Concentrez-vous sur les workloads de données, et non sur l'infrastructure

Serverless GPU compute permet l'entraînement ML et les charges de travail GenAI sans nécessiter de gestion de l'infrastructure.

Le code de chaque utilisateur s'exécute dans un conteneur sandboxé, ce qui empêche l'accès aux données ou aux connexions réseau des autres utilisateurs et offre à chaque équipe une isolation de niveau entreprise sans nécessiter de clusters distincts.

Databricks optimise automatiquement la disposition des données des tables en arrière-plan pour de meilleures performances et une meilleure rentabilité, sans réglage manuel.

Serverless analyse les modèles de requêtes et précharge et indexe automatiquement les données en arrière-plan, ce qui accélère les performances des requêtes sans aucune configuration.

Exécutez l'entraînement de ML distribué sur une infrastructure de calcul Serverless avec SparkML, sans gérer les clusters, les environnements ou l'infrastructure.

Databricks sélectionne automatiquement le type d'instance optimal pour chaque charge de travail. Pas de décisions entre optimisation processeur, optimisation mémoire ou classe d'instance, pas de sélection manuelle de VM, pas besoin de choisir entre des VM uniques, des warehouse ou des clusters Spark, pas de réglage de l'infrastructure.

Suivre les dépenses de compute au niveau de la charge de travail via system.billing.usage, en donnant aux équipes de la plateforme une visibilité complète sur les jobs, pipelines et notebooks qui génèrent des coûts.

Supervisez l'exécution en temps réel avec l'Historique des queries et le Profil de query, offrant aux ingénieurs et aux analystes une visibilité instantanée sur les performances et les goulots d'étranglement.