Nouveautés de la plateforme AI : agents pour l'ingénierie ML, notre plateforme de deep learning et nouvelles capacités pour le ML en temps réel

Il n'y a jamais eu d'époque aussi dynamique et passionnante pour concevoir vos propres modèles et systèmes d'AI. De la prévision de la demande et la détection des fraudes à la recherche, aux recommandations, à la personnalisation et à l'AI multimodale, le machine learning propulse des applications critiques dans tous les secteurs.

Au Data + AI Summit 2026, nous sommes ravis d'annoncer les nouvelles fonctionnalités suivantes au sein de la plateforme Databricks AI :

• Genie Code pour le ML : Genie Code intègre désormais une intelligence améliorée pour l'ingénierie ML et des intégrations natives dans chaque composant de la plateforme Databricks ML : l'ingénierie des features, l'entraînement, le serving et le monitoring des modèles.
• AI Runtime (Aperçu public) : un environnement d'entraînement GPU serverless, permettant un deep learning de niveau recherche et du fine-tuning sans gestion complexe de l'infrastructure.
• Prise en charge améliorée pour le ML en temps réel : notamment une prise en charge à faible latence et à QPS élevé pour nos produits Feature Store et Model Serving.

Ensemble, ces fonctionnalités simplifient le passage de l'expérimentation à la production, permettant aux entreprises de concevoir, déployer et mettre à l'échelle des applications AI bien plus rapidement que jamais.

Voyons de plus près ces nouveautés.

Genie Code pour le Machine Learning

Aujourd'hui, la mise en production d'un modèle de ML peut prendre des mois, les équipes passant d'innombrables heures sur des tâches répétitives tout au long du cycle de vie du ML, de l'ingénierie des features et la gestion des expériences à l'évaluation et au déploiement des modèles. Mais les agents ont transformé le fonctionnement des équipes techniques et d'ingénierie. C'est pourquoi, lors du DAIS cette année, nous sommes ravis d'annoncer la prise en charge de l'ensemble du cycle de vie du ML par Genie Code.

La construction et l'exploitation de modèles de ML exigent des décisions nuancées que des agents de codage génériques ne peuvent pas prendre. Puis-je me fier à la fraîcheur et à la qualité de ce jeu de données en tant que feature ? Cette feature va-t-elle entraîner une fuite d'informations futures dans le modèle ? Ce endpoint de serving commence-t-il à dériver ? Pour maîtriser les moindres détails du ML, il faut un contexte approfondi, et ce contexte ne peut provenir que d'une intégration étroite avec la plateforme de données et de ML : vos données et leur qualité, le lignage des features, l'historique des expériences, l'infrastructure d'entraînement et les performances en production.

C'est là que Genie Code intervient :

• Du contexte sur vos données via Unity Catalog : Genie Code comprend vos données, votre sémantique métier et votre modèle de gouvernance. Grâce à son intégration avec Unity Catalog, il sait quelles tables et features sont de haute qualité pour le ML, comment les données circulent dans vos pipelines de ML, et quels contrôles d'accès et politiques doivent être respectés.
• Du contexte sur la stack ML de Databricks : Genie Code est conçu pour le ML sur Databricks et s'intègre profondément avec Feature Store, Serverless Compute, AI Runtime, Model Serving et les Inference Tables. Il peut optimiser les tâches d'entraînement, diagnostiquer les problèmes de serving, évaluer les modèles challengers et agir sur l'ensemble de la stack ML, et pas seulement générer du code qui interagit avec elle.
• Du contexte sur le cycle de vie et les workflows de votre ML : Grâce à MLflow, Genie Code comprend l'intégralité du cycle de vie du ML, de l'ingénierie des features et l'expérimentation au déploiement, au monitoring, à la détection de dérive, au réentraînement et aux opérations de production. Il ne s'arrête pas une fois le modèle déployé ; il aide à garantir que les indicateurs métier générés par ce modèle, tels que le CTR, la conversion ou le chiffre d'affaires, restent performants en production.

Ainsi, avec Genie Code, vos équipes de ML peuvent avancer plus vite que jamais.

Genie Code gère l'ingénierie des features comme le ferait votre ingénieur ML senior : en apprenant les modèles existants de votre équipe, en réutilisant des transformations éprouvées et en créant des features cohérentes avec ce qui est déjà en production.

