1. Серія контенту:
2. Цей контент є частиною серії: Архітектура та шаблони великих даних
3. Чи потребує моя задача в сфері високих даних в рішенні для роботи з великими даними?
4. Вимірювання для оцінки застосовності рішення для роботи з великими даними
5. Малюнок 1. Вимірювання для оцінки застосовності рішення для роботи з великими даними
6. Користь для бізнесу: які цінні відомості можна отримати за допомогою технологій великих даних?
7. Таблиця 1. Сценарії використання в різних галузях
8. Призначення пріоритетів даними
9. Чи можливо розширення вашої нинішньої середовища?
10. Яка вартість розширення вашої нинішньої середовища?
11. ІТ-керівництво та управління даними: якими будуть наслідки для існуючого ІТ-керівництва?
12. Чи можливо поетапне впровадження рішення для роботи з великими даними?
13. Люди: чи є для проекту фахівці з належними навиками і чи користується він підтримкою зацікавлених осіб?
14. Чи існують дані, які можна використовувати для вилучення з них цінних відомостей?
15. Чи підвищується складність даних?
16. Чи збільшився обсяг даних?
17. Чи збільшилася різноманітність даних?
18. Швидкість даних збільшилася або змінилася?
19. Чи є ваші дані достовірними?
20. Чи всі великі дані породжують завдання великих даних?
21. Ресурси для скачування

Архітектура і шаблони великих даних

Серія контенту:

Цей контент є частиною # з серії # статей: Архітектура та шаблони великих даних

http://www.ibm.com/developerworks/library/?search_by=Big+data+architecture

Слідкуйте за виходом нових статей цієї серії.

Цей контент є частиною серії: Архітектура та шаблони великих даних

Слідкуйте за виходом нових статей цієї серії.

Перш ніж приймати рішення про інвестування в рішення для роботи з великими даними, проаналізуйте доступну інформацію, потенційно значущі результати цього аналізу, а також наявні у вас ресурси для опису, проектування, створення і розгортання платформи великих даних. Постановка правильних питань - це хороший спосіб почати роботу. Використовуйте представлені в цій статті питання для проведення власного дослідження. Отримані відповіді виявлять додаткові відомості про характеристики даних і про завдання, яке ви намагаєтеся вирішити.

Як правило, будь-яка організація на якомусь рівні розуміє, якого типу дані їй необхідно аналізувати, однак при цьому, цілком можливо, не дуже точно уявляє собі специфічні особливості цих даних. Зрештою, ці дані здатні утримувати ключі до які раніше не виявленим закономірностям, а після розпізнавання закономірності потреба у відповідному додатковому аналізі стає очевидною. Щоб полегшити собі розкриття цих невідомих, почніть з реалізації декількох базових сценаріїв використання і в процесі їх виконання зберіть дані, які до цього були недоступні. Після створення сховища даних і збільшення кількості зібраних даних фахівець з даними зможе краще визначати ключові дані, а також створювати прогнозують і статистичні моделі, що дають більш цінні результати. Крім того, цілком можливо, що організації вже відомо, чого саме вона не знає. Щоб вивчити ці відомі невідомості, організація спочатку повинна за допомогою фахівця з даними виявити зовнішні або сторонні джерела даних і реалізувати кілька сценаріїв використання, що спираються на ці зовнішні дані.

Ця стаття спочатку відповідає на ряд питань, які виникають у більшості ІТ-директорів перед початком реалізації ініціативи в сфері високих даних, а потім розглядає заснований на вимірах підхід, що допомагає організації оцінити придатність рішення для роботи з великими даними.

Чи потребує моя задача в сфері високих даних в рішенні для роботи з великими даними?

Інкрементний підхід в сфері високих даних

У більшості випадків організація вибирає інкрементний підхід до реалізації рішення для роботи з великими даними. Чи не для кожної потреби в аналізі та звітності потрібно рішення для роботи з великими даними. Так, для проектів, які здійснюють паралельну обробку великого набору даних або генеруючих спеціальну звітність на основі декількох джерел даних, рішення для роботи з великими даними може бути не п.

З появою технологій для роботи з великими даними організації починають задавати собі питання. Чи справді підхід на основі великих даних є підходящим рішенням для моєї бізнес-завдання або надає нові можливості для мого бізнесу? Ховаються чи у великих даних будь-які можливості для бізнесу? Перерахуємо деякі типові питання, які ми чуємо від ІТ-директорів.

