# Databricks запускает бета-версию ai_decide для ускорения маршрутизации модели с малой задержкой и структурированной классификации управляемых данных

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/ru/article/databricks-ai-decide-model-routing-beta-2026-10-05-morning-ru
Section: AI (https://technewslist.com/ru/ai)
Author: TechNewsList
Language: ru
Published: 2026-10-05T05:50:24.253+00:00
Updated: 2026-10-05T05:50:24.40651+00:00

> Databricks выпустила общедоступную бета-версию ai_decide для Runtime 15.4 LTS и 18.2+, встраив модели принятия решений с малой задержкой непосредственно в рабочие процессы SQL и агентов, чтобы заменить дорогостоящие генеративные вызовы LLM для управляемых корпоративных данных.

## TL;DR
- Databricks выпустила общедоступную бета-версию функции SQL ai_decide для Databricks Runtime 15.4 LTS и более поздних версий.
- Инструмент использует специализированные модели принятия решений, а не авторегрессионную генерацию текста, чтобы уменьшить задержку запроса.
- Корпоративные группы могут маршрутизировать запросы между уровнями модели и классифицировать неструктурированные записи непосредственно внутри конвейеров SQL.
- Архитектура полностью работает в пределах управления данными каталога Unity без транзита по внешней сети.
- Функция поддерживает двоичные оценки вероятности, именованные категориальные варианты и критерии числовых оценок.

## Key points
- Модели принятия решений устраняют накладные расходы на генерацию токенов, производя прямой категориальный выбор.
- Выполнение в базе данных снижает затраты на вывод для каждого запроса до восьмидесяти процентов по сравнению с передовыми LLM.
- Совместимость распространяется на современные экземпляры хранилища Databricks, исключая устаревшие уровни Classic SQL.
- Базовая архитектура поддерживает интеграцию с моделями принятия решений TypeSafe AI Jev для детерминированной маршрутизации.
- Группы обработки данных могут обеспечить фильтрацию контента и проверку безопасности в масштабе пакетной обработки таблиц Lakehouse.

## Что произошло

В начале октября 2026 года корпоративный поставщик озерных домов Databricks официально представил ai_decide в общедоступной бета-версии своей платформы анализа данных. Доступная для Databricks Runtime 15.4 Long Term Support (LTS) и более новых сред выполнения 18.2, эта возможность добавляет специальную функцию SQL, разработанную специально для высокопроизводительной классификации с малой задержкой и автоматизированной маршрутизации моделей. Администраторы рабочей области могут активировать эту функцию непосредственно через интерфейс управления предварительными версиями платформы.

В отличие от обычных генеративных функций искусственного интеллекта, которые запрашивают большие языковые модели для создания диалоговых абзацев, ai_decide опирается на компактные модели принятия решений. Система оценивает структурированный или неструктурированный текст записи по структурированным критериям и возвращает точные выходные данные: оценку вероятности, выбор из назначенных категориальных вариантов или числовой балл по упорядоченной шкале. Служба также предоставляет конечные точки REST API для агентских конвейеров реального времени.

Первоначальные развертывания платформы демонстрируют непосредственную совместимость со специализированными архитектурами, такими как модели TypeSafe AI Jev. Обходя этап последовательной авторегрессионной генерации токенов, на который приходится большая часть накладных расходов на обработку LLM, функция выполняет решения со значительно меньшей задержкой вычислений и меньшими затратами на инфраструктуру.

## Почему это важно

За последние два года инженерные организации предприятий боролись с неустойчивой операционной экономикой использования универсальных LLM для повседневных операционных задач. Тысячи автоматизированных рабочих процессов неоднократно отправляют запросы клиентов, заметки о транзакциях и регистрируют события в модели, предназначенные для творческого письма, просто чтобы определить, является ли сообщение эскалацией, запросом на возврат средств или спамом.

Это архитектурное несоответствие привело к огромным вычислительным затратам, постоянным узким местам в задержках и хаотичным сбоям форматирования, когда последующие конвейеры принимают неструктурированные ответы. Вводя специализированную оценку решений на уровне SQL, Databricks предоставляет разработчикам детерминированный механизм для категоризации миллионов строк за секунды.

![Аппаратное обеспечение высокопроизводительного вычислительного кластера, выполняющее крупномасштабные алгоритмы распределенной обработки данных.](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)

Более того, эта возможность служит важной основой для мультиагентной маршрутизации. В сложных агентных системах основной контроллер должен постоянно решать, следует ли направлять входящую задачу облегченной локальной модели, специализированному помощнику по программированию или дорогостоящему механизму рассуждения. Выполнение этой сортировки с помощью ai_decide позволяет оркестраторам экономить бюджет и одновременно сокращать задержку, связанную с пользователем.

