為了克服資料倉儲與資料湖既有架構的侷限，資料湖倉（Data Lakehouse）將資料湖的靈活性與資料倉儲的結構化功能結合，為儲存和分析各種結構化和非結構化資料提供統一的平台。其能解決Data Lake資料準確性的問題，也採用雲原生架構來保有橫向擴展能力。
回顧資料架構技術發展，大數據以及機器學習（ML）的發展是兩個重要的轉捩點，前者是驅動資料倉儲（Data Warehouse）走向資料湖（Data Lake）的關鍵，隨著大量半結構化和非結構化資料的分析需求不斷增長，企業需要尋求新架構來加以因應，包含MapReduce、Hadoop、NoSQL都是盛極一時的技術寵兒。不過，資料湖雖能廣納百川，將所有的資料以原始的型態存放，以方便後續分析與使用。但若沒有經過適當的管理，想要在充滿雜亂且重複的資料中，萃取出資料的價值與洞察，也會變得複雜與困難，尤其是機器學習、人工智慧等新型應用時更是如此，故而催生出資料湖倉（Data Lakehouse）新架構。
資料一致性與品質是資料湖的缺限
HPE慧與科技技術規劃處副總經理范欽輝指出，資料倉儲的優點是能夠快速地擷取資料、分析，並迅速取得結果。由於預先定義了資料結構以及結構描述，因而能對SQL做最佳化，優化查詢速度。但也因為需要高速查詢以提供即時的商業情報，基礎架構所需耗費的成本並不低，一旦資料量越大，支付的成本代價就會越高昂。
資料平台現代化的旅程。（資料來源: HPE）
而資料湖的特色即是允許儲存大量原始、非結構化數據，使用時只要到資料湖中擷取就好，非常適合大數據分析、機器學習以及AI運用。然而，資料的品質與一致性一直是資料湖的硬傷，「資料湖在架構設計上原本就不想處理資料的一致性問題，」他以轉帳匯款為例進行說明，當民眾在轉帳匯款時，在自己的帳戶先扣一筆，轉帳成功後，對方的帳戶也會加上一筆，如果轉帳失敗，那麼就要把這筆款項從對方帳戶扣掉，這就是資料的一致性。資料倉儲可以很輕鬆地就做到資料一致性，但是資料湖是並沒有這個概念，扣款還是扣款，添加還是添加，至於轉帳沒有成功則是後面再來處理的事情。
資料架構各有千秋 視應用判定處理
為了克服資料倉儲與資料湖既有架構的侷限，資料湖倉將資料湖的靈活性與資料倉儲的結構化功能結合，為儲存和分析各種結構化和非結構化資料提供統一的平台。其能解決Data Lake資料準確性的問題，簡單地說，就是能滿足ACID，即不可分割性（Atomicity）、一致性（Consistency）、隔離性（Isolation）以及耐久性（Durability），來保證交易正確可靠。而在資料倉儲缺乏的可延展性與資料多樣性方面，資料湖倉採用了雲原生架構，因而具備橫向擴展的能力，同時也採用開放標準，以便讓更多不同的應用服務來存取。
「台灣企業對Data Lakehouse較感興趣的時間點，大概就是近半年左右。雖然，不少人認為Data Lakehouse補足了資料倉儲以及資料湖的不足之處，屆時只需要保留資料倉儲一套即可，但實務上很難完全取代。」范欽輝認為，這三種資料架構都各自有其存在的必要性，只是企業看重的地方不一樣。舉例而言，資料倉儲對某些企業的重要性非常高，特別是採用了特定技術，必須產出成千上萬個報告的企業而言更是如此，除非是支付不起資料倉儲的授權費，否則多數企業會抱持著寧可不冒險的心態。
HPE慧與科技技術規劃處副總經理范欽輝（右）認為，未來，資料的使用與資料的存放會逐漸脫離開來，資料倉儲與資料湖倉可以在資料的使用層面施力，而資料的儲存還是會以物件儲存為主流。左為HPE慧與科技雲端商業服務部業務開發經理吳思為。
