• Hỗ trợ nâng cấp bảng Apache Iceberg v3 lên GA
• Cho phép thiết lập giá trị mặc định bằng biểu thức (expression defaults)
• Mở rộng Cortex AI Gateway sang Azure và Google Cloud thương mại
• Đảm bảo tương thích hoàn toàn với hệ sinh thái Iceberg mã nguồn mở

Phiên bản đặc tả Apache Iceberg v3 mang lại những bước tiến then chốt về khả năng quản lý schema, đặc biệt là hỗ trợ giá trị mặc định cho cột và tối ưu hóa metadata deletion. Việc Snowflake đưa tính năng nâng cấp bảng Iceberg v3 lên GA cho thấy cam kết mạnh mẽ của hãng đối với định dạng bảng mở, xóa bỏ tâm lý lo ngại bị khóa vào định dạng riêng lẻ. Giờ đây, các kỹ sư dữ liệu có thể thoải mái tiến hóa schema phức tạp trên bảng mở mà không lo làm hỏng các truy vấn downstream. Cùng với việc mở rộng Cortex AI Gateway sang Azure và Google Cloud, hạ tầng dữ liệu và AI của Snowflake đang trở nên đa đám mây thực chất hơn bao giờ hết. Doanh nghiệp Việt đang xây dựng lakehouse có thể an tâm lựa chọn Iceberg v3 làm tầng lưu trữ chuẩn mực lâu dài.

• ADBC Driver chính thức đạt trạng thái phát hành rộng rãi (GA)
• Thiết lập làm driver mặc định cho cả Power BI Desktop và Service
• Truyền tải dữ liệu vector hóa trực tiếp qua định dạng Apache Arrow
• Loại bỏ hoàn toàn chi phí tuần tự hóa từng dòng của ODBC/JDBC

Trong kiến trúc BI doanh nghiệp, một trong những điểm nghẽn khó chịu nhất là độ trễ khi Power BI kéo dữ liệu lớn từ cụm lakehouse Databricks về dataset hoặc chạy ở chế độ DirectQuery. Các driver ODBC hay JDBC truyền thống bắt buộc phải chuyển đổi dữ liệu dạng cột trong Spark sang từng dòng dữ liệu tuần tự rồi lại ép về dạng cột trong VertiPaq của Power BI. Trình điều khiển ADBC giải quyết triệt để vấn đề này bằng cách giữ nguyên cấu trúc bộ nhớ Apache Arrow từ cụm tính toán đến client. Kết quả là tốc độ tải bảng và làm mới dữ liệu tăng vọt, tiêu tốn ít CPU hơn và giảm thiểu lỗi timeout mạng. Với các chuyên gia Power BI và kỹ sư dữ liệu tại Việt Nam, đây là nâng cấp giá trị nhất trong năm để tối ưu hóa hiệu năng báo cáo quản trị.

• Cung cấp endpoint Apache Hive Catalog chuẩn giao thức cho BigQuery
• Hỗ trợ chia sẻ và truy vấn dữ liệu đồng thời giữa Spark, Hive và BigQuery
• Đưa tính năng di chuyển metadata từ Dataproc Metastore lên GA
• Vận hành hoàn toàn không máy chủ, tự động mở rộng theo lưu lượng

Rất nhiều tổ chức lớn hiện nay duy trì hạ tầng lai: các tác vụ ETL nặng chạy trên Apache Spark hoặc Dataproc, trong khi các chuyên viên phân tích lại truy vấn báo cáo trên BigQuery. Trước đây, việc đồng bộ metadata giữa cụm Hive Metastore tự quản với BigQuery đòi hỏi các pipeline đồng bộ phức tạp và thường xuyên xảy ra tình trạng lệch schema. Với việc BigQuery mở endpoint Hive Catalog không máy chủ lên GA, các ứng dụng Spark bên ngoài có thể coi BigQuery như một Hive Metastore chuẩn. Điều này giúp loại bỏ hoàn toàn chi phí duy trì cụm máy chủ metastore chuyên dụng và bảo đảm tính nhất quán dữ liệu tức thì. Doanh nghiệp di cư từ Hadoop sang GCP sẽ giảm được nhiều tháng công sức cấu hình hạ tầng.

