VisionHeight ist eine Pre-Attack-Intelligence-Plattform, die Cybersicherheitsteams dabei unterstützt, Bedrohungen zu erkennen, bevor sie zuschlagen, und die Infrastruktur der Gegner kontinuierlich abbildet, sodass Kunden Live-Daten abfragen und in Sekundenschnelle Antworten erhalten können. Diese Echtzeiterfahrung lief auf einem separaten Apache-Pinot-System – dem einzigen Workload, der noch nicht in Databricks enthalten ist. Durch den Ersatz von Pinot durch Lakehouse//RT senkte VisionHeight die Infrastrukturkosten um 90 %, erreichte Reaktionszeiten von weniger als einer Sekunde und ging in wenigen Tagen ohne Datenmigration in die Produktion.
Echtzeitanalysen für eine Cybersicherheitsplattform
Die kundenorientierte Abfrageschnitt von VisionHeight erfordert interaktive Reaktionszeiten von zwei bis vier Sekunden für Hunderte von Abfragemustern, und keine zwei Abfragen sind wie die andere. „Wir wissen nicht, welche Fragen der Benutzer stellen wird“, sagte Nitsan Daniel, CTO und Mitgründer von VisionHeight. „Es gibt wahrscheinlich Hunderte oder Tausende verschiedener Möglichkeiten, wie die Abfrage auf die Daten zugreifen kann, und wir benötigen eine superschnelle Leistung, da sie interaktiv ist.“
Um diese Abfragen zu bearbeiten, verwendete VisionHeight Apache Pinot. Die Architektur funktionierte, war jedoch mit einem konstanten Betriebsaufwand verbunden: ein 24/7-Cluster, Pipelines zum Kopieren von Daten aus Databricks, Schemaänderungen zur Anpassung an das Pinot-Format und eine separate Infrastruktur zur Verwaltung. „Wir mussten uns um das Kopieren der Daten, die Anpassung des Schemas und der Syntax kümmern und uns dann um die Hochverfügbarkeit kümmern und was passiert, wenn eine Maschine ausfällt“, sagte Daniel. „Unser Team hat viel Zeit mit der Fehlerbehebung in diesen Bereichen verbracht.“
Die Kosten für diesen Overhead war die Engineering-Zeit. „Wenn wir mit Pinot fortfahren würden, mussten wir es selbst verwalten“, sagte Erez Weiss, Software Engineer Team Lead bei VisionHeight. „Es war rund um die Uhr live und jedes Mal, wenn etwas kaputt ging, verbrachte ich Zeit mit der Fehlerbehebung, anstatt etwas zu erstellen.“
Keine Datenkopie und Produktionsfertigkeit in drei Tagen
VisionHeight hat mehrere Echtzeitplattformen bewertet – gängige Open-Source-Spaltendatenbanken, speziell entwickelte NewSQL-Engines, verwaltete relationale Datenbanken und die Echtzeitfunktionen anderer großer Cloud-Data Warehouses. Keines erfüllte die Leistungs- und Kostenanforderungen des Unternehmens ohne erhebliche zusätzliche Infrastrukturinvestitionen.
„Sie konnten unsere KPIs sowohl für Leistung als auch für Kosten nicht erfüllen“, sagte Daniel. „Wir hätten viel Geld ausgeben müssen, um genügend Ressourcen zu erhalten, und selbst dann gab es den Overhead, die Daten nach außerhalb zu kopieren und eine andere Plattform kennenzulernen.“
Der Wendepunkt kam, als Lakehouse//RT in sein Vorschauprogramm eintrat. Da die Daten von VisionHeight bereits in Databricks gespeichert waren, konnte das Team sofort testen. Sie führten ihre häufigsten Abfragen in Lakehouse//RT (unterstützt von der Reyden-Engine) aus und arbeiteten dann mit dem Engineering-Team von Databricks zusammen, um die Feinabstimmung zu erstellen.
„Wir haben es auf Reyden getestet, es dem Databricks-Team zur Optimierung übergeben, und als wir sahen, dass die Ergebnisse sehr gut waren, haben wir es sehr schnell auf unseren Servern implementiert“, sagte Weiss. „Sobald wir gesagt hatten, dass es in Ordnung ist, war es in zwei bis drei Tagen in der Produktion.“
Da Lakehouse//RT Daten direkt dort abfragt, wo sie sich im Lakehouse befinden, war für die Migration kein Kopieren von Daten, keine Ingestion-Pipelines, keine neue Plattform zum Lernen und keine Infrastruktur für die Bereitstellung erforderlich. Das Team aktualisierte einfach seine Abfragen und wies sie auf die neue Engine.
Mehr als 90 % Kostenreduktion und Leistung in weniger als einer Sekunde
Die finanziellen Auswirkungen übertrafen die Erwartungen. Die Apache Pinot-Infrastruktur von VisionHeight erforderte Always-On EC2-Cluster, die rund um die Uhr laufen. Mit der serverlosen Autoscalierung von Lakehouse//RT, die nur während der Ausführung von Abfragen abrechnet, konnte das Team eine Kostenreduzierung von mehr als 90 % erzielen.
„Ich war tatsächlich bereit, ein wenig mehr zu zahlen, um den betrieblichen Overhead loszuwerden“, sagte Daniel. „Ich hatte nicht realisiert, dass die Kostensenkung so dramatisch sein würde.“
Auch die Leistung hat sich verbessert. Bei der schwersten Abfrage von VisionHeight lieferte Lakehouse//RT Antwortzeiten von unter einer Sekunde, fast 3 Mal schneller als Apache Pinot und übertraf den Standard, der für die interaktiven Anwendungsfälle von Kunden erforderlich ist.
Der größte Vorteil war die Eliminierung der Komplexität des Betriebs zweier separater Systeme. VisionHeight kopiert keine Daten mehr zwischen Plattformen, verwaltet einen dedizierten Cluster und behebt keine Schemainkonformitäten zwischen Databricks und einer externen Datenbank. Jeder Workload – Datenverarbeitung, maschinelles Lernen, Analysen, Batch-Jobs und jetzt Echtzeitbereitstellung – läuft auf einer einzigen Plattform mit einer einzigen Kopie der Daten.
„Es hat uns einfach ermöglicht, mehr Ressourcen für andere Dinge zur Verfügung zu haben, sowohl kosteneffizient als auch personell“, sagte Daniel. „Wir können unsere Geschäftsziele schneller erreichen.“
Für ein Startup ist diese Konsolidierung besonders leistungsstark. Als Partner von Built on Databricks und Hauptpreisträger der Built-On Databricks Startup Challenge 2026 ist VisionHeight der Beweis dafür, dass leistungsstarke Unternehmen eine vollständige Datenplattform auf Databricks erstellen können, ohne Kompromisse bei Kosten, Leistung oder Einfachheit einzugehen.
Häufig gestellte Fragen zu Lakehouse//RT
VisionHeight ersetzte seine Echtzeit-Abfrageebene Apache Pinot durch Databricks Lakehouse//RT, das von der Reyden-Engine unterstützt wird. Lakehouse//RT fragt dieselben Daten ab, die bereits in Databricks gespeichert sind, sodass eine separate Datenbank, Datenduplizierung und eine Always-On Cluster-Infrastruktur entfällt.