You can reach the same outcome through very different stacks. The same AI agent answering questions on a healthcare claims dataset runs on Azure Databricks and on a self-managed open-source stack — same data, same model, same answers. The choice is about which trade-offs you prefer.

On Databricks

Llama 3.3 70B hosted by Databricks, Unity Catalog for data governance, Databricks SQL Warehouse for query execution, all wrapped in a Streamlit UI. Minutes to provision, enterprise SLAs out of the box, single vendor accountability.

On open source

The same Llama 3.3 70B accessed via the Scaleway Generative AI API, PostgreSQL on Kubernetes for the data, a FastAPI agent we deployed ourselves. More moving parts, but no vendor lock-in, full control over every layer, and dramatically lower infrastructure cost at scale.

Same question, same answer — different path. The screenshot below shows the same Streamlit app with a radio button switching between the two backends.

Je kunt dezelfde uitkomst bereiken via heel verschillende stacks. Dezelfde AI-agent die vragen beantwoordt op een healthcare claims dataset draait op Azure Databricks en op een zelf-beheerde open-source stack — zelfde data, zelfde model, zelfde antwoorden. De keuze gaat over welke trade-offs je verkiest.

Op Databricks

Llama 3.3 70B gehost door Databricks, Unity Catalog voor data governance, Databricks SQL Warehouse voor query-uitvoering, alles ingepakt in een Streamlit UI. Minuten om te provisioneren, enterprise-SLA standaard, één leverancier verantwoordelijk.

Op open source

Dezelfde Llama 3.3 70B via de Scaleway Generative AI API, PostgreSQL op Kubernetes voor de data, een FastAPI-agent die we zelf hebben gedeployed. Meer bewegende onderdelen, maar geen vendor lock-in, volledige controle over elke laag, en dramatisch lagere infrastructuurkosten op schaal.

Zelfde vraag, zelfde antwoord — ander pad. De screenshot hieronder toont dezelfde Streamlit-app met een radioknop die schakelt tussen de twee backends.