• Đánh giá lại cơ chế kiểm soát tương tranh trong kiến trúc điện toán đám mây
• Chứng minh SVCC vượt trội khi tách biệt engine giao dịch và lưu trữ phân tích
• Giảm thiểu đáng kể chi phí rác bộ nhớ (garbage collection) và metadata phình to
• Được chấp thuận công bố tại hội nghị danh giá CIDR 2027

Trong hơn 30 năm qua, MVCC được xem như tiêu chuẩn vàng cho các hệ quản trị cơ sở dữ liệu như PostgreSQL hay Oracle để tránh tình trạng đọc chặn ghi. Tuy nhiên, nhóm nghiên cứu chỉ ra rằng trong kỷ nguyên lakehouse và cloud database hiện đại, khối lượng công việc phân tích đã được đẩy sang tầng lưu trữ dạng cột (Parquet/Iceberg/Delta), còn engine giao dịch chỉ cần xử lý các tác vụ OLTP chớp nhoáng. Khi đó, việc duy trì đa phiên bản bản ghi trong bộ nhớ của MVCC tạo ra gánh nặng khủng khiếp về quản lý bộ nhớ và thu gom rác (vacuuming). Bằng cách sử dụng SVCC kết hợp với khả năng cô lập ở tầng điều phối đám mây, hệ thống đạt thông lượng giao dịch cao hơn hẳn với mã nguồn tinh giản. Đây là góc nhìn học thuật sắc bén giúp các kiến trúc sư nhìn nhận lại bản chất thiết kế của hệ thống dữ liệu.

• Phân tích chi tiết 3 tầng siêu dữ liệu: Catalog, Metadata file và Manifest list
• Giải thích cơ chế cắt tỉa phân vùng (partition pruning) trực tiếp ở cấp độ metadata
• Trình diễn cách DuckDB đọc trực tiếp bảng Iceberg trên S3 mà không cần Spark
• Hướng dẫn tối ưu hóa chi phí đọc file parquet qua HTTP range requests

Nhiều kỹ sư dữ liệu vẫn nhầm tưởng muốn đọc và xử lý bảng Iceberg thì bắt buộc phải dựng các cụm tính toán phân tán nặng nề như Spark, Trino hay trả tiền cho warehouse lớn. Bài viết của DuckDB làm sáng tỏ cơ chế hoạt động thực sự: Iceberg bản chất là một cây metadata dạng cây phân cấp chỉ trỏ đến các file Parquet bất biến. Nhờ khả năng xử lý truy vấn cục bộ siêu tốc, DuckDB chỉ cần tải một phần manifest file qua các lệnh HTTP Range request để biết chính xác file Parquet nào chứa dữ liệu cần tìm. Cách tiếp cận này giúp các bài toán ad-hoc query hay kiểm tra chất lượng dữ liệu lakehouse có thể chạy ngay trên máy tính của data analyst trong vài giây với chi phí gần như bằng không.

• Tự động suy luận schema từ các chuỗi JSON lồng nhau trong bảng
• Chuyển đổi trực tiếp payload text thành STRUCT và LIST bằng SQL
• Không sinh file tạm, xử lý hoàn toàn trong bộ nhớ với tốc độ cao
• Tích hợp mượt mà vào các câu lệnh CREATE TABLE AS SELECT

Dữ liệu nghiệp vụ đổ về từ các webhook, event tracking hay cơ sở dữ liệu NoSQL thường bị nén thành một chuỗi JSON khổng lồ nằm trong một cột duy nhất của bảng. Thông thường, data engineer phải viết các đoạn script Python để duyệt từng hàng, parse schema và nhét lại vào cơ sở dữ liệu đích, vừa chậm vừa dễ sập khi có cấu trúc lạ. DuckDB mang đến giải pháp thanh thoát hơn nhiều: dùng hàm phân tích schema tự động ngay trong câu lệnh SQL để biến cột JSON text thành kiểu dữ liệu có cấu trúc phân tầng. Tính năng này cực kỳ hữu ích cho các pipeline xử lý dữ liệu trung gian, giúp tiết kiệm bộ nhớ và rút ngắn chu kỳ chuẩn hóa dữ liệu từ nguồn vào kho.

