<p>運營人工智能的未來不僅依賴於複雜的模型，還在於消除困擾大多數企業數據堆棧的架構摩擦。這是最近一次深入演示的核心主題，詳細介紹了 Palantir 與 Databricks 之間的合作，展示了這兩個行業最強大平台如何在基礎層面進行集成，以加速客户成果。該合作伙伴關係是對一個普遍現實的直接回應：客户已經在並行使用 Palantir Foundry 和 Databricks 開放數據智能平台，但缺乏無縫的互操作性導致了不必要的複雜性和延遲。</p>
<p>Palantir 的部署架構師 Chad Walkowski 和 Databricks 的架構師 Ben Abood 共同展示了新深化集成的技術支柱。他們強調，這一合作本質上是 “以客户為驅動”，源於去年圍繞如何解決兩個生態系統之間的阻抗不匹配的聯合高管討論。集成重點關注四個關鍵支柱：數據聯邦、治理、計算以及人工智能與工作流，旨在通過消除在平台之間移動和複製數據的必要性，更快地提供價值。</p>
<p>主要的技術突破在於實現真正的雙向互操作性。歷史上，集成如此不同的平台需要繁瑣的 ETL（提取、轉換、加載）管道，導致數據重複、存儲成本增加和信息滯後。Databricks 的 Unity Catalog 充當統一治理層，允許 Palantir Foundry 在其環境中將 Databricks 表註冊為 “虛擬表”。這一機制意味着 Foundry 可以訪問和利用存儲在 Databricks Lakehouse 中的數據，而無需物理移動。</p>
<p>“實際上，這是一種同步的雙向集成，可以讓我在 Databricks 中擁有數據並在 Palantir 中註冊它，我可以在 Palantir 中創建數據，註冊到 Databricks，並無縫地在兩者之間移動，所有這些都圍繞着一個統一的目錄和治理，” Walkowski 解釋道。這種架構簡化至關重要。</p>
<p>核心優勢在於即時、安全的數據共享和簡化的治理。Databricks 的 Unity Catalog 管理細粒度的訪問控制權限，這些權限在數據被聯邦到 Foundry 時得到執行。Palantir 利用服務主體和工作負載身份聯邦進行身份驗證，確保 Foundry 僅在具備必要權限的情況下訪問 Databricks 中的數據，消除了硬編碼憑證或秘密的需要。</p>
<p>該集成旨在確保計算工作負載在數據所在的位置執行，這一概念稱為計算下推。如果用户在 Palantir Foundry 的低代碼工具中定義了轉換或管道，執行將自動推送到 Databricks 的無服務器計算基礎設施。這意味着客户可以利用他們在 Foundry 中熟悉的工具——如管道構建器或代碼庫——同時享受 Databricks 在數據處理方面的性能和可擴展性。這種組合大幅減少了運營開銷，加快了轉換過程。</p>
<p>“如果我已經將所有數據整合在一起，並且在 Databricks 中進行管道處理，現在我想構建運營應用程序，並希望將數據建模到本體中，不僅是數據，還有邏輯和行動，以真正推動這些跨業務的集成工作流，” Walkowski 指出，強調了由實時數據驅動的運營應用程序的轉變。在 Foundry 中執行復雜的數據轉換和過濾的能力，而實際計算則在 Databricks 中無縫進行，展示了一種一流的產品集成，而不僅僅是一個初步的連接器。</p>
<p>這種靈活性延伸到人工智能和機器學習生命週期。數據科學團隊通常更喜歡 Databricks 提供的筆記本和 MLflow 環境來訓練複雜模型和處理大型數據集。一旦模型在 Databricks 中訓練並註冊，它可以直接在 Palantir Foundry 的本體中註冊。這使得模型能夠立即在 Foundry 的運營應用程序中部署，彌合實驗數據科學與現實世界運營部署之間的關鍵差距。這種無論是在 Databricks 中託管還是導入到 Foundry 中的模型註冊能力，為架構提供了關鍵的選擇性。</p>
<p>該合作伙伴關係專注於減少移動數據和管理不同系統所涉及的時間和複雜性。“我們從 Databricks 讀取數據，使用 Databricks 計算在數據所在的位置運行計算，您知道，在 Databricks 存儲中，我們將輸出數據集直接寫回 Unity Catalog，” Abood 表示，強調了最小數據移動的成就。這種架構協同的水平使組織能夠集中資源構建有價值的運營應用程序，而不是維護複雜的數據基礎設施，最終最大化在整個企業中提供基於人工智能的洞察的速度。</p>

