Arquitectura de Plataformas de Datos y Aprendizaje Automático

Índice

A

• controles de acceso
  • autenticación, Unificar el acceso a los datos, Artefactos, Tendencias y herramientas tecnológicas
  • autorización, tendencias y herramientas tecnológicas
  • y la democratización de los datos, Crear confianza en los datos
  • Desafío de la nube híbridapara, Desafíos de la nube híbrida
  • gestionar el acceso, Marco
  • Cuadernos de ML, Entorno de usuario
  • riesgo de acceso no autorizado, Marco
  • unificarpara la nube, Unificar el acceso a los datos
• Gestión de transacciones ACID, Apertura, La evolución del lago de datos con Apache Iceberg, Apache Hudi y Delta Lake, Las ventajas de la convergencia
• activar etapa del ciclo de vida de los datos, Activar
• activación del algoritmo ML, ML sin mover tus datos
• adaptarse para incluir capacidades de IA, Cómo funciona la adaptación
• Proceso ADM (Modelo de Desarrollo de la Arquitectura), Marco
• agregación, stream, Batch to Stream, El Marco Tecnológico, Arquitectura Hub-and-Spoke, Streaming Ingest-StreamingETL
• IA(ver inteligencia artificial)
• Airflow, canalización de datos, Airflow
• alertar, Activar
• Amazon Elastic MapReduce (EMR), Amazon Web Services
• Amazon WebServices (AWS), servicios de lago de datos, Amazon Web Services-AmazonWeb Services
• análisis
  • a lo largo del ciclo de vida de los datos, Principios Básicos
  • desafío de control centralizado para, Antipatrón: Centralización del Control
  • cambiar el streaming, Integración de datos mediante streaming
  • y democratización de los datos, Objetivos estratégicos
  • incrustado, Tendencias y herramientas tecnológicas, Analítica incrustada ...