ການຮຽນຮູ້ເຄື່ອງຈັກ (ML) ກໍາລັງຖືກລວມເຂົ້າໃນເກືອບທຸກດ້ານຂອງ IT ວິສາຫະກິດ. ML ເລັ່ງການວິເຄາະຂໍ້ມູນ, ອຳນວຍຄວາມສະດວກໃນການປະມວນຜົນຂໍ້ມູນ ແລະການຕັດສິນໃຈໃນເວລາຈິງ, ແລະປັບປຸງການສ້າງແບບຈໍາລອງຢ່າງຫຼວງຫຼາຍ. Microsoft Azure ML ແລະ Databricks ທັງສອງສະເຫນີເຄື່ອງມື ML ອັນດັບສູງສຸດ. ແຕ່ອັນໃດທີ່ດີທີ່ສຸດສໍາລັບບໍລິສັດຂອງເຈົ້າ?

ຕາມປົກກະຕິ, ມີຄວາມຄ້າຍຄືກັນແລະຄວາມແຕກຕ່າງ. ໃນຫຼາຍໆກໍລະນີ, ທາງເລືອກຕົ້ມລົງກັບຄວາມຕ້ອງການຂອງ ML ສະເພາະຂອງສະພາບແວດລ້ອມ.

ເບິ່ງ: ເວທີການຮຽນຮູ້ເຄື່ອງຈັກທີ່ດີທີ່ສຸດ

Azure ML ທຽບກັບ. Databricks: ຄຸນນະສົມບັດທີ່ສໍາຄັນ

Azure Machine Learning ຖືກອອກແບບມາເພື່ອຊ່ວຍໃຫ້ນັກວິທະຍາສາດຂໍ້ມູນ ແລະຜູ້ພັດທະນາສ້າງ, ນຳໃຊ້ ແລະຈັດການຕົວແບບໄດ້ໄວຜ່ານການປະຕິບັດການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (MLOps), ການເຮັດວຽກຮ່ວມກັນຂອງແຫຼ່ງເປີດ ແລະເຄື່ອງມືປະສົມປະສານ. ມັນປັບປຸງການໃຊ້ງານ ແລະການຄຸ້ມຄອງແບບຈໍາລອງຫຼາຍພັນແບບໃນຫຼາຍສະພາບແວດລ້ອມສໍາລັບ batch ແລະການຄາດຄະເນໃນເວລາຈິງ.

ທໍ່ທີ່ເຮັດຊ້ຳໆສາມາດຖືກໃຊ້ເພື່ອອັດຕະໂນມັດຂະບວນການເຮັດວຽກສໍາລັບການລວມຕົວຢ່າງຕໍ່ເນື່ອງແລະການຈັດສົ່ງຢ່າງຕໍ່ເນື່ອງ (CI/CD). ນັກພັດທະນາສາມາດໃຊ້ການຮ່ວມມືຂ້າມພື້ນທີ່ເຮັດວຽກໂດຍໃຊ້ການລົງທະບຽນ. ມັນຍັງສະຫນອງການຕິດຕາມຢ່າງຕໍ່ເນື່ອງຂອງຕົວຊີ້ບອກການປະຕິບັດຕົວແບບແລະການກວດພົບການລອຍຕົວຂອງຂໍ້ມູນ, ແລະມັນສາມາດກະຕຸ້ນໃຫ້ມີການຝຶກອົບຮົມຄືນໃຫມ່ເພື່ອປັບປຸງການປະຕິບັດຕົວແບບ. Azure ML ຍັງມີຄຸນສົມບັດເພື່ອປະເມີນຄວາມຍຸຕິທໍາຂອງຕົວແບບ, ການອະທິບາຍ, ການວິເຄາະຄວາມຜິດພາດ, ການວິເຄາະສາເຫດ, ການປະຕິບັດຕົວແບບ, ແລະການວິເຄາະຂໍ້ມູນການສໍາຫຼວດ.