• Sao chép liên tục dữ liệu từ Postgres vào Snowflake không cần pipeline trung gian
• Đạt độ trễ thấp ở mức gần thời gian thực (near real-time)
• Hỗ trợ triển khai đồng bộ trên cả nền tảng đám mây AWS và Azure
• Giữ nguyên cấu trúc bảng và tự động phản chiếu các thay đổi DML

Trong nhiều năm, các đội ngũ kỹ thuật phải bỏ ra hàng chục giờ mỗi tuần để duy trì các công cụ CDC của bên thứ ba, xử lý replication lag và sửa các lỗi schema mismatch khi đồng bộ dữ liệu từ Postgres sang warehouse. Tính năng Data Mirroring của Snowflake giải quyết bài toán này ở cấp độ nền tảng: cơ chế nhân bản dữ liệu được tích hợp sẵn, tự động phát hiện thay đổi và ánh xạ sang bảng đích. Kỹ sư không cần cấu hình cụm Kafka hay viết code trích xuất định kỳ. Điểm mấu chốt là dữ liệu sau khi mirror được thừa hưởng toàn bộ cơ chế bảo mật và quản trị của Snowflake Horizon, sẵn sàng cho cả báo cáo BI lẫn các tác tử AI truy vấn tức thì.

• Hợp nhất quá trình trích xuất và ghi nhận dữ liệu CDC thành một tác vụ duy nhất
• Không cần triển khai và duy trì các máy chủ Ingestion Gateway riêng biệt
• Tích hợp trực tiếp vào hạ tầng Lakeflow Pipelines có quản trị của Databricks
• Tối ưu hóa hiệu năng đọc binlog của MySQL và ghi trực tiếp vào bảng Delta

Đồng bộ dữ liệu thời gian thực từ các cơ sở dữ liệu quan hệ như MySQL vào data lakehouse thường là cơn ác mộng kiến trúc vì đòi hỏi phải dựng cổng trung chuyển (gateway), cấu hình cụm connector và quản lý trạng thái offset phức tạp. Nếu gateway sập, toàn bộ downstream bị gián đoạn. Databricks giải quyết nút thắt này bằng cách nhúng thẳng logic phân tích binlog vào Lakeflow Pipelines. Toàn bộ quá trình từ đọc sự kiện thay đổi đến cập nhật bảng đích diễn ra trong một luồng thực thi đồng nhất. Đây là bước tiến lớn giúp các doanh nghiệp đang dùng MySQL làm hệ thống lõi có thể đưa dữ liệu vào lakehouse một cách nhanh chóng, tin cậy và tiết kiệm chi phí vận hành.

• Cho phép tham chiếu trực tiếp alias cột vừa tạo trong cùng SELECT hoặc WHERE
• Giảm thiểu tính toán trùng lặp và loại bỏ các tầng subquery không cần thiết
• Hỗ trợ cú pháp di trú quen thuộc từ Snowflake và Teradata
• Tính năng Cross-Region Table Copying chính thức đạt trạng thái GA

Bất kỳ ai viết SQL trên BigQuery đều từng bực bội khi phải lặp lại nguyên một biểu thức tính toán phức tạp (như phép tính tỷ lệ hay hàm điều kiện CASE WHEN) nhiều lần trong cùng câu lệnh hoặc buộc phải bọc nó trong một subquery dài dòng. Việc GoogleSQL chính thức cho phép tham chiếu alias ngay tại chỗ giúp câu truy vấn trở nên ngắn gọn, dễ đọc và dễ bảo trì hơn nhiều. Không chỉ cải thiện trải nghiệm viết code của analyst, tính năng này còn có ý nghĩa chiến lược đối với các dự án di chuyển cơ sở dữ liệu từ Snowflake hay Teradata sang BigQuery, giúp hàng nghìn câu truy vấn kế thừa chạy ngay mà không cần chỉnh sửa cú pháp.

