En nuestra implementación, Genie Space se utiliza activamente para habilitar el acceso basado en NLQ a través de múltiples productos de datos como Finanzas, RRHH, Marketing, Ventas y Cadena de Suministro (inventario, planificación de la demanda y reabastecimiento), reduciendo la dependencia de los equipos de datos para consultas ad-hoc. Diseñamos espacios Genie separados para cada unidad de negocio/equipo/producto de datos, asegurando el aislamiento a nivel de dominio mientras se sigue apoyando la consulta transversal cuando es necesario (por ejemplo, uniones de Finanzas + Ventas). Cada espacio Genie está cuidadosamente configurado con tablas de datos seleccionadas, instrucciones a nivel de negocio y contexto semántico, lo que mejora significativamente la precisión de la generación de SQL. Proporcionamos ejemplos de pocos disparos, indicaciones guiadas y preguntas de negocio de muestra adaptadas a cada dominio, ayudando a Genie a entender la intención real del negocio en lugar de patrones de consulta genéricos. En el Modo Chat, los usuarios de negocio hacen preguntas directamente en lenguaje natural, y Genie las traduce en SQL y devuelve resultados, lo que ha mejorado la adopción de análisis de autoservicio. En el Modo Agente, Genie va más allá de la generación de SQL creando un plan de ejecución lógico, desglosando consultas complejas en múltiples pasos antes de consultar los datos subyacentes. Construimos un espacio Genie dedicado al Detector de Anomalías, donde los usuarios hacen preguntas sobre el costo del clúster, problemas de rendimiento y cargas de trabajo ineficientes. Este Genie enfocado en anomalías analiza trabajos de larga duración, consultas ineficientes y patrones de utilización del clúster, utilizando datos históricos de carga de trabajo para identificar oportunidades de optimización. Una implementación clave es el análisis a nivel de cuaderno, donde Genie resalta problemas de código, muestra antes y después de la optimización, categoriza problemas (rendimiento, costo, ineficiencia) y explica las mejoras claramente. Genie también proporciona recomendaciones cuantificadas, incluyendo ahorros de costos esperados (por ejemplo, reducción de clústeres inactivos, impacto de ajuste de consultas) y estrategias de optimización basadas en la carga de trabajo, haciéndolo altamente accionable para los equipos de ingeniería. Extendimos Genie a Genie Code integrado con el Asistente de IA de Databricks, habilitando una experiencia de desarrollo agéntica directamente dentro de nuestros flujos de trabajo de ingeniería de datos. Nuestro equipo definió habilidades personalizadas en Markdown (archivos MD) como Codificador, Probador, Mapeador y Generador de Datos, que están adjuntas a Genie Code para modularizar capacidades. Estas habilidades se utilizan para apoyar actividades de SDLC de extremo a extremo, incluyendo generación de código, creación de lógica de transformación, diseño de casos de prueba y generación de datos sintéticos. Genie Code opera primero creando un plan de ejecución estructurado, delineando todos los pasos requeridos antes de comenzar cualquier actividad de desarrollo. Luego desglosa el plan en una lista detallada de tareas, ejecutando cada paso secuencialmente (por ejemplo, crear cuaderno → escribir transformación → validar lógica → optimizar código). Durante la ejecución, Genie Code sigue un modelo de humano en el bucle, pidiendo aprobaciones en cada paso con opciones como permitir una vez, permitir siempre o ejecución de solo lectura. El comportamiento de Genie Code se controla a través de pautas e instrucciones específicas del proyecto, asegurando que se alinee con nuestros estándares de codificación, patrones de arquitectura y reglas de gobernanza. Actúa como un co-desarrollador dentro del espacio de trabajo, asistiendo a los ingenieros en la escritura de código optimizado, validando la lógica y asegurando que se sigan consistentemente las mejores prácticas. Lo estamos aprovechando para flujos de trabajo de desarrollo proactivos, donde Genie no solo ejecuta tareas sino que también sugiere mejoras y oportunidades de optimización durante el desarrollo mismo. Este enfoque ha habilitado un estilo de desarrollo de "vibe coding", donde los ingenieros se enfocan en la intención mientras Genie maneja la ejecución estructurada, resultando en una entrega más rápida, esfuerzo manual reducido y mejor calidad general del código.

Utilizo Databricks para Ingeniería de Datos y Ciencia de Datos, y me da acceso a datos y potentes recursos de computación para responder rápidamente a los análisis y construir pipelines para un seguimiento continuo. Me gusta que Databricks siempre esté mejorando y que sea una plataforma enriquecida con muchas características. Me ayuda a reducir el tiempo para obtener información, y nunca me preocupo por retrasos o por dudar de que las herramientas que necesito para tener éxito no estén disponibles.

Como un ingeniero de datos en crecimiento, el apoyo de la comunidad y la documentación clara de Databricks realmente me ayuda a guiarme a través de los problemas. He estado gestionando los trabajos y las canalizaciones donde los fallos son inevitables, depurar con la función Diagnosticar este error con IA me ha ayudado a acelerar el SLA de recuperación de fallos. La interfaz de usuario es limpia y facilita mucho el movimiento entre cuadernos, SQL y PySpark sin mucha fricción. Dado que trabajo con un equipo, la colaboración es imprescindible. Compartir cuadernos e iterar con compañeros de equipo se siente fácil. Realmente me gusta que puedo confiar en las políticas ABAC para configurar la calidad y gobernanza de los datos.