インフラストラクチャではなく、データワークロードに集中

Serverless GPU コンピュートにより、インフラストラクチャを管理することなく、機械学習 トレーニングや GenAI ワークロードの実行が可能になります。

各ユーザーのコードをサンドボックス化されたコンテナで実行することで、他のユーザーのデータやネットワーク接続へのアクセスを防ぎ、個別のクラスターを必要とせずにすべてのチームにエンタープライズ グレードの分離を提供します。

Databricksは、手動でのチューニングを行うことなく、バックグラウンドでテーブルデータのLayoutを自動的に最適化し、パフォーマンスとコスト効率を向上させます。

Serverlessはクエリパターンを分析し、バックグラウンドでデータを自動的にプリフェッチしてインデックスを作成することで、設定不要でクエリのパフォーマンスを高速化します。

SparkML を使用して、クラスタ、環境、インフラストラクチャを管理することなく、Serverless コンピュートで分散 ML トレーニングを実行できます。

Databricks は、各ワークロードに最適なインスタンス タイプを自動的に選択します。CPU 最適化、メモリ最適化、インスタンス クラスの選択、手動での VM 選択、単一 VM、warehouse、Spark クラスター間の選択、インフラストラクチャのチューニングは一切不要です。

system.billing.usage を通じて、ワークロードレベルでコンピュート費用を追跡し、プラットフォームチームは、どのジョブ、パイプライン、ノートブックがコストを押し上げているかを完全に把握できます。

`クエリー履歴` と `Query Profile` を使用して実行をリアルタイムで監視することで、エンジニアやアナリストはパフォーマンスとボトルネックを即座に把握できます。