Вимірювання для оцінки застосовності рішення для роботи з великими даними

Щоб отримати відповіді на перераховані питання, в статті пропонується структурований підхід до оцінки застосовності рішення для роботи з великими даними відповідно до вимірів, показаним на наступному малюнку.

Малюнок 1. Вимірювання для оцінки застосовності рішення для роботи з великими даними

• Користь для бізнесу завдяки цінним відомостями, що отримуються в результаті аналізу даних.
• Міркування щодо ІТ-керівництва для нових джерел даних і характер використання даних.
• Наявність людей з відповідними навичками та підтримка спонсорів.
• Обсяг реєстрованих даних.
• Різноманітність джерел даних, типів даних і форматів даних.
• Швидкість генерації даних, швидкість здійснення необхідних дій на основі цих даних, швидкість зміни даних.
• Достовірність або, навпаки, невизначеність даних.

Для кожного вимірювання ми наводимо ключові питання. Дайте кожному виміру вага і пріоритет відповідно до бізнес-контекстом. Кінцева оцінка рішення залежить від бізнес-сценарію і від особливостей організації. Опрацювання цих питань доцільно здійснювати за допомогою серії семінарів за участю відповідних представників бізнес-підрозділів та ІТ-підрозділів.

Користь для бізнесу: які цінні відомості можна отримати за допомогою технологій великих даних?

Багато організацій цікавляться тим, чи здатне рішення для роботи з великими даними надати їм шукані цінні відомості щодо їх бізнесу. Не існує ніяких однозначних інструкцій по визначенню цінних відомостей, які можна було б отримати з великих даних. Організація повинна сама сформулювати відповідні сценарії, а потім ці сценарії будуть еволюціонувати з плином часу. Спеціаліст за даними грає ключову роль при виявленні і формулюванні сценаріїв використання в бізнесі і сценаріїв, реалізація яких принесе істотну користь для бізнесу.

Спеціаліст за даними повинен розуміти ключові показники ефективності (KPI-індикатори), а також застосовувати до даних статистичні та комплексні алгоритми з метою отримання списку сценаріїв використання. Сценарії використання залежать від специфіки галузі і бізнесу. Вельми корисним є вивчення ринку на предмет того, як поводяться конкуренти, які ринкові сили діють і, що найголовніше, чого потребують споживачі. У наступній таблиці наведені приклади сценаріїв використання в різних галузях.

Таблиця 1. Сценарії використання в різних галузях

Галузь Приклади сценаріїв використання Електронна комерція і онлайнова роздрібна торгівля Компанії електронної роздрібної торгівлі, такі як eBay, постійно створюють цільові пропозиції для підвищення цінності клієнта протягом усього циклу його існування; для надання клієнтам узгоджених можливостей у всіх каналах; для залучення нових клієнтів за допомогою продажів, маркетингу та інших механізмів; для безперервної оптимізації внутрішніх процесів.

• Механізми рекомендацій: підвищення середнього розміру замовлення за рахунок рекомендацій за додатковими товарам, заснованих на Інтелектуальне аналізі для перехресних продажів.
• Міжканального аналітика: аналіз атрибутів продажів, середньої вартості замовлення і цінності життєвого циклу (наприклад, скільки покупок в магазині є результатом певної рекомендації, реклами або промо-акції).
• Аналіз подій: яка серія кроків призвела до бажаного результату (наприклад, до покупки або до реєстрації продукту)?
• Належне пропозицію в потрібний час і пропозиція типу Next-best (наступне за значимістю): розгортання прогнозують моделей в поєднанні з механізмами рекомендацій з метою автоматичної генерації пропозицій типу Next-best і адаптованих взаємодій в декількох каналах взаємодії.

Роздрібна торгівля та орієнтована на клієнта торгівля

• Мерчандайзинг і аналіз споживчого кошика
• Керування кампаніями і програми забезпечення лояльності клієнтів
• Управління ланцюгами постачання й аналіз ланцюжків поставок
• Таргетування на основі подій і на основі поведінки
• Сегментація ринку і клієнтів
• Інтелектуальне аналіз: перш ніж розміщувати товари на полицях, підприємства роздрібної торгівлі хотіли б передбачити чинники, які можуть виявитися важливими для покупців.