Genie Code ne se contente pas d'écrire du code ML : il entraîne et ajuste des modèles prêts pour la production. Il sélectionne et configure automatiquement la bonne infrastructure, qu'il s'agisse de CPU pour des expériences légères ou de GPU pour l'entraînement distribué, et enregistre chaque exécution de manière native dans MLflow.

Genie Code fait passer les modèles du notebook à la production en un seul flux : enregistrement dans Unity Catalog, déploiement sur un endpoint de serving, tout en maintenant la gouvernance intacte à chaque étape.

Genie Code a complètement changé ma façon de travailler. Chaque jour, j'exécute plus de 15 threads parallèles ciblant différents notebooks et ressources, et gérer tout cela à travers plusieurs onglets est l'une des plus grandes sources de friction dans mon workflow. Genie Code en pleine page avec des sessions simultanées m'offrirait un véritable espace de travail pour tout exécuter en parallèle sans perdre constamment le contexte.—Moritz Schiek, Solution Consultant, Bosch

Avec Genie Code, nous sommes passés de données brutes à un workflow de ML gouverné et prêt pour la production en 90 minutes. Comme il comprend de manière unique les workflows de ML en production sur Databricks, il nous a aidés à créer des tables Delta, à explorer les données, à entraîner et comparer des modèles, à les enregistrer avec MLflow et Unity Catalog, et à déployer le modèle champion sur un endpoint de serving, tout en nous laissant du temps pour optimiser le résultat métier qui comptait le plus.—Radu Dragusin, Principal Engineer, Data & AI, Danfoss

Pour en savoir plus sur Genie Code, commencez dès ici !

Présentation d'AI Runtime : une plateforme GPU de niveau recherche au sein du Lakehouse

Les GPU alimentent les workloads d'AI les plus avancés d'aujourd'hui, des prévisions et recommandations aux modèles de fondation multimodaux. Mais les équipes de deep learning ont du mal à acquérir et à gérer l'infrastructure GPU, à configurer des environnements d'entraînement distribués et à résoudre les goulots d'étranglement de performance. Elles préfèrent se concentrer sur la modélisation plutôt que sur l'infrastructure.

En mars, nous avons lancé une version d'aperçu d'AI Runtime, et aujourd'hui, nous sommes ravis de partager, dans le cadre du Data AI Summit, qu'AI Runtime prend désormais en charge l'entraînement multinœud haute performance. Avec AI Runtime, les utilisateurs de Databricks disposent désormais de :

• Des GPU NVIDIA serverless et à la demande : Configurez simplement votre notebook en 2 ou 3 clics et connectez-vous rapidement aux GPU serverless A10 et H100 pour commencer l'entraînement – aucun cluster n'est requis. Ne payez que pour les GPU que vous utilisez, sans vous soucier du temps d'inactivité, de l'utilisation ou des engagements initiaux.
• Des outils d'orchestration robustes : Utilisez toute la puissance de la suite d'orchestration de Databricks avec la prise en charge de Lakeflow Jobs et des DABs pour les workloads GPU de longue durée.
• Un entraînement distribué optimisé : AIR intègre des améliorations de performance GPU distribuées, comme RDMA et le chargement de données haute performance, pour obtenir des performances optimales pour vos workloads GPU.
• Une gouvernance et une observabilité centralisées : exécutez, observez et gouvernez les workloads GPU exactement là où résident vos données, avec une gestion intégrée des expériences via MLflow, une gestion des accès avec Unity Catalog et un débogage assisté par Genie Code.

Avec ce lancement, les clients de Databricks peuvent désormais exploiter la même plateforme GPU de niveau recherche que notre propre équipe a utilisée pour l'entraînement de modèles de fondation comme DBRX et KARL. Aujourd'hui, AI Runtime propulse des workloads de pointe pour des centaines de clients Databricks, aidant à faire passer l'AI de pointe de la recherche aux applications d'entreprise en production.

Connectez des GPU serverless A10 et H100 à votre notebook en 2 ou 3 clics. Aucune gestion de cluster requise ; ne payez que pour ce que vous utilisez.

Utilisez Genie Code pour vous aider à résoudre les goulots d'étranglement de performance, à expérimenter de nouvelles architectures ou à déboguer des bugs complexes liés à la convergence des modèles ou à des erreurs de framework cryptiques.

