Bez kategorii

Jak mówi stare chińskie przysłowie: ludzie dzielą się na tych, którzy robią kopie zapasowe i tych co jeszcze ich nie robą. Na szczęście programiści są dosyć świadomą grupą społeczną jeśli chodzi o utratę wszelkiego rodzaju danych. Dlatego wymyślili sobie system kontroli wersji. Wymyślili sobie także, że rzeczy które są powtarzalne trzeba automatyzować. Z połączenia tych i innych czynności związanych rozwojem oprogramowania powstał termin DevOps i o nim dzisiejszy post.

Optymalizacja jest terminem, który pojawia się w najróżniejszych kontekstach począwszy - od naszego ukochanego IT, aż po podatki :) W zasadzie w każdym przypadku chodzi głównie o to, aby mniejszym kosztem osiągnąć takie same bądź lepsze wyniki. Systemy Business Intelligence nie są tutaj wyjątkiem, a zakres optymalizacji może być naprawdę szeroki. Poniżej przedstawiam 3 obszary, w których możesz zoptymalizować swój system Business Intelligence w chmurze.

Media społecznościowe, takie jak Twitter, Facebook czy Instagram, w ciągu każdej minuty generują ogromne ilości treści. Zwykły śmiertelnik nie jest w stanie tego wszystkiego śledzić na bieżąco, właściwie to zwykły śmiertelnik nie ma po co tego śledzić 🙂 Ale co w sytuacji, gdy prowadzisz firmę i bardzo zależy ci na opinii innych? Wtedy robi się ciekawie – chcielibyśmy wiedzieć czy mówi się o nas dobrze czy źle, a może bez żadnych skrajnych emocji? W dzisiejszym artykule zaprezentuję jak z pomocą sztucznej inteligencji dowiedzieć się co ćwierkają o nas na Twitterze!

Sztuczna inteligencja jest ostatnio bardzo popularna. Do tego stopnia, że niemalże każdy toster potrafi przygotować odpowiednio kruche kromki, bazując na naszych upodobaniach. Z uwagi na to, że ostatnio pisałem o tym jak robić procesy ETL w Azure Databricks, pomyślałem, że warto powiedzieć też o nieco innym zastosowaniu tej usługi. Mianowicie chodzi o Machine Learning, z którym Databricks radzi sobie całkiem nieźle. Co zatem jest tematem tego posta? Rozpoznawanie pisma odręcznego z Azure Databricks!

Kiedy myślimy o ETLu w chmurze, pierwsze, co przychodzi na myśl, to usługa Azure Data Factory. Rzeczywiście – z jej pomocą można zbudować całkiem rozbudowane i stabilne procesy, zwłaszcza, że niedawno dodano funkcjonalność Mapping Data Flows. Jednak co, jeśli do wykonania transformacji potrzebna jest naprawdę duża moc obliczeniowa? Wtedy należy wspomóc się czymś bardziej wydajnym. Takim rozwiązaniem jest Apache Spark ukrywający się pod nazwą Azure Databricks.

Czy zdarzyło Ci się kiedyś, że pracując przy projekcie musiałeś wykonać jakąś pracę, która była strasznie monotonna? Czułeś oczywiście, że takowa jest, ale ktoś to musi zrobić. Oczywiście zdarza się to w niemal każdym projekcie, a tworzenie modelu i miar Azure Analysis Services nie jest tu żadnym wyjątkiem. A co jeśli powiem Ci, że bardzo dużo rzeczy można zautomatyzować? Mało tego, przedstawię narzędzia, które nie tylko umożliwiają generowanie miar Time Intelligence, ale także odpowiednio sformatują kod i pomogą nam sprawdzić czy nasza robota została wykonana dobrze!