Фінансові послуги

• Нормативне відповідність і обов'язкова звітність
• Аналіз ризиків і управління ризиками
• Виявлення шахрайства та аналітика в сфері безпеки
• Управління взаємовідносинами з клієнтами та програми забезпечення лояльності клієнтів
• Кредитні ризики, оцінки, аналіз
• Високошвидкісна арбітражна торгівля
• Нагляд за торгівлею
• Аналіз ознак аномальної торгівлі

Виявлення шахрайства Засоби протидії шахрайству допомагають підвищити прибутковість клієнтів за рахунок прогнозування ймовірності того, що дана транзакція або даний рахунок клієнта піддається зловмисному використанню. Ці рішення аналізують транзакції в реальному часі і генерують рекомендації для негайного вжиття заходів, необхідних для зупинки шахрайства сторонніх осіб, шахрайства власних співробітників і коректного використання клієнтами своїх повноважень. Як правило, такі рішення проектуються для виявлення і запобігання різноманітних зловживань і ризиків в декількох галузях.

• Шахрайство з кредитними і дебетовими платіжними картами.
• Шахрайство з депозитними рахунками.
• Шахрайство з технічними засобами і безнадійні борги.
• Шахрайство в охороні здоров'я.
• Шахрайство з програмами Medicaid і Medicare.
• Шахрайство з власністю і зі страхуванням від нещасних випадків.
• Шахрайство з компенсаційними виплатами працівникам.
• Шахрайство при страхуванні.

Інтернет та цифрові медіа Значна частина даних, з якими ми в даний час працюємо, є прямим наслідком зростання масштабів маркетингу в соціальних мережах і цифрового маркетингу. Клієнти генерують "інформаційний слід", який можна відшукати і використовувати.

• Великомасштабна аналітика відомостей про відвідування сайтів
• Таргетування, аналіз, прогнозування та оптимізація реклами
• Запобігання зловживань і шахрайства з відомостями про найбільш популярні сайтів
• Аналіз структури соціальних мереж і сегментація профілів
• Керування кампаніями і програми забезпечення лояльності клієнтів

Державний сектор

• виявлення шахрайства
• виявлення загроз
• кібербезпека
• Відповідність нормативам і аналіз вимог
• Управління енергоспоживанням і викидом парникових газів

Охорона здоров'я та медико-біологічні дослідження

• Виявлення шахрайства з медичним страхуванням
• Оптимізація кампаній і програм продажів
• управління брендом
• Аналіз якості догляду за хворими та відповідних програм
• Управління пристроями медичного призначення і ланцюжками поставок в фармацевтиці
• Створення ліків і аналіз супутніх розробок

Телекомунікації

• Гарантування доходів і оптимізація цін
• Запобігання відтоку клієнтів
• Керування кампаніями і забезпечення лояльності клієнтів
• Аналіз CDR-записів
• Продуктивність і оптимізація мережі
• Аналіз місця розташування мобільного користувача

Комунальні послуги Комунальні підприємства експлуатують великі, дорогі і складні системи для генерації енергії. До складу кожної енергомережі входять складні датчики, які контролюють напругу, струм, частоту і інші важливі робочі характеристики. Для забезпечення ефективності необхідно уважно стежити за всіма потоками даних від датчиків.

В даний час комунальні підприємства застосовують Hadoop-кластери для аналізу даних про виробництво електроенергії (пропозиція) і про її споживанні (попит).

Впровадження інтелектуальних датчиків породило небачені раніше потоки даних. Більшість комунальних підприємств погано підготовлено до аналізу даних, що надходять від інтелектуальних лічильників.

ЗМІ У сфері кабельного телебачення великі дані можна використовувати для щоденного аналізу даних, що циркулюють через телевізійні приставки (set-top box). Це здатні робити такі великі оператори, як Time Warner, Comcast і Cox Communications. На основі отриманих при цьому результатів можна коригувати рекламну діяльність або промоакції. Інші

• Mashup-рішення: місце розташування мобільного користувача і точне таргетування
• Згенеровані машинами дані
• Онлайнова служба знайомств: ведуча онлайнова служба знайомств використовує поглиблений аналіз для оцінки сумісності між окремими претендентами, що дозволяє пропонувати відповідні варіанти.
• онлайнові ігри
• Випереджаюче техобслуговування літаків і автомобілів

Потенційні клієнти генерують величезну кількість нових даних в соціальних мережах і на сайтах з відгуками. Усередині підприємства зростають обсяги транзакційних даних і матеріалів в блогах, оскільки клієнти переключаються на онлайнові канали для ведення бізнесу та взаємодії з компаніями.

