O escopo da plataforma Lakehouse

Estrutura de plataforma moderna de dados e IA

Para discutir o âmbito da plataforma de inteligência de dados Databricks, devemos primeiro definir uma estrutura básica para a plataforma moderna de dados e IA:

Visão geral do escopo da lakehouse

A plataforma de inteligência de dados do Databricks abrange toda a estrutura das plataformas de dados modernas. Foi construída na arquitetura lakehouse e conta com a tecnologia de um mecanismo de inteligência de dados que entende as qualidades exclusivas dos seus dados. Atua como base aberta e unificada para cargas de trabalho ETL, ML/IA e DWH/BI e tem o Unity Catalog como principal solução de governança de dados e IA.

Personas da estrutura da plataforma

A estrutura abrange os principais membros da equipe de dados (personas) que trabalham com os aplicativos da estrutura:

• Os engenheiros de dados entregam aos cientistas de dados e analistas de negócios dados precisos e reproduzíveis para a tomada de decisões em tempo hábil e insights em tempo real. Eles implementam processos de ETL altamente coerentes e confiáveis para aumentar a confiança do usuário nos dados. Eles garantem que os dados sejam bem integrados aos vários pilares do negócio e, normalmente, seguem as práticas recomendadas de engenharia de software.

• Os Cientistas de dados combinam conhecimento analítico e dos negócios para transformar dados em conhecimento estratégico e modelos preditivos. São hábeis na conversão de desafios de negócios em soluções data-driven, seja por meio de conhecimentos analíticos retrospectivos ou modelagem preditiva voltada para o futuro. Utilizando técnicas de modelagem de dados e aprendizado de máquina, projetam, desenvolvem e implantam modelos que revelam padrões, tendências e previsões a partir dos dados. Atuam como uma ponte, convertendo narrativas de dados complexas em histórias compreensíveis, garantindo que as partes interessadas da empresa não somente entendam, mas também possam agir de acordo com as recomendações data-driven, o que por sua vez promove uma abordagem concentrada em dados para a solução de problemas em uma organização.

• Os engenheiros de ML (engenheiros de machine learning) lideram a aplicação prática da ciência de dados em produtos e soluções por meio da criação, implantação e manutenção de modelos do machine learning. Seu foco principal está voltado para o aspecto de engenharia do desenvolvimento e implantação de modelos. Os engenheiros de ML garantem a robustez, confiabilidade e escalabilidade dos sistemas de machine learning em ambientes ativos, enfrentando os desafios relacionados à qualidade, infraestrutura e desempenho dos dados. Ao integrar modelos de IA e ML em processos operacionais de negócios e produtos voltados para o usuário, eles facilitam a utilização da ciência de dados na solução de desafios de negócios, garantindo que os modelos não fiquem apenas na pesquisa, mas gerem um valor comercial concreto.

• Os analistas de negócios capacitam as partes interessadas e as equipes de negócios com dados acionáveis. Eles geralmente interpretam dados e criam relatórios ou outra documentação para liderança usando ferramentas de BI padrão. Eles geralmente são o ponto de contato para colegas de negócios e operações não técnicas para perguntas de análise rápida.

• Os parceiros comerciais são partes interessadas importantes no mundo dos negócios que está, cada vez mais, conectado em rede. São definidos empresas ou indivíduos com os quais uma empresa estabelece um relacionamento formal para atingir um objetivo comum, e podem ter entre eles vendedores, fornecedores, distribuidores e outros parceiros terceirizados. O compartilhamento de dados é um aspecto importante das parcerias comerciais, pois permite a transferência e a troca de dados para melhorar a colaboração e a tomada de decisão baseada em dados.

Domínios da estrutura da plataforma

A plataforma consiste em vários domínios:

• Armazenamento: na nuvem, os dados são armazenados principalmente em armazenamentos de objetos dimensionáveis, eficientes e resilientes nos provedores de nuvem.

• Governança: recursos relacionados à governança de dados, tais como controle de acesso, auditoria, gerenciamento de metadados, rastreamento de linhagem e monitoramento de todos os dados e ativos de IA.

• Mecanismo de IA: o mecanismo de IA oferece recursos de IA generativa para toda a plataforma.

• Ingerir e transformar Os recursos para cargas de trabalho de ETL.

• Analítica avançada, ML e IA: todos os recursos de machine learning, IA, IA generativa e também transmissão analítica.

• Data warehouse O domínio que aceita casos de uso de DWH e BI.

• Orquestração gerenciamento central do fluxo de trabalho do processamento dos dados, machine learning e pipelines analíticas.

• Ferramentas de DS e ETL: as ferramentas de front-end que os engenheiros de dados, cientistas de dados e engenheiros de ML usam principalmente para trabalhar.

• Ferramentas de BI: as ferramentas de front-end que os analistas de BI usam principalmente para trabalhar.

• Colaboração: recursos para compartilhamento de dados entre duas ou mais partes.

