La divisione tradizionale tra sistemi transazionali e analitici nel panorama aziendale sta diventando un ostacolo, e Databricks propone la sua architettura LTAP (Lake Transactional and Analytical Processing) per risolvere questi problemi. L’annuncio è arrivato durante il Data + AI Summit di San Francisco, dove l’azienda ha presentato una serie di iniziative per abilitare l’esperienza di lavoro dei prodotti alimentati da intelligenza artificiale.
LTAP mira a unificare in una singola struttura di storage i carichi di lavoro transazionali e analitici, evitando la necessità di pipeline ETL, database replicati o copie separate di dati. A differenza del passato, oggi i sistemi autonomi alimentati da IA richiedono l’accesso simultaneo a dati real time e a dati storici, al fine di prendere decisioni rapide e accurate.
Qual è la novità di LTAP?
Databricks dichiara che con LTAP si superano gli schemi tradizionali di architettura, dove i sistemi transazionali (OLTP) gestiscono le operazioni daily come ordini di pagamento e aggiornamenti di inventario. I sistemi analitici (OLAP) invece si concentrano su analisi e reporting ad ampio raggio. Questo dualismo ha sempre richiesto l’utilizzo di pipeline o sistemi paralleli, mentre LTAP elimina questi bisogni.
- Con LTAP, i dati vengono memorizzati una volta sola.
- I carichi di lavoro transazionali e analitici possono essere gestiti da motori di calcolo separati.
- Si elimina la necessità di ETL o data replication.
La proposta LTAP di Databricks permette quindi agli agenti autonomi di accedere a dati operativi real time e a contesto storico senza doversi spostare da un sistema a un altro. Questo modello risolve i problemi che i sistemi di IA autonomi oggi affrontano.
Le criticità di architetture precedenti
I sistemi tradizionali come OLTP e OLAP richiedono l’uso estensivo di pipeline ETL e l’analisi in tempo non è spesso supportata. Databricks ha riconosciuto come i nuovi agenti autonomi – in grado di agire in base a dati analitici e operativi in tempo reale – mettono a dura prova queste infrastrutture.
Che problema affronta?
Michael Leone di Moor Insights and Strategy ha espresso un’opinione cruciale: “L’IA non funziona come le applicazioni o i comportamenti umani, ma richiede un livello intermedio che unisca logica transazionale con contesto analitico. Il LTAP sembra abbastanza un buon modello per questo.”
Implicazioni tecnologiche e strategiche
Michael Leone e Bhupendra Chopra del Consortium Kanerika hanno sottolineato come le aziende che implementano agenti multimodalità sperimentino velocemente la saturazione di pipe dati a causa del carico transazionale massivo.
Stephanie Walter di Hyperframe Research ha dichiarato: “Le applicazioni che combinano transazione, analisi e IA sono quelle più avanzate da sviluppare. Pensiamo a interazioni con il cliente in tempo reale o a algoritmi di rilevamento fraudolento per sistemi finanziari che analizzano sia single transizione che schemi a lungo termine.”
Attualmente, la complessità di sviluppo richiede l’accesso a sorgenti di dati transazionali, data warehouse, data lake o database vettoriali, tutti con integrazioni dedicate. Questo scenario, a detta di Michael Leone, implica un’enorme quantità di sforzi tecnologici, manutentivi e finanziari.
Riduzione dei carichi operativi per i CIO
Ashish Chaturvedi di HFS Research sottolinea come LTAP riduca i carichi operativi aziendali, liberando risorse e costi che in precedenza erano investiti nella costruzione e manutenzione di pipeline dati replicati. Bhupendra Chopra concorda sull’importanza di risolvere i problemi di sincronizzazione tra sistemi transazionali e analitici.
Benefici di governance
Ashish Chaturvedi spiega che il vantaggio più rilevante sta nella capacità di LTAP di creare un ambiente di dati unificato con governance centralizzata. Questo elimina la frammentazione che oggi affligge molti ambienti di dati in aziende grandi e medie.
Bhupendra Chopra, da parte sua, aggiunge che questa caratteristica diventa cruciale quando si gestisce una miriade di agenti IA. In queste situazioni, le lacune di governance si espandono velocemente e i carichi operativi possono espandersi in maniera esponenziale.
LTAP contro HTAP
Pur offrendo un’alternativa promettente, LTAP non è la prima soluzione a unificare carichi operativi e analitici. L’architettura HTAP (Hybrid Transactional and Analytical Processing) mirava a combinare i carichi operativi su uno stesso sistema. Secondo Databricks, il LTAP introduce un elemento fondamentale: il distacco del calcolo dallo storage.
- Una singola struttura di storage serve sia per i carichi transazionali che analitici.
- Diversi motori di calcolo accedono al medesimo dataset.
- Si mantiene scalabilità e flessibilità per ogni tipo di lavoro.
Questo modello, a differenza dell'HTAP, permette di mantenere scalabilità ottimizzata e un accesso unificato, con riduzione di infrastrutture parallele.
Un futuro per sistemi autonomi e agenti IA
L’architettura LTAP di Databricks rappresenta non solo un passo in avanti tecnologico, ma anche una risposta ai futuri paradigmi di lavoro basati sulle intelligenze artificiali e agenti autonomi. Il modello LTAP semplifica la governance, elimina sprechi tecnologici e offre un ambiente operativo più coeso.