PLTR

<p>Palantir 和 Databricks 宣佈了一項合作，旨在通過整合各自的平台來增強操作性人工智能，以消除企業數據堆棧中的架構摩擦。該合作重點關注四個關鍵支柱：數據聯邦、治理、計算以及人工智能與工作流，能夠實現無縫互操作性並減少數據重複。該集成允許雙向數據共享，無需繁瑣的 ETL 過程，利用 Databricks 的 Unity Catalog 進行治理。這種協同作用旨在簡化數據管理，增強操作應用，並加速 AI 驅動的洞察在組織中的交付</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>運營人工智能的未來不僅依賴於複雜的模型，還在於消除困擾大多數企業數據堆棧的架構摩擦。這是最近一次深入演示的核心主題，詳細介紹了 Palantir 與 Databricks 之間的合作，展示了這兩個行業最強大平台如何在基礎層面進行集成，以加速客户成果。該合作伙伴關係是對一個普遍現實的直接回應：客户已經在並行使用 Palantir Foundry 和 Databricks 開放數據智能平台，但缺乏無縫的互操作性導致了不必要的複雜性和延遲。</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 的部署架構師 Chad Walkowski 和 Databricks 的架構師 Ben Abood 共同展示了新深化集成的技術支柱。他們強調，這一合作本質上是 “以客户為驅動”，源於去年圍繞如何解決兩個生態系統之間的阻抗不匹配的聯合高管討論。集成重點關注四個關鍵支柱：數據聯邦、治理、計算以及人工智能與工作流，旨在通過消除在平台之間移動和複製數據的必要性，更快地提供價值。</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>主要的技術突破在於實現真正的雙向互操作性。歷史上，集成如此不同的平台需要繁瑣的 ETL（提取、轉換、加載）管道，導致數據重複、存儲成本增加和信息滯後。Databricks 的 Unity Catalog 充當統一治理層，允許 Palantir Foundry 在其環境中將 Databricks 表註冊為 “虛擬表”。這一機制意味着 Foundry 可以訪問和利用存儲在 Databricks Lakehouse 中的數據，而無需物理移動。</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>“實際上，這是一種同步的雙向集成，可以讓我在 Databricks 中擁有數據並在 Palantir 中註冊它，我可以在 Palantir 中創建數據，註冊到 Databricks，並無縫地在兩者之間移動，所有這些都圍繞着一個統一的目錄和治理，” Walkowski 解釋道。這種架構簡化至關重要。</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>核心優勢在於即時、安全的數據共享和簡化的治理。Databricks 的 Unity Catalog 管理細粒度的訪問控制權限，這些權限在數據被聯邦到 Foundry 時得到執行。Palantir 利用服務主體和工作負載身份聯邦進行身份驗證，確保 Foundry 僅在具備必要權限的情況下訪問 Databricks 中的數據，消除了硬編碼憑證或秘密的需要。</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>該集成旨在確保計算工作負載在數據所在的位置執行，這一概念稱為計算下推。如果用户在 Palantir Foundry 的低代碼工具中定義了轉換或管道，執行將自動推送到 Databricks 的無服務器計算基礎設施。這意味着客户可以利用他們在 Foundry 中熟悉的工具——如管道構建器或代碼庫——同時享受 Databricks 在數據處理方面的性能和可擴展性。這種組合大幅減少了運營開銷，加快了轉換過程。</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>“如果我已經將所有數據整合在一起，並且在 Databricks 中進行管道處理，現在我想構建運營應用程序，並希望將數據建模到本體中，不僅是數據，還有邏輯和行動，以真正推動這些跨業務的集成工作流，” Walkowski 指出，強調了由實時數據驅動的運營應用程序的轉變。在 Foundry 中執行復雜的數據轉換和過濾的能力，而實際計算則在 Databricks 中無縫進行，展示了一種一流的產品集成，而不僅僅是一個初步的連接器。</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>這種靈活性延伸到人工智能和機器學習生命週期。數據科學團隊通常更喜歡 Databricks 提供的筆記本和 MLflow 環境來訓練複雜模型和處理大型數據集。一旦模型在 Databricks 中訓練並註冊，它可以直接在 Palantir Foundry 的本體中註冊。這使得模型能夠立即在 Foundry 的運營應用程序中部署，彌合實驗數據科學與現實世界運營部署之間的關鍵差距。這種無論是在 Databricks 中託管還是導入到 Foundry 中的模型註冊能力，為架構提供了關鍵的選擇性。</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>該合作伙伴關係專注於減少移動數據和管理不同系統所涉及的時間和複雜性。“我們從 Databricks 讀取數據，使用 Databricks 計算在數據所在的位置運行計算，您知道，在 Databricks 存儲中，我們將輸出數據集直接寫回 Unity Catalog，” Abood 表示，強調了最小數據移動的成就。這種架構協同的水平使組織能夠集中資源構建有價值的運營應用程序，而不是維護複雜的數據基礎設施，最終最大化在整個企業中提供基於人工智能的洞察的速度。</p>
</div>

Palantir and Databricks Forge Seamless Data Architecture for Operational AI

- Palantir 與 Databricks 合作解決企業數據架構中的互操作性問題。  
- 集成專注於數據聯合、治理、計算、AI 與工作流四大支柱，簡化數據管理。  
- 該集成可實現雙向互操作，提升實時數據驅動的運營應用開發效率。

Palantir 和 Databricks 攜手打造無縫數據架構以支持運營 AI