# Databricks Launches ai_decide ბეტაში დააჩქაროს დაბალი ლატენტური მოდელის მარშრუტიზაცია და სტრუქტურირებული კლასიფიკაცია მართულ მონაცემებზე

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/ka/article/databricks-ai-decide-model-routing-beta-2026-10-05-morning-ka
Section: AI (https://technewslist.com/ka/ai)
Author: TechNewsList
Language: ka
Published: 2026-10-05T05:50:26.745+00:00
Updated: 2026-10-05T05:50:26.910672+00:00

> Databricks-მა გამოუშვა ai_decide საჯარო ბეტაში Runtime 15.4 LTS და 18.2+, ჩასმულია დაბალი ლატენტური გადაწყვეტილების მოდელები პირდაპირ SQL-ში და აგენტების სამუშაო პროცესებში, რათა შეცვალოს ძვირადღირებული გენერაციული LLM ზარები მართული საწარმოს მონაცემებზე.

## TL;DR
- Databricks-მა გამოუშვა ai_decide SQL ფუნქცია საჯარო ბეტაში Databricks Runtime 15.4 LTS და უფრო მაღალი.
- ინსტრუმენტი იყენებს გადაწყვეტილების სპეციალიზებულ მოდელებს, ვიდრე ავტორეგრესიული ტექსტის გენერირებას შეკითხვის შეყოვნების შესამცირებლად.
- საწარმოთა გუნდებს შეუძლიათ მოთხოვნის მარშრუტი მოდელის დონეებს შორის და არასტრუქტურირებული ჩანაწერების კლასიფიცირება პირდაპირ SQL მილსადენებში.
- არქიტექტურა მუშაობს მთლიანად Unity Catalog მონაცემთა მართვის საზღვრებში, გარე ქსელის ტრანზიტის გარეშე.
- ფუნქცია მხარს უჭერს ორობითი ალბათობის შეფასებებს, დასახელებულ კატეგორიულ არჩევანს და რიცხვითი ქულების რუბრიკებს.

## Key points
- გადაწყვეტილების მოდელები აღმოფხვრის ტოკენის გენერაციას პირდაპირი კატეგორიული შერჩევის წარმოებით.
- მონაცემთა ბაზაში შესრულება ამცირებს თითო შეკითხვის დასკვნის ხარჯებს ოთხმოცი პროცენტით, სასაზღვრო LLM-ებთან შედარებით.
- თავსებადობა ვრცელდება თანამედროვე Databricks-ის საწყობის შემთხვევებზე, ხოლო გამორიცხულია ძველი კლასიკური SQL დონეები.
- ძირითადი არქიტექტურა მხარს უჭერს ინტეგრაციას TypeSafe AI Jev გადაწყვეტილების მოდელებთან დეტერმინისტული მარშრუტიზაციისთვის.
- მონაცემთა გუნდებს შეუძლიათ განახორციელონ კონტენტის გაფილტვრა და უსაფრთხოების სკრინინგი სერიული დამუშავების მასშტაბით Lakehouse მაგიდებზე.

## რა მოხდა

2026 წლის ოქტომბრის დასაწყისში, საწარმოს lakehouse-ის პროვაიდერმა Databricks-მა ოფიციალურად შემოიტანა ai_decide საჯარო ბეტაში მონაცემთა დაზვერვის პლატფორმაზე. ხელმისაწვდომია Databricks Runtime 15.4 გრძელვადიანი მხარდაჭერისთვის (LTS) და უფრო ახალი 18.2 გაშვების გარემოებისთვის, შესაძლებლობა ამატებს მიზანმიმართულად აშენებულ SQL ფუნქციას, რომელიც შემუშავებულია სპეციალურად მაღალი გამტარუნარიანობის, დაბალი შეყოვნების კლასიფიკაციისთვის და მოდელების ავტომატიზირებული მარშრუტიზაციისთვის. სამუშაო სივრცის ადმინისტრატორებს შეუძლიათ გაააქტიურონ ფუნქცია პირდაპირ პლატფორმის გადახედვის მართვის ინტერფეისის მეშვეობით.

