Novedades en la plataforma de AI: agentes para ingeniería de ML, nuestra plataforma de deep learning y nuevas capacidades para ML en tiempo real

Nunca ha habido un momento más dinámico y emocionante para crear sus propios modelos y sistemas de AI. Desde la previsión de la demanda y la detección de fraudes hasta las búsquedas, las recomendaciones, la personalización y la AI multimodal, el aprendizaje automático está impulsando aplicaciones críticas en todos los sectores.

En el Data + AI Summit 2026, nos complace anunciar las siguientes nuevas capacidades dentro de Databricks AI Platform:

• Genie Code para ML: Genie Code ahora viene con inteligencia mejorada para la ingeniería de ML e integraciones nativas en todos los componentes de Databricks ML Platform: ingeniería de características, entrenamiento de modelos, servicio y monitoreo.
• AI Runtime (Public Preview): un entorno de entrenamiento de GPU serverless, que permite un aprendizaje profundo de nivel de investigación y un ajuste fino sin una gestión de infraestructura compleja.
• Soporte mejorado para ML en tiempo real: que incluye soporte de baja latencia y alto QPS en nuestros productos Feature Store y Model Serving.

Juntas, estas capacidades agilizan el camino desde la experimentación hasta la producción, lo que permite a las organizaciones crear, implementar y escalar aplicaciones de AI de manera significativamente más rápida que nunca.

Echemos un vistazo más de cerca a las novedades.

Genie Code para aprendizaje automático

Hoy en día, llevar un modelo de ML a producción puede llevar meses, y los equipos dedican incontables horas a tareas repetitivas a lo largo del ciclo de vida de ML, desde la ingeniería de características y la gestión de experimentos hasta la evaluación y el despliegue de modelos. Pero los agentes han transformado la forma en que operan los equipos técnicos y de ingeniería. Con ese fin, en el DAIS de este año, nos complace anunciar el soporte de Genie Code para todo el ciclo de vida de ML.

Crear y operar modelos de ML requiere tomar decisiones con matices que los agentes de codificación genéricos no pueden tomar. ¿Puedo confiar en la frescura y calidad de este conjunto de datos como una característica? ¿Filtrará esta característica información futura en el modelo? ¿Está empezando a desviarse este endpoint de servicio? Acertar con los detalles en ML requiere un contexto profundo, y ese contexto solo proviene de una estrecha integración con la plataforma de datos y ML: sus datos y su calidad, el linaje de características, el historial de experimentos, la infraestructura de entrenamiento y el rendimiento en producción.

Ahí es donde entra Genie Code:

• Contexto sobre sus datos a través de Unity Catalog: Genie Code comprende sus datos, la semántica empresarial y el modelo de gobernanza. Con su integración en Unity Catalog, sabe qué tablas y características son de alta calidad para ML, cómo fluyen los datos a través de sus pipelines de ML y qué controles de acceso y políticas deben respetarse.
• Contexto sobre el stack de ML de Databricks: Genie Code está diseñado para ML en Databricks y se integra profundamente con Feature Store, Serverless Compute, AI Runtime, Model Serving e Inference Tables. Puede optimizar trabajos de entrenamiento, diagnosticar problemas de servicio, evaluar modelos desafiantes y tomar medidas en todo el stack de ML, no solo generar código que interactúe con él.
• Contexto sobre su ciclo de vida y flujos de trabajo de ML: A través de MLflow, Genie Code comprende todo el ciclo de vida de ML, desde la ingeniería de características y la experimentación hasta el despliegue, el monitoreo, la detección de deriva, el reentrenamiento y las operaciones de producción. No se detiene cuando se envía un modelo; ayuda a garantizar que las métricas comerciales que impulsa ese modelo, como el CTR, la conversión o los ingresos, se mantengan saludables en producción.

Y así, con Genie Code, sus equipos de ML pueden avanzar más rápido que nunca.

Genie Code maneja la ingeniería de características de la misma manera que lo haría su ingeniero de ML senior: aprendiendo los patrones existentes de su equipo, reutilizando transformaciones probadas y creando características que sean consistentes con lo que ya está en producción.