• Phân vùng tài nguyên tính toán độc lập cho từng nhóm đối tượng người dùng
• Phân loại và định tuyến câu lệnh SQL tự động dựa trên mức độ ưu tiên
• Ngăn ngừa tình trạng tranh chấp tài nguyên compute giữa ETL và BI report
• Tối ưu hóa hiệu năng và quản trị chi phí Capacity Units trong Fabric

Trong các môi trường data warehouse dùng chung, bài toán tranh chấp tài nguyên luôn là vấn đề nan giải: một chuyên viên phân tích vô tình chạy một câu truy vấn quét toàn bộ bảng lịch sử nhiều năm có thể làm toàn bộ pipeline ETL quan trọng chạy buổi sáng bị chậm hoặc sập do thiếu tài nguyên. Việc Fabric đưa Custom SQL Pools lên GA giúp các quản trị viên phân chia kho tính toán thành các nhóm riêng biệt. Tác vụ ETL có thể chạy trên một pool riêng với độ ưu tiên cao, trong khi các truy vấn ad-hoc chạy trên pool khác mà không gây ảnh hưởng lẫn nhau. Đây là tính năng sống còn để Microsoft Fabric chinh phục các khách hàng doanh nghiệp lớn với yêu cầu SLA khắt khe.

• Đề xuất cơ chế chứng thực toán học cho việc tái sử dụng cache của LLM
• Kiểm soát giới hạn sai số (bound errors) đối với độ chính xác và độ bao phủ
• Giảm thiểu đáng kể số lần gọi mô hình ngôn ngữ lớn đắt đỏ trên tập dữ liệu lớn
• Tương thích với các hệ cơ sở dữ liệu hỗ trợ toán tử lọc ngữ nghĩa tự nhiên

Khi các hệ quản trị cơ sở dữ liệu tích hợp các hàm ngữ nghĩa dùng LLM để lọc bản ghi theo ngôn ngữ tự nhiên (ví dụ: 'tìm khách hàng có phản hồi tiêu cực'), chi phí suy luận và độ trễ truy vấn tăng lên chóng mặt. Phương pháp cache thông thường rất dễ gặp lỗi vì hai prompt có ý nghĩa tương đương nhưng khác câu chữ có thể bị suy diễn sai lệch. SemReuse giải quyết vấn đề này bằng một cơ chế kiểm toán có bảo chứng toán học, xác định chính xác khi nào một tập kết quả lọc trước đó có thể được dùng lại một cách an toàn mà không làm mất bản ghi hay thêm bản ghi rác. Đây là một đóng góp học thuật rất thực tế giúp hạ tầng dữ liệu tích hợp AI trở nên khả thi về mặt kinh tế khi đưa vào sản xuất.

• Dashboard Insights tự động trích xuất điểm nổi bật từ các đồ thị trực quan
• Hỗ trợ kho tính toán Lakehouse Real-Time cho dashboard có độ trễ cực thấp
• Tác tử Genie Agent Mode được nâng cấp mô hình suy luận tốc độ cao
• Cho phép người dùng drill-down trực tiếp trên các bảng pivot table phức tạp

Một nghịch lý phổ biến trong doanh nghiệp là các đội ngũ kỹ thuật tốn rất nhiều công sức xây dựng dashboard lung linh, nhưng lãnh đạo và người dùng kinh doanh khi mở ra lại không biết số liệu đó nói lên điều gì. Tính năng Dashboard Insights của Genie giải quyết đúng khoảng trống giao tiếp này. Thay vì bắt người dùng tự nhìn biểu đồ rồi đoán nguyên nhân doanh thu sụt giảm, tác tử AI tự động đọc dữ liệu đằng sau, chạy các phép phân tích đóng góp yếu tố và đưa ra bản tóm tắt bằng ngôn ngữ tự nhiên. Việc kết hợp trợ lý phân tích trực tiếp với kho dữ liệu có quản trị Unity Catalog giúp câu trả lời luôn có căn cứ số liệu xác thực, mở ra tương lai của Business Intelligence tương tác.

