demonstração prática da família Databricks Genie. Um líder de cobrança faz uma pergunta usando um agente Genie. Um analista implementa uma plataforma de governança com o Genie Code. Um engenheiro entrega o Genie a um agente autônomo como uma ferramenta entre muitas outras. Converse com ele, crie com ele, componha com ele.

O motivo pelo qual os três são seguros para disponibilizar aos usuários reais é a camada com a qual nenhum deles precisou se preocupar: o Unity Catalog. A mesma governança que decide o que um usuário de negócios pode ver em um agente Genie também define o escopo do que o Genie Code pode acessar e o que um agente pode retornar. Descreva e governe bem seus dados uma única vez, e o Genie atenderá ao usuário de negócios, ao desenvolvedor e ao engenheiro exatamente onde cada um deles trabalha.

Parabéns a todas as dez equipes por criarem algo real. Alguns recursos recomendados para começar a usar a família Databricks Genie:

• Assista às sessões de análise conversacional e baseada em agentes do Data + AI Summit.
• Iniciando com os agentes Genie? Comece com o guia de integração do Genie e as melhores práticas para a curadoria de um agente.
• Quer criar? Conheça o Genie Code e veja como colocar um agente Genie por trás de outro agente.
• Pronto para testar? Inicie uma avaliação gratuita e aponte um agente Genie para seus próprios dados.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original