Призначення пріоритетів даними

Почніть з інвентаризації даних, які існують всередині підприємства. Виявити дані, що існують у внутрішніх системах і додатках, а також дані, що надходять з боку. Якщо будь-яка бізнес-завдання може бути вирішена за допомогою існуючих даних, то дані із зовнішніх джерел можуть бути зайвими.

Розгляньте вартість створення рішення для роботи з великими даними і зіставте її з цінністю нових бізнес-результатів.

Аналіз цих нових даних в контексті архівних відомостей про існуючі клієнтів дозволяє виявити нові можливості для бізнесу.

Рішення для роботи з великими даними може бути доречним в наступних випадках.

• Користь, що отримується від осмислення даних, перевищує капітальні витрати на рішення для роботи з великими даними.
• Сценарії взаємодії з клієнтом наочно демонструють потенційну цінність цього осмислення.

При оцінці користі для бізнесу, які підлягають отриманню за допомогою рішення для роботи з великими даними, проаналізуйте можливість розширення своєї нинішньої середовища і розрахуйте величину відповідних інвестицій.

Чи можливо розширення вашої нинішньої середовища?

Дайте відповідь на наступні питання, щоб визначити можливість доповнення існуючої платформи для зберігання даних?

• Чи є нинішні набори даних дуже великими - близько терабайтов або петабайт?
• Чи містить існуюче середовище зберігання даних репозитарій для всіх даних (генеруються або одержуваних)?
• Чи є у вас значна кількість рідко використовуваних даних, які не піддаються аналізу з метою вилучення корисних для бізнесу відомостей?
• Вам доводиться знищувати дані, оскільки ви не здатні зберегти або обробити їх?
• Ви хотіли б мати можливість для дослідження складних даних і великих обсягів даних?
• Ви хотіли б мати можливість для аналізу неоперативних даних?
• Ви зацікавлені в використанні своїх даних для традиційних і для нових типів аналітики?
• Ви намагаєтеся відкласти модернізацію існуючого у вас сховища даних?
• Ви шукаєте способи для зниження сукупної вартості виконання аналізу?

Якщо ви ствердно відповіли на будь-якої з цих питань досліджуйте способи для нарощування існуючої середовища зберігання даних.

Яка вартість розширення вашої нинішньої середовища?

Співвідношення вартості (і здійсненності) розширення існуючої платформи сховища даних (або ІТ-середовища) і вартості реалізації рішення для великих даних залежить від наступних факторів.

• Існуючі інструменти та технології.
• Масштабованість наявної системи.
• Обчислювальна потужність існуючої середовища.
• Можливості існуючої платформи стосовно зберігання даних.
• ІТ-керівництво і приємним політики.
• Гетерогенність існуючих ІТ-додатків.
• Наявність в організації необхідних кваліфікаційних навичок в сфері технологій і в сфері бізнесу.

Крім того, мають значення такі аспекти, як обсяг даних, які будуть збиратися з нових джерел даних, складність сценаріїв бізнес-використання, аналітична складність обробки, а також витрати на отримання даних і на фахівців з належним набором навичок. Чи здатний існуючий пул трудових ресурсів придбати нові навички в області великих даних і чи можливо залучення ресурсів з необхідними нішевими навичками з боку?

Слід мати на увазі можливий вплив ініціативи в сфері високих даних на інші виконувані проекти. Отримання даних з нових джерел обходиться дорого. Для початку необхідно виявити всі дані, що існують у внутрішніх системах і додатках, а також всі дані, що отримуються в даний час з боку. Якщо будь-яка бізнес-завдання може бути вирішена за допомогою існуючих даних, то дані із зовнішніх джерел можуть бути зайвими.

Перш чем купуваті Нові інструменти и Додатки, Оцініть існуючій в организации портфель Додатків. Наприклад, простий безкоштовної платформи Hadoop може виявитися недостатньо для задоволення потреб організації, тому може виникнути необхідність в придбанні спеціалізованих інструментів. І навпаки, комерційна реалізація Hadoop може бути занадто дорогою для нинішнього сценарію використання, але необхідної в якості довгострокової інвестиції для підтримки стратегічної платформи. Розгляньте необхідні витрати на інфраструктуру, апаратні засоби, програмне забезпечення та технічне обслуговування стосовно до інструментів і технологій для роботи з великими даними.

