5、数据平台的开放性、边缘计算与AI应用

数据平台的开放性、边缘计算与AI应用

1. 开放性与混合云部署

在当今的数据处理领域，开放性是一个重要的特性。即便工具是专有的，由于采用了开放标准和导入/导出机制，其代码也是以可移植的方式编写的。例如，Redshift仅能在AWS上运行，但它的查询使用标准SQL编写，并且具备多种导入和导出机制。这使得Redshift、BigQuery和Synapse都成为了开放平台。

这种开放性催生了像Teads这样的用例，在Teads的混合分析管道中：
1. 使用AWS上的Kafka收集数据。
2. 利用Google Cloud上的Dataflow和BigQuery进行数据聚合。
3. 最后将数据写回到AWS Redshift。

云提供商通过大力投资开源项目，致力于为客户提供更多选择、更高的灵活性和开放性，这使得多云数据仓库（DWH）或混合数据处理框架成为现实。企业可以按照自己的需求构建混合和多云部署，而不受供应商的限制。

2. 边缘计算的优势

边缘计算是混合模式的另一种体现，它将计算和数据存储靠近数据生成和处理的系统，旨在提高响应时间并节省带宽。随着边缘计算的普及，它为众多行业带来了诸多潜在优势：
|优势|描述|
|----|----|
|更快的响应时间|数据存储和计算能力分布在决策点，无需往返云端，减少延迟，实现更快响应。例如在预防性维护、主动游戏、欺诈预防和安全场景中发挥重要作用。|
|间歇性连接|在油井、农场泵、太阳能农场或风车等远程资产处，网络连接不可靠。边缘设备能够本地存储和处理数据，确保在网络连接有限时不会丢失数据或导致操作失败。|
|安全合规|减少设备与云