ჩვეულებრივი გენერაციული ხელოვნური ინტელექტის ფუნქციებისგან განსხვავებით, რომლებიც კითხულობენ დიდ ენობრივ მოდელებს სასაუბრო აბზაცების შესაქმნელად, ai_decide ეყრდნობა გადაწყვეტილების კომპაქტურ მოდელებს. სისტემა აფასებს სტრუქტურირებულ ან არასტრუქტურირებულ ჩანაწერის ტექსტს სტრუქტურირებული კრიტერიუმების მიხედვით და აბრუნებს ზუსტ შედეგებს: ალბათობის ქულას, განსაზღვრული კატეგორიული ვარიანტებიდან არჩევანს ან რიცხვით ქულას მოწესრიგებული მასშტაბით. სერვისი ასევე ავლენს REST API საბოლოო წერტილებს რეალურ დროში აგენტური მილსადენებისთვის.

საწყისი პლატფორმის განლაგება აჩვენებს დაუყოვნებლივ თავსებადობას სპეციალიზებულ არქიტექტურებთან, როგორიცაა TypeSafe AI Jev მოდელები. თანმიმდევრული ავტორეგრესიული ტოკენის გენერირების ეტაპის გვერდის ავლით, რომელიც შეადგენს LLM დამუშავების ზედნადების უმეტესობას, ფუნქცია ასრულებს გადაწყვეტილებებს მნიშვნელოვნად დაბალი გამოთვლითი შეყოვნებით და შემცირებული ინფრასტრუქტურის ხარჯებით.

## რატომ არის მნიშვნელოვანი

ბოლო ორი წლის განმავლობაში, საწარმოს საინჟინრო ორგანიზაციები იბრძოდნენ არამდგრადი ოპერაციული ეკონომიკის წინააღმდეგ ზოგადი დანიშნულების სასაზღვრო LLM-ების გამოყენებისთვის, ყოველდღიური საოპერაციო ამოცანებისთვის. ათასობით ავტომატური სამუშაო ნაკადი არაერთხელ აგზავნის მომხმარებელთა შეკითხვებს, ტრანზაქციის შენიშვნებს და იწერს მოვლენებს კრეატიული წერისთვის შექმნილ მოდელებზე, უბრალოდ იმის დასადგენად, არის თუ არა შეტყობინება ესკალაცია, თანხის დაბრუნების მოთხოვნა ან სპამის გაგზავნა.

ამ არქიტექტურულმა შეუსაბამობამ გამოიწვია მასიური გამოთვლითი ხარჯები, მუდმივი შეყოვნების შეფერხება და არასტაბილური ფორმატირების ჩავარდნები, როდესაც ქვედა დინების მილსადენები იღებენ არასტრუქტურირებულ პასუხებს. SQL ფენაზე სპეციალიზებული გადაწყვეტილების შეფასების შემოღებით, Databricks დეველოპერებს აძლევს განმსაზღვრელ მექანიზმს, რომ დაასახელონ მილიონობით მწკრივი წამებში.

![მაღალი ხარისხის გამოთვლითი კლასტერული აპარატურა, რომელიც ახორციელებს ფართომასშტაბიანი განაწილებული მონაცემთა დამუშავების ალგორითმებს](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1791178082225-0acz6y-databricks-ai-decide-model-routing-beta-2026-10-05-morning-inside-1-62a370c178.webp)

გარდა ამისა, შესაძლებლობა ემსახურება მრავალ აგენტის მარშრუტიზაციის აუცილებელ საფუძველს. რთულ აგენტურ სისტემებში, პირველადმა კონტროლერმა მუდმივად უნდა გადაწყვიტოს, გადასცეს თუ არა შემომავალი დავალება მსუბუქი ლოკალური მოდელის, სპეციალიზებული კოდირების ასისტენტის ან ძვირადღირებული მსჯელობის ძრავისკენ. ამ ტრიაჟის შესრულება ai_decide-ის საშუალებით ორკესტრატორებს საშუალებას აძლევს შეინარჩუნონ ბიუჯეტი და შეამცირონ მომხმარებლის შეფერხება.

