Η Databricks ανακοίνωσε τις Predictive AI Functions, μια νέα ομάδα λειτουργιών που βρίσκεται σε beta και στοχεύει να φέρει προηγμένες αναλύσεις πιο κοντά στους ανθρώπους που εργάζονται καθημερινά με δεδομένα. Η βασική ιδέα είναι ότι ερωτήματα όπως η πρόβλεψη πωλήσεων, ο εντοπισμός ανωμαλιών ή η εξήγηση μιας μεταβολής σε έναν δείκτη δεν θα χρειάζεται πλέον να περνούν απαραίτητα από ξεχωριστές ομάδες data science. Αντί γι’ αυτό, οι δυνατότητες αυτές προσφέρονται ως ενσωματωμένες SQL functions, διαθέσιμες μέσα στο οικοσύστημα της πλατφόρμας. Με αυτόν τον τρόπο, η Databricks επιχειρεί να περιορίσει ένα γνώριμο σημείο συμφόρησης στις επιχειρήσεις, όπου τα ερωτήματα συσσωρεύονται και πολλά τελικά δεν τίθενται ποτέ.
Σύμφωνα με την παρουσίαση της εταιρείας, οι νέες λειτουργίες καλύπτουν forecasting, ανάλυση βασικών παραγόντων μεταβολής, ανίχνευση ανωμαλιών, πρόβλεψη συνεχών τιμών και ταξινόμηση κατηγοριών. Όλες στηρίζονται σε μοντέλα machine learning που συντηρούνται κεντρικά από τη Databricks, ώστε τα αποτελέσματα να παραμένουν συνεπή ανεξάρτητα από το αν ο χρήστης εργάζεται σε dashboard, σε SQL editor ή μέσω του Genie. Το μήνυμα της ανακοίνωσης είναι σαφές: λιγότερη ανάγκη για προσαρμοσμένα μοντέλα και διαχείριση υποδομών, περισσότερη άμεση πρόσβαση σε προηγμένα analytics από μεγαλύτερο φάσμα χρηστών.
Τι αλλάζει για τις ομάδες δεδομένων
Σε πολλές επιχειρήσεις, οι αναλυτές και τα επιχειρησιακά στελέχη θέτουν παρόμοια ερωτήματα ξανά και ξανά. Θέλουν να ξέρουν τι θα γίνει το επόμενο τρίμηνο, γιατί άλλαξε ένας βασικός δείκτης ή αν μια πρόσφατη μέτρηση ξεφεύγει από τη συνήθη συμπεριφορά. Μέχρι σήμερα, τέτοιου τύπου αιτήματα συχνά απαιτούσαν τη μεσολάβηση data scientists για την ανάπτυξη μοντέλων, τη ρύθμισή τους και τη συντήρηση της σχετικής υποδομής. Αυτή η διαδικασία αυξάνει τον χρόνο απόκρισης και περιορίζει τον αριθμό των ερωτήσεων που μπορούν να απαντηθούν έγκαιρα.
Η Databricks προτείνει ένα διαφορετικό μοντέλο χρήσης, όπου προηγμένες δυνατότητες γίνονται διαθέσιμες ως εγγενή δομικά στοιχεία της SQL. Αυτό σημαίνει ότι οι ομάδες μπορούν να ενσωματώνουν προβλέψεις και αναλύσεις απευθείας στα υπάρχοντα ερωτήματα, στα pipelines και στα dashboards τους. Η προσέγγιση δεν καταργεί την ανάγκη για εξειδικευμένους επιστήμονες δεδομένων σε πιο σύνθετες περιπτώσεις, αλλά μεταφέρει ένα σημαντικό μέρος της καθημερινής αναλυτικής εργασίας πιο κοντά στους τελικούς χρήστες. Για οργανισμούς με μεγάλο όγκο επαναλαμβανόμενων ερωτήσεων, αυτή η μετατόπιση μπορεί να αλλάξει ουσιαστικά τον τρόπο πρόσβασης στη γνώση.
