Quan hệ đối tác Microsoft Databricks mở rộng cho AI được quản lý

Vào ngày 23 tháng 7 năm 2026, Microsoft và Databricks đã công bố gia hạn mối quan hệ đối tác chiến lược kéo dài hàng thập kỷ của họ cho đến những năm 2030. Quan hệ đối tác Microsoft Databricks hiện kết hợp quản trị Unity AI Gateway, nền tảng Genie Ontology, tích hợp Genie sâu hơn trên các quy trình công việc của Microsoft và cơ sở hạ tầng Azure Databricks mở rộng.

Đối với các nhóm kỹ thuật dữ liệu, nền tảng và MLOps, câu hỏi thực tế không phải là liệu trợ lý có thể viết một câu trả lời trau chuốt hay không. Vấn đề là liệu câu trả lời có sử dụng định nghĩa đã được phê duyệt, dữ liệu hiện tại, nguồn được ủy quyền và bằng chứng có thể theo dõi hay không.

Tại Van Data Team, chúng tôi bắt đầu bằng việc lập bản đồ các câu hỏi, danh tính, hệ thống nguồn, định nghĩa kinh doanh, cổng đánh giá và đường dẫn lỗi trước khi chọn mô hình hoặc công cụ. Mô hình phân phối do người sáng lập lãnh đạo giúp việc khám phá và triển khai diễn ra trong một vòng lặp. Hướng dẫn này tách thông báo được báo cáo khỏi phân tích rộng hơn của chúng tôi, sau đó cung cấp so sánh cơ bản, danh sách kiểm tra mức độ sẵn sàng, cổng quản trị và tiêu chí đánh giá.

Bài học chính

Microsoft và Databricks đang đưa AI doanh nghiệp đến gần hơn với dữ liệu được quản lý và quy trình công việc mà các nhóm đã vận hành.

• Thông tin thực tế được báo cáo: Unity AI Gateway quản lý các mô hình, tác nhân và chi phí; Genie Ontology tạo cơ sở cho các tác nhân trên dữ liệu doanh nghiệp; và Genie mang trải nghiệm dữ liệu đó vào bề mặt làm việc của Microsoft.
• Thông tin thực tế được báo cáo: Azure Databricks vẫn là một phần của nền tảng dữ liệu cốt lõi, trong khi cơ sở hạ tầng Azure Cobalt đang được áp dụng cho khối lượng công việc tác nhân và sử dụng nhiều dữ liệu.
• Phân tích của Van Data Team: Các mô hình tốt hơn không thể sửa chữa các định nghĩa chỉ số xung đột, quyền quá mức, bảng cũ, dòng bị thiếu hoặc đánh giá yếu.
• Đề xuất hoạt động: Bắt đầu với quy trình làm việc hỗ trợ có giới hạn, thực thi cổng quản trị yêu cầu trả lời và kiểm tra các câu hỏi đáng tin cậy trước khi triển khai rộng rãi.

Quan hệ đối tác Microsoft Databricks đã công bố những gì

Thông báo này kết hợp quản trị, nền tảng ngữ nghĩa, tích hợp quy trình làm việc và cơ sở hạ tầng Azure vào hướng AI chung của doanh nghiệp.

Microsoft cho biết họ sẽ tiếp tục tích hợp nền tảng Databricks Data và AI trên các sản phẩm của mình. Các kết nối được đặt tên bao gồm Microsoft Entra, Azure Data Lake Storage, OneLake, Power BI, Microsoft Purview, Microsoft Foundry, Power Platform, Teams và Copilot. Genie, Genie Ontology và Unity AI Gateway không được coi là sản phẩm có thể hoán đổi cho nhau.

Microsoft và Databricks cũng đang tăng cường Azure Databricks cho các hoạt động cốt lõi và cơ sở lưu trữ hợp nhất. Databricks đang áp dụng Azure Cobalt 200 mà Microsoft cho biết mang lại hiệu suất tốt hơn tới 50% cho khối lượng công việc mã hóa tác nhân và sử dụng nhiều dữ liệu, với bộ nhớ được bật theo mặc định.