ເຊັ່ນດຽວກັນກັບ Azure ML, Databricks ແມ່ນອີງໃສ່ເມຄ. ຊັ້ນການຈັດການຂອງມັນຖືກສ້າງຂື້ນອ້ອມຮອບໂຄງຮ່າງການຄິດໄລ່ຂອງ Apache Spark ເພື່ອເຮັດໃຫ້ການຈັດການໂຄງສ້າງພື້ນຖານງ່າຍຂຶ້ນ. ມັນໃຊ້ເຄື່ອງຈັກປະມວນຜົນຂໍ້ມູນ batch in-stream ສໍາລັບການແຈກຢາຍໃນທົ່ວຫຼາຍ nodes.

Databricks ວາງຕົວຂອງມັນເອງເປັນບ່ອນເກັບຂໍ້ມູນຫຼາຍກ່ວາລະບົບ ML ທີ່ບໍລິສຸດ, ແຕ່ມັນລວມເອົາຄວາມສາມາດຂອງ ML ທີ່ຫນັກແຫນ້ນ. ເນັ້ນໃສ່ກໍລະນີທີ່ໃຊ້ເຊັ່ນ: ການຖ່າຍທອດ, ETL, ແລະການວິເຄາະຂໍ້ມູນວິທະຍາສາດ/ML. ມັນສາມາດຖືກນໍາໃຊ້ເພື່ອຈັດການກັບຂໍ້ມູນທີ່ບໍ່ໄດ້ປຸງແຕ່ງເປັນວັດຖຸດິບໃນປະລິມານຂະຫນາດໃຫຍ່.

Databricks ຖືກສົ່ງເປັນຊອບແວເປັນບໍລິການ (SaaS) ແລະສາມາດດໍາເນີນການໃນເວທີຟັງທີ່ສໍາຄັນທັງຫມົດ; ມີແມ້ກະທັ້ງ Azure Databricks combo ທີ່ມີຢູ່. ມີຍົນຂໍ້ມູນເຊັ່ນດຽວກັນກັບຍົນຄວບຄຸມສໍາລັບການບໍລິການ back-end ທີ່ສະຫນອງການຄິດໄລ່ທັນທີ. ເຄື່ອງຈັກແບບສອບຖາມຂອງມັນຖືກກ່າວວ່າຈະໃຫ້ປະສິດທິພາບສູງຜ່ານຊັ້ນເກັບຂໍ້ມູນ. Databricks ສະໜອງພື້ນທີ່ຈັດເກັບຂໍ້ມູນໂດຍການແລ່ນຢູ່ເທິງສຸດຂອງ AWS S3, Azure Blob Storage, ແລະ Google Cloud Storage.

ຮຸ່ນຫຼ້າສຸດໄດ້ເພີ່ມຄວາມສາມາດໃນການຄຸ້ມຄອງຂໍ້ມູນແລະການຄຸ້ມຄອງຂໍ້ມູນແບບພິເສດ, Databricks Marketplace ແລະ Data Cleanrooms ສໍາລັບການແລກປ່ຽນຂໍ້ມູນຮ່ວມກັນ, ການເພີ່ມປະສິດທິພາບດ້ານວິສະວະກໍາຂໍ້ມູນເພື່ອປະຕິບັດອັດຕະໂນມັດ batch ແລະ streaming pipelines, ການເພີ່ມປະສິດທິພາບຄ່າໃຊ້ຈ່າຍອັດຕະໂນມັດສໍາລັບການປະຕິບັດງານ ETL (ການສະກັດ, ການຫັນປ່ຽນ, ການໂຫຼດ) ແລະການປັບປຸງວົງຈອນຊີວິດ ML.