• Đo lường độ biến thiên kết quả giữa các lần chạy giống hệt nhau ở temperature 0
• Tỷ lệ phán đoán cấp dòng thay đổi từ 0,07% đến 10,2%, cao nhất đạt 24%
• Kế hoạch thực thi truy vấn quan hệ khuếch đại các sai lệch nhỏ thành kết quả sai lớn
• Đề xuất các nguyên tắc báo cáo và thiết kế bắt buộc cho hệ thống dữ liệu AI

Trong thế giới cơ sở dữ liệu truyền thống, tính tất định (determinism) là điều hiển nhiên: cùng một dữ liệu và cùng một câu truy vấn thì 100 lần chạy phải ra cùng một kết quả. Nghiên cứu mang tính đột phá này của IBM chỉ ra một thực tế đáng sợ: khi chúng ta đưa LLM vào làm toán tử xử lý dữ liệu, sự thiếu nhất quán nội tại của mô hình tạo ra những phán đoán ngẫu nhiên ngay cả khi đã khóa nhiệt độ về 0. Nguy hiểm hơn, khi câu truy vấn ngữ nghĩa đi qua các phép toán quan hệ như JOIN, GROUP BY hay FILTER, những sai lệch ở cấp độ dòng dữ liệu này sẽ bị nhân lên theo cấp số nhân, khiến báo cáo tài chính hay dự báo kinh doanh có thể lệch hẳn sang một hướng khác. Đây là bài học đắt giá nhắc nhở các kỹ sư không được giao toàn quyền cho agent mà phải xây dựng các bộ kiểm định tính toàn vẹn nghiêm ngặt.

• Bộ thư viện SDK bản địa bằng Python dành riêng cho Cortex Agents
• Hỗ trợ xây dựng luồng làm việc đa tác tử (multi-agent orchestration)
• Tích hợp trực tiếp với các công cụ Cortex Search và Cortex Analyst
• Tự động thực thi quyền truy cập dữ liệu và chính sách bảo mật nội bộ

Việc dựng các trợ lý AI tương tác với cơ sở dữ liệu doanh nghiệp thường gặp trở ngại khi phải tự viết code kết nối REST API, quản lý token phiên làm việc và bảo đảm an toàn phân quyền. Với Cortex Agent SDK, Snowflake mang đến một trải nghiệm phát triển phần mềm chuẩn mực cho kỹ sư dữ liệu và nhà phát triển AI. SDK cung cấp sẵn các phương thức trừu tượng để định nghĩa mục tiêu tác tử, gọi các công cụ tìm kiếm ngữ nghĩa (Cortex Search) và sinh truy vấn (Cortex Analyst) trong một luồng logic chặt chẽ. Quan trọng nhất là toàn bộ quá trình xử lý đều diễn ra bên trong môi trường bảo mật của Snowflake, bảo đảm bí mật kinh doanh không bao giờ bị lộ ra các mô hình bên ngoài.

• Tiếp nhận và làm giàu siêu dữ liệu từ các hệ thống vận hành bên ngoài
• Cung cấp mô tả ngữ nghĩa và mối quan hệ bảng biểu cho AI agents
• Bảo tồn toàn vẹn chuỗi truy vết nguồn gốc dữ liệu (data lineage)
• Hoạt động như một lớp ngữ cảnh trung tâm cho toàn bộ nền tảng dữ liệu

