Alors que les équipes data déploient les applications analytiques et de machine learning (ML) au sein de leur organisation, elles ont besoin de pouvoir exploiter les données à grande échelle en toute sécurité. Cela peut être complexe et risqué, notamment lorsqu’elles opèrent dans un environnement multi-cloud. En effet, la sécurité y est fragmentée, ce qui rend les politiques d’accès des entreprises difficiles à déployer , l’administration réactive et inefficace, et les processus DevOps tels que la gestion des utilisateurs et le provisionnement des clusters sont manuels et chronophages. La plateforme Databricks Unified Data Analytics résout ces problématiques en aidant les entreprises à regrouper tous leurs utilisateurs et toutes leurs données autour d’un service simple, évolutif et sécurisé, à même de tirer parti des capacités natives de clouds multiples.

De nouvelles fonctionnalités accrues au sein de la plateforme Databricks :

• Sécurité cloud native : les entreprises peuvent déjà bénéficier de services SaaS entièrement managés sans perdre le contrôle de leurs données en exécutant des clusters Databricks dans leur compte cloud. L’ajout de clés de chiffrement des données révocables appartenant au client et de réseaux privés personnalisés pour gérer ces clusters, permet aux clients d’adapter davantage les services à leurs exigences spécifiques d’entreprise et de conformité.

• Administration simple et proactive : la visibilité et le contrôle global sont un facteur clé pour permettre à des centaines d’équipes composées de milliers d’utilisateurs de travailler de manière efficace. Pour une totale transparence, les organisations peuvent désormais auditer et analyser toute l’activité de leur compte, et établir des politiques d’administration des utilisateurs, de contrôle de budget et de gestion de l’infrastructure.

• Automatisation à grande échelle : l’approche de Databricks basée sur les APIs permet désormais aux clients de mettre rapidement en production l’analytique et le Machine Learning grâce à l’intégration et la livraison en continu (CI/CD). Les équipes DevOps peuvent désormais automatiser tout le cycle de vie des données et du ML, grâce à la prise en charge de git et des APIs pour tout depuis la gestion des utilisateurs au provisionnement des espaces de travail jusqu’aux politiques de clusters, en passant par le monitoring des applications et de l’infrastructure.