Dla wielu przedsiębiorstw hurtownia danych przekształciła się ze strategicznego zasobu w operacyjne obciążenie. Długoletnie platformy własnościowe, takie jak Teradata, a także usługi dostępne wyłącznie w chmurze, takie jak Snowflake, zapewniły skalowalność i wydajność – ale kosztem uzależnienia od dostawcy, nieprzewidzianych cen i ograniczonej elastyczności architektonicznej.
Wraz z nasileniem się kontroli regulacyjnej i centralną rolą analiz opartych na sztucznej inteligencji w zdobywaniu przewagi konkurencyjnej, organizacje ponownie oceniają, czy ich obecne platformy hurtowni danych rzeczywiście są zgodne z długoterminowymi celami biznesowymi.
EDB Postgres® AI (EDB PG AI) rozwiązuje te wyzwania dzięki WarehousePG, otwartemu, petabajtowej skali hurtowni danych, zaprojektowanemu w celu przywrócenia kontroli, przewidywalności i suwerenności danych – a wszystko to bez kompromisów w zakresie wydajności. Zbudowany na bazie Postgres i zaprojektowany do masowych analiz równoległych, WarehousePG oferuje nowoczesny sposób na uwolnienie się od restrykcyjnych systemów, jednocześnie obniżając całkowity koszt posiadania (TCO) nawet o 58%.
Analityka na skalę petabajtową z otwartym kodem źródłowym i Postgres w centrum
Przedsiębiorstwa hurtownie danych są obecnie przeciążane ponad pierwotne granice projektowe. Zbiory danych o rozmiarze petabajtów, potrzeby wdrożeń hybrydowych, wymagania dotyczące suwerenności danych i analizy oparte na sztucznej inteligencji współistnieją w środowiskach produkcyjnych, które wymagają zarówno wyjątkowej wydajności, jak i elastyczności architektonicznej.
Tradycyjne platformy własnościowe i hurtownie danych dostępne wyłącznie w chmurze mają trudności z jednoczesnym spełnieniem tych wymagań, zmuszając organizacje do kompromisów między kosztami, kontrolą i funkcjonalnością.
EDB Postgres AI dla WarehousePG wypełnia tę lukę, dostarczając w pełni otwartą, petabajtowej skali hurtownię danych zbudowaną na bazie Postgres. Zaprojektowana z myślą o wysokowydajnych analizach, analizach AI w bazie danych i elastycznych wdrożeniach w środowiskach lokalnych, chmurowych i hybrydowych, rozwiązuje ograniczenia starszych i dostępnych wyłącznie w chmurze systemów.
Architektura: MPP oparta na Postgres na dużą skalę
Architektura przetwarzania masowo równoległego (MPP) WarehousePG pozwala na skalowanie do setek węzłów. Zamiast polegać na modelu skalowania pojedynczego serwera, dystrybuuje zarówno dane, jak i wykonanie zapytań między wieloma węzłami segmentów, nadzorowanymi przez centralny węzeł koordynatora.
Koordynator obsługuje parsowanie zapytań, optymalizację i planowanie wykonania. Po sfinalizowaniu planu zapytania zadania są dystrybuowane do segmentów, które działają równolegle na swoich lokalnych partycjach danych. Takie podejście umożliwia WarehousePG efektywne uruchamianie złożonych zapytań analitycznych – w tym dużych złączeń, agregacji, funkcji okna i transformacji – na zbiorach danych o rozmiarze petabajtów.
Taka architektura eliminuje wewnętrzne wąskie gardła baz danych monolitycznych, zachowując pełną zgodność z SQL z Postgres, co znacznie skraca krzywą uczenia się dla istniejących zespołów danych.
