Neuer Ansatz für Echtzeitanalysen mit Databricks LakehouseRT

Die Datenlandschaft von Unternehmen wird zunehmend komplexer, insbesondere wenn es um die Verarbeitung und Analyse von Echtzeitdaten geht. Herkömmlich wurden für diese Anforderungen oft spezialisierte Echtzeitdatenbanken oder Serving-Systeme eingesetzt, die zusätzlich zur bestehenden Analyseinfrastruktur betrieben werden mussten. Dies führte zu einer erhöhten Komplexität, redundanten Datenkopien und zusätzlichen Governance-Herausforderungen. Databricks hat nun mit der Einführung von Lakehouse//RT eine Lösung vorgestellt, die darauf abzielt, diese Fragmentierung zu überwinden und Echtzeitanalysen direkt auf einer einheitlichen Lakehouse-Plattform zu ermöglichen.

Lakehouse//RT: Eine neue Ära der Echtzeitanalyse?

Databricks positioniert Lakehouse//RT als eine Engine, die Echtzeitanalysen direkt auf offenen Datenformaten wie Delta Lake und Apache Iceberg ermöglicht. Die Kernidee hinter dieser Entwicklung ist es, den Bedarf an separaten Echtzeitdatenbanken, die für Anwendungen mit geringer Latenz und hoher Parallelität benötigt werden, zu eliminieren. Dies betrifft insbesondere Anwendungsfälle wie interaktive Dashboards, kundenorientierte Anwendungen und, mit zunehmender Relevanz, KI-Agenten, die kontinuierlich auf aktuelle Unternehmensdaten zugreifen müssen.

Die technologische Basis: Reyden-Engine

Im Zentrum von Lakehouse//RT steht die neu entwickelte Rechen-Engine namens Reyden. Diese Engine ist speziell für die Verarbeitung von Echtzeitabfragen konzipiert und nutzt ein vollständig asynchrones Ausführungsmodell. Laut Databricks ermöglicht Reyden Latenzzeiten im Millisekundenbereich – konkret werden 10 Millisekunden bei kleineren Datensätzen und unter 100 Millisekunden bei größeren Datenbeständen genannt. In Benchmarks sollen Leistungssteigerungen von bis zu 16-mal im Vergleich zu bestehenden Echtzeit-Serving-Layern erzielt worden sein, mit der Fähigkeit, 12.000 Abfragen pro Sekunde bei Latenzen unter 100 Millisekunden zu verarbeiten.

Ein wesentlicher Unterschied zu vielen auf niedrige Latenz optimierten Systemen soll darin bestehen, dass Reyden nicht nur für einfache Schlüssel-Wert-Abfragen, sondern auch für komplexere analytische Abfragen ausgelegt ist. Dies könnte eine breitere Anwendbarkeit im Bereich der Echtzeitanalyse ermöglichen.

Integration in die bestehende Lakehouse-Architektur

Ein zentrales Merkmal von Lakehouse//RT ist die tiefe Integration in den Databricks Lakehouse und insbesondere in den Unity Catalog. Der Unity Catalog bietet eine zentrale Governance-Schicht für alle Daten im Lakehouse, einschliesslich Richtlinien, Berechtigungen und Audit-Funktionen. Durch die Integration von Lakehouse//RT in diese Struktur sollen Unternehmen eine konsistente Datenverwaltung über alle Workloads hinweg gewährleisten können, ohne separate Governance-Systeme für Echtzeitdaten aufsetzen zu müssen. Dies eliminiert die Notwendigkeit proprietärer Datenformate oder komplexer Synchronisationspipelines wie Change Data Capture (CDC), die traditionell erforderlich waren, um Daten zwischen verschiedenen Systemen aktuell zu halten.

Die Architektur zielt darauf ab, dass bestehende Delta- oder Iceberg-Tabellen innerhalb weniger Minuten für Live-Abfragen bereitgestellt werden können, wodurch der Aufwand für Datenintegration und -management erheblich reduziert werden könnte.

Vorteile und Implikationen für B2B-Anwender

Für Unternehmen, insbesondere im B2B-Bereich, könnte die Einführung von Lakehouse//RT mehrere Vorteile mit sich bringen:

• Vereinfachte Datenarchitektur: Durch das Wegfallen separater Echtzeitdatenbanken und Serving-Layer kann die gesamte Datenarchitektur erheblich vereinfacht werden. Dies reduziert die Komplexität und den Wartungsaufwand.
• Kosteneinsparungen: Die Eliminierung redundanter Infrastrukturen und Datenkopien kann zu signifikanten Kosteneinsparungen bei Hardware, Softwarelizenzen und Betrieb führen.
• Konsistente Governance: Die Nutzung des Unity Catalogs für Echtzeitdaten gewährleistet eine einheitliche Sicherheits- und Compliance-Verwaltung über alle Datenbestände hinweg, was besonders in regulierten Branchen von Bedeutung ist.
• Erhöhte Agilität: Die Möglichkeit, Echtzeitanalysen direkt auf bestehenden Daten durchzuführen, ohne aufwendige Datenverschiebungen oder -transformationen, kann die Agilität bei der Entwicklung und Bereitstellung neuer Anwendungen und KI-Modelle erhöhen.
• Unterstützung für KI-Agenten: Im Zeitalter der generativen KI und autonomer KI-Agenten ist der direkte und latenzarme Zugriff auf aktuelle Daten entscheidend. Lakehouse//RT könnte hier eine Grundlage für leistungsfähigere und reaktionsschnellere KI-Anwendungen bieten.

Herausforderungen und Ausblick

Obwohl die angekündigten Funktionen und Leistungsversprechen von Lakehouse//RT vielversprechend erscheinen, müssen sich diese in der Praxis noch beweisen. Databricks hat erste Referenzkunden wie Cisco und Magnite genannt, die von deutlichen Leistungsverbesserungen berichten. Cisco spricht von einer fünffachen Verbesserung der Antwortzeiten bei der Bedrohungssuche, während Magnite Antwortzeiten unter 200 Millisekunden für Dashboard-Abfragen angibt. Es ist jedoch zu beachten, dass diese Leistungsdaten von Databricks und ausgewählten Partnern stammen. Unabhängige Benchmarks und detaillierte Vergleiche mit etablierten Echtzeitsystemen stehen noch aus.

Der aktuelle Beta-Status von Lakehouse//RT deutet darauf hin, dass die Technologie noch in der Entwicklung ist und sich im produktiven Einsatz bewähren muss. Die Fähigkeit, tatsächlich spezialisierte Echtzeitdatenbanken in allen Anwendungsfällen zu ersetzen, wird von der Robustheit, Skalierbarkeit und den detaillierten Leistungsmerkmalen der Reyden-Engine abhängen.

Die Initiative von Databricks, operative und analytische Datenarchitekturen enger zu verzahnen, ist Teil eines breiteren Trends in der Branche, die Komplexität von Datenpipelines zu reduzieren und eine einheitliche Plattform für alle Datenanforderungen zu schaffen. Sollte sich Lakehouse//RT als stabile und leistungsfähige Lösung etablieren, könnte es einen wichtigen Schritt in Richtung einer wirklich integrierten Datenplattform darstellen, die sowohl historische Analysen als auch Echtzeit-Workloads effizient unterstützt.

Bibliography

- Databricks Blog. (2026, Juni 15). Wir stellen vor: Lakehouse//RT: Echtzeit-Performance auf einem einheitlichen Lakehouse. Abgerufen von https://www.databricks.com/de/blog/introducing-lakehousert-real-time-performance-unified-lakehouse - Databricks Press Release. (2026, Juni 16). Databricks Launches Lakehouse//RT to Bring Real-Time Analytics Directly to the Lakehouse. Abgerufen von https://www.databricks.com/company/newsroom/press-releases/databricks-launches-lakehousert-bring-real-time-analytics-directly - Databricks Product Page. (n.d.). Real-Time Lakehouse. Abgerufen von https://www.databricks.com/product/lakehouse/real-time-lakehouse - heise online. (2026, Juni 19). Databricks: Lakehouse//RT soll separate Echtzeitdatenbanken überflüssig machen. Abgerufen von https://www.heise.de/news/Databricks-Lakehouse-RT-soll-separate-Echtzeitdatenbanken-ueberfluessig-machen-11336849.html - ITDigest Bureau. (2026, Juni 17). Databricks Unveils Lakehouse//RT. Abgerufen von https://itdigest.com/cloud-computing-mobility/analytics/databricks-unveils-lakehouse-rt-the-critical-real-time-layer-for-the-agentic-ai-era/ - Kerner, S. M. (2026, Juni 16). Databricks says it solved the decades-old data pipeline problem that's been slowing AI agents. VentureBeat. Abgerufen von https://venturebeat.com/data/databricks-says-it-solved-the-decades-old-data-pipeline-problem-thats-been-slowing-ai-agents - Mellor, C. (2026, Juni 18). Databricks expands Lakehouse to unify OLAP and OLTP. Blocks and Files. Abgerufen von https://www.blocksandfiles.com/data-management/2026/06/18/databricks-expands-lakehouse-to-unify-olap-and-oltp/5258373 - Passero, N., & Muthiah, B. (2026, Juni 18). Exploring Lakehouse//RT and Reyden: Can Databricks Handle FHIR Data at Scale? Perficient Blogs. Abgerufen von https://blogs.perficient.com/exploring-lakehouse-rt-and-reyden-can-databricks-handle-fhir-data-at-scale/