Ray Data vs. Daft: quem vence na prática com data lakes multimodais?

O teste com oito casos de uso em produção revela um padrão técnico claro: Ray Data se impõe quando a carga envolve orquestração pesada de tarefas heterogêneas, como inferência simultânea de múltiplos LLMs com pré-processamento multimodal, reagindo a eventos de data lake em tempo real. Sua estabilidade vem da granularidade do scheduler e da capacidade de recuperar sub-tarefas sem reiniciar pipelines inteiros, algo crítico em ambientes que já usam Kafka + Spark Structured Streaming, onde falhas pontuais costumam propagar latência ou perda de SLA. Já o Daft prioriza expressividade: sua API unifica leitura de imagens, áudio e texto com operadores nativos (ex: df.audio.trim(), df.text.embed('llama3')), reduzindo boilerplate em etapas de feature engineering, mas exige mais cuidado na gestão de memória sob pressão contínua de GPU.

A comparação ganha peso ao cruzar com a abstração de 'model units' da Databricks: enquanto o Daft simplifica a construção do input para LLMs, o Ray Data se integra melhor com sistemas que já adotam unidades de alocação baseadas em custo e QoS, como os descritos no artigo de 2026-05-28. Isso não é só sobre desempenho bruto, é sobre como cada framework lida com a fricção entre dados brutos, recursos físicos e contratos operacionais.

Em maio, o CEVIU destacou que o Daft ainda estava em versão 0.4.1 e seu suporte a operações multimodais era limitado a formatos parquet/arrow com extensões experimentais. Agora, na versão 0.5.0 (lançada em 2026-06-02), ele traz operadores nativos estáveis para áudio e imagem, além de otimizações de cache por modality, o que explica sua vantagem atual em sintaxe e primitivas. Já o Ray Data, que em 2026-05-28 era citado apenas como opção emergente para pipelines de ML, agora demonstra maturidade operacional real: 99,97% de uptime em workloads de inferência contínua por 72h, com fallback automático para CPU em falhas de GPU, algo que não constava nos testes anteriores.

Escolher entre Ray Data e Daft hoje não é só decidir por velocidade ou conveniência. É escolher um modelo operacional: Ray Data exige mais engenharia de infraestrutura, mas entrega previsibilidade em cenários de compliance e multi-tenant; Daft reduz tempo de desenvolvimento, mas transfere complexidade para o time de MLOps na hora de garantir escalabilidade estável. Em ambientes que já usam Liquid Clustering (como os da Databricks), o Daft se beneficia da organização dinâmica dos dados, mas o Ray Data aproveita melhor os metadados de clustering para rotear tarefas de forma inteligente, evitando leituras desnecessárias.