Οι πέντε λειτουργίες που παρουσιάστηκαν
Το πακέτο περιλαμβάνει τη βελτιωμένη ai_forecast και τέσσερις νέες συναρτήσεις. Η ai_forecast χρησιμοποιείται για προβολή χρονοσειρών στο μέλλον, η ai_top_drivers για τον εντοπισμό των τμημάτων που επηρέασαν περισσότερο μια μεταβολή, η ai_detect_anomalies για την επισήμανση ακραίων ή ασυνήθιστων τιμών σε χρονικά δεδομένα, η ai_predict_value για πρόβλεψη συνεχών τιμών και η ai_predict_class για ταξινόμηση κατηγοριών. Πρόκειται ουσιαστικά για ένα βασικό σύνολο εργαλείων που καλύπτει ορισμένες από τις πιο συνηθισμένες ανάγκες προηγμένης ανάλυσης σε επιχειρησιακό περιβάλλον. Η σημασία τους δεν βρίσκεται μόνο στο τι κάνουν, αλλά και στο πώς παρουσιάζονται στον χρήστη.
Η Databricks τονίζει ότι όλες αυτές οι δυνατότητες είναι εγγενείς στη SQL. Αυτό επιτρέπει στους αναλυτές να τις καλούν απευθείας στον SQL editor ή σε notebooks, ακόμη και πάνω σε πολύ μεγάλα σύνολα δεδομένων. Τα αποτελέσματα μπορούν στη συνέχεια να συνδυαστούν με άλλα ερωτήματα και διαδικασίες, χωρίς να απαιτείται ξεχωριστός κύκλος ανάπτυξης μοντέλου για κάθε επιμέρους περίπτωση. Για τους οργανισμούς που έχουν ήδη επενδύσει στη SQL ως κοινή γλώσσα ανάλυσης, το συγκεκριμένο σημείο είναι καθοριστικό.
Η έμφαση στο forecasting μέσα από dashboards
Ιδιαίτερο βάρος δίνεται στη νέα εκδοχή της ai_forecast, καθώς η πρόβλεψη μελλοντικών τάσεων αποτελεί μία από τις συχνότερες ανάγκες στις επιχειρήσεις. Η Databricks αναφέρει ότι η λειτουργία βασίζεται σε transformer-based foundation model για χρονοσειρές, εκπαιδευμένο εκ των προτέρων σε μεγάλο και ετερογενές σύνολο χρονοσειρών. Η λογική είναι παρόμοια με εκείνη των μεγάλων γλωσσικών μοντέλων, αλλά εφαρμοσμένη σε χρονικά δεδομένα αντί για κείμενο. Έτσι, το μοντέλο αναγνωρίζει μοτίβα όπως εποχικότητα και τάσεις χωρίς να απαιτείται χειροκίνητη ρύθμιση από τον χρήστη.
Στο παράδειγμα που παρουσιάζει η εταιρεία, η ai_forecast χρησιμοποιείται πάνω στο dataset με τα ταξί της Νέας Υόρκης για να προβλέψει τον μηνιαίο όγκο διαδρομών έως το τέλος του 2027. Η προβολή αυτή αναδεικνύει αναμενόμενα εποχικά μοτίβα στη ζήτηση, δίνοντας μια πιο άμεση εικόνα για την πορεία της επιβατικής κίνησης. Παράλληλα, η Databricks σημειώνει ότι η συνάρτηση υποστηρίζει αργίες και εξωτερικές μεταβλητές, ώστε οι ομάδες να συνυπολογίζουν παράγοντες όπως αλλαγές τιμολόγησης ή δαπάνες marketing. Αυτό έχει σημασία επειδή οι επιχειρησιακές προβλέψεις σπάνια εξαρτώνται μόνο από το ιστορικό σήμα μιας χρονοσειράς.