Przewidywalna wydajność bez ograniczeń własnościowych
W przeciwieństwie do hurtowni danych natywnych dla chmury, które opierają się na cenach opartych na zużyciu i nieprzejrzystym zarządzaniu zasobami, WarehousePG oferuje deterministyczne zachowanie obciążeń i spójną wydajność. Alokacja zasobów i wykonanie zapytań są w pełni kontrolowane w ramach klastra, zapewniając stałe czasy odpowiedzi nawet przy mieszanych obciążeniach analitycznych.
Jako rozwiązanie z licencją Apache 2.0, zbudowane na otwartym kodzie Postgres, WarehousePG zwalnia przedsiębiorstwa z własnościowych formatów przechowywania danych i silników wykonawczych kontrolowanych przez dostawców. Dane pozostają w pełni dostępne, przenośne i możliwe do wdrożenia wszędzie tam, gdzie organizacja ich potrzebuje – lokalnie w celu zapewnienia zgodności z przepisami, w chmurze publicznej w celu zapewnienia elastyczności lub w konfiguracjach hybrydowych w celu optymalizacji kosztów.
Ta niezależność architektoniczna, w połączeniu z cenami EDB opartymi na rdzeniach, umożliwia obniżenie TCO nawet o 58% – szczególnie dla organizacji migrujących z drogich platform własnościowych lub nieprzewidywalnych hurtowni danych w chmurze.
Hybrydowe przechowywanie danych i dostęp SQL do jezior danych
Nowoczesne środowiska analityczne są coraz częściej rozproszone na wielu poziomach przechowywania danych. WarehousePG rozwiązuje ten problem dzięki swojemu Frameworkowi Rozszerzeń Platformy (PXF), który umożliwia bezpośredni dostęp SQL do danych zewnętrznych przechowywanych w magazynach obiektowych i rozproszonych systemach plików, takich jak Amazon S3 i Hadoop Distributed File System (HDFS).
Dzięki PXF inżynierowie danych mogą odpytywać formaty takie jak Parquet, AVRO, JSON i CSV bez kopiowania danych do hurtowni danych. Znacząco zmniejsza to złożoność ETL i redundancję przechowywania, jednocześnie umożliwiając hybrydową strategię „ciepłych i zimnych danych”: często używane zbiory danych pozostają w wysokowydajnym magazynie WarehousePG, podczas gdy rzadko używane dane znajdują się w tanim magazynie obiektowym.
Z technicznego punktu widzenia takie podejście zachowuje semantykę SQL w różnych warstwach przechowywania, pozwalając zespołom analitycznym pracować z jednym logicznym modelem danych.
Ingestia w czasie rzeczywistym z FlowServer
Potokowe przetwarzanie wsadowe nie wystarcza już dla wielu przypadków użycia analitycznego. WarehousePG zawiera dedykowany komponent FlowServer do ingestii danych w czasie rzeczywistym i bliskim rzeczywistemu.
FlowServer obsługuje strumieniowanie zdarzeń o wysokiej przepustowości z platform takich jak Apache Kafka i RabbitMQ, umożliwiając przypadki użycia, takie jak analityka operacyjna, wykrywanie oszustw i monitorowanie w czasie rzeczywistym. Ingestując dane strumieniowe bezpośrednio do hurtowni danych, organizacje eliminują opóźnienia między systemami operacyjnymi a spostrzeżeniami analitycznymi.
Taka architektura pozwala na współistnienie strumieniowych i wsadowych obciążeń w ramach tej samej platformy analitycznej, upraszczając infrastrukturę i zmniejszając ruch danych.
AI, ML i przetwarzanie wektorowe w bazie danych
Kluczową cechą EDB Postgres AI dla WarehousePG jest wsparcie dla analiz i AI w bazie danych, eliminując potrzebę przenoszenia dużych zbiorów danych do zewnętrznych platform uczenia maszynowego (ML).
WarehousePG integruje MADlib do uczenia maszynowego opartego na SQL, umożliwiając użytkownikom trenowanie i ocenę modeli bezpośrednio w bazie danych przy użyciu znanych struktur relacyjnych. W przypadku bardziej zaawansowanych przypadków użycia platforma obsługuje wbudowane frameworki Python ML, umożliwiając naukowcom danych pracę na dużą skalę bez eksportowania danych.
