fr.wedoany.com Rapport : EnterpriseDB (EDB), fournisseur de bases de données pour entreprises, intègre des capacités d'analyse convergente dans sa base de données hébergée EDB Postgres AI, visant à aider les entreprises à exploiter les agents d'IA pour opérer en temps réel sur de nouvelles données, sans dépendre des pipelines de données et des copies traditionnels. Cette initiative fait suite au lancement par Databricks de son produit Lakehouse Transaction and Analytics Processing (LTAP) basé sur Neon Postgres, les deux fournisseurs s'efforçant de rapprocher le traitement opérationnel (OLTP) et le traitement analytique (OLAP).
Max Romanenko, directeur de l'ingénierie chez EDB, indique que l'approche d'EDB part d'un point de départ fondamentalement différent de celui de Databricks. Databricks étend son lac de données vers l'extérieur, tentant d'introduire des capacités transactionnelles via Lakebase ; tandis qu'EDB part de la couche opérationnelle de Postgres, sur laquelle les entreprises exécutent déjà des charges de travail critiques. EDB utilise Postgres comme source de vérité opérationnelle et Apache Iceberg comme couche de catalogue partagée, connectant Postgres aux moteurs de calcul ClickHouse, WarehousePG et Spark. Ainsi, les données opérationnelles restent dans Postgres, tandis que le stockage de données historique est géré dans un stockage d'objets sous Iceberg, et les moteurs analytiques peuvent interroger les mêmes données via un catalogue commun, sans nécessiter de copies séparées ni de pipelines ETL. Romanenko souligne que cette différence architecturale est cruciale pour les clients cibles (entreprises souhaitant des capacités d'IA et d'analyse, mais réticentes à migrer leurs données sensibles vers des plateformes de gestion cloud).
Stephanie Walter, responsable de la pratique des piles d'IA chez HyperFrame Research, note que l'accent mis par EDB sur le contrôle trouvera un écho auprès des DSI soucieux de la souveraineté des données, des données réglementées et des déploiements hybrides, leur permettant d'exécuter l'IA et l'analyse plus près des données sur une infrastructure contrôlée par l'entreprise, sans créer un autre actif de données propriétaire. Ashish Chaturvedi, responsable exécutif de la recherche chez HFS Research, estime que pour les DSI gérant les budgets d'analyse et d'IA, l'approche d'analyse convergente d'EDB offre des coûts plus prévisibles que le LTAP de Databricks. Le modèle de facturation par cœur d'EDB rend les coûts plus faciles à prévoir que les plateformes de données cloud basées sur la consommation, où les volumes de requêtes, les charges de travail d'IA et les besoins de traitement des données peuvent entraîner des fluctuations de facturation. Cependant, Igor Ikonnikov, chercheur consultant chez Info-Tech Research Group, prévient qu'une facturation prévisible n'est pas nécessairement moins chère, car le traitement rapide des données opérationnelles nécessite du matériel plus performant et relativement plus coûteux. Devin Pratt, directeur de recherche chez IDC, indique que l'architecture d'EDB pourrait également simplifier la gouvernance des données en réduisant le nombre de plateformes que les entreprises doivent gérer.
L'analyse convergente d'EDB vise à simplifier les opérations pour les développeurs et les équipes d'ingénierie des données. Walter estime que son architecture réduit le nombre de systèmes à intégrer et à maintenir, tout en éliminant une grande partie du travail de pipeline traditionnellement nécessaire pour déplacer les données entre les systèmes transactionnels et analytiques. Pratt déclare que le zéro ETL signifie moins de pipelines à construire et à démanteler, permettant aux ingénieurs de passer plus de temps à créer de la valeur. Outre EDB et Databricks, Snowflake étend également son support des charges de travail opérationnelles en adoptant des formats de table ouverts, tandis que Microsoft combine services transactionnels et analytiques via sa plateforme Fabric.
L'analyse convergente n'est qu'une partie des mises à jour d'EDB pour sa plateforme Postgres AI. EDB a également rendu généralement disponible ce qu'elle appelle les fonctionnalités de « base de données agentique », visant à automatiser les tâches de gestion de base de données courantes. L'entreprise indique que le système surveille en continu des centaines de métriques opérationnelles et de performance, détecte les anomalies, recommande des actions correctives et peut appliquer automatiquement des correctifs si la politique de l'entreprise le permet, contribuant à optimiser et à ajuster la base de données jusqu'à 10 fois plus rapidement. Walter estime qu'il s'agit davantage d'une évolution du concept de base de données autonome que d'une toute nouvelle catégorie, Oracle et d'autres fournisseurs offrant des fonctionnalités similaires depuis des années. La différenciation d'EDB réside dans l'extension de ces capacités autonomes via un raisonnement piloté par l'IA, des correctifs automatisés et des contrôles de gouvernance, permettant aux entreprises de décider du niveau d'autorisation accordé au système.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