## Технические детали

Техническая реализация ai_decide основана на структурированных схемах подсказок, выполняемых в узлах выполнения SQL Databricks. Разработчики вызывают функцию, используя стандартные выражения SQL, предоставляя целевой текст вместе с массивом меток кандидатов или определенным оценочным вопросом. Базовый механизм вывода оценивает входные данные по указанным критериям за один параллельный проход, возвращая структурированные типы данных JSON или собственные типы данных SQL.

Поскольку система работает как встроенная функция искусственного интеллекта на уровне управляемых вычислений, вся обработка данных остается строго в рамках корпоративной безопасности. Разрешения каталога Unity регулируют доступ к базовым таблицам и применяют маски доступа на уровне столбцов, гарантируя, что частная информация о клиентах никогда не выйдет за пределы предприятия.

![Безопасный корпоративный сервер, на котором размещаются автоматизированные логические модели и аналитические рабочие нагрузки базы данных.](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)

Архитектурно этот инструмент поддерживается в бессерверных и профессиональных хранилищах SQL, тогда как устаревшие конфигурации Databricks SQL Classic явно исключены. Интеграционные тесты показывают, что выполнение пакетной классификации сотен тысяч записей в параллельных конвейерах обеспечивает прирост пропускной способности, в пять раз превышающий стандартные вызовы завершения, при этом практически исключая некорректные выходные ошибки.

## Влияние на рынок и отрасль

Запуск ai_decide отражает решительный сдвиг всей отрасли в сторону специализированных моделей искусственного интеллекта, ориентированных на конкретные задачи, в стеках корпоративных данных. Поскольку поставщики базовых моделей конкурируют по общим критериям, платформы корпоративной инфраструктуры, такие как Databricks, Snowflake и Google Cloud, все чаще оптимизируются с точки зрения экономической эффективности, задержки и предсказуемости управления.

Для конкурирующих платформ данных этот выпуск обостряет борьбу за аналитические рабочие нагрузки Lakehouse. Корпоративные клиенты, оценивающие общую стоимость владения, теперь могут выполнять масштабные семантические преобразования без лицензирования внешних сторонних ключей API или выделения выделенных кластеров графических процессоров.

Одновременно разработка ускоряет внедрение агентской автоматизации в регулируемых секторах, таких как банковское дело и здравоохранение. Специалисты по обеспечению соответствия, которые ранее сопротивлялись генеративному генерированию текста внутри производственных баз данных, могут с большей готовностью утверждать ограниченные модели принятия решений, которые выдают строго проверяемые метки категорий.

## За чем следить дальше

В ближайшие недели инженеры будут отслеживать показатели внедрения на предприятии, поскольку все больше организаций переходят от экспериментальных подсказок к рабочим сценариям SQL. Важнейшей технической вехой станет то, расширит ли Databricks встроенную поддержку точно настраиваемых пользователем контрольных точек принятия решений, обученных непосредственно на фирменных организационных таксономиях.

Отраслевые обозреватели также оценят сравнение сторонних эталонных тестов, измеряющих точность классификации по сравнению со специальными граничными моделями в сложных крайних случаях и состязательных входных данных.

Наконец, командам по корпоративной архитектуре следует наблюдать за реакцией конкурирующих поставщиков платформ данных, в частности, внедрят ли конкурирующие системы баз данных собственные функции семантической классификации для поддержания четности в средах озера данных до конца 2026 года.

## Источники

* [Техническая документация Databricks](https://docs.databricks.com/en/large-language-models/ai-functions.html) — официальная документация по платформе, подробно описывающая синтаксис SQL ai_decide, интеграцию с каталогом Unity и требования к среде выполнения.
* [DataPhoenix](https://dataphoenix.info/databricks-introduces-ai-decide-function/) — технический анализ, изучающий архитектуру моделей принятия решений Databricks и производительность пакетной обработки.
* [Remio AI](https://remio.ai/blog/understanding-databricks-ai-decide-architecture/) — независимая оценка производительности, сравнивающая задержку ai_decide со стандартными затратами на вызов генеративного LLM.

Mentions: Блоки данных, Али Годси, Каталог Unity, Типбезопасный ИИ, SQL, Лейкхаус

## Sources
- [Инженерная документация по блокам данных](https://docs.databricks.com/en/large-language-models/ai-functions.html)
- [ДатаФеникс](https://dataphoenix.info/databricks-introduces-ai-decide-function/)
- [Ремио ИИ](https://remio.ai/blog/understanding-databricks-ai-decide-architecture/)