Neuerungen bei Genie Code auf dem Data + AI Summit 2026

Genie Code hilft Daten- und ML-Teams dabei, Systeme auf Databricks schneller aufzubauen und zu verbessern. Im vergangenen Jahr sind die Genie-Produkte von Databricks um mehr als das Zehnfache gewachsen und werden von 90 % der Databricks-Kunden genutzt. Teams verwenden sie, um Modelle und Pipelines zu erstellen, Fehler zu beheben, Dashboards zu erstellen, Daten in Notebooks zu analysieren und Produktionssysteme zu verbessern.

Auf dem Data + AI Summit 2026 erweitern wir Genie Code für komplexere, agentenbasierte Daten- und ML-Aufgaben. Wir führen eine neue ganzseitige Kommandozentrale, Upgrades für das Daten- und ML-Engineering in der Produktion sowie geplante Aufgaben ein.

Diese Updates sind Teil eines umfassenderen Wandels bei Databricks hin zu AI-nativen Daten- und ML-Workflows. Genie Code hilft Datenteams dabei, Daten- und ML-Systeme zu erstellen, zu debuggen und zu verbessern, und wir haben Genie ZeroOps eingeführt, um die agentenbasierte Automatisierung auf den Betrieb auszuweiten. Zusammen helfen diese Produkte Teams dabei, den gesamten Lebenszyklus schneller zu durchlaufen – von der Erstellung von Systemen bis hin zu deren Betrieb und kontinuierlicher Verbesserung.

Das ist neu:

Komplexe Aufgaben über eine ganzseitige Kommandozentrale verwalten

Die Daten- und ML-Entwicklung erfolgt selten in einem einzigen Prompt. Benutzer müssen möglicherweise vorhandene Logik überprüfen, mehrere Assets aktualisieren, Code ausführen, Ergebnisse prüfen und den nächsten Schritt basierend auf den Ergebnissen anpassen. Diese Arbeit kann sich über Notebooks, SQL, Lakeflow-Pipelines, Dashboards, Jobs, Modelle, Serving-Endpunkte und Unity Catalog-Assets erstrecken.

Wir haben die Benutzeroberfläche von Genie Code neu gestaltet, um Teams eine dedizierte Kommandozentrale für diese Art von komplexer Daten- und ML-Arbeit zu bieten. Anstatt längere Aufgaben in einer kleineren Seitenleiste zu verwalten, können Benutzer eine ganzseitige Ansicht nutzen, um eine Aufgabe zu beschreiben, den Fortschritt zu verfolgen, Ergebnisse zu überprüfen und die Iteration fortzusetzen.

Teams können mehrere Genie Code-Threads verwalten, sehen, wann ein Thread ausgeführt wird oder auf Eingaben wartet, und zu jedem Thread zurückkehren, sobald neue Ergebnisse vorliegen. Sie können Threads umbenennen, in früheren Unterhaltungen suchen und den Überblick behalten, während sich Projekte weiterentwickeln.

Genie Code hat meine Arbeitsweise komplett verändert. Ich führe jeden Tag mehr als 15 parallele Threads aus, die auf verschiedene Notebooks und Assets ausgerichtet sind. Das alles über verschiedene Tabs hinweg zu verwalten, ist einer der größten Reibungspunkte in meinem Workflow. Das ganzseitige Genie Code mit gleichzeitigen Sitzungen würde mir einen echten Arbeitsbereich bieten, in dem ich alles parallel ausführen kann, ohne ständig den Kontext zu verlieren.— Moritz Schiek, Solution Consultant, Bosch

Die Kommandozentrale macht es auch einfacher, Anpassungsmöglichkeiten zu entdecken. Anweisungen, Skills und Connectors sind besser sichtbar, sodass Teams Genie Code mit den richtigen Standards, Tools und dem passenden Workspace-Wissen steuern können.

Um auf die ganzseitige Kommandozentrale zuzugreifen, öffnen Sie die Genie Code-Seitenleiste und klicken Sie oben links auf die Schaltfläche zum Maximieren.

Agentenbasierte Entwicklung in ML-Workflows integrieren

In einem ML-Projekt ist das Modell nur ein kleiner Teil. Die meiste Zeit fließt in das Engineering drumherum: Rohdaten in Features umwandeln, Experimente durchführen, einen Kandidaten in die Produktion bringen und ihn fehlerfrei halten, sobald echter Traffic eingeht. Diese Arbeit ist langsam und teuer. Das ist der Grund, warum die meisten Teams weitaus weniger Modelle betreiben, als sie Anwendungsfälle hätten.

Genie Code für Machine Learning setzt genau an diesem Engineering an. Es handelt sich um eine Reihe von Funktions- und Intelligenz-Upgrades, die direkt in Genie Code integriert sind, sodass Sie kein neues Tool einführen müssen. Derselbe Agent, den Sie bereits verwenden, wird zum Spezialisten für das ML-Engineering in der Produktion über Ihren gesamten bestehenden Databricks ML-Stack hinweg.

Die Expertise von Genie Code stammt aus zwei Quellen. Die erste ist Databricks. Wir betreiben seit über einem Jahrzehnt produktives ML mit Kunden und haben erlebt, wo Modelle scheitern, wo Teams Zeit verlieren und was ein funktionierendes Modell von einem unterscheidet, das zwar richtig aussieht, aber ohne Vorwarnung ausfällt. Genie Code wendet diese Erkenntnisse bei der Arbeit an und kümmert sich um Details, auf die auch ein erfahrener Experte achten würde, wie das Ausgleichen von Klassenungleichgewichten und das Überprüfen der Feature-Qualität.

