Les nouveautés de Genie Code au Data + AI Summit 2026

Genie Code aide les équipes data et ML à concevoir et à améliorer leurs systèmes plus rapidement sur Databricks. Au cours de l'année écoulée, les produits Genie de Databricks ont enregistré une croissance de plus de 10x et sont utilisés par 90 % des clients de Databricks. Les équipes s'en servent pour créer des modèles et des pipelines, déboguer des pannes, créer des tableaux de bord, analyser des données dans des notebooks et améliorer les systèmes en production.

Au Data + AI Summit 2026, nous élargissons les capacités de Genie Code pour gérer des tâches data et ML plus complexes et agentiques. Nous introduisons un nouveau centre de commande en pleine page, des mises à niveau pour l'ingénierie de données et de ML en production, ainsi que des tâches planifiées.

Ces mises à jour s'inscrivent dans le cadre d'une transition plus large au sein de Databricks vers des workflows de données et de ML natifs pour l'AI. Genie Code aide les équipes de données à concevoir, déboguer et améliorer les systèmes de données et de ML, et nous avons présenté Genie ZeroOps pour étendre l'automatisation agentique aux opérations. Ensemble, ces produits permettent aux équipes d'avancer plus vite tout au long du cycle de vie, de la création des systèmes à leur exploitation et leur amélioration continue.

Voici les nouveautés :

Gérer des tâches complexes depuis un centre de commande en pleine page

Le développement de données et de ML se limite rarement à un seul prompt. Un utilisateur peut avoir besoin d'inspecter une logique existante, de mettre à jour plusieurs ressources, d'exécuter du code, d'examiner les résultats et d'ajuster l'étape suivante en fonction de ceux-ci. Ce travail peut englober des notebooks, du SQL, des pipelines Lakeflow, des tableaux de bord, des jobs, des modèles, des points de terminaison de service (serving endpoints) et des ressources Unity Catalog.

Nous avons repensé l'expérience Genie Code pour offrir aux équipes un centre de commande dédié à ce type de travail complexe sur les données et le ML. Au lieu de gérer des tâches de longue haleine dans un panneau latéral étroit, les utilisateurs disposent désormais d'une expérience en pleine page pour décrire une tâche, suivre sa progression, examiner les résultats et poursuivre les itérations.

Les équipes peuvent gérer plusieurs fils de discussion Genie Code, voir quand un fil est en cours d'exécution ou en attente de saisie, et y revenir dès que de nouveaux résultats sont prêts. Elles peuvent renommer les fils, effectuer des recherches dans les conversations précédentes et garder le cap à mesure que les projets évoluent.

Genie Code a complètement changé ma façon de travailler. J'exécute chaque jour plus de 15 fils de discussion parallèles ciblant différents notebooks et ressources, et gérer tout cela à travers plusieurs onglets est l'une des principales 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 jamais perdre le fil.— Moritz Schiek, consultant en solutions, Bosch

Le centre de commande facilite également la découverte des options de personnalisation. Les instructions, les compétences et les connecteurs sont plus visibles, ce qui permet aux équipes de guider Genie Code avec les bonnes normes, les bons outils et la connaissance de l'espace de travail.

Pour accéder au centre de commande en pleine page, ouvrez le panneau latéral de Genie Code et cliquez sur le bouton d'agrandissement en haut à gauche.

Apporter le développement agentique aux workflows de ML

Dans un projet de ML, le modèle ne représente qu'une petite partie du travail. L'essentiel du temps est consacré à l'ingénierie qui l'entoure : transformer les données brutes en caractéristiques (features), mener des expériences, déployer un modèle candidat en production et veiller à sa bonne santé une fois confronté au trafic réel. Ce travail est lent et coûteux, c'est pourquoi la plupart des équipes déploient bien moins de modèles qu'elles n'ont de cas d'usage.

Genie Code pour le machine learning s'attaque précisément à cette partie ingénierie. Il s'agit d'un ensemble d'améliorations de capacités et d'intelligence directement intégrées à Genie Code, vous évitant ainsi d'adopter un nouvel outil. Le même agent que vous utilisez déjà devient un spécialiste de l'ingénierie de ML en production sur l'ensemble de votre stack ML Databricks existante.

L'expertise de Genie Code provient de deux sources. La première est Databricks. Nous gérons du ML en production avec nos clients depuis plus d'une décennie, et nous savons où les modèles échouent, où les équipes perdent du temps, et ce qui distingue un modèle performant d'un modèle qui semble correct mais échoue sans avertissement. Genie Code applique ces enseignements au fil de son travail, en gérant les détails comme le ferait un professionnel chevronné, par exemple en corrigeant le déséquilibre des classes et en vérifiant la qualité des caractéristiques (features).