Tuyên bố hiệu suất đó là tuyên bố của Microsoft, không phải là điểm chuẩn khối lượng công việc độc lập. Nó không thiết lập kết quả về độ trễ, chi phí hoặc thông lượng chung.

Trong Thông báo về Nguồn của Microsoft, Judson Althoff, Giám đốc điều hành của Microsoft Commercial Business, đã trình bày mục tiêu hoạt động theo cách này:

Thế hệ AI tiếp theo sẽ được định hình bởi mức độ hiệu quả mà tổ chức biến tri thức riêng thành năng lực thông minh.

Đoạn trích dẫn đến câu hỏi kỹ thuật quan trọng: liệu tổ chức có thể biến kiến thức thành đầu vào được kiểm soát, có thể kiểm tra được cho trợ lý không?

Phân tích của Van Data Team: bối cảnh kinh doanh là điểm nghẽn

Điểm nghẽn trong sản xuất thường không phải là liệu một mô hình có thể tạo ra ngôn ngữ trôi chảy hay không; vấn đề là liệu hệ thống xung quanh có thể cung cấp bằng chứng kinh doanh được ủy quyền, hiện tại và được xác định chính xác hay không.

Ví dụ giả định: Priya, lãnh đạo nền tảng tài chính, yêu cầu trợ lý nội bộ cho những khách hàng đang hoạt động. Bảng hợp đồng xác định khách hàng đang hoạt động theo trạng thái thương mại, trong khi mô hình sản phẩm xác định khách hàng đó theo mức sử dụng gần đây. Cả hai nguồn đều có giá trị về mặt kỹ thuật. Nếu trợ lý âm thầm chọn một mô hình, một mô hình có khả năng hơn có thể đưa ra câu trả lời thuyết phục hơn, nhưng không phải là câu trả lời có tính bảo vệ cao hơn. Hệ thống sẽ liên kết câu hỏi với một định nghĩa đã được phê duyệt hoặc yêu cầu Priya làm rõ.

Do đó, bối cảnh kinh doanh không chỉ bao gồm văn bản được truy xuất tại thời điểm trả lời. Nó bao gồm:

• các điều khoản, số liệu, thực thể và mối quan hệ đã được phê duyệt;
• danh tính đưa ra yêu cầu và phạm vi dữ liệu được phép của nó;
• nguồn có thẩm quyền, chủ sở hữu và phân loại;
• dòng chuyển đổi, kiểm tra chất lượng và kỳ vọng về độ tươi;
• chính sách về bằng chứng, bỏ phiếu trắng, báo cáo và kiểm toán;
• ví dụ đáng tin cậy được sử dụng để đánh giá chất lượng câu trả lời.

Thông tin thực tế được báo cáo: thông báo mô tả Genie Ontology là tác nhân nền tảng trên dữ liệu doanh nghiệp. Phân tích của Nhóm dữ liệu Van: lớp ngữ nghĩa hoặc bản thể luận có thể cung cấp cho trợ lý các khái niệm và mối quan hệ đã được phê duyệt, chẳng hạn như định nghĩa doanh thu nào được áp dụng hoặc cách các tài khoản liên quan đến các khu vực. Đây là một cách giải thích kiến ​​trúc rộng hơn, không phải là một tuyên bố về nội bộ Genie Ontology chưa được báo cáo.

Thông tin thực tế được báo cáo: Unity AI Gateway quản lý các mô hình, tác nhân và chi phí. Khuyến nghị của Nhóm Dữ liệu Van: đặt ranh giới quản trị xung quanh mỗi yêu cầu nơi có thể thực thi danh tính, ủy quyền, phạm vi nguồn được phép, ghi nhật ký, ngân sách, điều kiện đánh giá và quy tắc leo thang. Những biện pháp kiểm soát được đề xuất đó không nên được coi là các khả năng bổ sung của Unity AI Gateway đã được xác nhận.

