Nul
De elevator pitch voor deze post is dat de geschiedenis van reizen in kringen, vooral als het gaat om het leggen uit hoe u bij het implementeren van enterprise applicaties en databases. Splice Machine ‘ s nieuwste aankondiging deze week voor het differentiëren zich in een wereld vol met nieuwe databases is de herschikking van zichzelf als een voorspellende application platform. Voor de oprichter van het bedrijf, dit is reizen volledige cirkel terug naar zijn roots in de supply chain optimalisatie. En hetzelfde geldt voor de rol die databases spelen met toepassingen. Houd die gedachten.
Splice Machine is onderscheiden als een SQL relationele, volledig ZUUR-compatibele database die draait op HBase dat biedt de verwerking van de transactie, en dankzij Vonk ondersteuning, analytics. Als mijn big data bro Andrew Brust gewezen vorig jaar, Las Machine brengt een pad dat heeft de Apache Phoenix project happen op haar hielen op ZUUR door de integratie met de incubatie van Apache Tefra project. Maar beide projecten zijn niet op dit punt leveren het niveau van de gelijktijdigheid die Splice Machine levert. Toch Las Machine niet wil verzanden in HBase database gevechten. In plaats daarvan is het zwenkbare tot doel hoger in de voedselketen: het inschakelen van gegevens wetenschappers te bouwen voorspellende toepassingen die worden uitgevoerd in de database.
Splice Machine is gestaag montage van de technologie stack te maken van deze pivot gebeuren. De sleutel is de integratie van Spark analytics en Zeppelin notebooks die helpen gegevens wetenschappers auteur, debuggen en implementeren van hun code. Met de nieuwe AWS marketplace release, Las Machine is de invoering van jumpstart sjablonen, te beginnen met de bouw van de IoT-gedreven voorspellende optimalisering van de supply chain. Dit is waar de reizende volledige cirkel metafoor kicks in: voor de oprichter van het bedrijf, Monte Zweben, het is een kans om opnieuw zijn roots in de supply chain software.
Gezien het feit dat Splice Machine klanten hebben reeds gebouwde applicaties voor de opsporing van fraude, digitale marketing next-nest biedt, customer profitability analysis, en credit geschillenbeslechting, we zouden niet verbaasd zijn dat de volgende batch van sjablonen of stubs van Splice Machine en/of zijn integrator partners zou kunnen vallen in vergelijkbare domeinen.
De volledige cirkel metafoor begint hier weer, als gebouw voorspellende apps via notebooks die draaien binnen de database vertegenwoordigen throwbacks hoe legacy-applicaties werden gebouwd in de decennia vóór de Y2K-maar met een moderne (en flexibeler) twist. In de slechte oude tijd, eigen toepassingen hard-wired-code met de gegevens, die meestal opgeslagen in het bestand systemen of niet-relationele databases. In de aanloop naar Y2K, de heersende wijsheid was om voor de toekomst toepassingen door het scheiden van de toepassing/business logica uit de database lagen, zodat een theoretisch uw database kan blijven intact, ongeacht welke toepassingen worden uitgevoerd.
De werkelijkheid bleek veel rommeliger, zoals vaak was veel meer opportuun zijn voor het uitvoeren van de business logica voor het omzetten of het manipuleren van gegevens, opgeslagen procedures in de database toch. En toen werd alles echt groot, groeide het meer opportuun om duw verwerking van gegevens in het data storage tier zelf — dat is hoe Hadoop-clusters en veel MPP-analyse databases werden gebouwd. Maar toen de wolk kwam langs, met de flexibiliteit van elasticiteit, database-engines en toepassingen kreeg gescheiden van de gegevens opnieuw in.
Duizelig?
In een Splice-Machine, cloud demo zagen we hoe een voorspellende IoT supply chain toepassing kan worden ginned omhoog door het gemak van een managed cloud service in de AWS marketplace. De klant specificeert het volume van de data, het aantal compute units te starten, en de gewenste prestaties en gelijktijdigheid niveaus. De Splice Machine service reageert met schattingen van de maandelijkse kosten voor transactionele en analytische prestaties gebaseerd op de TPC-C en TPC-H benchmarks, respectievelijk; de klant kan aanpassen door ze naar boven of naar beneden aan te passen aan hun budgetten.
Onder de kap, Split Machine genereert Docker containers met automatisch geconfigureerd beelden voor HBase, Vonk, log zoeken, Zeppelin notebooks, en Kafka die in een self-healing Mesos architectuur. Splice Machine schattingen van het proces neemt niet meer dan 15 minuten lopen.
De notebook strategie voor Splitsen Machine zorgt voor een laag-risico benadering voor het bedrijf om te voorkomen dat het krijgen van gevangen in het lawaai van de steeds gewoon een innovatieve database in een zee van hen. Het is dus tijdens het aanspreken van een nieuw publiek (gegevens wetenschappers) via een tool die veel omarmen (de Zeppelin notebook) zonder getting gevangen in het vizier van de Woorden of SAPs van de wereld. De uitdaging voor Splice Machine is dat de strategie is gericht op het samenbrengen van veel bewegende delen, en vraagt aan haar partner-ecosysteem energie om het bedrijf te helpen omhoog in de waardeketen van big data database oplossing platform. Een partnerschap met Intrigo, een consulting bedrijf met SAP supply chain ervaring, is een goed begin.
0