Nhiều doanh nghiệp thất bại khi triển khai Text-to-SQL hay AI Agent không phải vì mô hình ngôn ngữ kém thông minh, mà vì database của họ chứa đầy những cái tên cột vô nghĩa như 'c1', 'flag_status_9' mà không có tài liệu giải thích. Horizon Context đánh dấu bước chuyển mình quan trọng của catalog dữ liệu: từ một công cụ kiểm toán thụ động trở thành một 'bộ não ngữ cảnh' chủ động cho AI. Bằng cách cho phép nhập siêu dữ liệu phong phú từ các hệ thống tài liệu như Confluence, Notion hay dbt docs vào thẳng Horizon, Snowflake giúp agent hiểu rõ logic kinh doanh thực sự đằng sau từng con số. Đây là nền tảng cốt lõi của 'Context Engineering' mà mọi data team cần chú trọng đầu tư.

• Tranh luận xoay quanh gánh nặng duy trì các dịch vụ REST Catalog của Iceberg
• DuckLake v1.0 thu hút chú ý nhờ tận dụng SQLite và Postgres làm catalog giao dịch
• Phân tích ranh giới giữa nhu cầu hồ dữ liệu khổng lồ và ứng dụng cục bộ/biên
• Cảnh báo về nguy cơ phân mảnh hệ sinh thái định dạng bảng hồ dữ liệu

Apache Iceberg hiện là người chiến thắng rõ ràng trong cuộc chiến định dạng bảng mở cấp doanh nghiệp, nhưng đi kèm với sự phổ biến đó là độ phức tạp gia tăng chóng mặt. Để vận hành Iceberg mượt mà, doanh nghiệp cần REST catalog, dịch vụ nén file snapshot, dọn dẹp manifest và các engine tính toán lớn. Cuộc thảo luận trên Hacker News tuần này phản ánh nỗi bức xúc có thật của các đội ngũ kỹ thuật nhỏ: họ muốn có tính năng ACID và time travel của lakehouse nhưng không muốn gánh vác chi phí hạ tầng khổng lồ. Sự xuất hiện của các giải pháp như DuckLake cho thấy nhu cầu về một 'lakehouse bỏ túi' chạy trên Postgres đang ngày càng lớn, nhắc nhở các kiến trúc sư phải cân nhắc kỹ bài toán quy mô trước khi vội vã chạy theo chuẩn doanh nghiệp lớn.

• Khởi động diễn đàn và câu lạc bộ sách về thực hành mô hình hóa dữ liệu
• Phân tích sự lãng phí khi đầu tư hạ tầng real-time mà nghiệp vụ không cần
• Khẳng định mô hình dữ liệu tốt là nền tảng sống còn cho cả BI lẫn AI
• Nhấn mạnh vai trò của kiến trúc sư dữ liệu trong việc kiểm soát kỳ vọng kinh doanh

Trong cơn sốt công nghệ, nhiều nhà quản lý dễ dàng gật đầu chi hàng trăm nghìn USD để xây dựng hệ thống stream dữ liệu về dashboard mỗi giây chỉ vì nghe có vẻ hiện đại. Nhưng như Joe Reis chỉ ra, phần lớn các quyết định kinh doanh như nhập hàng, định giá hay tuyển dụng thực tế chỉ diễn ra theo tuần hoặc theo tháng. Việc streaming dữ liệu liên tục nhưng thiếu một mô hình dữ liệu (data model) chuẩn mực chỉ tạo ra một 'hồ rác thời gian thực' mà không ai dám tin cậy để dùng. Thay vì chạy theo tốc độ mili-giây, giá trị lớn nhất mà kỹ sư dữ liệu có thể mang lại là làm việc chặt chẽ với các phòng ban kinh doanh để xây dựng các định nghĩa logic rõ ràng, chuẩn hóa schema và bảo đảm chất lượng dữ liệu từ gốc.