Die zweite ist Ihr Team. Ein generischer Coding-Agent kennt Ihre früheren Experimente, Ihre Business-Metriken, Ihre Evaluierungssets oder Ihre Gewichtung verschiedener Ziele nicht – er rät also nur. Genie Ontology schließt diese Lücke. Sie lernt, wie Ihr Team Features erstellt, Modelle trainiert und Kandidaten evaluiert, und Genie Code folgt diesen Mustern, anstatt auf irrelevante Standardeinstellungen zurückzugreifen.

Mit beiden Wissensquellen ist Genie Code ein starker Partner für die tägliche Modellentwicklung. Es schreibt Features nach den Mustern Ihres Teams, nimmt koordinierte Änderungen an den vielen beteiligten Dateien vor, führt Ihren Code aus, debuggt ihn und vergleicht Kandidaten anhand Ihrer eigenen Evaluierungsskripte. Sie behalten stets die Kontrolle und entscheiden, was übernommen wird.

Genie Code ist jetzt nativ in den gesamten Databricks ML-Stack integriert. Die neuesten Upgrades:

• MLflow. Genie Code liest Ihre Experimentier- und Observability-Daten: Runs, Artefakte, Modell-Lineage, Qualitätsmetriken und Systemmetriken. Fragen Sie es „Wie kann ich die GPU-Auslastung während des Trainings verbessern?“ oder „Welche anderen Metriken sollte ich für dieses Modell verfolgen?“ und erhalten Sie Antworten, die auf Ihren eigenen Runs basieren.
• Model Serving. Genie Code überprüft den Zustand und die Performance von Endpunkten, diagnostiziert Serving-Probleme und findet Wege zur Optimierung eines aktiven Endpunkts.
• Compute-Erkennung. Genie Code wechselt zur AI Runtime, wenn ein Job eine GPU für das Training benötigt, und nutzt Workspace-Umgebungsfunktionen zur Einrichtung der Umgebung, sodass Sie die Infrastruktureinrichtung überspringen können.

Das Ergebnis ist ein Agent, der reale Data-Science-Aufgaben weitaus häufiger erfolgreich abschließt als ein generischer Coding-Agent.

Mit Genie Code sind wir in 90 Minuten von Rohdaten zu einem kontrollierten, produktionsreifen ML-Workflow gelangt. Da es produktive ML-Workflows auf Databricks wie kein anderes Tool versteht, half es uns dabei, Delta-Tabellen zu erstellen, die Daten zu untersuchen, Modelle zu trainieren und zu vergleichen, sie in MLflow und Unity Catalog zu registrieren und das beste Modell auf einem Serving-Endpunkt bereitzustellen – und es blieb sogar noch Zeit, um das wichtigste Geschäftsergebnis zu optimieren.— Radu Dragusin, Principal Engineer, Data & AI, Danfoss

Genie Code mit geplanten Aufgaben autonom arbeiten lassen

Bisher war Genie Code in erster Linie interaktiv: Sie fragen, das Tool antwortet, und Sie behalten während des gesamten Prozesses die Kontrolle. Geplante Aufgaben ändern das.

In Kürze werden geplante Aufgaben es Genie Code ermöglichen, Arbeiten in Ihrem Namen auszuführen, selbst wenn Sie nicht an Ihrem Laptop sind, und Ihnen die Ergebnisse bei Ihrer Rückkehr zur Überprüfung vorzulegen. Eine geplante Aufgabe beginnt mit einem Prompt und optional einem relevanten Asset wie einem Notebook, einem Workflow oder einem Dashboard. Bei der Ausführung erstellt Genie Code einen Thread mit den Ergebnissen, den Benutzer interaktiv überprüfen, verfeinern oder fortführen können.

Beispielsweise könnte ein Datenteam Genie Code bitten, die Ergebnisse von Jobs über Nacht zu überprüfen, Pipeline-Runs zusammenzufassen, eine Änderung einer Dashboard-Metrik zu erklären, eine wöchentliche Analyse vorzubereiten oder die Modell-Performance vor einem Team-Meeting zu überprüfen. Benutzer müssen den Prompt nicht manuell erneut ausführen oder während der Arbeit in einem aktiven Chat bleiben.

Geplante Aufgaben entwickeln Genie Code von einer interaktiven Unterstützung hin zu autonomem Arbeiten. Sie helfen Teams dabei, wichtige Workflows in Gang zu halten, während die Ergebnisse sichtbar, überprüfbar und im Databricks-Kontext verankert bleiben.

Genie ZeroOps weitet diesen Ansatz auf den Produktionsbetrieb aus. Es überwacht Live-Systeme, untersucht Probleme und bereitet Fehlerbehebungen vor, die von Teams überprüft und freigegeben werden können. Bei ML-Systemen kann dies Modell-Drift, Serving-Fehler und Probleme in vorgelagerten Pipelines umfassen. Bei Data-Engineering-Systemen kann es Teams dabei helfen, vom Monitoring und der Diagnose zur Behebung und Optimierung überzugehen.

Genie Code ausprobieren

Wenn Sie einen Databricks-Workspace haben, verfügen Sie bereits über Genie Code. Öffnen Sie es in Ihrem Workspace, um die ganzseitige Ansicht noch heute auszuprobieren. Um zu sehen, wie sich die Genie-Produktfamilie auf den Produktionsbetrieb ausweitet, lesen Sie den Blog zur Einführung von Genie ZeroOps.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag