<p>运营人工智能的未来不仅依赖于复杂的模型，还在于消除困扰大多数企业数据堆栈的架构摩擦。这是最近一次深入演示的核心主题，详细介绍了 Palantir 与 Databricks 之间的合作，展示了这两个行业最强大平台如何在基础层面进行集成，以加速客户成果。该合作伙伴关系是对一个普遍现实的直接回应：客户已经在并行使用 Palantir Foundry 和 Databricks 开放数据智能平台，但缺乏无缝的互操作性导致了不必要的复杂性和延迟。</p>
<p>Palantir 的部署架构师 Chad Walkowski 和 Databricks 的架构师 Ben Abood 共同展示了新深化集成的技术支柱。他们强调，这一合作本质上是 “以客户为驱动”，源于去年围绕如何解决两个生态系统之间的阻抗不匹配的联合高管讨论。集成重点关注四个关键支柱：数据联邦、治理、计算以及人工智能与工作流，旨在通过消除在平台之间移动和复制数据的必要性，更快地提供价值。</p>
<p>主要的技术突破在于实现真正的双向互操作性。历史上，集成如此不同的平台需要繁琐的 ETL（提取、转换、加载）管道，导致数据重复、存储成本增加和信息滞后。Databricks 的 Unity Catalog 充当统一治理层，允许 Palantir Foundry 在其环境中将 Databricks 表注册为 “虚拟表”。这一机制意味着 Foundry 可以访问和利用存储在 Databricks Lakehouse 中的数据，而无需物理移动。</p>
<p>“实际上，这是一种同步的双向集成，可以让我在 Databricks 中拥有数据并在 Palantir 中注册它，我可以在 Palantir 中创建数据，注册到 Databricks，并无缝地在两者之间移动，所有这些都围绕着一个统一的目录和治理，” Walkowski 解释道。这种架构简化至关重要。</p>
<p>核心优势在于即时、安全的数据共享和简化的治理。Databricks 的 Unity Catalog 管理细粒度的访问控制权限，这些权限在数据被联邦到 Foundry 时得到执行。Palantir 利用服务主体和工作负载身份联邦进行身份验证，确保 Foundry 仅在具备必要权限的情况下访问 Databricks 中的数据，消除了硬编码凭证或秘密的需要。</p>
<p>该集成旨在确保计算工作负载在数据所在的位置执行，这一概念称为计算下推。如果用户在 Palantir Foundry 的低代码工具中定义了转换或管道，执行将自动推送到 Databricks 的无服务器计算基础设施。这意味着客户可以利用他们在 Foundry 中熟悉的工具——如管道构建器或代码库——同时享受 Databricks 在数据处理方面的性能和可扩展性。这种组合大幅减少了运营开销，加快了转换过程。</p>
<p>“如果我已经将所有数据整合在一起，并且在 Databricks 中进行管道处理，现在我想构建运营应用程序，并希望将数据建模到本体中，不仅是数据，还有逻辑和行动，以真正推动这些跨业务的集成工作流，” Walkowski 指出，强调了由实时数据驱动的运营应用程序的转变。在 Foundry 中执行复杂的数据转换和过滤的能力，而实际计算则在 Databricks 中无缝进行，展示了一种一流的产品集成，而不仅仅是一个初步的连接器。</p>
<p>这种灵活性延伸到人工智能和机器学习生命周期。数据科学团队通常更喜欢 Databricks 提供的笔记本和 MLflow 环境来训练复杂模型和处理大型数据集。一旦模型在 Databricks 中训练并注册，它可以直接在 Palantir Foundry 的本体中注册。这使得模型能够立即在 Foundry 的运营应用程序中部署，弥合实验数据科学与现实世界运营部署之间的关键差距。这种无论是在 Databricks 中托管还是导入到 Foundry 中的模型注册能力，为架构提供了关键的选择性。</p>
<p>该合作伙伴关系专注于减少移动数据和管理不同系统所涉及的时间和复杂性。“我们从 Databricks 读取数据，使用 Databricks 计算在数据所在的位置运行计算，您知道，在 Databricks 存储中，我们将输出数据集直接写回 Unity Catalog，” Abood 表示，强调了最小数据移动的成就。这种架构协同的水平使组织能够集中资源构建有价值的运营应用程序，而不是维护复杂的数据基础设施，最终最大化在整个企业中提供基于人工智能的洞察的速度。</p>

PLTR

<p>Palantir 和 Databricks 宣布了一项合作，旨在通过整合各自的平台来增强操作性人工智能，以消除企业数据堆栈中的架构摩擦。该合作重点关注四个关键支柱：数据联邦、治理、计算以及人工智能与工作流，能够实现无缝互操作性并减少数据重复。该集成允许双向数据共享，无需繁琐的 ETL 过程，利用 Databricks 的 Unity Catalog 进行治理。这种协同作用旨在简化数据管理，增强操作应用，并加速 AI 驱动的洞察在组织中的交付</p>

