🔵 عنوان مقاله
Scaling an ML Inference Pipeline for Batch Workloads (5 minute read)
🟢 خلاصه مقاله:
در دنیای یادگیری ماشین، بهبود کارایی و سرعت عملیات به‌ویژه هنگام پردازش حجم بالای داده‌ها اهمیت زیادی دارد. شرکت WHOOP توانسته است با تغییراتی که در فرآیندهای خود ایجاد کرده، زمان اجرای یک شبیه‌سازی داخلی با بیش از ۱۵ میلیون وظیفه را از بیش از دو ماه به تنها شش روز کاهش دهد. این موفقیت چشمگیر نتیجه حذف تماس‌های HTTP در هر وظیفه، بارگذاری مدل در فرآیندهای کاری و تنظیم دقیق منابع CPU بر روی کلاسترها بوده است. این اقدامات نه تنها زمان را کاهش داد بلکه به ساختن یک سامانه مقیاس‌پذیر و قابل اعتماد کمک زیادی کرد، به‌گونه‌ای که امکان اجرای عملیات‌های سنگین در مدت زمان کوتاه‌تری فراهم شد.
در این فرآیند، WHOOP همچنین به بررسی مشکلاتی مانند قفل شدن فرآیندهای Python هنگام استفاده از کتابخانه‌های بومی (نیتیو) پرداخت. یکی از دلایل اصلی این مشکل، تابع fork در زندگی روزمره پایتون بود که فرآیندهای چند ریسمانی را با مشکلاتی روبرو می‌کرد. تیم توسعه با تئوری spawn، که راه‌حل مقابله با این قفل‌ها است، توانست این مشکل را رفع کند و عملیات‌های همزمان را بدون مشکل ادامه دهد. همچنین، این پروژه نشان می‌دهد که چگونه مدیریت حالت زنجیره‌ای در سیستم‌های صف پیام مانند SQS و نوشتن‌های اتمیک در S3، امکان تکرار عملیات‌های شکست‌خورده بدون اثر منفی یا نیاز به شروع مجدد کامل را فراهم می‌آورد. این ویژگی‌ها، در مجموع، سیستم‌های مقیاس‌پذیر و مقاوم در برابر خطا را تولید می‌کنند که می‌تواند به سادگی عملیات بی‌وقفه و کارآمد را تضمین کند.
در نتیجه، این تغییرات و فناوری‌های به‌کار رفته نشان از رویکرد پیشرفته در بهبود فرآیندهای یادگیری ماشین دارند که می‌تواند راهنمایی موثر برای سایر تیم‌های توسعه در بهبود سرعت، مقیاس‌پذیری و استحکام عملکرد سامانه‌های یادگیری ماشین باشد. این پروژه نمونه‌ای از ترکیب هوشمندانه فناوری‌ها برای رسیدن به کارایی بالا و عملیاتی بی‌نقص است که تاثیرات مهمی در سریع‌تر کردن توسعه و استقرار مدل‌های یادگیری ماشین دارد.
#یادگیری_ماشین #مقیاس_پذیری #هوشمندسازی #توسعه
🟣لینک مقاله:
https://engineering.whoop.com/scaling-ml-inference-pipeline?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Scaling an ML Inference Pipeline for Batch Workloads (5 minute read)
🟢 خلاصه مقاله:
در دنیای یادگیری ماشین، بهبود کارایی و سرعت عملیات به‌ویژه هنگام پردازش حجم بالای داده‌ها اهمیت زیادی دارد. شرکت WHOOP توانسته است با تغییراتی که در فرآیندهای خود ایجاد کرده، زمان اجرای یک شبیه‌سازی داخلی با بیش از ۱۵ میلیون وظیفه را از بیش از دو ماه به تنها شش روز کاهش دهد. این موفقیت چشمگیر نتیجه حذف تماس‌های HTTP در هر وظیفه، بارگذاری مدل در فرآیندهای کاری و تنظیم دقیق منابع CPU بر روی کلاسترها بوده است. این اقدامات نه تنها زمان را کاهش داد بلکه به ساختن یک سامانه مقیاس‌پذیر و قابل اعتماد کمک زیادی کرد، به‌گونه‌ای که امکان اجرای عملیات‌های سنگین در مدت زمان کوتاه‌تری فراهم شد.
