Novidades do Genie Code no Data + AI Summit 2026

O Genie Code ajuda equipes de dados e ML a criar e aprimorar sistemas com mais rapidez no Databricks. No último ano, os produtos Genie do Databricks cresceram mais de 10 vezes e são usados por 90% dos clientes do Databricks. As equipes os utilizam para criar modelos e pipelines, depurar falhas, criar dashboards, analisar dados em notebooks e aprimorar sistemas de produção.

No Data + AI Summit 2026, estamos expandindo o Genie Code para trabalhos de dados e ML mais complexos e baseados em agentes. Estamos apresentando uma nova central de comando em página inteira, atualizações para engenharia de dados e ML em produção e tarefas agendadas.

Essas atualizações fazem parte de uma mudança mais ampla no Databricks em direção a fluxos de trabalho de dados e ML nativos de AI. O Genie Code ajuda as equipes de dados a criar, depurar e aprimorar sistemas de dados e ML, e nós apresentamos o Genie ZeroOps para estender a automação baseada em agentes para as operações. Juntos, esses produtos ajudam as equipes a avançar mais rapidamente em todo o ciclo de vida, desde a criação de sistemas até sua operação e aprimoramento ao longo do tempo.

Veja o que há de novo:

Gerencie trabalhos complexos a partir de uma central de comando em página inteira

O desenvolvimento de dados e ML raramente acontece em um único prompt. O usuário pode precisar inspecionar a lógica existente, atualizar vários ativos, executar código, revisar saídas e refinar a próxima etapa com base nos resultados. Esse trabalho pode abranger notebooks, SQL, pipelines do Lakeflow, dashboards, jobs, modelos, endpoints de serviço e ativos do Unity Catalog.

Redesenhamos a experiência do Genie Code para oferecer às equipes uma central de comando dedicada para esse tipo de trabalho complexo de dados e ML. Em vez de gerenciar tarefas mais longas em um painel lateral menor, os usuários podem usar uma experiência em página inteira para descrever uma tarefa, acompanhar o progresso, revisar as saídas e continuar iterando.

As equipes podem gerenciar várias threads do Genie Code, ver quando uma thread está em execução ou aguardando entrada e retornar a cada uma delas quando novos resultados estiverem prontos. Elas podem renomear threads, pesquisar conversas anteriores e manter-se orientadas à medida que os projetos evoluem.

O Genie Code mudou completamente a minha forma de trabalhar. Eu executo mais de 15 threads paralelas direcionadas a diferentes notebooks e ativos todos os dias, e gerenciar tudo isso em várias abas é uma das maiores fontes de atrito no meu fluxo de trabalho. O Genie Code em página inteira com sessões simultâneas me daria um verdadeiro espaço de trabalho para executar tudo em paralelo sem perder o contexto constantemente.— Moritz Schiek, Consultor de Soluções, Bosch

A central de comando também torna a personalização mais fácil de descobrir. Instruções, habilidades e conectores estão mais visíveis, para que as equipes possam orientar o Genie Code com os padrões, ferramentas e conhecimentos corretos do espaço de trabalho.

Para acessar the central de comando em página inteira, abra o painel lateral do Genie Code e clique no botão de maximizar no canto superior esquerdo.

Trazendo o desenvolvimento baseado em agentes para fluxos de trabalho de ML

Em um projeto de ML, o modelo é a parte menor. A maior parte do tempo é dedicada à engenharia ao seu redor: transformar dados brutos em recursos (features), executar experimentos, levar um candidato para a produção e mantê-lo íntegro assim que o tráfego real chega. Esse trabalho é lento e caro, e é por isso que a maioria das equipes executa muito menos modelos do que os casos de uso que possuem.

O Genie Code para machine learning foca justamente nessa engenharia. Trata-se de um conjunto de atualizações de capacidade e inteligência integradas ao Genie Code, para que você não precise adotar uma nova ferramenta. O mesmo agente que você já usa se torna um especialista em engenharia de ML em produção em toda a sua pilha de ML existente no Databricks.

A experiência do Genie Code vem de dois lugares. O primeiro é o Databricks. Executamos ML em produção com clientes há mais de uma década e vimos onde os modelos falham, onde as equipes perdem tempo e o que separa um modelo que funciona de um que parece correto, mas falha sem aviso. O Genie Code aplica essas lições enquanto trabalha, lidando com os detalhes que um profissional experiente lidaria, como corrigir o desbalanceamento de classes e verificar a qualidade das features.

