Kapitel 7. Zu einem Seehaus konvergieren

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com

Wie du inzwischen weißt, gibt es zwei Hauptansätze, die Unternehmen bei der Entwicklung ihrer Datenplattform verfolgen können: einen Data Lake oder ein DWH-Paradigma. Beide Ansätze haben ihre Vor- und Nachteile, aber die Frage ist, ob es möglich ist, beide Technologien nebeneinander bestehen zu lassen und eine konvergente Architektur zu schaffen. In diesem Kapitel werden wir uns mit diesem Thema befassen. Wir beginnen mit einer kurzen Begründung für diese Idee und analysieren dann zwei große Varianten der konvergenten Architektur - bekannt als lakehousearchitecture - undhelfen dir bei der Entscheidung, wie du zwischen ihnen wählen kannst.

Das Lakehouse-Konzept erfreut sich zunehmender Beliebtheit, da es eine flexiblere und skalierbarere Möglichkeit bietet, strukturierte, semistrukturierte und unstrukturierte Daten in großem Umfang zu speichern und zu analysieren. Ein Lakehouse kann den gesamten Lebenszyklus von strukturierten und unstrukturierten Daten verarbeiten und vereint das Beste aus den Data Lake- und DWH-Ansätzen, die du in den beiden vorangegangenen Kapiteln kennengelernt hast, in einer geregelten Weise. Am Ende dieses Kapitels beschreiben wir, wie du dich zur Lakehouse-Architektur weiterentwickeln kannst.

Der Bedarf an einer einzigartigen Architektur

Data Lakes und DWHs sind entstanden, um die ...

Get Architektur von Plattformen für Daten und maschinelles Lernen now with the O’Reilly learning platform.

O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.