ສໍາລັບຜູ້ທີ່ຕ້ອງການ ELT ທີ່ເຂັ້ມແຂງ, ວິທະຍາສາດຂໍ້ມູນ, ແລະລັກສະນະການຮຽນຮູ້ເຄື່ອງຈັກພາຍໃນກອບການເກັບຂໍ້ມູນ / ຄັງຂໍ້ມູນ, Databricks ແມ່ນຜູ້ຊະນະ. ສໍາລັບຜູ້ທີ່ພຽງແຕ່ຕ້ອງການເພີ່ມ ML ກັບຄໍາຮ້ອງສະຫມັກທີ່ມີຢູ່, Azure ML ຊະນະ.

ເບິ່ງ: ເຕັກນິກການຂຸດຄົ້ນຂໍ້ມູນ

Azure ML ທຽບກັບ. Databricks: ສະຫນັບສະຫນູນແລະຄວາມສະດວກໃນການນໍາໃຊ້

Azure ML ຊ່ວຍໃຫ້ຜູ້ໃຊ້ສາມາດຮ່ວມມືກັບ Jupyter Notebooks ໂດຍໃຊ້ການສະຫນັບສະຫນູນໃນຕົວສໍາລັບກອບແຫຼ່ງເປີດແລະຫ້ອງສະຫມຸດ. ຜູ້ໃຊ້ສາມາດສ້າງແບບຈໍາລອງ ML ທີ່ຖືກຕ້ອງແລະອັດຕະໂນມັດໄດ້ໄວສໍາລັບຕາຕະລາງ, ຂໍ້ຄວາມ, ແລະຮູບພາບ. ແລະຜູ້ທີ່ຄຸ້ນເຄີຍກັບ SQL ແລະ Azure ຈະພົບວ່າມັນງ່າຍຕໍ່ການໃຊ້ໂດຍສະເພາະ. ແຕ່ໂດຍທົ່ວໄປ, ເວທີໄດ້ຖືກອອກແບບເພື່ອເຮັດໃຫ້ຂະບວນການ ML ງ່າຍຂຶ້ນ.

ໃນທາງກົງກັນຂ້າມ, Databricks ແມ່ນດີທີ່ສຸດສໍາລັບຜູ້ທີ່ໃຊ້ Apache ແລະເຄື່ອງມື open-source. ມັນໃຊ້ວິທີການວິທະຍາສາດຂໍ້ມູນໂດຍໃຊ້ open-source ແລະຫ້ອງສະຫມຸດເຄື່ອງຈັກ, ເຊິ່ງອາດຈະເປັນສິ່ງທ້າທາຍສໍາລັບຜູ້ໃຊ້ບາງຄົນ. ມັນສາມາດດໍາເນີນການ Python, Spark Scholar, SQL, NC SQL, ແລະແພລະຕະຟອມອື່ນໆ, ແລະມັນມາພ້ອມກັບສ່ວນຕິດຕໍ່ຜູ້ໃຊ້ຂອງຕົນເອງເຊັ່ນດຽວກັນກັບວິທີການເຊື່ອມຕໍ່ກັບຈຸດສິ້ນສຸດເຊັ່ນ: JDBC connectors. ຜູ້ໃຊ້ບາງຄົນ, ເຖິງແມ່ນວ່າ, ລາຍງານວ່າມັນສາມາດເບິ່ງຄືວ່າສັບສົນແລະບໍ່ເປັນມິດກັບຜູ້ໃຊ້, ຍ້ອນວ່າມັນມີຈຸດປະສົງໃນຕະຫຼາດດ້ານວິຊາການແລະຕ້ອງການການປ້ອນຂໍ້ມູນຄູ່ມືເພີ່ມເຕີມສໍາລັບການປັບຂະຫນາດຂອງກຸ່ມຫຼືການປັບປຸງການຕັ້ງຄ່າ. ອາດຈະມີເສັ້ນໂຄ້ງການຮຽນຮູ້ທີ່ສູງຊັນສໍາລັບບາງຄົນ.