## ტექნიკური დეტალები

ai_decide-ის ტექნიკური განხორციელება ორიენტირებულია სტრუქტურირებულ სწრაფი სქემებზე, რომლებიც შესრულებულია Databricks SQL-ის შესრულების კვანძებში. დეველოპერები გამოიძახებენ ფუნქციას სტანდარტული SQL გამონათქვამების გამოყენებით, აწვდიან სამიზნე ტექსტს კანდიდატის ეტიკეტების მასივთან ან განსაზღვრულ შეფასების კითხვებთან ერთად. ძირითადი დასკვნის ძრავა აფასებს შეყვანას მითითებული კრიტერიუმების მიხედვით ერთი პარალელიზებული უღელტეხილით, აბრუნებს სტრუქტურირებულ JSON ან მშობლიურ SQL მონაცემთა ტიპებს.

იმის გამო, რომ სისტემა ფუნქციონირებს როგორც მშობლიური AI ფუნქცია მართული გამოთვლითი დონის ფარგლებში, ყველა მონაცემთა დამუშავება რჩება მკაცრად კორპორატიული უსაფრთხოების საზღვრებში. Unity Catalog-ის ნებართვები არეგულირებს წვდომას ფუძემდებლურ ცხრილებზე და ახორციელებს სვეტის დონის წვდომის ნიღბებს, რაც უზრუნველყოფს, რომ მომხმარებლის საკუთრებაში არსებული ინფორმაცია არასოდეს დატოვებს საწარმოს საზღვრებს.

![უსაფრთხო საწარმოს სერვერის ობიექტი, რომელიც მასპინძლობს ავტომატური მოდელის დასკვნებს და მონაცემთა ბაზის ანალიტიკურ დატვირთვას](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1791178084748-35q8r9-databricks-ai-decide-model-routing-beta-2026-10-05-morning-inside-2-0e2a9f6c9b.webp)

არქიტექტურულად, ინსტრუმენტი მხარდაჭერილია სერვერის გარეშე და პრო SQL საწყობებზე, ხოლო ძველი Databricks SQL Classic კონფიგურაციები აშკარად გამორიცხულია. ინტეგრაციის ტესტები მიუთითებს, რომ სერიული კლასიფიკაციების გაშვება ასობით ათასი ჩანაწერის პარალელურად მილსადენებში აღწევს გამტარუნარიანობას, რომელიც აღემატება ხუთჯერ აღემატება სტანდარტული დასრულების ზარებს, ხოლო პრაქტიკულად აღმოფხვრის არასწორი გამომავალი შეცდომებს.

## გავლენა ბაზარზე და ინდუსტრიაზე

ai_decide-ის გაშვება ასახავს გადამწყვეტ ცვლას ინდუსტრიის მასშტაბით სპეციალიზებული, ამოცანების სპეციფიური ხელოვნური ინტელექტის მოდელებისკენ საწარმოს მონაცემთა დასტაში. იმის გამო, რომ ძირითადი მოდელების პროვაიდერები კონკურენციას უწევენ ზოგადი მსჯელობის კრიტერიუმებს, საწარმოს ინფრასტრუქტურის პლატფორმები, როგორიცაა Databricks, Snowflake და Google Cloud, სულ უფრო მეტად ოპტიმიზაციას უკეთებენ ხარჯების ეფექტურობას, შეყოვნებას და მმართველობის პროგნოზირებადობას.

კონკურენტული მონაცემთა პლატფორმებისთვის, გამოცემა აძლიერებს ბრძოლას lakehouse ანალიტიკის დატვირთვისთვის. საწარმო კლიენტებს, რომლებიც აფასებენ საკუთრების მთლიან ღირებულებას, ახლა შეუძლიათ აწარმოონ დიდი მოცულობის სემანტიკური ტრანსფორმაციები მესამე მხარის გარე API კლავიშების ლიცენზირების ან სპეციალური GPU კლასტერების უზრუნველყოფის გარეშე.