ІТ-керівництво та управління даними: якими будуть наслідки для існуючого ІТ-керівництва?

При прийнятті рішення про реалізацію платформи для великих даних організація може розглядати нові джерела даних і нові типи елементів даних, щодо яких володіння ще не визначено однозначно. Те, які дані отримує і використовує організація, залежить від нормативів конкретної галузі. Як приклад можна розглянути таку галузь, як охорона здоров'я. Чи дозволяє закон використання даних про пацієнтів з метою вилучення цінних відомостей з цих даних? Подібні правила діють у всіх галузях. На додаток до завдань ІТ-керівництва у організації може виникнути необхідність у перегляді або в модернізації бізнес-процесів з метою реалізації можливостей для отримання, зберігання і використання зовнішніх даних.

Розгляньте наступні завдання ІТ-керівництва в контексті своєї ситуації.

• Забезпечення безпеки і конфіденційності - до яких даними зможе звертатися рішення згідно з регіональними правилами? Які дані можуть зберігатися? Які дані підлягають шифрування в процесі переміщення? У стані спокою? Кому дозволяється бачити вихідні дані і результати їх осмислення?
• Стандартизація даних -Є чи стандарти, керівні даними? Чи представлені дані в закритому форматі? Чи представлені будь-які дані в нестандартному форматі?
• Період часу, протягом якого дані доступні - Чи доступні дані протягом періоду часу, достатнього для своєчасного виконання необхідних дій?
• Володіння даних - Кому належать дані? Чи має рішення відповідний доступ до даних і відповідні дозволи для їх використання?
• Допустиме використання -Яким чином дозволено використовувати дані?

Чи можливо поетапне впровадження рішення для роботи з великими даними?

Рішення для роботи з великими даними може бути реалізовано поетапно. Слід чітко визначити масштаби бізнес-завдання і в вимірних показниках сформулювати очікуване підвищення прибутковості бізнесу.

Для фундаментального економічного обґрунтування обрисуйте область дії завдання і прогнозовані переваги запропонованого рішення. Якщо ця область дії буде занадто малою, то відповідні переваги для бізнесу не будуть реалізовані, а якщо вона буде занадто великий, то це ускладнить отримання фінансування та виконання проекту в прийнятні терміни. У першій ітерації свого проекту опишіть базові функції - це полегшить завоювання довіри зацікавлених осіб.

Люди: чи є для проекту фахівці з належними навиками і чи користується він підтримкою зацікавлених осіб?

Для розуміння і аналізу вимог щодо побудови та технічного обслуговування рішення для роботи з великими даними необхідні специфічні навички. Так, необхідні галузеві знання і кваліфікація в предметної області, а також технічні знання про інструменти та технології для роботи з великими даними. Фахівці з даними з належною кваліфікацією в таких областях, як моделювання, статистика, аналітика і математика, відіграють ключову роль в досягненні успіху будь-якої ініціативи в сфері високих даних.

Перш ніж робити новий проект в сфері високих даних, упевніться в наявності "на борту" потрібних людей.

• Ви користуєтеся підтримкою зацікавлених осіб та інших бізнес-спонсорів, які бажають інвестувати в ваш проект?
• Чи є фахівці з даними, які розуміють предметну область і здатні переглядати величезні обсяги даних, а також виявляти способи для вилучення значущих і корисних відомостей з цих даних?

Чи існують дані, які можна використовувати для вилучення з них цінних відомостей?

У всіх організацій є досить багато даних, які не використовуються для вилучення з них цінної бізнес-інформації. До цієї категорії відносяться файли журналів, файли помилок і робочі дані з додатків. Чи не відкидайте ці дані, оскільки вони є потенційним джерелом цінної інформації.

Чи підвищується складність даних?

Шукайте ознаки підвищення складності даних, особливо стосовно їх обсягу, різноманітності, швидкості і достовірності.

Чи збільшився обсяг даних?

Рішення для роботи з великими даними доцільно використовувати в наступних випадках.

• Обсяг даних вимірюється в петабайт і ексабайт, а в найближчому майбутньому здатний вирости до секстібайтов.
• Обсяг даних породжує технічні і економічні завдання при зберіганні, пошуку, спільному використанні, аналізі та візуалізації з використанням традиційних методів, таких як механізми реляційних баз даних.
• Обробка даних в даний час використовує масову паралельну обробку на наявних апаратних засобах.

