Deux annonces du DAIS 2026 montrent comment des améliorations à la couche de données peuvent rendre les agents IA plus rapides et plus performants, sans toucher au code de l’agent lui-même: LTAP et Lakehouse//RT. Dans ce qui suit, nous allons détailler ces nouvelles technologies et montrer comment elles peuvent améliorer les capacités des agents. Nous utiliserons un exemple que Cavallo Technologies a récemment mis en œuvre chez un client: un agent superviseur d’entreprise qui utilise plusieurs sous-agents comme Genie Spaces, des systèmes RAG, des capacités de visualisation et de recherche web.
Lakehouse//RT : des lectures plus rapides pour les agents
Lorsqu’un agent IA exécute une requête analytique en pleine conversation, chaque seconde d’attente affecte l’expérience utilisateur. La plupart des requêtes analytiques sur un entrepôt SQL standard prennent plusieurs secondes, ce qui convient pour un rapport planifié, mais se remarque dans une conversation en direct.
Lakehouse//RT, propulsé par le moteur Reyden, répond directement à ce problème. Reyden est un moteur de base de données complet, construit entièrement de zéro. Plutôt que d’être optimisé pour un seul type de charge de travail, Databricks a créé une usine de moteurs. En s’appuyant sur une décennie de traces de production (des zettaoctets de données de requêtes issues de billions d’exécutions réelles), ils entraînent en continu des modèles d’apprentissage automatique qui sélectionnent la bonne approche d’exécution pour chaque requête. Sur des benchmarks analytiques standards, il offre une latence inférieure à 100 ms à 12 000 requêtes par seconde, directement sur des tables Delta et Iceberg existantes dans Unity Catalog.
Un exemple tiré du blogue de Databricks, particulièrement pertinent pour les cas d’utilisation des agents, provient de Cisco. Ils constatent déjà des temps de réponse 5 fois plus rapides lors de l’interrogation de données en direct directement depuis leur Lakehouse gouverné pour les charges de travail de consultation des menaces, aussi bien pour les utilisateurs que pour les agents.
Dans notre exemple client chez Cavallo, l’utilisation de Lakehouse//RT comme épine dorsale des Genie Spaces réduira considérablement la latence des appels au sous-agent Genie Spaces, en particulier pour les volumes élevés comme les données de capteurs IoT. C’est d’autant plus important que l’agent peut déclencher des appels à plusieurs Genie Spaces pour répondre à une seule question, ce qui démultiplie les gains de latence.
De plus, comme Lakehouse//RT interroge les données directement dans Unity Catalog, toutes les politiques de gouvernance et les contrôles d’accès aux données existants s’appliquent automatiquement. La taille de calcul peut également être définie en automatique, de sorte qu’elle s’adapte à la charge de requêtes.
LTAP : accès aux données en temps réel pour les systèmes d’agents
Les systèmes d’agents IA génèrent de nombreuses écritures transactionnelles: l’agent enregistre les tours de conversation et les décisions, les utilisateurs soumettent des commentaires. Le problème, c’est que ces données atterrissent généralement dans un système OLTP et doivent attendre qu’un pipeline CDC ou ETL les synchronise avant d’être disponibles pour l’analyse. Ce délai signifie que l’agent et votre tableau de bord de surveillance travaillent toujours avec des données périmées.
LTAP (Lake Transactional/Analytical Processing) élimine entièrement ce pipeline. Dès qu’une donnée est écrite, elle est disponible pour être interrogée. Cela signifie également que l’agent peut lire les données opérationnelles directement depuis la couche transactionnelle. Si un utilisateur vient de mettre à jour son compte ou de passer une commande il y a quelques secondes, l’agent le voit immédiatement sans attendre la synchronisation d’un pipeline.
De plus, lorsque l’agent écrit un résultat intermédiaire ou un résumé calculé en cours de conversation, cette donnée est immédiatement disponible à l’étape suivante. Il en va de même pour les commentaires des utilisateurs. Ils arrivent dans le Lakehouse instantanément et sont immédiatement disponibles pour votre tableau de bord de surveillance.
Ce qui change sous le capot
Le code de l’agent IA est le même, mais ce qui change, c’est la couche de données sur laquelle il repose. Les diagrammes ci-dessous illustrent l’avant et l’après.
Avec les deux fonctionnalités opérant ensemble:
- L’agent interroge des données opérationnelles en direct. Lakehouse//RT retourne les résultats en moins de 100 ms.
- L’agent écrit un résultat intermédiaire en cours de conversation. LTAP le rend immédiatement disponible à l’étape suivante.
- L’utilisateur soumet un commentaire. Il arrive dans le lac instantanément et le tableau de bord de surveillance le récupère en temps réel.
Pour notre exemple d’agent superviseur client, les données IoT dans le Lakehouse sont actuellement actualisées toutes les 40 minutes. Le passage à LTAP permettrait aux données IoT d’être disponibles pour les requêtes dès leur arrivée, permettant aux Genie Spaces — et à l’agent global — d’accéder à des données à jour. Lakehouse//RT permet à l’agent d’interroger plus rapidement, réduisant le temps d’attente dans les conversations. LTAP donne à l’agent et au système global un accès aux données opérationnelles en temps réel dès qu’elles sont écrites.
Disponibilité
Lakehouse//RT est actuellement en version bêta, disponible pour un nombre restreint de clients, et sera déployé plus largement au cours des prochaines semaines et des prochains mois.
LTAP a été annoncé et sera disponible prochainement.
Cavallo Technologies
Chez Cavallo, une firme exclusive à Databricks, nous aidons les équipes d’entreprise à concevoir et à construire des systèmes d’IA en production sur Databricks. Si votre équipe travaille sur ce sujet, nous serons ravis d’approfondir l’architecture avec vous.
Références
- Lakehouse//RT: https://www.databricks.com/blog/introducing-lakehousert-real-time-performance-unified-lakehouse
- Under the Hood of Lakehouse//RT: https://www.databricks.com/dataaisummit/session/under-hood-lakehousert
- LTAP: https://www.databricks.com/company/newsroom/press-releases/databricks-launches-ltap-first-lake-transactionalanalytical