ມີສະບັບທີ່ດໍາເນີນການກ່ຽວກັບ Azure, ແຕ່ນີ້ເບິ່ງຄືວ່າບໍ່ເປັນການປະສົມປະສານທີ່ເຫມາະສົມ. Garter Peer Reviews ຄະແນນ Databricks ລ່ວງຫນ້າຂອງ Azure-Databricks ໃນແງ່ຂອງການເຂົ້າເຖິງຂໍ້ມູນແລະການຫມູນໃຊ້, ການເພີ່ມປະສິດທິພາບ, ການປະຕິບັດ, ຂະຫນາດ, ການກະກຽມຂໍ້ມູນ, ຄວາມສະດວກໃນການນໍາໃຊ້, ແລະການສະຫນັບສະຫນູນ. ໃນກໍລະນີຫຼາຍທີ່ສຸດ, ມັນອາດຈະດີທີ່ສຸດທີ່ຈະເລືອກເອົາຫນຶ່ງຫຼືອັນອື່ນແລະບໍ່ພະຍາຍາມ cobble ທັງສອງຮ່ວມກັນ.

Azure ML ຊະນະໃນແງ່ຂອງຄວາມສະດວກໃນການນໍາໃຊ້ໂດຍລວມ.

ເບິ່ງ: ຊອບແວ AI ຍອດນິຍົມ

Azure ML ທຽບກັບ. Databricks: ຄວາມປອດໄພ

Azure ML ສະຫນອງການປົກປ້ອງຂໍ້ມູນ, ການຄວບຄຸມການເຂົ້າເຖິງ, ການກວດສອບຄວາມຖືກຕ້ອງ, ຄວາມປອດໄພຂອງເຄືອຂ່າຍ, ແລະການປົກປ້ອງໄພຂົ່ມຂູ່ເພື່ອກໍານົດສະຖານທີ່ເຂົ້າເຖິງທີ່ຜິດປົກກະຕິ, ການໂຈມຕີ SQL injection, ແລະການໂຈມຕີການຢືນຢັນ.

ຄຸນສົມບັດຄວາມປອດໄພເພີ່ມເຕີມລວມມີການຈຳກັດການໂດດດ່ຽວຂອງອົງປະກອບ. ນັກພັດທະນາສາມາດນໍາໃຊ້ມັນໃນສະພາບແວດລ້ອມທີ່ມີການຄຸ້ມຄອງແລະປອດໄພກັບ CPU ຟັງ (ຫນ່ວຍປະມວນຜົນກາງ), GPUs (ຫນ່ວຍປະມວນຜົນກາຟິກ), ແລະກຸ່ມ supercomputing ໃນຂະນະທີ່ເພີດເພີນກັບການຕິດຕາມຢ່າງຕໍ່ເນື່ອງກັບ Azure Security Center.

Databricks ໃຫ້ການຄວບຄຸມການເຂົ້າເຖິງໂດຍອີງໃສ່ບົດບາດ (RBAC), ການເຂົ້າລະຫັດອັດຕະໂນມັດ, ແລະຄຸນນະສົມບັດຄວາມປອດໄພອື່ນໆຢ່າງຫຼວງຫຼາຍ. ທັງສອງແພລະຕະຟອມມີຄວາມປອດໄພທີ່ດີ, ດັ່ງນັ້ນບໍ່ມີຜູ້ຊະນະທີ່ຊັດເຈນໃນປະເພດນີ້. ສໍາລັບຮ້ານຄ້າ Microsoft, Azure ຊະນະ. ນອກເຫນືອຈາກນັ້ນ, ມັນເປັນການຜູກມັດ.