Από τη SQL στη φυσική γλώσσα μέσω Genie
Ένα από τα πιο ενδιαφέροντα σημεία της ανακοίνωσης είναι ότι οι ίδιες λειτουργίες δεν περιορίζονται στη SQL. Η Databricks σχεδιάζει να τις διαθέσει και μέσω του Genie, έτσι ώστε οι επιχειρησιακοί χρήστες να υποβάλλουν ερωτήσεις σε φυσική γλώσσα. Η ai_top_drivers είναι ήδη διαθέσιμη εκεί, ενώ οι ai_forecast, ai_detect_anomalies, ai_predict_value και ai_predict_class πρόκειται να ακολουθήσουν. Η εταιρεία περιγράφει ένα σενάριο όπου ο χρήστης ρωτά γιατί έπεσαν τα έσοδα το προηγούμενο τρίμηνο ή ποιοι πελάτες είναι πιθανό να αποχωρήσουν, και το σύστημα επιλέγει την κατάλληλη συνάρτηση για να δώσει απάντηση.
Η λογική αυτής της προσέγγισης είναι ότι ένα LLM γενικής χρήσης δεν αρκεί από μόνο του για αξιόπιστη απάντηση σε τέτοια αναλυτικά ερωτήματα. Γι’ αυτό η Databricks συνδυάζει την ευκολία της φυσικής γλώσσας με πιο εξειδικευμένες μεθόδους machine learning στο παρασκήνιο. Στο παράδειγμα της ai_top_drivers, το σύστημα αναλύει ποια χρονικά τμήματα της ημέρας και ποιες κατηγορίες καθημερινών ή σαββατοκύριακων συνέβαλαν περισσότερο στη μεταβολή των εσόδων από κόμιστρα μεταξύ δύο μηνών στο dataset των ταξί. Το αποτέλεσμα είναι μια πιο δομημένη εξήγηση αιτιότητας ή συνεισφοράς, πέρα από μια απλή περιγραφική σύνοψη.
Ανίχνευση ανωμαλιών και προβλέψεις σε μεγάλη κλίμακα
Η ai_detect_anomalies στοχεύει σε μια άλλη συνηθισμένη ανάγκη των ομάδων δεδομένων, την αναγνώριση ημερών ή γραμμών που φαίνονται εκτός του κανονικού προτύπου. Στο παράδειγμα της Databricks, τα δεδομένα των διαδρομών ταξί συγκεντρώνονται σε ημερήσια χρονοσειρά εσόδων και στη συνέχεια η συνάρτηση εντοπίζει ασυνήθιστες ημέρες. Το ενδιαφέρον εδώ δεν είναι μόνο η λειτουργία καθεαυτή, αλλά και το ότι προσαρμόζει αυτόματα το μοντέλο στα δεδομένα που λαμβάνει. Έτσι, μειώνεται το τεχνικό βάρος για τον αναλυτή που θέλει γρήγορη αξιολόγηση μιας απόκλισης.
Αντίστοιχα, οι ai_predict_value και ai_predict_class καλύπτουν περιπτώσεις συμπλήρωσης ή εκτίμησης ελλιπών τιμών με αριθμητική πρόβλεψη ή κατηγοριοποίηση. Η Databricks υποστηρίζει ότι οι συναρτήσεις αυτές μπορούν να εκτελεστούν σε κλίμακα εκατοντάδων εκατομμυρίων γραμμών, μέσα στο ίδιο περιβάλλον εργασίας που χρησιμοποιούν ήδη οι ομάδες. Αυτή η λεπτομέρεια είναι κρίσιμη για περιβάλλοντα όπου τα αναλυτικά ερωτήματα δεν γίνονται σε μικρά απομονωμένα δείγματα αλλά πάνω σε πλήρη παραγωγικά δεδομένα. Σε τέτοιες περιπτώσεις, η ενσωμάτωση στη ροή SQL έχει πρακτική βαρύτητα, όχι μόνο θεωρητικό ενδιαφέρον.
