Que sont les applications continues ?
Comment les applications continues unifient le streaming, la diffusion, le traitement par lots et l'apprentissage automatique derrière une interface unique afin que les systèmes puissent réagir aux données en temps réel
Archived. This article has not been updated since the publish date above. The dynamic nature of information means that previously accurate content can become outdated or even obsolete over time. Readers are advised to exercise due diligence and cross-check any information found in this blog post before making decisions or adopting any practices based on said information.
- Découvrez ce que sont les applications continues et comment elles permettent de créer des systèmes de bout en bout qui réagissent aux données en temps réel grâce à une interface de programmation unique.
- Voyez comment des cas d'utilisation tels que la diffusion en temps réel, l'ETL, la création de versions en flux continu de traitements par lots et l'apprentissage automatique en ligne peuvent être intégrés dans une seule application continue.
- Comprenez pourquoi l'unification du streaming, du stockage, de la diffusion et du traitement par lots via une API unique réduit la complexité par rapport à l'assemblage de plusieurs systèmes distincts.
Les applications continues sont des applications de bout en bout qui réagissent aux données en temps réel. En effet, les développeurs souhaitent pouvoir utiliser une même interface de programmation pour prendre en charge certains aspects des applications continues actuellement traités dans des systèmes distincts, comme le service des requêtes ou l'interaction avec les tâches batch. L'exemple ci-dessous montre comment les applications continues peuvent traiter les cas d'usage suivants.
- Mise à jour des données servies en temps réel. Le développeur écrit une seule application Spark qui gère à la fois les mises à jour et le service (par le biais du serveur JDBC de Spark, notamment). Il peut aussi utiliser une API qui exécute automatiquement les mises à jour transactionnelles sur un système de service MySQL, Redis ou Apache Cassandra.
- Extraction, transformation et chargement (ETL). Le développeur dresse simplement la liste des transformations requises, comme dans une tâche batch. Le système en streaming traite alors la coordination avec les deux systèmes de stockage pour garantir un traitement « exactly-once ».
- Création d'une version en temps réel d'une tâche batch existante. Le système de streaming garantit une cohérence constante des résultats d'une tâche batch sur les mêmes données.
- Machine learning en ligne. La bibliothèque de machine learning est conçue pour rassembler, au sein d'une même API, les entraînements en temps réel et par batch à intervalle régulier, ainsi que le service des prédictions.
Le guide pratique de l'IA agentique pour l'entreprise
Recevez les derniers articles dans votre boîte mail
Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.