ამავდროულად, განვითარება აჩქარებს აგენტური ავტომატიზაციის მიღებას რეგულირებად სექტორებში, როგორიცაა საბანკო და ჯანდაცვა. შესაბამისობის ოფიცრებს, რომლებმაც ადრე წინააღმდეგობა გაუწიეს წარმოების მონაცემთა ბაზებში გენერაციულ ტექსტის გენერირებას, შეუძლიათ უფრო ადვილად დაამტკიცონ შეზღუდული გადაწყვეტილების მოდელები, რომლებიც აწარმოებენ მკაცრად აუდიტირებული კატეგორიის ეტიკეტებს.

## რას უნდა დავაკვირდეთ შემდეგ

უახლოეს კვირებში, ინჟინრები მონიტორინგს გაუწევენ საწარმოს მიღების მეტრიკას, რადგან უფრო მეტი ორგანიზაცია გადადის ექსპერიმენტული მოთხოვნიდან SQL სკრიპტების წარმოებაზე. კრიტიკული ტექნიკური ეტაპი იქნება თუ არა Databricks ავრცელებს მშობლიურ მხარდაჭერას მომხმარებლის მიერ დახვეწილი გადაწყვეტილების გამშვებ პუნქტებზე, რომლებიც გაწვრთნიან უშუალოდ საკუთრების ორგანიზაციულ ტაქსონომიებზე.

ინდუსტრიის დამკვირვებლები ასევე შეაფასებენ მესამე მხარის საორიენტაციო შედარებებს, რომლებიც აფასებენ კლასიფიკაციის სიზუსტეს გამოყოფილი სასაზღვრო მოდელების კომპლექსურ ზღურბლებთან და საპირისპირო შედარებებს შორის.

და ბოლოს, საწარმოს არქიტექტურის გუნდებმა უნდა დააკვირდნენ, თუ როგორ რეაგირებენ კონკურენტი მონაცემთა პლატფორმის პროვაიდერები, კონკრეტულად, შემოაქვს თუ არა კონკურენტი მონაცემთა ბაზის ძრავები მშობლიურ სემანტიკური კლასიფიკაციის ფუნქციებს, რათა შეინარჩუნონ პარიტეტი მონაცემთა ტბის გარემოში 2026 წლის ბოლოს.

## წყაროები

* [Databricks Engineering Documentation](https://docs.databricks.com/en/large-language-models/ai-functions.html) - ოფიციალური პლატფორმის დოკუმენტაცია, რომელიც დეტალურად ასახავს ai_decide SQL სინტაქსს, Unity Catalog-ის ინტეგრაციას და გაშვების მოთხოვნებს.
* [DataPhoenix](https://dataphoenix.info/databricks-introduces-ai-decide-function/) - ტექნიკური ანალიზი, რომელიც შეისწავლის Databricks-ის გადაწყვეტილების მოდელების არქიტექტურას და სერიული დამუშავების გამტარუნარიანობას.
* [Remio AI](https://remio.ai/blog/understanding-databricks-ai-decide-architecture/) - დამოუკიდებელი საორიენტაციო შეფასება, რომელიც ადარებს ai_decide შეყოვნებას სტანდარტული გენერაციული LLM გამოძახების ხარჯებთან.

Mentions: მონაცემთა აგური, ალი ღოდსი, ერთიანობის კატალოგი, TypeSafe AI, SQL, ლეიკჰაუსი

## Sources
- [Databricks საინჟინრო დოკუმენტაცია](https://docs.databricks.com/en/large-language-models/ai-functions.html)
- [DataPhoenix](https://dataphoenix.info/databricks-introduces-ai-decide-function/)
- [Remio AI](https://remio.ai/blog/understanding-databricks-ai-decide-architecture/)