<p>The future of operational artificial intelligence hinges not just on sophisticated models, but on eliminating the architectural friction that plagues most enterprise data stacks. This was the central theme of a recent deep dive presentation detailing the collaboration between Palantir and Databricks, demonstrating how two of the industry’s most powerful platforms are integrating at the foundational level to accelerate customer outcomes. The partnership is a direct response to a common reality: customers were already utilizing both Palantir Foundry and the Databricks Open Data Intelligence Platform side-by-side, but the lack of seamless interoperability created unnecessary complexity and latency.</p>
<div class="lb-trans"><p>运营人工智能的未来不仅依赖于复杂的模型，还在于消除困扰大多数企业数据堆栈的架构摩擦。这是最近一次深入演示的核心主题，详细介绍了 Palantir 与 Databricks 之间的合作，展示了这两个行业最强大平台如何在基础层面进行集成，以加速客户成果。该合作伙伴关系是对一个普遍现实的直接回应：客户已经在并行使用 Palantir Foundry 和 Databricks 开放数据智能平台，但缺乏无缝的互操作性导致了不必要的复杂性和延迟。</p>
</div><p>Chad Walkowski, a Deployed Architect at Palantir, and Ben Abood, an Architect at Databricks, jointly presented the technical pillars of the newly deepened integration. They emphasized that the collaboration was inherently “customer-driven,” born from joint executive discussions last year centered on how to resolve the impedance mismatch between the two ecosystems. The integration focuses on four key pillars: Data Federation, Governance, Compute, and AI &amp; Workflows, all designed to deliver value quicker by removing the necessity of moving and copying data across platforms.</p>
<div class="lb-trans"><p>Palantir 的部署架构师 Chad Walkowski 和 Databricks 的架构师 Ben Abood 共同展示了新深化集成的技术支柱。他们强调，这一合作本质上是 “以客户为驱动”，源于去年围绕如何解决两个生态系统之间的阻抗不匹配的联合高管讨论。集成重点关注四个关键支柱：数据联邦、治理、计算以及人工智能与工作流，旨在通过消除在平台之间移动和复制数据的必要性，更快地提供价值。</p>
</div><p>The primary technical breakthrough lies in achieving true bi-directional interoperability. Historically, integrating such disparate platforms required cumbersome ETL (Extract, Transform, Load) pipelines, leading to data duplication, increased storage costs, and stale information. Databricks’ Unity Catalog acts as the unified governance layer, allowing Palantir Foundry to register Databricks tables as “Virtual Tables” directly within its environment. This mechanism means that Foundry can access and utilize data residing in the Databricks Lakehouse without physically moving it.</p>
<div class="lb-trans"><p>主要的技术突破在于实现真正的双向互操作性。历史上，集成如此不同的平台需要繁琐的 ETL（提取、转换、加载）管道，导致数据重复、存储成本增加和信息滞后。Databricks 的 Unity Catalog 充当统一治理层，允许 Palantir Foundry 在其环境中将 Databricks 表注册为 “虚拟表”。这一机制意味着 Foundry 可以访问和利用存储在 Databricks Lakehouse 中的数据，而无需物理移动。</p>
</div><p>“Really, this is the synchronous bi-directional integration backward and forward so that I can have data in Databricks and register it in Palantir, I can create data in Palantir, register it in Databricks, and move those back and forth seamlessly, all with a unified catalog and governance around it,” Walkowski explained. This architectural simplification is paramount.</p>
<div class="lb-trans"><p>“实际上，这是一种同步的双向集成，可以让我在 Databricks 中拥有数据并在 Palantir 中注册它，我可以在 Palantir 中创建数据，注册到 Databricks，并无缝地在两者之间移动，所有这些都围绕着一个统一的目录和治理，” Walkowski 解释道。这种架构简化至关重要。</p>
</div><p>The core advantage is immediate, secure data sharing and simplified governance. Databricks’ Unity Catalog manages the fine-grained access control permissions, which are enforced when data is federated into Foundry. Palantir leverages service principal and workload identity federation for authentication, ensuring that Foundry accesses data in Databricks only with the necessary permissions, eliminating the need for hard-coded credentials or secrets.</p>
<div class="lb-trans"><p>核心优势在于即时、安全的数据共享和简化的治理。Databricks 的 Unity Catalog 管理细粒度的访问控制权限，这些权限在数据被联邦到 Foundry 时得到执行。Palantir 利用服务主体和工作负载身份联邦进行身份验证，确保 Foundry 仅在具备必要权限的情况下访问 Databricks 中的数据，消除了硬编码凭证或秘密的需要。</p>