Natywne wsparcie wektorowe za pośrednictwem rozszerzenia pgvector umożliwia wyszukiwanie podobieństwa, wyszukiwanie semantyczne i obciążenia generowania rozszerzonego przez wyszukiwanie (RAG) bezpośrednio w hurtowni danych. Ta możliwość staje się coraz bardziej krytyczna dla aplikacji opartych na AI, które łączą ustrukturyzowane dane przedsiębiorstwa z nieustrukturyzowaną treścią, taką jak dokumenty i logi.
Centralizując dane, analizy i AI, WarehousePG zmniejsza złożoność potoków i przyspiesza czas do uzyskania spostrzeżeń.
Wysoka dostępność i gotowość korporacyjna
WarehousePG jest zaprojektowany z myślą o niezawodności klasy produkcyjnej. Wysoka dostępność jest osiągana dzięki zapasowemu koordynatorowi, zapewniającemu nieprzerwane działanie w przypadku awarii głównego koordynatora. Odporność na błędy na poziomie segmentów pozwala na kontynuowanie działania obciążeń, nawet gdy poszczególne węzły są niedostępne.
Funkcje korporacyjne obejmują zarządzanie obciążeniami, przewidywalne planowanie zapytań i kompleksową obserwację, zapewniając stabilne działanie przy dużym zapotrzebowaniu analitycznym.
Co kluczowe, organizacje uzyskują dostęp do całodobowego wsparcia ekspertów EDB ds. Postgres, wypełniając lukę między elastycznością otwartego kodu a korporacyjnymi potrzebami operacyjnymi.
Migracja bez zakłóceń
Dla organizacji modernizujących się ze starszych platform analitycznych, WarehousePG oferuje ścieżkę niskiego ryzyka. Istniejące obciążenia Greenplum można migrować za pomocą zamiany binarnej, umożliwiając szybką modernizację bez przepisywania zapytań ani ponownego szkolenia zespołów. Wysoka zgodność z SQL upraszcza również migracje z innych własnościowych hurtowni danych opartych na SQL.
Takie podejście pozwala przedsiębiorstwom na stopniową modernizację, zachowując ciągłość biznesową i odzyskując kontrolę nad swoim stosem analitycznym.
Przebudowa hurtowni danych dla nowoczesnych analiz
EDB PG AI dla WarehousePG udowadnia, że analizy na skalę petabajtów, gotowość na AI i suwerenność danych nie wymagają platform własnościowych ani uzależnienia od chmury. Łącząc zgodność z Postgres, skalowalność MPP, hybrydowe przechowywanie danych, ingestę w czasie rzeczywistym oraz możliwości AI i ML w bazie danych, WarehousePG zapewnia technicznie solidne podstawy dla nowoczesnych analiz przedsiębiorstwa.
Dla organizacji poszukujących hurtowni danych, która priorytetowo traktuje kontrolę architektoniczną, przewidywalną wydajność i ekonomię otwartego kodu, WarehousePG oferuje przekonującą, przyszłościową alternatywę.
Beijing Qianxing Jietong Technology Co., Ltd.
Sandy Yang/Global Strategy Director
WhatsApp / WeChat: +86 13426366826
Email: yangyd@qianxingdata.com
Website: www.qianxingdata.com/www.storagesserver.com
Fokus biznesowy:
Dystrybucja produktów ICT/Integracja systemów i usługi/Rozwiązania infrastrukturalne
Z ponad 20-letnim doświadczeniem w dystrybucji IT, współpracujemy z wiodącymi globalnymi markami, dostarczając niezawodne produkty i profesjonalne usługi.
“Wykorzystując technologię do budowania inteligentnego świata” Twój zaufany dostawca usług produktowych ICT!
Twoja wiadomość musi mieć od 20 do 3000 znaków!
Polish