Genie Code no solo escribe código de ML, sino que entrena y ajusta modelos de nivel de producción. Selecciona y configura automáticamente la infraestructura adecuada, ya sea CPU para experimentos ligeros o GPU para entrenamiento distribuido, y registra cada ejecución de forma nativa en MLflow.

Genie Code lleva los modelos desde el notebook hasta la producción en un solo flujo: registrándolos en Unity Catalog, implementándolos en un endpoint de servicio y manteniendo la gobernanza intacta en cada paso del camino.

Genie Code ha cambiado por completo mi forma de trabajar. Ejecuto más de 15 hilos paralelos orientados a diferentes notebooks y activos todos los días, y gestionar todo eso a través de pestañas es una de las mayores fuentes de fricción en mi flujo de trabajo. Genie Code a página completa con sesiones concurrentes me daría un verdadero espacio de trabajo para ejecutar todo en paralelo sin perder el contexto constantemente.—Moritz Schiek, Solution Consultant, Bosch

Con Genie Code, pasamos de datos brutos a un flujo de trabajo de ML gobernado y listo para producción en 90 minutos. Debido a que comprende de manera única los flujos de trabajo de ML en producción en Databricks, nos ayudó a crear tablas Delta, explorar los datos, entrenar y comparar modelos, registrarlos con MLflow y Unity Catalog, e implementar el modelo campeón en un endpoint de servicio, con tiempo de sobra para optimizar el resultado comercial que más importaba.—Radu Dragusin, Principal Engineer, Data & AI, Danfoss

Para obtener más información sobre Genie Code, ¡comience aquí!

Presentamos AI Runtime: una plataforma de GPU de nivel de investigación dentro del Lakehouse

Las GPU impulsan las cargas de trabajo de AI más avanzadas de la actualidad, desde la previsión y las recomendaciones hasta los modelos fundacionales multimodales. Pero los equipos de aprendizaje profundo tienen dificultades para adquirir y gestionar la infraestructura de GPU, configurar entornos de entrenamiento distribuidos y resolver cuellos de botella de rendimiento. Prefieren centrarse en el modelado en lugar de en la infraestructura.

En marzo, lanzamos una vista previa de AI Runtime y hoy nos complace compartir, como parte del Data AI Summit, que AI Runtime ahora admite el entrenamiento multinodo de alto rendimiento. Con AI Runtime, los usuarios de Databricks ahora tienen:

• GPU NVIDIA serverless y bajo demanda: simplemente configure su notebook en 2 o 3 clics y obtenga una conexión rápida a las GPU serverless A10 y H100 para comenzar el entrenamiento, sin necesidad de un clúster. Pague solo por las GPU que utilice, sin preocuparse por el tiempo de inactividad, la utilización o los compromisos iniciales.
• Herramientas de orquestación robustas: utilice todo el poder de la suite de orquestación de Databricks con el soporte de Lakeflow Jobs y DABs para cargas de trabajo de GPU de larga duración.
• Entrenamiento distribuido optimizado: AIR incluye mejoras de rendimiento de GPU distribuidas, como RDMA y carga de datos de alto rendimiento para lograr un rendimiento óptimo para sus cargas de trabajo de GPU.
• Gobernanza y observabilidad centralizadas: ejecute, observe y gobierne las cargas de trabajo de GPU exactamente donde residen sus datos, con gestión de experimentos integrada a través de MLflow, gestión de accesos con Unity Catalog y depuración asistida por Genie Code.

Con este lanzamiento, los clientes de Databricks ahora pueden aprovechar la misma plataforma de GPU de nivel de investigación que nuestro propio equipo utilizó para impulsar el entrenamiento de modelos fundacionales como DBRX y KARL. Hoy en día, AI Runtime impulsa cargas de trabajo de vanguardia para cientos de clientes de Databricks, lo que ayuda a llevar la AI de última generación desde la investigación hasta las aplicaciones empresariales de producción.

Conecte GPU serverless A10 y H100 a su notebook en 2 o 3 clics. No se requiere gestión de clústeres; pague solo por lo que use.

Utilice Genie Code para ayudar a resolver cuellos de botella de rendimiento, experimentar con nuevas arquitecturas o depurar errores complejos relacionados con la convergencia del modelo o errores crípticos del framework.