</div><p>The integration is designed to ensure that the computational workload is performed where the data resides, a concept known as compute pushdown. If a user defines a transformation or pipeline within Palantir Foundry’s low-code tools, the execution is automatically pushed down to Databricks’ serverless compute infrastructure. This means customers can leverage the tools they are familiar with in Foundry—such as Pipeline Builder or Code Repositories—while benefiting from Databricks’ performance and scalability for data processing. This combination drastically reduces operational overhead and speeds up the transformation process.</p>
<div class="lb-trans"><p>该集成旨在确保计算工作负载在数据所在的位置执行，这一概念称为计算下推。如果用户在 Palantir Foundry 的低代码工具中定义了转换或管道，执行将自动推送到 Databricks 的无服务器计算基础设施。这意味着客户可以利用他们在 Foundry 中熟悉的工具——如管道构建器或代码库——同时享受 Databricks 在数据处理方面的性能和可扩展性。这种组合大幅减少了运营开销，加快了转换过程。</p>
</div><p>“If I’ve already got all my data together and I’m pipelining, I’m doing this work in Databricks, now I want to build operational applications and I want to model into the ontology the data, not only the data but also the logic and the actions to really be able to drive these integrated workflows across your business,” Walkowski noted, emphasizing the shift toward operational applications driven by real-time data. The ability to perform complex data transformations and filtering in Foundry, while the actual computation occurs seamlessly in Databricks, demonstrates a first-class product integration, not merely a rudimentary connector.</p>
<div class="lb-trans"><p>“如果我已经将所有数据整合在一起，并且在 Databricks 中进行管道处理，现在我想构建运营应用程序，并希望将数据建模到本体中，不仅是数据，还有逻辑和行动，以真正推动这些跨业务的集成工作流，” Walkowski 指出，强调了由实时数据驱动的运营应用程序的转变。在 Foundry 中执行复杂的数据转换和过滤的能力，而实际计算则在 Databricks 中无缝进行，展示了一种一流的产品集成，而不仅仅是一个初步的连接器。</p>
</div><p>The flexibility extends into the AI and machine learning lifecycle. Data science teams often prefer the notebooks and MLflow environment provided by Databricks for training complex models and handling large datasets. Once a model is trained and registered in Databricks, it can be registered directly within Palantir Foundry’s Ontology. This allows the model to be immediately deployed within Foundry’s operational applications, closing the critical gap between experimental data science and real-world operational deployment. This ability to register models, whether hosted in Databricks or imported into Foundry, provides critical optionality across the architecture.</p>
<div class="lb-trans"><p>这种灵活性延伸到人工智能和机器学习生命周期。数据科学团队通常更喜欢 Databricks 提供的笔记本和 MLflow 环境来训练复杂模型和处理大型数据集。一旦模型在 Databricks 中训练并注册，它可以直接在 Palantir Foundry 的本体中注册。这使得模型能够立即在 Foundry 的运营应用程序中部署，弥合实验数据科学与现实世界运营部署之间的关键差距。这种无论是在 Databricks 中托管还是导入到 Foundry 中的模型注册能力，为架构提供了关键的选择性。</p>
</div><p>The partnership is focused on reducing the time and complexity involved in moving data and managing disparate systems. “We read the data from Databricks, we used Databricks compute to run compute where the data lived, you know, at the Databricks storage, and we wrote that output data set directly back to Unity Catalog,” said Abood, underscoring the achievement of minimal data movement. This level of architectural synergy allows organizations to concentrate resources on building valuable operational applications rather than maintaining complex data infrastructure, ultimately maximizing the velocity of delivering AI-driven insights across the enterprise.</p>
<div class="lb-trans"><p>该合作伙伴关系专注于减少移动数据和管理不同系统所涉及的时间和复杂性。“我们从 Databricks 读取数据，使用 Databricks 计算在数据所在的位置运行计算，您知道，在 Databricks 存储中，我们将输出数据集直接写回 Unity Catalog，” Abood 表示，强调了最小数据移动的成就。这种架构协同的水平使组织能够集中资源构建有价值的运营应用程序，而不是维护复杂的数据基础设施，最终最大化在整个企业中提供基于人工智能的洞察的速度。</p>
</div>

Palantir and Databricks Forge Seamless Data Architecture for Operational AI

- Palantir 与 Databricks 合作解决企业数据架构中的互操作性问题。  
- 集成专注于数据联合、治理、计算、AI 与工作流四大支柱，简化数据管理。  
- 该集成可实现双向互操作，提升实时数据驱动的运营应用开发效率。

Palantir 和 Databricks 携手打造无缝数据架构以支持运营 AI