Không lớp nào có thể bù đắp cho công việc nhập không thành công, chuyển đổi chưa được kiểm tra, thiếu quyền sở hữu hoặc bảng cũ. Ý nghĩa kinh doanh và quản trị chỉ hoạt động khi dữ liệu bên dưới chúng vẫn đáng tin cậy.

So sánh các kỹ thuật nối đất AI của doanh nghiệp

Không có kỹ thuật nền tảng đơn lẻ nào tự nó cung cấp ý nghĩa kinh doanh, kiểm soát quyền, dữ liệu mới và câu trả lời đáng tin cậy.

Ranh giới bằng chứng: Thông báo của Microsoft và Databricks không giới thiệu hoặc mô tả RAG, tạo tăng cường truy xuất, tìm kiếm vectơ, nội dung nhúng hoặc cơ sở dữ liệu vectơ. Chúng chỉ xuất hiện bên dưới dưới dạng phân tích của Van Data Team về các kỹ thuật rộng hơn mà các doanh nghiệp có thể sử dụng cho trợ lý mặt đất.

Các lớp này bổ sung cho nhau. Trợ lý tài chính có thể sử dụng lớp ngữ nghĩa để giải quyết định nghĩa ký quỹ được phê duyệt, bảng được quản lý để tính toán, truy xuất để xác định bình luận chính sách và giao diện công cụ để chạy truy vấn được ủy quyền. Chỉ mục vectơ có thể giúp tìm các tài liệu ứng viên, nhưng tính tương tự không phải là bằng chứng cho thấy tài liệu đó là hiện hành, được phép hoặc chính xác.

Thứ tự thiết kế quan trọng. Thiết lập danh tính và nguồn gốc trước khi tối ưu hóa việc truy xuất. Xác định ý nghĩa kinh doanh trước khi yêu cầu một mô hình suy ra nó. Sửa chữa chất lượng đường dẫn trước khi điều chỉnh lời nhắc xung quanh dữ liệu xấu.

Kiến trúc triển khai và sự sẵn sàng của bối cảnh dữ liệu

Hình minh họa sau đây tóm tắt các cổng ngữ cảnh trước câu trả lời:

Một trợ lý đáng tin cậy phải chuyển mọi yêu cầu thông qua danh tính, ngữ nghĩa, trạng thái dữ liệu, bằng chứng và cổng phát hành.

Luồng yêu cầu phải xác thực người dùng, ủy quyền phạm vi dữ liệu, giải quyết định nghĩa nghiệp vụ đã được phê duyệt, xác minh chất lượng và độ mới của nguồn, sau đó chỉ truy vấn hoặc truy xuất ngữ cảnh. Sau khi tạo, hệ thống phải đính kèm bằng chứng nguồn, áp dụng kiểm tra chính sách và chất lượng, quyết định xem nên trả lời, bỏ phiếu trắng hay báo cáo và lưu giữ hồ sơ kiểm toán.

Sử dụng tạo phẩm sẵn sàng này trước khi phát hành sản phẩm:

Các công cụ kỹ thuật dữ liệu hiện có phù hợp với các cổng này dưới dạng tùy chọn, không phải là một gói quy định. Lớp hồ hoặc lớp kiểu Delta có thể chứa dữ liệu phân tích được quản lý. Luồng không khí hoặc sự điều phối tương tự có thể quản lý các phụ thuộc; dbt hoặc công cụ chuyển đổi tương đương có thể kiểm tra các mô hình kinh doanh; Kafka hoặc cơ sở hạ tầng phát trực tuyến tương đương có thể hỗ trợ tính mới theo hướng sự kiện.