同樣地，資料的多樣性是資料湖無法被取代的優勢，倘若企業內部有許多語音檔，並不必然需要透過資料湖倉，因為在資料湖倉的應用中，許多都是資料表（Table）的應用，在此情況下，資料湖或許會更適合。
他提到，企業環境中往往充滿了複雜的資料源與資料流，企業內部資料可能來於機器設備、交易系統或外部資料，這些資料透過不同的方法進到系統裡面，最終進入到企業資料架構。有些不需要預處理、清理和轉換的資料就可以存放到資料倉儲，有些則會先進入到資料湖，經擷取、轉換和載入（ETL）後再提供給資料倉儲，「因此，最為可能的應用場景是，依據不同的資料流，而給予不一樣的處理方式。而未來，資料的使用與資料的存放會逐漸脫離開來，資料倉儲與資料湖倉可以在資料的使用層面施力，而資料的儲存還是會以物件儲存為主流。」
細說資料湖倉三大精神
為了讓資料湖倉在成本以及可擴展性之間取得平衡，HPE以Ezmeral Data Fabric來協助企業建構現代化的資料架構，其包含了開放、可橫向擴展以及統一資料平台等三個精神，其中開放指的是可存放多樣的資料來源，而統一資料平台則是能以單一平台來儲存與管理所有的資料。」
HPE慧與科技雲端商業服務部業務開發經理吳思為補充，像是近期相當熱門的ChatGPT其實也是驅動資料湖倉的發展因素之一，當要進行大型語言模型訓練時，會使用到大量的語料，例如Word檔、PDF或是純文字檔等等，此外還有很多存在表格裡面的結構化資料，這時必須要有資料湖倉這樣的統一平台來因應資料擷取的需求，單一資料湖或是資料倉儲並無法做到。
「另外，開放也很重要，」他繼續說明，大型語言模型在預處理的過程中，技術上是需要把資料進行向量轉換，一些新科技套件或是軟體，若要能夠很有效率地與原有的資料平台進行介接，其實是需要一個相對開放、雲原生的架構才能夠支持這樣的應用，換句話說，資料湖倉因為夠開放，才能與許多新的開源碼套件或工具進行介接，以支援新的AI應用。
HPE Ezmeral Data Fabric是統一的資料湖倉，其能打破資料孤島並管理所有不同資料來源與格式的資料。過往企業面對各種不同型態的資料時，須建立各種不同的儲存池，以便讓資料在不同的系統內流動，但這種方式反而會對基礎架構造成負擔，而HPE Ezmeral Data Fabric的儲存層因為透過API支援了各種不同的通訊協定，如S3、HDFS、REST，甚至是NFS，因此無須移動資料，便可以為應用程式提供文件檔案、映像檔、視訊、物件、表格和串流等資料。
而且還能在混合雲環境自動進行熱、溫、冷資料分層，設定最佳化效能、容量或儲存成本的策略，為不同資料提供最佳的資料管理。此外，也支援各種運算工具與框架，如Hadoop、Spark、TensorFlow和Caffe。
范欽輝解釋，為何在資料湖倉的架構中非常強調雲原生，目的就是為了鬆散耦合（Loosely-coupled），舉例來說，HPE Ezmeral Data Fabric也支援Iceberg及Delta Lake，過往在企業架構中一定會先決定要採用Iceberg還是Delta Lake，但是現在企業的想法已經與以往不同，他們會認為，為什麼非得要從中做選擇，乾脆兩個都擁有，讓資料科學家自己決定，「這就是開放架構的好處，因為Iceberg、Delta Lake與底層的儲存架構基本上是脫勾的，因此從Iceberg轉換到Delta Lake並不會有太多的障礙，甚至未來如果有新的技術或工具時，也可以直接運用底層架構。」