• Dự án sách hướng dẫn kỹ thuật dữ liệu mã nguồn mở thu hút sự quan tâm lớn
• Tập trung vào kiến trúc đường ống phục vụ huấn luyện mô hình và hệ thống RAG
• Chuyển dịch trọng tâm từ viết code đường ống thủ công sang quản trị và chất lượng
• Cung cấp cái nhìn toàn diện về hệ sinh thái công cụ dữ liệu hiện đại

Sự phát triển vượt bậc của các mô hình sinh mã và các trợ lý trí tuệ nhân tạo khiến nhiều người đặt câu hỏi về tương lai của nghề Data Engineer: nếu AI có thể viết một câu lệnh SQL phức tạp hay tạo script PySpark trong vài giây, kỹ sư dữ liệu sẽ làm gì? Cuộc thảo luận trên Hacker News đã đưa ra câu trả lời thuyết phục: viết code chỉ là một phần nhỏ của công việc. Kỹ năng quan trọng nhất mà không một agent nào có thể thay thế là thấu hiểu quy trình vận hành của doanh nghiệp, thiết kế hợp đồng dữ liệu (data contracts), bảo đảm tính toàn vẹn của dữ liệu ở runtime và kiến trúc các luồng dữ liệu an toàn cho AI. Kỹ sư dữ liệu không bị đào thải, mà đang được giải phóng khỏi các công việc gõ code rập khuôn để tiến lên thành những kiến trúc sư hệ thống chiến lược.

• Phát hành chính thức thư viện trino-go-client phiên bản 1.0.0 ổn định
• Nâng cấp Trino Gateway điều phối lưu lượng giữa nhiều cụm Trino độc lập
• Cải tiến hiệu năng các hàm ngữ pháp SQL và tối ưu hóa xử lý kiểu số NUMBER
• Tăng cường khả năng chịu lỗi và tính sẵn sàng cao cho enterprise lakehouse

Trong khi phần lớn các công cụ tương tác dữ liệu dựa vào Python hoặc Java, việc cộng đồng Trino đưa trình điều khiển chính thức bằng ngôn ngữ Go lên phiên bản 1.0.0 đánh dấu một bước tiến quan trọng cho các ứng dụng web nghiệp vụ và microservices hạ tầng. Go nổi tiếng với khả năng xử lý đồng thời siêu tốc và tiêu thụ ít tài nguyên, rất thích hợp để viết các backend API phục vụ hàng triệu người dùng truy vấn trực tiếp vào lakehouse. Kết hợp với Trino Gateway giúp chia tải thông minh giữa nhiều cụm máy chủ, các doanh nghiệp lớn có thể tự tin mở rộng hệ thống truy vấn dữ liệu mà không sợ bị nghẽn cổ chai tại một điểm duy nhất.

• Khảo sát chỉ ra 88% dự án AI Agent thử nghiệm thất bại khi lên production
• Xác định nguyên nhân cốt lõi là dữ liệu bị phân mảnh và thiếu ngữ cảnh nghiệp vụ
• Đề xuất kiến trúc Agentic Data Infrastructure dựa trên dữ liệu liên kết
• Tự động áp dụng phân quyền và ngữ nghĩa đồng nhất qua Starburst Galaxy

Sau làn sóng hào hứng ban đầu khi xây dựng các chatbot và trợ lý AI thử nghiệm, hầu hết các lãnh đạo công nghệ đều vấp phải một bức tường vô hình khi muốn đưa agent vào vận hành chính thức: agent không thể truy cập dữ liệu nằm rải rác ở hàng chục hệ thống khác nhau, hoặc khi truy cập được thì lại vi phạm quyền bảo mật dữ liệu. Bằng cách thúc đẩy khái niệm Agentic Data Infrastructure, Starburst đưa ra giải pháp thực tế: thay vì cố gắng gom tất cả dữ liệu về một chỗ (điều bất khả thi với các tập đoàn lớn), hãy xây dựng một tầng liên kết dữ liệu thống nhất. Tầng này vừa giúp agent truy vấn tức thì dữ liệu ở bất kỳ đâu, vừa đóng vai trò như một chốt chặn bảo mật bảo đảm agent chỉ thấy những gì được phép thấy.