AI Runtime est une plateforme prête pour la production dédiée au calcul accéléré. Développez votre code de deep learning dans des notebooks interactifs, puis utilisez toute la puissance de Lakeflow pour soumettre et orchestrer des jobs sur du calcul GPU.

L'AI Runtime de Databricks a considérablement simplifié le processus d'entraînement d'un modèle personnalisé Text To Formula (TTF). Sans configuration d'infrastructure ni délais, il a été facile de choisir la bonne ressource de calcul en fonction de la taille du prompt et de la génération de tokens de sortie. Cela nous a permis d'avancer rapidement, de maintenir nos workflows Lakehouse et de livrer un modèle de haute qualité avec une gouvernance complète, réduisant le temps de configuration, d'entraînement et de déploiement de notre modèle de quelques jours à seulement quelques heures.—Nikhil Sunderraj, Ingénieur Machine Learning Principal, FactSet Research Systems, Inc.

Pour commencer à entraîner votre prochain modèle sur des GPUs, veuillez consulter nos exemples et notre documentation ici !

Le ML en temps réel à l'échelle : Feature Store et Model Serving

Les applications de machine learning les plus percutantes fonctionnent en temps réel : diffusion de recommandations en quelques millisecondes, blocage des transactions frauduleuses avant leur approbation et affichage de résultats de recherche instantanés.

Le déploiement d'un modèle en production est un équilibre délicat : chaque requête doit être traitée en quelques millisecondes, même lors des pics de trafic, mais vos coûts doivent rester bas lorsque le trafic est calme. Maintenir cet équilibre à grande échelle a historiquement été aussi difficile que de concevoir le modèle lui-même. En cas de QPS élevé, l'infrastructure de serving devient le goulot d'étranglement. La latence devient imprévisible, les coûts augmentent et les équipes surchargent leurs meilleurs ingénieurs en réajustant le nombre de réplicas, les limites de concurrence et les seuils d'autoscaling à chaque fois qu'un modèle ou son trafic évolue.

Lors du Data + AI Summit, nous annonçons de nouvelles fonctionnalités qui éliminent cette charge et simplifient l'obtention d'un serving à faible latence et à QPS élevé sur Databricks :

• Feature Engineering déclaratif — Définissez les features une seule fois et matérialisez-les automatiquement pour l'entraînement et le serving.
• Streaming Features — Créez des features extrêmement récentes sur vos flux d'événements pour un ML qui réagit à l'activité des clients en temps réel.
• High-QPS Model Serving — Un moteur d'inférence amélioré et un routage réseau pour un serving à faible latence sur les modèles CPU et GPU, sans aucun paramètre à régler. La plateforme s'adapte automatiquement à chaque modèle et à son trafic, atteignant plus de 300k QPS avec une surcharge de latence p99 inférieure à 10 ms.
• Online Feature Serving sur Lakebase — Diffusez des features récentes avec un accès à faible latence pour les applications en production.
• Genie ZeroOps pour le ML — Genie Code peut interroger les tables d'inférence, déboguer les problèmes de performance dans les points de terminaison de serving (endpoints) et exécuter des analyses de cause racine sur les alertes, apportant une observabilité opérationnelle agentique aux modèles en production.

Les clients qui utilisent Databricks Model Serving ont réduit leurs coûts d'infrastructure jusqu'à plus de 90 % par rapport aux architectures gérées en interne, amélioré la latence p99 et p50 jusqu'à un facteur 2, et dépassé les 100k QPS en production avec peu ou pas de maintenance, le tout avec une fiabilité et une disponibilité de niveau entreprise. Des équipes ML de premier plan comme Grammarly, GoGuardian, et des milliers d'autres clients font confiance à Databricks pour faire fonctionner leurs systèmes ML en temps réel.

En savoir plus au Data + AI Summit 2026 !

Pour votre prochain modèle AI, n'hésitez pas à essayer ces nouvelles fonctionnalités ! Pour en savoir plus, consultez la documentation ou nos articles de blog détaillés :

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

Découvrez l'AI Platform en action et apprenez comment les entreprises leaders conçoivent et déploient des modèles AI à l'échelle lors du Data + AI Summit 2026.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original