AI-agents voor Databricks
Een Monmo-agent werkt in Databricks zoals een data engineer tijdens de ochtenddienst. Hij verklaart mislukte jobs, beantwoordt vragen met SQL op tabellen in Unity Catalog, volgt DBU-verbruik via systeemtabelen en documenteert tabellen waar je team vaak vragen over stelt. Hij gebruikt de identiteit die je koppelt, ziet alleen wat Unity Catalog toestaat en vraagt eerst toestemming om een job te starten, compute te wijzigen of data te schrijven.
Bijgewerkt op 2026-11-13 · Gratis beginnen. Betaalde abonnementen vanaf $15 per maand.
Wat AI-agents doen in Databricks
Een mislukte job verklaren
Als een geplande job mislukt, leest de agent de uitvoer van de taken, de foutmelding en de driverlogs. Hij zoekt de notebookcel of het bestand waar het misging en beschrijft de oorzaak met een voorstel voor herstel.
VraagDe nachtelijke orders-job is om 02:10 mislukt. Vertel me welke taak is vastgelopen, waarom en wat je zou aanpassen.
Vragen beantwoorden met een SQL-warehouse
Vraag naar het aantal wekelijks actieve klanten per segment en de agent zoekt de tabellen in Unity Catalog, schrijft de query, voert die uit op het toegewezen SQL-warehouse en toont het antwoord met de SQL-query.
VraagHoeveel wekelijks actieve klanten hadden we per segment in de afgelopen acht weken? Laat de query zien.
DBU-verbruik volgen
Elke maandag leest de agent de systeemtabel met factureringsgegevens, groepeert hij DBU's per workspace, job en SQL-warehouse, vergelijkt hij ze met de week ervoor en schrijft hij een samenvatting in Google Sheets.
VraagVat elke maandag het DBU-verbruik van vorige week samen per job en warehouse en wijs op de grootste stijgingen.
Compute vinden die altijd aanstaat
De agent brengt all-purpose clusters zonder automatische beëindiging, te grote clusters met lichte jobs en SQL-warehouses die 's nachts aan blijven in kaart. Hij stelt ook aangepaste instellingen voor. Voordat hij die toepast, vraagt hij toestemming.
VraagZoek clusters zonder automatische beëindiging en warehouses die de hele nacht draaien. Stel voor elk passende instellingen voor.
Tabellen in Unity Catalog documenteren
De agent leest de tabellen in een schema, bekijkt voorbeelden van kolommen en hun herkomst en schrijft conceptbeschrijvingen die een nieuwe analist kan begrijpen. Je controleert ze in Google Docs. Toevoegen aan Unity Catalog gebeurt pas na je goedkeuring.
VraagSchrijf conceptbeschrijvingen voor de tabellen en kolommen in het sales-schema in Unity Catalog. Laat me ze eerst controleren.
Experimentele runs vergelijken
Voor een MLflow-experiment zet de agent de runs naast elkaar op basis van parameters en meetwaarden. Hij haalt eruit wat er verschilde tussen de beste runs en de rest en schrijft een kort bericht voor het team in Slack.
VraagVergelijk de laatste 20 runs in het churn-model-experiment en vertel me welke parameters het verschil maakten.
Controleren wie gevoelige tabellen kan zien
De agent brengt de toegangsrechten op tabellen met persoonsgegevens in kaart, samen met de groepen en gebruikers die toegang hebben. Hij wijst op brede rechten, zoals toegang voor alle accountgebruikers, en stelt voor welke rechten de beheerder kan intrekken.
VraagWie kan de tabellen in het customers_pii-schema lezen? Markeer alle toegang die breder is verleend dan aan het datateam.
Hoe de koppeling werkt
- 1Je koppelt een Databricks-workspace met een persoonlijk toegangstoken of OAuth, of bij voorkeur met een service principal die je beheerder aanmaakt. Mogelijk moet je workspacebeheerder tokens toestaan. Voor rapportages over verbruik moeten systeemtabelen zijn ingeschakeld.
- 2Databricks past bij een data-agent en een engineering-agent. De rechten in Unity Catalog bepalen welke catalogi en tabellen elke agent ziet. Geef de identiteit van de agent daarom alleen toegang tot de schema's die nodig zijn voor zijn werk.
- 3Voor het lezen van runs, logs, tabellen en systeemtabelen is geen goedkeuring nodig. Voor het starten van een job of notebook, het aanmaken of wijzigen van compute, het schrijven naar een tabel en het wijzigen van rechten vraagt de agent eerst toestemming via een kaart.
Veelgestelde vragen
Kan een AI-agent werken in Databricks-notebooks?
Ja. Een Monmo-agent kan notebooks lezen, uitleggen wat een cel doet en een nieuw notebook voor een analyse opstellen. Voor het opslaan in de workspace en uitvoeren op compute vraagt hij eerst toestemming, omdat een run DBU's verbruikt en mogelijk naar tabellen schrijft. Hij werkt via de Databricks-koppeling of in zijn eigen browser als de koppeling iets niet ondersteunt.
Is het veilig om een AI-agent toegang te geven tot data in Unity Catalog?
De AI-agent ziet precies wat Unity Catalog aan zijn identiteit toestaat, en niets meer. Geef hem een service principal met SELECT-rechten op de benodigde schema's en geen toegang tot persoonsgegevens, tenzij de taak daarom vraagt. Lezen vereist geen goedkeuring; voor schrijven of het wijzigen van rechten vraagt de agent eerst toestemming. Je kunt de toegang altijd intrekken.
Kan een AI-agent verklaren waarom onze Databricks-factuur hoger is?
De AI-agent kan laten zien waar het verbruik is gestegen. Op basis van de factureringsgegevens in de systeemtabel splitst hij DBU's uit per job, cluster en warehouse, vergelijkt hij periodes en noemt hij de jobs of clusters achter de stijging. Hij stelt wijzigingen voor, zoals automatische beëindiging of een kleiner warehouse. Jij beslist welke je toepast.
Kan een AI-agent een mislukte Databricks-job herstellen en opnieuw uitvoeren?
De AI-agent zoekt de oorzaak, stelt een oplossing op en vraagt toestemming voordat hij de job opnieuw uitvoert. Als de oplossing in de code zit, opent hij een pull request in GitHub ter controle. Als de job alleen vanaf de mislukte taak hoeft te worden hersteld, toont hij de run op een kaart en voert hij het herstel uit zodra je toestemming geeft.
Je volgende collegakan vandaag al beginnen.
Maak je eerste AI-agent in een minuut. Je begint gratis.