Cómo las aplicaciones continuas unifican la transmisión, el servicio, el procesamiento por lotes y el aprendizaje automático detrás de una única interfaz para que los sistemas puedan reaccionar a los datos en tiempo real
Descubra qué son las aplicaciones continuas y cómo le permiten crear sistemas integrales que reaccionan a los datos en tiempo real mediante una única interfaz de programación.
Vea cómo casos de uso como el servicio en tiempo real, la extracción, transformación y carga (ETL), la creación de versiones en streaming de trabajos por lotes y el aprendizaje automático en línea pueden expresarse en una sola aplicación continua.
Comprenda por qué unificar el streaming, el almacenamiento, el servicio y el procesamiento por lotes en una sola API reduce la complejidad en comparación con la integración de varios sistemas independientes.
Las aplicaciones continuas son aplicaciones de extremo a extremo que reaccionan a los datos en tiempo real. En particular, a los desarrolladores les gustaría usar una única interfaz de programación para dar soporte a los aspectos de las aplicaciones continuas que actualmente se manejan en sistemas separados, como el servicio de consultas o la interacción con trabajos por lotes. A continuación, se muestra un ejemplo de cómo las aplicaciones continuas pueden gestionar los siguientes casos de uso.
Actualización de datos que se servirán en tiempo real. El desarrollador escribiría una única aplicación de Spark que maneje tanto las actualizaciones como el servicio (p. ej., a través del servidor JDBC de Spark), o usaría una API que realice automáticamente actualizaciones transaccionales en un sistema de servicio como MySQL, Redis o Apache Cassandra.
Extraer, transformar y cargar (ETL). El desarrollador simplemente enumeraría las transformaciones necesarias como en un trabajo por lotes, y el sistema de streaming se encargaría de la coordinación con ambos sistemas de almacenamiento para garantizar un procesamiento de exactamente una vez.
Crear una versión en tiempo real de un trabajo por lotes existente. El sistema de streaming garantizaría que los resultados siempre sean consistentes con un trabajo por lotes sobre los mismos datos.
Aprendizaje automático en línea. La biblioteca de aprendizaje automático estaría diseñada para combinar entrenamiento en tiempo real, entrenamiento periódico por lotes y servicio de predicción detrás de la misma API.
LÍDER 5X
Gartner®: Databricks, líder en bases de datos en la nube
