.fb-comments,.fb-comments span,.fb-comments span iframe[tyyli]{min-width:100%!important;width:100%!important}
Vaikka DataOpsin tarkoitus – parhaan ja laadukkaimman datan ja analyyttisten näkemysten nopeampi tarjoaminen – jää melko selväksi, ei voinut olla selvää, mihin DataOps sopii olemassa olevaan tieto-ja analytiikkamaisemaan. Vielä tärkeämpää on, mitkä ovat tärkeimmät osa-alueet, joita kannattaa edistää ja kuluttaa kannattavan DataOps-tekniikan rakentamiseen?
Vuosien aikana järjestelmät tietojen syöttämiseen, tietojen muuntamiseen, laiteoppimistyyppien tekemiseen ja päätöksentekoon ovat testanneet omaa toimintaansa. hyötyä ja kasvaa välttämättömäksi informaation painostavalle yritykselle. Nämä tekniikat kuuluvat tiedonkäsittelykerrokseen, kaikki, mikä sijaitsee kaavion sinisessä pienentyvässä puoliympyrässä.
Se, mitä DataOps tarjoaa kytkimessä, on joukko tekniikoita ja vastaavia järjestelmiä, joiden tarkoituksena on tehdä nämä tiedot. käsittelykerros toimii ja automatisoi useiden rutiinien ja käsikirjaprosessien mahdollisuuksien mukaan. Harmaa puoliympyrä, joka seuraa koko tiedon ja analytiikan elinkaarta, on DataOps-taso.
Kaikki loppukäyttäjien tiimit osallistuvat DataOpsiin ja palkitsevat sen: tietoinsinöörit, faktatutkijat, yritykset. tiedustelu-analyytikot, DevOps-insinöörit (operationalistit) sekä yritysasiakkaat. Sen avulla yksityiskohtainsinöörit voivat automatisoida ja tehdä yksityiskohdista erityisen luotettavia ja ketteriä. Se vapauttaa tietämyksen asiantuntijat käyttämään aikaa arvokkaisiin aloitteisiin, kuten tuotteiden edistymiseen ja optimointiin, sen sijaan, että he tekisivät työtä tyyppien sisällyttämiseen organisaation menetelmiin. Se tarjoaa läpinäkyvyyttä ja auttaa yritysostoja ymmärtämään erilaisten indikaattoreiden ja tutkimusten taustalla olevia faktavirtoja. DataOpsin avulla kaikki loppukäyttäjät voivat tehdä yhteistyötä erittäin taitavasti toistensa kanssa.
Monet DataOps-menettelyt ovat olleet käytössä jo jonkin aikaa ohjelmankehitysmaailmassa. Siitä huolimatta on tärkeää ymmärtää, että tietoulottuvuutta ei ole ohjelmistokehityksen työkuormissa. Joten vaikka DevOps loi perustan sovellusten parannussäännöille, näiden menetelmien pitäisi todellakin olla räätälöityjä nimenomaan faktakeskeisiin tarkoituksiin, jotta ne voivat toistaa DataOpsin ainutlaatuiset tarpeet. Jotkut muut säännöt tulevat nykyisten tietojenkäsittelypinojen kehityksestä. Lisäksi jotkin järjestelmät eivät aina pudota DataOps-verkkotunnukseen, vaan tekevät työn sen mukana yhdessä kehyksessä. Datagovernance sijaitsee tiedonkäsittelyn ja DataOps-paikkojen reunalla ja on liima niiden joukossa. DataOpsin ohjauksessa se mahdollistaa hyödyn tuovan ja tietojen yksityisyyden ja vakauden varmistavan tiedon hankkimisen, yksiselitteisen selvittämisen ja luokittelun.
DataOps keskittyy tavalla tai toisella seuraavaan periaatteeseen. alueet:
Yhteistyö Orkesterointi Jatkuva toimitus Testausautomaatio Luonnonympäristön hallinta
Yhteistyö
Nopeampien analyyttisten oivallusten tarve kasvaa, joten se on nyt melko tyypillistä useiden tiimien käyttäjille – olivatpa sitten tietoteknisiä tai tietäjiä asiantuntijat – suorittamaan saman yrityksen tai jopa täsmälleen saman artefaktin yhdessä. Mutta parantamisen nopeuttaminen edellyttää myös asianmukaisten ja vahvojen yhteistyötapojen käyttöönottoa. Yhteistyökehystä esitettäessä yksi kriittisistä vaatimuksista on taito seurata parannushistoriaa, tarkastella ja palauttaa artefaktien eri variaatioita, ratkaista nopeasti konflikteja ja rakentaa erilaisia vaihtoehtoja rinnakkain itsenäisissä haaroissa. Yhteistyökehyksen tulee myös olla tietty helppo erityylisten resurssien jakaminen keskitetyn yhteisen arkiston avulla, jotta näitä omaisuutta voidaan käyttää uudelleen muissa projekteissa ja/tai muiden artefaktien osana. Sen pitäisi todellakin tarjota helppoja, mutta jäsenneltyjä osoitteita tiimikäyttäjiä koskevasta vuorovaikutuksesta.