O segundo é a sua equipe. Um agente de codificação genérico não viu seus experimentos anteriores, suas métricas de negócios, seus conjuntos de avaliação ou como você pondera um objetivo em relação a outro, então ele tenta adivinhar. A Genie Ontology elimina essa lacuna. Ela aprende como sua equipe cria features, treina modelos e avalia candidatos, e o Genie Code segue esses padrões em vez de recorrer a padrões irrelevantes.

Com ambos os tipos de conhecimento, o Genie Code é um parceiro mais forte para o desenvolvimento diário de modelos. Ele escreve features nos padrões da sua equipe, faz edições coordenadas nos diversos arquivos envolvidos, executa e depura seu código e compara candidatos com seus próprios scripts de avaliação. Você permanece no controle e decide o que manter.

O Genie Code agora está integrado nativamente a toda a pilha de ML do Databricks. As atualizações mais recentes:

• MLflow. O Genie Code lê seus dados de experimentação e observabilidade: execuções (runs), artefatos, linhagem de modelo, métricas de qualidade e métricas de sistema. Pergunte a ele "Como posso melhorar a utilização da GPU durante o treinamento?" ou "Quais outras métricas devo acompanhar para este modelo?" e obtenha respostas baseadas em suas próprias execuções.
• Model Serving. O Genie Code inspeciona a integridade e o desempenho do endpoint, diagnostica problemas de serviço e encontra maneiras de otimizar um endpoint em execução.
• Reconhecimento de computação. O Genie Code migra para o AI Runtime quando um job precisa de uma GPU para treinamento e usa recursos de ambiente do espaço de trabalho para configurar o ambiente, permitindo que você pule a configuração da infraestrutura.

O resultado é um agente que conclui tarefas de ciência de dados do mundo real com muito mais frequência do que um agente de codificação genérico.

Com o Genie Code, passamos de dados brutos para um fluxo de trabalho de ML governado e pronto para produção em 90 minutos. Como ele compreende de forma única os fluxos de trabalho de ML em produção no Databricks, ele nos ajudou a criar tabelas Delta, explorar os dados, treinar e comparar modelos, registrá-los no MLflow e no Unity Catalog e implantar o modelo vencedor em um endpoint de serviço, sobrando tempo para otimizar o resultado de negócios mais importante.— Radu Dragusin, Engenheiro Principal, Dados e AI, Danfoss

Deixe o Genie Code trabalhar de forma autônoma com tarefas agendadas

Até agora, o Genie Code tem sido principalmente interativo: você pergunta, ele responde e você acompanha o progresso do trabalho. As tarefas agendadas mudam isso.

Em breve, as tarefas agendadas permitirão que o Genie Code trabalhe em seu nome mesmo quando você não estiver no computador, entregando os resultados para sua revisão quando você voltar. Uma tarefa agendada começa com um prompt e, opcionalmente, um ativo relevante, como um notebook, fluxo de trabalho ou dashboard. Ao ser executada, o Genie Code cria uma thread com os resultados, que os usuários podem revisar, refinar ou continuar de forma interativa.

Por exemplo, uma equipe de dados pode pedir ao Genie Code para verificar os resultados dos jobs noturnos, resumir as execuções de pipeline, explicar uma alteração em uma métrica de dashboard, preparar uma análise semanal ou revisar o desempenho do modelo antes de uma reunião de equipe. O usuário não precisa reexecutar o prompt manualmente ou permanecer em um chat ativo enquanto o trabalho acontece.

As tarefas agendadas movem o Genie Code da assistência interativa para o trabalho autônomo. Elas ajudam as equipes a manter fluxos de trabalho importantes em andamento, enquanto os resultados permanecem visíveis, revisáveis e fundamentados no contexto do Databricks.

O Genie ZeroOps estende essa abordagem para operações em produção. Ele monitora sistemas em tempo real, investiga problemas e prepara correções para revisão e aprovação das equipes. Para sistemas de ML, isso pode incluir desvio de modelo (model drift), erros de serviço e problemas de pipeline upstream. Para sistemas de engenharia de dados, ele ajuda as equipes a passar do monitoramento e diagnóstico para a correção e otimização.

Experimente o Genie Code

Se você tem um espaço de trabalho do Databricks, já tem o Genie Code. Abra-o em seu espaço de trabalho para testar a experiência em página inteira hoje mesmo. Para ver como a família Genie se estende para operações em produção, leia o blog de lançamento do Genie ZeroOps.

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