Hệ thống danh mục và quản trị có thể theo dõi quyền sở hữu, phân loại và dòng dõi. Các chỉ mục vectơ có thể hỗ trợ truy xuất ứng viên ngữ nghĩa, trong khi MCP hoặc các giao diện công cụ khác có thể hiển thị các truy vấn và hành động được kiểm soát.

Không có công cụ liền kề nào được giới thiệu trong thông báo này. Chọn chúng dựa trên nguồn gốc dữ liệu của quy trình làm việc, tần suất thay đổi, người tiêu dùng, rủi ro và nhu cầu khôi phục.

Các nhóm muốn có điểm xuất phát giới hạn có thể phạm vi đánh giá mức độ sẵn sàng của bối cảnh dữ liệu với Van Data Team. Đầu ra phải cụ thể: bản đồ nguồn và nhận dạng, tồn đọng ngữ nghĩa, các khoảng trống ở cấp độ dịch vụ và quy trình, thiết kế cổng quản trị, bộ câu trả lời đáng tin cậy, đăng ký rủi ro và kế hoạch phân phối theo từng giai đoạn.

Các chế độ lỗi và đánh giá sản xuất

Cách nhanh nhất để đánh mất lòng tin là cử một trợ lý thông thạo mà không thể giải thích được quyền truy cập, nguồn hoặc định nghĩa.

Các chế độ lỗi phổ biến bao gồm:

• cấp cho trợ lý quyền truy cập dữ liệu rộng hơn người dùng yêu cầu;
• truy vấn dữ liệu cũ, trùng lặp hoặc không có chủ sở hữu;
• chỉ xác định các thuật ngữ kinh doanh quan trọng khi có lời nhắc;
• coi RAG là sự thay thế cho ủy quyền hoặc chất lượng dữ liệu;
• coi sự tương đồng của vectơ là bằng chứng của sự thật;
• lời nhắc ghi nhật ký mà không có bằng chứng về nguồn, phiên bản ngữ nghĩa và quyết định truy cập;
• chỉ thử nghiệm các cuộc biểu tình thành công thay vì các con đường bỏ phiếu trắng và phục hồi;
• kết hợp Genie, Genie Ontology và Unity AI Gateway;
• khái quát hóa tuyên bố Azure Cobalt của Microsoft thành một tiêu chuẩn độc lập.

Đánh giá sản xuất nên sử dụng một bộ câu hỏi đáng tin cậy với các câu trả lời dự kiến, bằng chứng được chấp nhận, vai trò của người dùng được phép, điều kiện mới và hành vi kiêng cữ bắt buộc. Theo dõi độ chính xác về ngữ nghĩa, tính chính xác của bằng chứng, tuân thủ chính sách truy cập, các lần thử nguồn cũ, bỏ phiếu trắng, kết quả báo cáo và tính đầy đủ của kiểm tra.

Khả năng quan sát sản xuất phải bao gồm độ trễ, mức tiêu thụ mã thông báo so với ngân sách mã thông báo của quy trình làm việc, chi phí trên mỗi quy trình công việc, số lần thử, định tuyến mô hình, gánh nặng đánh giá của con người và khắc phục lỗi. Hãy coi các giá trị không ổn định là thước đo từ khối lượng công việc của chính tổ chức chứ không phải như những lời hứa chung. Câu trả lời nhanh hơn không phải là cải tiến nếu nó sử dụng số liệu sai hoặc vượt qua ranh giới ủy quyền.

Ví dụ giả định: Trợ lý vận hành nhận được câu hỏi về hàng tồn kho sau khi quá trình kiểm tra độ mới của nguồn không thành công. Cách an toàn là dán nhãn nguồn cũ, sử dụng phương án dự phòng đã được phê duyệt nếu có hoặc bỏ qua và thông báo cho chủ sở hữu dữ liệu. Tạo ra một vị trí tồn kho hợp lý sẽ che giấu sự việc thực tế.