• Copilot tự động lựa chọn và cấu hình custom visuals trong Power BI
• Tích hợp sâu rộng vào cơ chế Skills của Microsoft Fabric
• Hỗ trợ các biểu đồ chuyên biệt như Gantt chart và biểu đồ phân cấp
• Chính thức đạt trạng thái phát hành rộng rãi (GA) trong bản cập nhật tháng 10

Việc dựng báo cáo trong Power BI lâu nay luôn đòi hỏi sự tỉ mỉ trong việc chọn visual phù hợp, kéo thả trường dữ liệu và căn chỉnh màu sắc thẩm mỹ. Khi Copilot được trang bị kỹ năng hiểu và sử dụng cả các custom visual của bên thứ ba, trải nghiệm người dùng bước sang một trang mới. Một nhà quản lý dự án có thể chỉ cần gõ: 'hãy vẽ tiến độ dự án bằng biểu đồ Gantt và làm nổi bật các khâu đang trễ hạn', Copilot sẽ tự động tải visual, ánh xạ đúng các cột ngày tháng và xuất ra báo cáo hoàn chỉnh. Điều này giúp đẩy nhanh tốc độ chuyển giao báo cáo từ vài ngày xuống còn vài phút, thúc đẩy mạnh mẽ văn hóa tự phục vụ dữ liệu (self-service BI) trong các tổ chức.

• Huy động thành công 750 triệu USD vòng Series D do quỹ Accel dẫn đầu
• Nâng mức định giá doanh nghiệp lên 15,75 tỷ USD
• Tự phát triển tầng lưu trữ và tính toán tối ưu riêng cho cụm GPU toàn cầu
• Thời gian khởi động container siêu tốc phục vụ inference và batch pipeline

Hạ tầng đám mây truyền thống như AWS ECS hay Kubernetes thường mất từ vài chục giây đến vài phút để khởi động một container mới có gắn GPU, tạo ra độ trễ không thể chấp nhận được cho các ứng dụng AI suy luận hoặc các tác vụ xử lý dữ liệu tức thì. Thành công vượt trội của Modal nằm ở việc họ tự thiết kế lại tầng lưu trữ tệp và mạng từ đầu, giúp container khởi động chỉ trong vài trăm mili-giây. Vòng gọi vốn khổng lồ này phản ánh một xu hướng lớn của ngành: các kỹ sư dữ liệu và nhà phát triển AI đang ngày càng quay lưng lại với việc tự vận hành cụm Kubernetes phức tạp để chuyển sang mô hình serverless thuần túy, nơi họ chỉ trả tiền cho từng giây tính toán thực tế.

• Đạt chứng nhận tuân thủ độc lập OSPAR của Hiệp hội Ngân hàng Singapore
• Đáp ứng các yêu cầu kiểm toán khắt khe đối với dịch vụ gia công ngoài của ngân hàng
• Bảo đảm an toàn tuyệt đối cho các luồng xử lý giao dịch tài chính thời gian thực
• Tạo động lực mạnh mẽ cho các dự án hiện đại hóa ngân hàng tại Đông Nam Á

Ngành ngân hàng và dịch vụ tài chính luôn là khách hàng tiềm năng lớn nhất của các giải pháp streaming dữ liệu thời gian thực (để phát hiện gian lận thẻ, tính toán hạn mức tín dụng tức thì), nhưng cũng là đối tượng khó tính nhất về mặt tuân thủ bảo mật. Tiêu chuẩn OSPAR của Singapore được xem là một trong những bộ quy tắc kiểm toán dịch vụ đám mây ngặt nghèo nhất thế giới. Việc Confluent Cloud đạt được chứng nhận này là một tấm vé thông hành vàng, không chỉ mở rộng thị trường tại Singapore mà còn tạo tiền lệ cho các ngân hàng tại Việt Nam và khu vực tự tin đưa các luồng dữ liệu giao dịch cốt lõi lên nền tảng đám mây quản trị mà không sợ vi phạm quy định của cơ quan quản lý.