de.wedoany.com-Bericht: Capital One Software hat die intelligente Optimierungsfunktion für Slingshot, die Plattform für das Management von Unternehmensdaten-infrastrukturen, eingeführt. Ziel ist es, Unternehmen dabei zu unterstützen, die Leistung von Snowflake-Workloads zu verbessern und Probleme schnell zu erkennen und zu beheben. Die Funktion nutzt Kontextinformationen aus der Benutzerumgebung und kann Optimierungsmöglichkeiten identifizieren, die über die grundlegende SQL-Syntax und die Speicherkostenebene hinausgehen.
Diese Funktion spiegelt einen grundlegenden Wandel in der Denkweise über die Effizienz der Datenverarbeitung wider: Statt einzelne Ressourcen isoliert anzupassen, geht es darum, das gesamte System – einschließlich Code, Pipelines, Infrastruktur und Teams – zu verstehen und zu optimieren.
Jeff Chou, Vice President of Product Management für Slingshot bei Capital One Software, erklärte, dass die Dateninfrastruktur von Unternehmen ein komplexes Netzwerk gegenseitiger Abhängigkeiten sei, das einen kontextorientierten Ansatz erfordere, um eine skalierbare Optimierung zu erreichen. Die intelligente Optimierungsfunktion von Slingshot hilft Unternehmen zu verstehen, wie Abfragen tatsächlich ausgeführt werden, wofür Tabellen verwendet werden und wo Teams unbeabsichtigt doppelte Arbeit leisten, um so die Effizienz auf Systemebene zu steigern.
Zu den bevorstehenden intelligenten Optimierungsfunktionen von Slingshot gehören: Kontextbewusste KI-Abfrageoptimierung, die automatisch die wichtigsten Abfragen in der Snowflake-Umgebung nach Kosten, Laufzeit und Häufigkeit identifiziert und KI-gestützte Optimierungsvorschläge generiert, die Administratoren und Dateningenieuren umsetzbare Schritte sowie geschätzte Kosten- und Laufzeitverbesserungen bieten; Kontextbewusste KI-Tabellenoptimierung, die die 50 wichtigsten Tabellen nach Abfrageauswirkung analysiert und mehrdimensionale Lösungen zur Infrastrukturbehebung bereitstellt, wobei vor der Vorschlagserteilung überprüft wird, dass Tabellenänderungen keine negativen Auswirkungen auf die Hauptabfragen haben; Erkennung doppelter Pipelines, die mithilfe von KI durch die Analyse gängiger Muster der Datennutzung unbeabsichtigte Redundanzen aufdeckt und ähnliche Workloads vergleicht, um die funktionale Gleichwertigkeit zu bewerten; Daten-Explorer, eine interaktive Drilldown-Analyseoberfläche, die Datenteams bei der Untersuchung von Ursachen unterstützt. Benutzer können Kosten über synchronisierte Filter nach mehreren Dimensionen wie Konto, Benutzer, Abfrage-Hash, Tag, Servicetyp usw. aufschlüsseln. Es werden Detailseiten für einzelne Warehouses, Datenbanken und Abfragen sowie der historische Kontext von Warehouse-Änderungen bereitgestellt.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