Ngân sách hoạt động

Mối quan hệ đối tác mở rộng của Microsoft Databricks đặt quản trị chi phí bên cạnh quản trị mô hình và tác nhân: Microsoft và Databricks cho biết Unity AI Gateway quản lý các mô hình, tác nhân và chi phí. Khả năng được báo cáo đó là một điểm kiểm soát, không phải là bằng chứng cho thấy quy trình làm việc mang lại hiệu quả kinh tế trong sản xuất.

Phân tích của Van Data Team: định giá mã thông báo của nhà cung cấp chỉ là đầu vào ban đầu. Trước khi triển khai, hãy chạy từng ứng viên theo cùng một quy trình làm việc có giới hạn, nhận biết danh tính và bộ đánh giá đáng tin cậy, sau đó chấm điểm:

• Chi phí đầu ra được chấp nhận: tổng chi phí mô hình, nền tảng, thử lại, người đánh giá và khôi phục cho mỗi kết quả được phê duyệt.
• Ngân sách độ trễ và mã thông báo: thời gian phản hồi từ đầu đến cuối và mã thông báo được tiêu thụ trong mức trần được phê duyệt.
• Tỷ lệ thử lại và số phút đánh giá: tần suất hoạt động lặp lại của quá trình tự động hóa và thời gian chấp nhận của con người cần bao nhiêu.
• Khôi phục lỗi: cần có thời gian, công sức và khả năng kiểm tra để chẩn đoán, ngăn chặn và chạy lại trường hợp lỗi.
• Kết quả đánh giá: độ chính xác so với các câu trả lời đáng tin cậy, sử dụng nguồn chính xác, tuân thủ ủy quyền và bỏ phiếu trắng hợp lý.

Tính chi phí trên mỗi kết quả quy trình làm việc được phê duyệt dưới dạng tổng chi phí vận hành chia cho kết quả đầu ra được phê duyệt. Một ứng viên có giá mỗi cuộc gọi rẻ vẫn có thể đắt nếu nó tạo ra các câu trả lời bị từ chối, báo cáo chậm hoặc dọn dẹp thủ công. Chạy lại phiếu ghi điểm khi mô hình, lời nhắc, công cụ, đường dẫn dữ liệu hoặc định nghĩa Genie Ontology thay đổi.

Kết luận: Xây dựng bối cảnh trước khi mở rộng trợ lý

Quan hệ đối tác Microsoft Databricks có ý nghĩa quan trọng vì nó đặt bối cảnh kinh doanh, quản trị, tích hợp quy trình làm việc và cơ sở hạ tầng dữ liệu theo cùng một hướng AI của doanh nghiệp. Thông báo này không phải là buổi ra mắt cơ sở dữ liệu RAG hoặc vector. Các cơ chế được đặt tên của nó bao gồm Unity AI Gateway, Genie Ontology, tích hợp Genie, Azure Databricks và cơ sở hạ tầng Azure Cobalt.

Đối với các nhóm dữ liệu, bước tiếp theo là vận hành: chọn quy trình làm việc có giới hạn, xác định ý nghĩa kinh doanh đã được phê duyệt, hạn chế nguồn theo danh tính, thực thi tình trạng quy trình, lưu giữ bằng chứng và đánh giá các câu trả lời dựa trên một nhóm đáng tin cậy. Việc lựa chọn mô hình được thực hiện sau khi những nền tảng đó đã rõ ràng.

Nếu bạn cần chuyển từ thảo luận về kiến trúc sang phạm vi phân phối có trách nhiệm, làm việc với Nhóm Dữ liệu Van về kế hoạch triển khai có giới hạn bao gồm bản đồ nguồn, cổng quản trị, thiết kế đánh giá, sổ ghi chép lỗi và trình tự xây dựng theo từng giai đoạn. AI doanh nghiệp đáng tin cậy được xây dựng thông qua bối cảnh được kiểm soát, không phải các bản demo bóng bẩy.