book

Fundamentos de la Observabilidad de los Datos

by Andy Petrella

September 2024

Intermediate to advanced

266 pages

8h 5m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Visión general del libroQuién debería leer este libroConvenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
Ampliación de los equipos de datosRetos de la ampliación de los equipos de datosFunciones y responsabilidades segregadas y complejidad organizativaAnatomía de los problemas y consecuencias de los datosImpacto de los Problemas de Datos en la Dinámica del Equipo de DatosObstáculos para la ampliación de la IARetos de las prácticas actuales de gestión de datosEfectos de la Gobernanza de Datos a EscalaObservabilidad de los datos al rescateLas Áreas de ObservabilidadCómo pueden aprovechar ahora los equipos de datos la observabilidad de los datosDetección de Problemas de Datos de Baja LatenciaSolución eficaz de problemas de datosPrevenir los problemas con los datosGestión descentralizada de la calidad de los datosComplementar las Capacidades Existentes de Gobernanza de DatosEl futuro y más alláConclusión
Canales de Datos Observabilidad InformaciónRegistrosHuellasMétricasObservaciones ModeloEspacio físicoServidorUsuarioEspacio estáticoEspacio dinámicoExpectativasReglasDetección automática de anomalíasEvitar que la basura entre y salgaConclusión
Arquitectura de datos¿Dónde encaja la observabilidad de los datos en una arquitectura de datos?Arquitectura de Datos con Observabilidad de DatosCómo ayuda la observabilidad de los datos a las corrientes subterráneas de la ingeniería de datosSeguridadGestión de datosCompatibilidad con los datos como productos de Data MeshConclusión
En la fuenteGenerar observaciones de datos en la fuenteAPI de bajo nivel en PythonDescripción del conducto de datosDefinición del estado de la canalización de datosObservaciones para la canalización de datosGenerar observaciones de datos contextualesGenerar observaciones relacionadas con los datosGenerar observaciones de datos relacionados con el linajeConclusión: El conducto de datos observablesUtilizar las Observaciones de Datos para Subsanar los Fallos del Canal de DatosConclusión
Estrategias de abstracciónReceptores de eventosProgramación orientada a aspectosAplicaciones de alto nivelAplicaciones sin códigoAplicaciones de bajo códigoDiferencias entre las alternativas de monitoreoConclusión
Presentación de las expectativasCalidad de los datosCasos Esquinados DescubrimientoIndicadores de nivel de servicio de elevaciónUtilizar perfiladores de datosMantener las expectativasPrácticas generalesFalla rápido y falla seguroSimplificar las pruebas y ampliar CI/CDConclusión

Fase de ingestiónEtapa de ingestión de datos Recetas de observabilidadAgente AirbyteTransformaciónRecetas de Observabilidad de los Datos de la Etapa de TransformaciónApache Sparkdbt AgenteSirviendo aRecetasBigQuery en PythonSQL orquestado con AirflowAnalíticaRecetas de aprendizaje automáticoRecetas de Inteligencia de NegocioConclusión
Translucidez de los datosSistemas opacosSaaSNo lo toques; (más o menos) funcionaSistemas heredadosEstrategias para la translucidez de los datosEstrategiasEl Conector de Observabilidad de DatosEjemplo: Construir un Conector de Observabilidad de Datos dbt (SaaS)Conclusión
Unificación del tratamientoHitos GenerativosCreatividad Ampliada ConfiableConclusión

Content preview from Fundamentos de la Observabilidad de los Datos

Capítulo 8. Hacer translúcidos los sistemas opacos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

En capítulos anteriores, cuando traté las soluciones de bajo código sin código, enumeré algunas estrategias "fuera de la caja" que pueden utilizarse para generar observaciones de datos hasta que esas soluciones evolucionen para convertirse en observables de datos de forma nativa.

Otros sistemas, a menudo conocidos, son similares a esas soluciones, ya que tienen las mismas características: los usos de los datos ocurren en el motor bajo el capó. No es eficaz (en coste y tiempo) ni recomendable abrirlo.

Existen riesgos significativos asociados a los sistemas que no proporcionan una visibilidad clara de su motor o del uso de los datos. El principal problema es que los usuarios no pueden acceder al sistema para analizar si hay alguna incidencia que pueda causar problemas. Esta falta de transparencia significa que los usuarios no pueden identificar las causas raíz de los problemas, lo que les obliga a parchear los sistemas posteriores en lugar de abordar los problemas anteriores. Otro problema de estos sistemas es la pérdida de conocimientos sobre su comportamiento interno.

Aunque la gente los haya configurado o desarrollado con éxito en el pasado, muy pocos tienen todavía los conocimientos internos para comprender lo que hacen. En consecuencia, las estrategias tratadas en los capítulos 4 y 5 para lograr la observabilidad ...