Чи збільшилася різноманітність даних?

Різноманітність даних може породити потребу в рішенні для роботи з великими даними в наступних випадках.

• Неможливо передбачити або прогнозувати контент і структуру даних.
• Дані представлені в різних форматах, зокрема, є структуровані, напівструктуровані і неструктуровані дані.
• Користувачі і машини здатні генерувати дані в будь-якому форматі, в т. Ч .: файли Microsoft® Word, електронні таблиці Microsoft Excel®, презентації Microsoft PowerPoint, PDF-файли, соціальні медіа, Інтернет-щоденниках та журнали програмного забезпечення, електронні листи, фотографії / відеозапису від камер, мобільні пристрої з датчиками інформації, антенні сенсори, генетична інформація, медичні карти і т. д.
• Нові типи даних стали надходити з джерел, які до цього не аналізувалися на предмет отримання корисних відомостей.
• Суті предметної області мають різні смислові значення в залежності від контексту.

Швидкість даних збільшилася або змінилася?

Розгляньте свої дані на предмет наявності у них таких особливостей.

• Дані змінюються швидко і потребують швидкого реагування.
• Дані вичерпали можливості традиційних технологій і методів, які більше не підходять для обробки даних, що надходять в реальному часі

Чи є ваші дані достовірними?

Рішення для роботи з великими даними доцільно використовувати в наступних випадках.

• Невідома ступінь автентичності або точності даних.
• Дані містять сумнівну інформацію.
• Невідома ступінь повноти даних.

Рішення для роботи з великими даними може виявитися адекватним при розумній мірі складності даних (вираженої за допомогою таких показників, як обсяг, різноманітність, швидкість або достовірність даних). У разі більш складних даних необхідно оцінити всі ризики, пов'язані з реалізацією рішення для роботи з великими даними. У разі менш складних даних слід розглянути традиційні рішення.

Чи всі великі дані породжують завдання великих даних?

Не всі ситуації в сфері високих даних потребують вирішення для роботи з великими даними. Пошукайте підказки в своєму секторі ринку. Як поводяться конкуренти? Які ринкові сили діють? Чого потребують клієнти?

Викладені в цій статті питання допоможуть вам визначати, наскільки те чи інше рішення для роботи з великими даними підходить для вашого бізнесу і для отримання необхідних йому корисних відомостей. Якщо ви прийшли до висновку про необхідність проведення проекту в сфері високих даних, переходите до наступної статті цього циклу, яка присвячена опису логічної архітектури і визначення ключових компонентів, необхідних вирішення для роботи з великими даними.

Ресурси для скачування

Схожі тими

• Оригінал статті: Big data architecture and patterns, Part 2: How to know if a big data solution is right for your organization .
• у статті Архітектура і шаблони великих даних. Частина 1. Введення в класифікацію і архітектуру великих даних описуються ключові концепції побудови архітектури рішення для роботи з великими даними.
• відвідайте сайт Big Data Hub і скористайтеся посиланнями на найпопулярніші матеріали, такі як: The four V's of big data (Чотири виміри великих даних) і Top 5 big data use cases (Перша п'ятірка сценаріїв використання великих даних).
• Що таке "фахівець з даними" і чим він займається (EN).
• много продукти IBM для роботи з великими даними доступні для завантаження у вигляді ознайомлювальних версій.
• Знайдіть ресурси, які допоможуть вам розпочати роботу з InfoSphere BigInsights - аналітичною платформою IBM, заснованої на програмному забезпеченні з відкритим кодом Hadoop і розширює його можливості завдяки таким функціям, як Big SQL, аналіз тексту і BigSheets.
• завантажте продукт InfoSphere BigInsights Quick Start Edition , Який доступний у вигляді нативного установчого пакета і у вигляді VMware-образу.
• Знайдіть ресурси, які допоможуть вам розпочати роботу з InfoSphere Streams - високопродуктивної обчислювальної платформою IBM, яка дозволяє призначеним для користувача додатків швидко приймати, аналізувати і зіставляти інформацію по мірі її надходження з тисяч джерел в реальному часі.
• завантажте продукт InfoSphere Streams , Який доступний у вигляді нативного установчого пакета і у вигляді VMware-образу.
• Випробуйте продукт InfoSphere Streams на платформі IBM SmartCloud Enterprise .

Підпішіть мене на ПОВІДОМЛЕННЯ до коментарів