Azure ML ທຽບກັບ. Databricks: ການປະສົມປະສານ

Microsoft ເຮັດໄດ້ດີໃນການຜູກມັດລະບົບນິເວດຕ່າງໆຂອງຕົນເຂົ້າກັນ. Azure ML, Azure Synapse, ແລະສ່ວນທີ່ເຫຼືອຂອງການສະເຫນີ Azure ແມ່ນປະສົມປະສານໄດ້ດີ. ນັ້ນໃຊ້ເຊັ່ນດຽວກັນກັບ Windows ແລະການສະເຫນີ Microsoft ອື່ນໆ, ລວມທັງ Power BI ສໍາລັບການວິເຄາະ. ມັນກໍ່ເຮັດວຽກທີ່ເຫມາະສົມກັບການລວມເອົາເຄື່ອງມື Apache, ເຖິງແມ່ນວ່າບໍ່ແມ່ນ Databricks, ເຊິ່ງກໍ່ສ້າງຢ່າງແຫນ້ນຫນາໃນ Apache bedrock.

ໃນການປຽບທຽບ, Databricks ຕ້ອງການບາງເຄື່ອງມືຂອງພາກສ່ວນທີສາມແລະການຕັ້ງຄ່າການໂຕ້ຕອບການຂຽນໂປລແກລມແອັບພລິເຄຊັນ (API) ເພື່ອປະສົມປະສານລັກສະນະການປົກຄອງແລະຂໍ້ມູນ. Databricks ຍັງສະຫນັບສະຫນູນຮູບແບບຂອງຂໍ້ມູນໃດໆລວມທັງຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ, ເຊິ່ງເຮັດໃຫ້ມັນມີຂອບໃນພື້ນທີ່ນັ້ນຫຼາຍກວ່າ Azure ML.

ຫວ່າງມໍ່ໆມານີ້, Databricks ໄດ້ເພີ່ມຕົວເຊື່ອມຕໍ່ open-source ສໍາລັບ Go, Node.js, ແລະ Python ເພື່ອເຮັດໃຫ້ການເຂົ້າເຖິງງ່າຍຂຶ້ນຈາກແອັບພລິເຄຊັນອື່ນ. ຄຸນນະສົມບັດການສອບຖາມ Databricks SQL federation ສະຫນອງຄວາມສາມາດໃນການສອບຖາມແຫຼ່ງຂໍ້ມູນຫ່າງໄກສອກຫຼີກລວມທັງ PostgreSQL, MySQL, AWS Redshift, ແລະອື່ນໆໂດຍບໍ່ຈໍາເປັນຕ້ອງສະກັດແລະໂຫຼດຂໍ້ມູນຈາກລະບົບຕົ້ນສະບັບ.

Azure ML ແມ່ນຜູ້ຊະນະທີ່ຊັດເຈນຢູ່ທີ່ນີ້ສໍາລັບຮ້ານຄ້າ Microsoft ແລະ Azure. ຢູ່ນອກຂອບເຂດນັ້ນ, Databricks ຊະນະ.

Azure ML ທຽບກັບ. Databricks: ລາຄາ

ມີຄວາມແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍໃນວິທີການທີ່ມີລາຄາຂອງເຄື່ອງມືເຫຼົ່ານີ້. ແຕ່ເວົ້າໂດຍທົ່ວໄປແລ້ວ, Databricks ແມ່ນລາຄາປະມານ $99 ຕໍ່ເດືອນ. ນອກຈາກນີ້ຍັງມີສະບັບຟຣີ. ເນື່ອງຈາກການເກັບຮັກສາບໍ່ໄດ້ລວມຢູ່ໃນລາຄາຂອງມັນ, Databricks ອາດຈະເຮັດວຽກລາຄາຖືກກວ່າສໍາລັບຜູ້ໃຊ້ບາງຄົນແລະບໍ່ແມ່ນສໍາລັບຄົນອື່ນ. ມັນທັງຫມົດແມ່ນຂຶ້ນກັບວິທີການເກັບຮັກສາຖືກນໍາໃຊ້ແລະຄວາມຖີ່ຂອງການນໍາໃຊ້. ລາຄາຄອມພິວເຕີ້ສໍາລັບ Databricks ຍັງຖືກຈັດລຽງແລະຄິດຄ່າທໍານຽມຕໍ່ຫນ່ວຍປະມວນຜົນ. ທີ່ເວົ້າວ່າ, ຜູ້ໃຊ້ບາງຄົນຈົ່ມກ່ຽວກັບວ່າມັນສາມາດແພງປານໃດ.