AI Runtime es una plataforma de nivel de producción para computación acelerada. Desarrolle su código de aprendizaje profundo en notebooks interactivos y luego use todo el poder de Lakeflow para enviar y orquestar trabajos en computación de GPU.

AI Runtime de Databricks simplificó enormemente el proceso de entrenamiento de un modelo personalizado de texto a fórmula (TTF). Sin configuración de infraestructura ni demoras, fue fácil elegir el cómputo adecuado según el tamaño del prompt y la generación de tokens de salida. Esto nos permitió avanzar rápidamente, mantener nuestros flujos de trabajo de Lakehouse y entregar un modelo de alta calidad con gobernanza total, reduciendo el tiempo para configurar, entrenar e implementar nuestro modelo de días a horas.—Nikhil Sunderraj, Ingeniero principal de Machine Learning, FactSet Research Systems, Inc.

Para comenzar a entrenar su próximo modelo en GPUs, consulte nuestros ejemplos y documentación aquí.

ML en tiempo real a escala: Feature Store y Model Serving

Las aplicaciones de machine learning más impactantes operan en tiempo real: ofrecen recomendaciones en milisegundos, detienen transacciones fraudulentas antes de que se aprueben y entregan resultados de búsqueda que se sienten instantáneos.

Implementar un modelo en producción es un equilibrio delicado: cada solicitud debe completarse en unos pocos milisegundos, incluso cuando hay picos de tráfico, pero sus costos deben mantenerse bajos cuando el tráfico es tranquilo. Mantener ese equilibrio a escala históricamente ha sido tan difícil como construir el propio modelo. Bajo un alto QPS, la infraestructura de servicio se convierte en el cuello de botella. La latencia se vuelve impredecible, los costos aumentan y los equipos sobrecargan a sus mejores ingenieros reajustando el número de réplicas, los límites de concurrencia y los umbrales de escalado automático cada vez que un modelo o su tráfico cambian.

En el Data + AI Summit, anunciamos nuevas capacidades que eliminan esa carga y simplifican la obtención de un servicio de baja latencia y alto QPS en Databricks:

• Ingeniería de características declarativa — Defina las características una vez y materialícelas automáticamente para el entrenamiento y el servicio.
• Características en streaming — Cree características sumamente actualizadas en sus flujos de eventos para un ML que reaccione a la actividad del cliente en tiempo real.
• Model Serving de alto QPS — Un motor de inferencia mejorado y enrutamiento de red para un servicio de baja latencia en modelos tanto de CPU como de GPU, sin necesidad de realizar ajustes manuales. La plataforma se adapta a cada modelo y a su tráfico de forma automática, alcanzando más de 300K QPS con una sobrecarga de latencia p99 inferior a 10 ms.
• Servicio de características en línea en Lakebase — Ofrezca características actualizadas con acceso de baja latencia para aplicaciones de producción.
• Genie ZeroOps para ML — Genie Code puede consultar tablas de inferencia, depurar problemas de rendimiento en los endpoints de servicio y ejecutar análisis de causa raíz en las alertas, lo que aporta una observabilidad operativa agéntica a los modelos en producción.

Los clientes que utilizan Databricks Model Serving han reducido los costos de infraestructura hasta en más de un 90 % en comparación con las pilas autogestionadas, han mejorado la latencia p99 y p50 hasta en 2 veces y han superado los 100K QPS en producción con poco o ningún mantenimiento, todo con confiabilidad y disponibilidad de nivel empresarial. Equipos líderes de ML como Grammarly, GoGuardian y miles de otros clientes confían en Databricks para dar servicio a sus sistemas de ML en tiempo real.

¡Obtenga más información en el Data + AI Summit 2026!

Para su próximo modelo de AI, ¡pruebe estas nuevas funciones! Obtenga más información en la documentación o en nuestras publicaciones de blog detalladas:

• Genie Code
• AI Runtime
• Model Serving
• Feature Serving

Vea la AI Platform en acción y conozca cómo las organizaciones líderes están construyendo e implementando modelos de AI a escala en el Data + AI Summit 2026.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original