Azure Databricks dostarcza natywnie wysoce zoptymalizowane środowisko uruchomieniowe obsługujące różnorodne obciążenia w Lakehouse, od przetwarzania ETL na dużą skalę po interaktywne zapytania ad-hoc. Wiele z tych optymalizacji odbywa się automatycznie. Jednak co zrobić w momencie gdy automatyczne optymalizacje nie wystarczają a wyłącznie skalowanie klastrów nie spełnia oczekiwań? Przyjrzymy się temu jak możemy wpływać na działanie DBR za pomocą zaawansowanych ustawień konfiguracyjnych, jak działa cost-based optimizer (CBO), czym jest adaptive query execution (AQE) itp. Przeanalizujemy fizyczne plany zapytań, zwracając uwagę na możliwość ich optymalizacji.