Azure ML ແມ່ນສັບສົນເລັກນ້ອຍກ່ຽວກັບລາຄາ, ເຊັ່ນກັນ. ມີຕົວກໍານົດການທີ່ແຕກຕ່າງກັນລວມທີ່ເພີ່ມຄ່າໃຊ້ຈ່າຍນອກເຫນືອຈາກການຈ່າຍທົ່ວໄປຕໍ່ຮູບແບບການນໍາໃຊ້. ແຕ່ໂດຍທົ່ວໄປ, ເບິ່ງຄືວ່າມັນມີລາຄາຖືກກວ່າ Databricks ໂດຍລວມ.

Azure ML ຊະນະໃນລາຄາ, ເຖິງແມ່ນວ່າມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະເຮັດການປຽບທຽບຢ່າງເຕັມທີ່. ຜູ້ໃຊ້ໄດ້ຖືກແນະນໍາໃຫ້ປະເມີນຊັບພະຍາກອນທີ່ພວກເຂົາຄາດວ່າຈະຕ້ອງການເພື່ອສະຫນັບສະຫນູນປະລິມານຂໍ້ມູນການຄາດຄະເນ, ຈໍານວນການປຸງແຕ່ງແລະຄວາມຕ້ອງການການວິເຄາະ. ສໍາລັບຜູ້ໃຊ້ບາງຄົນ, Databricks ອາດຈະອອກລາຄາຖືກກວ່າ, ແຕ່ສໍາລັບສ່ວນໃຫຍ່, Azure ML ອາດຈະອອກມາກ່ອນຫນ້າ.

ການເລືອກລະຫວ່າງ Azure ML ແລະ Databricks

Azure ML ແລະ Databricks ແມ່ນທັງສອງເຄື່ອງມື ML ທີ່ດີເລີດ. ແຕ່ລະຄົນມີຂໍ້ດີ ແລະຂໍ້ເສຍ, ແຕ່ມັນທັງໝົດແມ່ນມາຈາກຮູບແບບການນຳໃຊ້, ປະລິມານຂໍ້ມູນ, ປະລິມານວຽກ ແລະຍຸດທະສາດຂໍ້ມູນ.

Azure ML ແມ່ນ ເໝາະ ສົມກວ່າ ສຳ ລັບຜູ້ທີ່ຕ້ອງການສ້າງແບບຈໍາລອງແລະຂໍ້ມູນຈໍານວນຫລາຍໂດຍຜ່ານເຄື່ອງຈັກ ML. ມັນຍັງດີສໍາລັບນັກພັດທະນາທີ່ຕ້ອງການສ້າງຄຸນສົມບັດ ML ເຂົ້າໃນແອັບພລິເຄຊັນ.

Databricks ເຮັດສິ່ງທີ່ຄ້າຍຄືກັນ, ແຕ່ມີ ML ເປັນອົງປະກອບໜຶ່ງໃນຊຸດຂໍ້ມູນໃຫຍ່ກວ່າ ເຊິ່ງລວມມີການຖ່າຍທອດ, ການເກັບຂໍ້ມູນ ແລະ ELT. ດັ່ງນັ້ນ, ມັນຄວນຈະຖືກເບິ່ງຫຼາຍເປັນແພລະຕະຟອມຂໍ້ມູນກວ້າງທີ່ມີຂອບເຂດກວ້າງກວ່າ Azure ML. ຜູ້​ໃຊ້​ເກັບ​ຂໍ້​ມູນ​ໃນ​ການ​ເກັບ​ຮັກ​ສາ​ວັດ​ຖຸ​ທີ່​ມີ​ການ​ຄຸ້ມ​ຄອງ​ຂອງ​ການ​ເລືອກ​ຂອງ​ເຂົາ​ເຈົ້າ​. ຫຼັງຈາກນັ້ນ, ຈຸດສຸມແມ່ນກ່ຽວກັບການເກັບຂໍ້ມູນແລະການປຸງແຕ່ງຂໍ້ມູນ.

