Databricks 为云数据仓库成本设置预算与告警

Databricks 分享其让全部员工在模型发布首日即可试用新模型的内部流程，依托 Unity Gateway 做配置分发、治理与可观测性。流程分三步：立即以实验标签开放新模型、用四类按人预算控制成本、再依据内部基准、用户反馈和 OpenTelemetry 成本追踪决定推广或下线。

Databricks 发布 2026 基准测试与客户案例，论证湖仓（Lakehouse）在 SQL 性能上已追平数据仓库：其生产 SQL 工作负载较 2022 年基线快 77%，Performance Index 约提升 4 倍。

Apache Iceberg 社区为 Iceberg REST Catalog 推进两项新规范：read restrictions 与 catalog labels。

Databricks 博客梳理了营销与数据工程团队最常理解不一致的 24 个营销数据术语，围绕活动数据来源、客户身份、受众就绪、激活等五个实际问题展开。文章以“inactive customers”“real-time”等为例，说明同一术语在双方眼中的定义差异会直接影响构建内容、成本与上线时间，并建议在开工前先对齐含义。全部 24 个术语可通过可打印 PDF 获取。

Databricks 发布可导入 Notebook，支持在 SQL 中通过 ai_query 直接调用开源决策模型 SemIf-OpenJev，并返回结构化分类结果与选项概率。该流程借助 Serverless GPU 与 AI Runtime 自动下载模型、注册并创建 GPU Model Serving 端点，三步即可完成部署，示例用于将酒店评论分类为好评或差评。

Databricks 官方博客给出 5 个基于 system.billing.usage 与 system.billing.list_prices 的 SQL 查询，用于按产品、SQL Warehouse 和标签拆解账户支出，并识别异常花费。

Databricks 发布 Unity Catalog Pages，作为 Genie Ontology 中人工策展的语义层，用于存放业务术语、实体和缩写的权威定义，并按域与所描述的数据资产并列组织。

Databricks 推出 RADAR，一套四阶段、指标无关的灰色故障检测方案，由可靠性指标、异常检测、告警和根因分析组成，在其内部实现超过 90% 的精确率和快 95% 的故障发现速度。该系统采用无监督流式模型 SPOT，从过去 14 天数据学习正常基线，只需一个风险参数而无需手工设定阈值，可基于 Databricks 原生组件为计费、转化或模型性能等任意指标搭建。

AIOps 将 AI 与机器学习应用于 IT 运维，用于检测异常、关联事件、定位根因并加速事件响应，从而降低宕机风险、减少告警疲劳并缩短 MTTR。该概念由 Gartner 于 2017 年提出，其核心组件包括数据摄取、数据归一化与增强、异常检测、事件关联、根因分析以及自动化与编排。AIOps 是对可观测性和 DevOps 的补充而非替代，高风险操作仍保留人工监督。

Databricks 的 Lakebase 在无服务器基础设施上运行 PostgreSQL，自动处理区域内的补丁、扩缩容、故障切换和备份，并支持 scale-to-zero、时间点恢复（PITR）、分支、pgvector 和 PostGIS。其自动扩缩容可实现比标准 Postgres 快 5 倍的写入速度，故障时直接替换无持久本地状态的计算节点。跨区域灾难恢复仍需客户自行管理恢复流程。