Orkesterisointi
Voi olla, että ei toimiteta silottuja esineitä ja jakaa ne keskustietovarastoon. Tietyn yrityksen käyttötapauksen korjaamiseksi on sovitettava saumattomasti yhteen monenlaisia esineitä, alkaen kannattavasta tiedon nielemisestä, jatkaen suunnittelua opiskelevan koneen kehittämisellä tai uudelleenkoulutuksella ja päätyen oivallusten puhumiseen takaisin yrityksen sovellukseen. Tämä on juuri se paikka, jossa orkestrointiteknologiat osallistuvat. Orkesteriprosessit mahdollistavat useiden eri tyylien omaisuuden integroinnin (kuten tiedon muunnosvirrat, mallit, API-puhelut jne.) hyötyputkeen, joka voi toimia erillisenä lasina tutuksi. tietyn toimintatavan rakentaminen ja tarkistaminen. Tällaisina myös orkestrointivirtojen tulisi olla versioituja ja jaettavia.
Seulontaautomaatio ja tarkistus
On hyvä, että henkilökohtaiset resurssit ja orkestrointiputket ovat paikallaan, mutta se on ei riitä saavuttamaan haluttua pistettä toiminnallisuudesta. Miksi? Syitä on useita. Nämä putket ja omaisuus ovat tavallisesti riippuvaisia muista laitteista, joten kaikkia merkittäviä käyttötapauksia ei aina voida ennakoida. Lisäksi muunnos 1 artefaktissa voi johtaa paljon suuremman putkiston epäonnistumiseen kuin paikkaan, jossa tätä artefaktia käytetään. Joten voi olla tarpeen luoda automaattinen testijärjestelmä ja vastaava seulontakehys. Tällaisen kehyksen on mahdollistettava automaattiset testitoiminnot, tarjottava taito vähittäismyyntipisteeseen ja tulosten jakaminen tyypillisessä muodossa ja esitettävä ilmoitus-ja hälytysominaisuudet.
Jatkuva toimitus
Lopuksi nopeus ja laadukas tietomarkkinointi kehitys-ja valmistusympäristöjen välillä on kriittinen tekijä analytiikan elinkaaren nopeuttamisessa. Automaattisen jatkuvan integroinnin/jatkuva toimitus (CI/CD)-lähestymistavan hyödyntäminen (yhteistyössä testausautomaation kanssa) minimoi ajan, joka kuluu tietoputkien tuottamiseen ja upottamiseen, laite ymmärtää mallit ja johtopäätökset ulostuloon ja vähentää manuaalisten toimenpiteiden aiheuttamien ongelmien mahdollisuutta. Siitä huolimatta automatisointi on tässä artikkelissa elintärkeää, ja sen pitäisi olla mahdollista sisällyttää myös manuaaliset hyväksynnät ja mahdollistaa lisävalidointi osana tätä menetelmää. Jatkuvien toimitus-ja toimitusputkien vaihtelumahdollisuutta pitäisi myös todellakin tukea.
Ympäristöjen hallinta
Ja viimeinen pilari DataOps-lähestymistavan mahdollistamisessa on kyky tarjota nopeasti useita ladattuja parannusympäristöjä toistettavalla ja mukautuvalla tavalla. Sen avulla kasvun eristäminen saa työt suoritettua turvallisissa hiekkalaatikoissa, joihin insinöörit voivat syöttää valitsemansa resurssit ja välttämättömät luvat laajentaa hiekkalaatikkoaan haluamallaan tavalla. Tämä mahdollistaa riippuvuuksien poistamisen eri resurssien ja tekniikoiden eri variaatioiden välillä, joita voi hyvinkin esiintyä, kun useita ympäristöjä isännöidään rinnakkain, ja voi myös auttaa sinua säästämään maksuja esimerkiksi poistamalla tietyn asetuksen käytöstä, kun se on välttämätöntä. Tätä strategiaa voidaan käyttää myös eristyksissä jatkuvaan integrointiin ja kevyisiin, suojattuihin tulostusympäristöihin.
Jos saatat olla kiinnostunut tietämään lisätietoja DataOpsin yhteistyöelementistä, muista katsoa verkkoseminaari.
Tunnisteet
Arvioi tämä viesti
Jakaminen on välittämistä!