Databricks ຊະນະສໍາລັບຜູ້ຊົມດ້ານວິຊາການ. Azure ML ສາມາດເຮັດວຽກໄດ້ດີສໍາລັບຜູ້ຊົມດຽວກັນນັ້ນແຕ່ຍັງຖືກອອກແບບສໍາລັບພື້ນຖານຜູ້ໃຊ້ທີ່ມີເຕັກໂນໂລຢີຫນ້ອຍ. Databricks ບໍ່ແມ່ນເລື່ອງງ່າຍທີ່ຈະໃຊ້, ຖືກກ່າວວ່າມີເສັ້ນໂຄ້ງການຮຽນຮູ້ທີ່ສູງ, ແລະອາດຈະຕ້ອງການການບໍາລຸງຮັກສາເພີ່ມເຕີມ. ແຕ່, ມັນສາມາດແກ້ໄຂລະດັບຄວາມກວ້າງຂອງວຽກຂໍ້ມູນແລະພາສາ.

ທາງເລືອກສ່ວນໃຫຍ່ແມ່ນມາຈາກຄວາມຕ້ອງການຂອງຜູ້ໃຊ້ແລະຄວາມຕ້ອງການ. ຜູ້ທີ່ຄຸ້ນເຄີຍກັບ Apache Spark ຈະມີແນວໂນ້ມທີ່ຈະມຸ່ງໄປສູ່ Databricks. ຜູ້ທີ່ສະດວກສະບາຍກັບເຄື່ອງມື Azure ແລະ Microsoft ຈະເຫມາະສົມກັບການນໍາໃຊ້ Azure ML.

ແຕ່, ອາດຈະມີບາງກໍລະນີທີ່ Azure ML ບໍ່ໄດ້ສະຫນອງຂໍ້ມູນຫນ້າທີ່ທັງຫມົດທີ່ນັກວິທະຍາສາດຕ້ອງການ, ເຖິງແມ່ນວ່າພວກເຂົາກໍາລັງປະຕິບັດງານຢູ່ໃນ Azure / Windows. ຄວາມຈິງທີ່ວ່າ Databricks ສາມາດດໍາເນີນການ Python, Spark Scholar, SQL, NC SQL, ແລະພາສາອື່ນໆເຮັດໃຫ້ມັນດຶງດູດໃຈຜູ້ພັດທະນາໃນ camps ເຫຼົ່ານັ້ນ.

Azure ຊະນະສໍາລັບຜູ້ທີ່ພຽງແຕ່ຕ້ອງການເພີ່ມໂຄງສ້າງພື້ນຖານທີ່ມີຢູ່ແລະຄໍາຮ້ອງສະຫມັກທີ່ມີຫນ້າທີ່ ML. Databricks ຊະນະສໍາລັບຜູ້ທີ່ມັກເຕັກໂນໂລຢີ open-source ແລະຜູ້ທີ່ກໍາລັງຊອກຫາບ່ອນເກັບຂໍ້ມູນ / ຄັງຂໍ້ມູນແລະແພລະຕະຟອມການຄຸ້ມຄອງຂໍ້ມູນທີ່ກວ້າງຂວາງ.

ເບິ່ງ: Top Data Mining Tools

Categories: AiHome

0 Comments

Leave a Reply

Avatar placeholder

Your email address will not be published. Required fields are marked *