Overview
Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com
As empresas do mundo inteiro ingerem um total de 2,5 quintilhões de bytes de dados todos os dias. Mas quanto dessa vasta quantidade de dados - usada para criar produtos, alimentar sistemas de IA e tomar decisões de negócios - é de baixa qualidade ou simplesmente ruim? Este livro prático mostra-te como garantir que os dados em que a tua organização se baseia contêm apenas registos de alta qualidade.
A maioria dos engenheiros de dados, analistas de dados e cientistas de dados preocupa-se genuinamente com a qualidade dos dados, mas muitas vezes não têm tempo, recursos ou compreensão para criar uma solução de monitorização da qualidade dos dados que seja bem-sucedida em escala. Neste livro, Jeremy Stanley e Paige Schwartz, da Anomalo, explicam como pode utilizar a monitorização automatizada da qualidade dos dados para cobrir todas as suas tabelas de forma eficiente, alertando proactivamente para todas as categorias de problemas e resolvendo-os imediatamente.
Este livro irá ajudar-te:
- Aprende porque é que a qualidade dos dados é um imperativo empresarial
- Compreender e avaliar modelos de aprendizagem não supervisionada para detetar problemas nos dados
- Implementa notificações que reduzem o cansaço dos alertas e permitem fazer a triagem e resolver problemas rapidamente
- Integra a monitorização automatizada da qualidade dos dados com catálogos de dados, camadas de orquestração e sistemas de BI e ML
- Compreende os limites da monitorização automatizada da qualidade dos dados e como os ultrapassar
- Aprende a implantar e gerenciar sua solução de monitoramento em escala
- Mantém a monitorização automatizada da qualidade dos dados a longo prazo
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access