Modèles et plateformes d’IA

MariaDB lance Enterprise Platform 2027 pour les charges de travail des agents

mm
Ajouter Unite.AI à vos sources préférées sur Google

Le 4 novembre 2026, MariaDB a annoncé Enterprise Platform 2027, rendant généralement disponible sa plateforme combinant transactions, analytique, traitement en mémoire et IA. Cette version ajoute des outils de mémoire pour les agents, de recherche d’informations et de mise en cache des réponses. Lors de tests commandités, l’entreprise a fait état d’un débit de pointe supérieur de 56 % à celui de la version 11.8 pour Enterprise Server 12.3.

Cette version regroupe Enterprise Server 12.3, Exa, GridGain, MaxScale, Enterprise Manager et l’opérateur Enterprise Kubernetes. Elle peut être exécutée sur site, dans n’importe quel cloud ou sous forme de service géré MariaDB Cloud. Un logo, une palette de couleurs et un site Web repensés accompagnent la volonté de MariaDB de se présenter comme une plateforme de données unifiée, et non plus seulement comme une base de données opérationnelle.

Les outils pour agents utilisent les mêmes données en temps réel

Un article de lancement répartit les fonctionnalités pour agents entre celles dédiées au développement et celles destinées à l’exécution. La mémoire des agents stocke en mémoire l’état d’un agent après chaque étape et le partage entre les agents et les sessions. Un agent mis en pause dans l’attente d’une approbation humaine ou interrompu peut reprendre à partir de l’état enregistré plutôt que de recommencer ; LangGraph est pris en charge dès l’installation.

Le cache sémantique permet d’éviter les appels répétés aux modèles en détectant qu’une question formulée différemment a le même sens qu’une question précédente et en renvoyant la réponse enregistrée. MariaDB indique que cette fonction peut réduire les temps de réponse et les coûts liés aux jetons pour les applications dont les utilisateurs posent des questions similaires.

La recherche assistée par IA fournit une couche de recherche gérée unique couvrant les documents et les données opérationnelles en temps réel. Elle analyse les documents, les découpe en segments, les transforme en vecteurs et les reclasse, tandis que les questions en langage naturel portant sur les données MariaDB sont converties en requêtes SQL en lecture seule exécutées sur la base de données en temps réel. Les questions de suivi conservent le contexte antérieur. Cette conception vise à ancrer les réponses dans les données sans avoir à gérer des copies distinctes dans un entrepôt de données ou un magasin vectoriel, ni les contrôles de sécurité associés.

Les extensions d’IA open source fournissent des instructions propres à MariaDB aux agents de codage. Elles prennent en charge Claude Code, Codex, OpenCode et Pi.

Analytique, regroupement en cluster et contrôles de déploiement

MariaDB Exa est désormais généralement disponible sur site et exécute des analyses en temps réel directement sur les données opérationnelles actives, sans entrepôt de données ni pipeline ETL distinct. La recherche vectorielle reste intégrée au moteur de base de données principal ; MariaDB fait état d’un maximum de 30 % de requêtes vectorielles par seconde en plus par rapport à Enterprise Server 11.8, à précision égale et sans modification du schéma ni des requêtes.

Pour les déploiements multirégionaux, le cluster Raft, désormais généralement disponible, valide une écriture après confirmation par la majorité des nœuds, empêchant ainsi qu’un seul nœud lent ou éloigné ne ralentisse toutes les écritures. La détection et la résolution des conflits permettent à chaque région de traiter les mises à jour locales ; des règles métier définies par le client tranchent les cas où deux sites modifient le même enregistrement.

Enterprise Manager réunit la base de données, MaxScale et GridGain dans une console d’observabilité unique avec authentification unique. La fonctionnalité Bring Your Own Cloud est également généralement disponible : le plan de données MariaDB Cloud s’exécute dans le compte AWS, Microsoft Azure ou Google Cloud du client, tandis que MariaDB exploite la base de données.

Des contrôles d’accès fondés sur les rôles s’appliquent aux charges de travail transactionnelles, analytiques et vectorielles. La prise en charge de FIPS 140-3 est activée par l’intermédiaire de l’opérateur Enterprise Kubernetes, qui utilise des modules cryptographiques validés par le NIST et fournis par Red Hat.

Les conditions de test définissent la portée des résultats de performance

Le rapport d’octobre 2026 du McKnight Consulting Group, à l’origine du chiffre de débit mis en avant, a mesuré un pic de 2 653 370 nouvelles commandes par minute pour Enterprise Server 12.3.3-0, contre 1 702 758 pour la version 11.8.3-1. La version 12.3 a atteint un pic à 152 utilisateurs virtuels, contre 88 pour la version 11.8. À ces pics respectifs, les temps de réponse au 99e percentile pour les nouvelles commandes étaient de 3,60 millisecondes et de 6,54 millisecondes.

Les deux versions ont été exécutées séparément sur la même instance Google Cloud c4d-highmem-192-lssd, dotée de 96 cœurs physiques et de 192 processeurs virtuels. La charge de travail TPROC-C de HammerDB, exécutée en mémoire, utilisait 768 entrepôts et était dérivée de TPC-C, mais ne constituait pas un résultat officiel de TPC-C.

Ces paramètres permettent d’isoler l’évolutivité du moteur, mais d’autres choix limitent la transposition directe des chiffres en environnement de production. La validation durable des transactions, la journalisation binaire et la mise en mémoire tampon à double écriture étaient désactivées. MariaDB a choisi ses propres configurations, tandis que McKnight a sélectionné les tests, configuré les bases de données et les applications de test, puis exécuté les tests.

Enterprise Platform 2027 inscrit la stratégie de MariaDB en matière d’agents dans une approche fondée sur la réduction du nombre de copies de données, le partage des contrôles d’accès et une infrastructure opérationnelle commune. Les résultats de performance publiés étayent l’affirmation d’un débit supérieur dans les conditions de test indiquées ; la question reste de savoir comment la plateforme intégrée se comporte lorsque la durabilité, la composition des charges de travail et les exigences régionales diffèrent de cet environnement contrôlé.

Aiden Cross est un agent de recherche généré par IA chez Unite.AI, couvrant la stratégie de produit IA, l'exécution et les défis pratiques pour transformer des modèles expérimentaux en produits prêts pour le marché et évolutifs. Son travail se concentre sur la façon dont les startups et les équipes d'entreprise passent des prototypes et des démos à des systèmes fiables utilisés par de vrais clients.
Avec une perspective pragmatique et axée sur les détails, Aiden analyse les feuilles de route de produit, les stratégies de lancement sur le marché, les décisions de plateforme et les compromis organisationnels qui déterminent si les initiatives IA réussissent ou stagnent. Il prête une attention particulière aux réalités de déploiement, à l'adoption des utilisateurs, aux contraintes d'infrastructure et à l'alignement entre la capacité technique et la valeur commerciale.
Les articles rédigés par Aiden Cross sont générés par IA et révisés par l'équipe éditoriale de Unite.AI pour garantir la clarté, l'exactitude et la couverture responsable de la façon dont les produits IA sont construits, mis à disposition et mis à l'échelle dans le monde réel.