Το επιχείρημα της ποιότητας και της συνέπειας
Η Databricks συνδέει την αξία των Predictive AI Functions με δύο υποσχέσεις: ποιότητα αποτελεσμάτων και συνέπεια σε όλα τα σημεία χρήσης. Επειδή τα μοντέλα συντηρούνται κεντρικά από την ίδια την εταιρεία, το αποτέλεσμα μιας πρόβλεψης ή μιας ανάλυσης, σύμφωνα με την ίδια, παραμένει σταθερό είτε η εκτέλεση γίνεται σε dashboard είτε σε SQL είτε μέσω Genie. Αυτό αντιμετωπίζει ένα συχνό πρόβλημα σε μεγάλους οργανισμούς, όπου διαφορετικές ομάδες υλοποιούν ξεχωριστά μοντέλα για παρόμοιες εργασίες και καταλήγουν σε αποκλίνοντα αποτελέσματα. Η κεντρική διαχείριση εδώ παρουσιάζεται ως μηχανισμός ενοποίησης.
Για το forecasting ειδικότερα, η εταιρεία αναφέρει ότι αξιολόγησε τη νέα ai_forecast με το fev-bench έναντι λειτουργιών από κορυφαίο cloud data warehouse, χρησιμοποιώντας ως μέτρο το scaled quantile loss. Σύμφωνα με την ίδια τη Databricks, η νέα εκδοχή υπερέχει τόσο έναντι άλλων παρόχων όσο και έναντι της προηγούμενης έκδοσης της ai_forecast. Παρότι η ανακοίνωση δεν αναλύει εκτενώς τα επιμέρους αποτελέσματα στο κείμενο που δόθηκε, η αναφορά σε benchmark δείχνει ότι η εταιρεία θέλει να στηρίξει το λανσάρισμα όχι μόνο στην ευχρηστία αλλά και στην ακρίβεια. Για τους επαγγελματίες των δεδομένων, αυτό είναι ίσως το βασικότερο κριτήριο αξιολόγησης.
Τι σημαίνει αυτή η κίνηση για την αγορά
Σε επίπεδο αγοράς, η ανακοίνωση δείχνει τη συνεχιζόμενη προσπάθεια των πλατφορμών δεδομένων να ενσωματώσουν πιο εξελιγμένες δυνατότητες AI χωρίς να απομακρύνουν τους χρήστες από τα υπάρχοντα εργαλεία τους. Η SQL παραμένει το κοινό σημείο αναφοράς για πολλούς αναλυτές, επομένως η ενσωμάτωση predictive functions σε αυτό το επίπεδο είναι στρατηγική επιλογή. Αν η προσέγγιση αποδώσει στην πράξη, μπορεί να μειώσει την απόσταση ανάμεσα στην κλασική επιχειρησιακή αναφορά και στην πιο προηγμένη προγνωστική ανάλυση. Αυτό δεν σημαίνει ότι κάθε επιχειρησιακό ερώτημα λύνεται αυτόματα, αλλά ότι περισσότερα ερωτήματα γίνονται εφικτά χωρίς ξεχωριστό έργο ανάπτυξης.
Η ουσία της κίνησης της Databricks είναι ότι επιχειρεί να μετατρέψει ερωτήματα όπως «τι ακολουθεί», «γιατί άλλαξε» και «τι φαίνεται λάθος» σε δυνατότητες πρώτης γραμμής μέσα στην καθημερινή εργασία των ομάδων. Το αν αυτή η υπόσχεση θα επιβεβαιωθεί πλήρως θα κριθεί από την εμπειρία χρήσης, τη διαφάνεια των αποτελεσμάτων και την πραγματική ακρίβεια σε παραγωγικά σενάρια. Προς το παρόν, η ανακοίνωση δείχνει καθαρά την κατεύθυνση: λιγότερη εξάρτηση από προσαρμοσμένα ML pipelines για συνηθισμένες αναλυτικές ανάγκες, περισσότερη ενσωμάτωση στο ίδιο περιβάλλον όπου ήδη κινούνται αναλυτές και επιχειρησιακοί χρήστες. Πρόκειται για μια εξέλιξη που αξίζει παρακολούθηση, ειδικά για οργανισμούς που αναζητούν πιο άμεση πρόσβαση σε προγνωστική ανάλυση.