La seconde source est votre propre équipe. Un agent de codage générique n'a pas connaissance de vos expériences passées, de vos indicateurs métier, de vos ensembles d'évaluation, ni de la manière dont vous pondérez vos différents objectifs ; il doit donc deviner. Genie Ontology comble cette lacune. Il apprend comment votre équipe conçoit ses caractéristiques (features), entraîne ses modèles et évalue ses candidats, et Genie Code reproduit ces schémas au lieu de se rabattre sur des configurations par défaut inadaptées.

Grâce à cette double expertise, Genie Code s'impose comme un partenaire de choix pour le développement quotidien de modèles. Il rédige des caractéristiques (features) selon les habitudes de votre équipe, effectue des modifications coordonnées sur les nombreux fichiers concernés, exécute et débogue votre code, et compare les candidats à l'aide de vos propres scripts d'évaluation. Vous gardez le contrôle et décidez de ce que vous souhaitez conserver.

Genie Code est désormais intégré de manière native à l'ensemble de la stack ML de Databricks. Les dernières mises à niveau incluent :

• MLflow. Genie Code lit vos données d'expérimentation et d'observabilité : runs, artefacts, lignage des modèles (lineage), métriques de qualité et métriques système. Demandez-lui « Comment puis-je améliorer l'utilisation des GPU pendant l'entraînement ? » ou « Quelles autres métriques devrais-je suivre pour ce modèle ? » et obtenez des réponses basées sur vos propres runs.
• Model Serving. Genie Code inspecte la santé et les performances des points de terminaison (endpoints), diagnostique les problèmes de service (serving) et trouve des moyens d'optimiser un point de terminaison actif.
• Prise en compte du calcul (Compute awareness). Genie Code bascule vers AI Runtime lorsqu'un job nécessite un GPU pour l'entraînement, et utilise les fonctionnalités d'environnement de l'espace de travail pour configurer l'environnement, vous évitant ainsi de configurer l'infrastructure.

Le résultat est un agent qui mène à bien des tâches de data science réelles bien plus souvent qu'un agent de codage générique.

Avec Genie Code, nous sommes passés de données brutes à un workflow de ML gouverné et prêt pour la production en 90 minutes. Grâce à sa compréhension unique des 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 dans MLflow et Unity Catalog, et à déployer le meilleur modèle (champion) sur un point de terminaison de service (serving endpoint), tout en nous laissant du temps pour optimiser le résultat métier qui comptait le plus.— Radu Dragusin, ingénieur principal, Data & AI, Danfoss

Laisser Genie Code travailler de manière autonome grâce aux tâches planifiées

Jusqu'à présent, Genie Code était principalement interactif : vous posez une question, il répond, et vous restez impliqué à mesure que le travail progresse. Les tâches planifiées changent la donne.

Bientôt disponibles, les tâches planifiées permettront à Genie Code de travailler pour vous, même lorsque vous n'êtes pas devant votre ordinateur, puis de vous présenter les résultats à votre retour. Une tâche planifiée commence par un prompt et, éventuellement, une ressource pertinente telle qu'un notebook, un workflow ou un tableau de bord. Lors de son exécution, Genie Code crée un fil de discussion contenant les résultats, que les utilisateurs peuvent examiner, affiner ou poursuivre de manière interactive.

Par exemple, une équipe data pourrait demander à Genie Code de vérifier les résultats des jobs de la nuit, de résumer les exécutions de pipelines, d'expliquer une variation dans une métrique de tableau de bord, de préparer une analyse hebdomadaire ou d'examiner les performances d'un modèle avant une réunion d'équipe. L'utilisateur n'a pas besoin de relancer le prompt manuellement ni de rester actif dans le chat pendant que le travail s'effectue.

Les tâches planifiées font passer Genie Code d'une assistance interactive à un travail autonome. Elles aident les équipes à maintenir l'avancement des workflows importants tout en garantissant que les résultats restent visibles, vérifiables et ancrés dans le contexte Databricks.

Genie ZeroOps étend cette approche aux opérations de production. Il surveille les systèmes en direct, analyse les incidents et prépare des correctifs que les équipes peuvent examiner et approuver. Pour les systèmes de ML, cela peut inclure la dérive des modèles (model drift), les erreurs de service (serving) et les problèmes de pipeline en amont. Pour les systèmes d'ingénierie de données, cela aide les équipes à passer de la simple surveillance et du diagnostic à la réparation et à l'optimisation.

Essayer Genie Code

Si vous disposez d'un espace de travail Databricks, vous avez déjà accès à Genie Code. Ouvrez-le dans votre espace de travail pour essayer l'expérience en pleine page dès aujourd'hui. Pour découvrir comment la gamme Genie s'étend aux opérations de production, lisez l'article de blog de lancement de Genie ZeroOps.

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