O escopo da Plataforma Databricks

A Databricks Data Intelligence Platform e seus componentes podem ser associados à estrutura da seguinte forma:

Download: escopo da lakehouse - Componentes do Databricks

Cargas de trabalho de dados no Databricks

Ainda mais importante, a Databricks Data Intelligence Platform abrange todas as cargas de trabalho relevantes para o domínio de dados em uma única plataforma, tendo o ApacheSpark/Photon como mecanismo:

• Ingestão e transformação

  Para ingestão de dados, o Auto Loader processa de forma incremental e automática os arquivos que chegam ao armazenamento em nuvem em trabalhos agendados ou contínuos, sem a necessidade de gerenciar informações de estado. Uma vez ingeridos, os dados brutos precisam ser transformados para estarem prontos para BI e ML/IA. O Databricks entrega recursos poderosos de ETL a engenheiros de dados, cientistas de dados e analistas.

  O Delta Live Tables (DLT) possibilita que trabalhos de ETL sejam escritos de forma declarativa, simplificando todo o processo de implementação. A qualidade dos dados pode ser aprimorada definindo-se as expectativas dos dados.

• Analítica avançada, ML e IA

  A plataforma inclui o Databricks Mosaic AI, um conjunto de ferramentas de machine learning e IA totalmente integradas para machine learning clássica e aprendizagem profunda, bem como IA generativa e grandes modelos de linguagem (LLMs). Ele abrange todo o fluxo de trabalho, desde a preparação de dados e a criação de modelos de machine learning e aprendizagem profunda, até o Mosaic AI Model Serving.

  A Transmissão estruturada do Spark e o DLT possibilitam análises em tempo real.

• Data warehouse

  A Databricks Data Intelligence Platform oferece também uma solução completa de data warehouse com o Databricks SQL, governada de forma central pelo Unity Catalog com controle de acesso refinado.

Destaque das áreas de recursos do Databricks

Trata-se do mapeamento dos recursos da Databricks Data Intelligence Platform para as outras camadas da estrutura, de baixo para cima:

• Armazenamento em nuvem

  Todos os dados do lakehouse são guardados no armazenamento de objetos do provedor na cloud. O Databricks oferece compatibilidade com três provedores de cloud: AWS, Azure e GCP. Arquivos em vários formatos estruturados e semiestruturados (por exemplo, Parquet, CSV, JSON e Avro), bem como formatos não estruturados (como imagens e documentos) são ingeridos e transformados usando processos em lote ou de transmissão contínua.

  Delta Lake é o formato de dados recomendado para o lakehouse (transações de arquivos, confiabilidade, consistência, atualizações etc.) e é totalmente em código aberto para evitar o bloqueio. E o Delta Universal Format (UniForm) possibilita a leitura de tabelas Delta com clientes de leitores Iceberg.

  Não é utilizado nenhum formato de dados proprietário na Plataforma de inteligência de dados do Databricks.

• Governança de dados

  Além da camada de armazenamento, oUnity Catalog oferece uma ampla variedade de recursos de governança de dados, incluindogerenciamento de metadados na metastore, controle de acesso, auditoria , descoberta de dados , linhagem de dados .

  O monitoramento de lakehouse fornece métricas de qualidade prontas para uso para dados e ativos de IA, bem como painéis gerados automaticamente para visualizar essas métricas.

  As fontes externas de SQL podem ser integradas ao lakehouse e ao Unity Catalog por meio da federação do lakehouse.

• Motor de IA

  A plataforma de inteligência de dados é construída na arquitetura lakehouse e aprimorada pelo mecanismo de inteligência de dados do DatabricksIQ. O DatabricksIQ combina IA generativa com os benefícios de unificação da arquitetura do lakehouse para compreender a semântica exclusiva dos dados. O Intelligent Search e o Databricks Assistant são exemplos de serviços baseados em IA que simplificam o trabalho com a plataforma de cada usuário.

• Orquestração

  O Databricks Workflows possibilita que você execute uma ampla variedade de cargas de trabalho em todo o ciclo de vida de dados e IA, independentemente da sua nuvem. Possibilitam que você orquestre trabalhos, bem como Delta Live Tables para SQL, Spark, notebooks, DBT, modelos de ML e outros.

• ETL & Ferramentas de DS

  Na camada de consumo, engenheiros de dados e engenheiros de ML normalmente trabalham com a plataforma usando IDEs. Os cientistas de dados geralmente preferem notebooks e usam os tempos de execução de ML e IA e o sistema de fluxo de trabalho de machine learning MLflow para rastrear experimentos e gerenciar o ciclo de vida dos modelos.

• Ferramentas de BI

  Os analistas de negócios normalmente utilizam sua ferramenta de BI preferida para acessar o data warehouse do Databricks. O Databricks SQL pode ser consultado por diversas ferramentas de análise e BI. Consulte BI e visualização

  Além disso, a plataforma oferece ferramentas de consulta e análise prontas para uso:

  • Painéis para arrastar e soltar visualizações de dados e compartilhar percepções.

  • Editor SQL para analistas SQL analisarem dados.

• Colaboração

  O Delta Sharing é um protocolo aberto desenvolvido pela Databricks para compartilhamento seguro de dados com outras organizações, independentemente das plataformas de computação que utilizam.

  O Databricks Marketplace é um fórum aberto para troca de produtos de dados. Ele aproveita o Delta Sharing para disponibilizar para as empresas de dados as ferramentas necessárias para compartilhar produtos de dados com segurança, além de colocar nas mãos dos consumidores de dados o poder de explorar e expandir seu acesso aos dados e serviços de dados de que precisam.