در این فرآیند، WHOOP همچنین به بررسی مشکلاتی مانند قفل شدن فرآیندهای Python هنگام استفاده از کتابخانه‌های بومی (نیتیو) پرداخت. یکی از دلایل اصلی این مشکل، تابع fork در زندگی روزمره پایتون بود که فرآیندهای چند ریسمانی را با مشکلاتی روبرو می‌کرد. تیم توسعه با تئوری spawn، که راه‌حل مقابله با این قفل‌ها است، توانست این مشکل را رفع کند و عملیات‌های همزمان را بدون مشکل ادامه دهد. همچنین، این پروژه نشان می‌دهد که چگونه مدیریت حالت زنجیره‌ای در سیستم‌های صف پیام مانند SQS و نوشتن‌های اتمیک در S3، امکان تکرار عملیات‌های شکست‌خورده بدون اثر منفی یا نیاز به شروع مجدد کامل را فراهم می‌آورد. این ویژگی‌ها، در مجموع، سیستم‌های مقیاس‌پذیر و مقاوم در برابر خطا را تولید می‌کنند که می‌تواند به سادگی عملیات بی‌وقفه و کارآمد را تضمین کند.
در نتیجه، این تغییرات و فناوری‌های به‌کار رفته نشان از رویکرد پیشرفته در بهبود فرآیندهای یادگیری ماشین دارند که می‌تواند راهنمایی موثر برای سایر تیم‌های توسعه در بهبود سرعت، مقیاس‌پذیری و استحکام عملکرد سامانه‌های یادگیری ماشین باشد. این پروژه نمونه‌ای از ترکیب هوشمندانه فناوری‌ها برای رسیدن به کارایی بالا و عملیاتی بی‌نقص است که تاثیرات مهمی در سریع‌تر کردن توسعه و استقرار مدل‌های یادگیری ماشین دارد.
#یادگیری_ماشین #مقیاس_پذیری #هوشمندسازی #توسعه
🟣لینک مقاله:
https://engineering.whoop.com/scaling-ml-inference-pipeline?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Whoop
Scaling an ML Inference Pipeline for Batch Workloads | WHOOP Engineering
How we reduced a 15.8 million-task ML inference workload from more than two months to six days.
🔵 عنوان مقاله
Safe Not Safe: Is My Migration Safe?
🟢 خلاصه مقاله:
در دنیای فناوری امروزی، مهاجرت داده‌ها و انتقال پایگاه‌های داده یکی از چالش‌های مهم و حساس است که نیازمند دقت و برنامه‌ریزی دقیقی است. یک پروژه جانبی جذاب و نوآورانه، توسط فردی سابق از تیم توسعه پلتفرم پستگرس کلودفلایر، ایجاد شده است. این فرد سال‌ها تجربه بررسی مهاجرت‌های انجام‌شده توسط تیم‌های مختلف را داشت و اکنون ابزاری توسعه داده است که این فرآیند را ساده و امن‌تر می‌کند. این ابزار، با قابلیت‌های منحصر به فرد، امکان بررسی و ارزیابی مهاجرت‌های SQL را فراهم می‌آورد و خطاهای رایج را قبل از اجرای نهایی، نشان می‌دهد.
در این پروژه، کاربر می‌تواند متن دستورهای مهاجرت SQL خود را وارد کند و این سیستم به صورت خودکار و درون مرورگر، تمامی مشکلات و ایرادات احتمالی را شناسایی می‌کند. جالب‌ترین ویژگی این ابزار، استفاده از موتور تفسیر زبان SQL پستگرس است که در قالب WebAssembly (WASM) در داخل مرورگر اجرا می‌شود. این تکنولوژی نوآورانه امکان اجرای کامل و دقیق تحلیل‌های مربوط به مهاجرت را بدون نیاز به سرورهای خارجی فراهم می‌آورد، که هم تطابق با استانداردهای امنیتی را تضمین می‌کند و هم سرعت و کارایی را افزایش می‌دهد.
در نتیجه، این ابزار نه تنها خطاهای معمول و مشکلات احتمالی را کاهش می‌دهد، بلکه فرآیند مهاجرت دیتابیس‌ها را برای توسعه‌دهندگان و مدیران سیستم بسیار مطمئن‌تر و کارآمدتر می‌سازد. با این ابتکار، روند انتقال داده‌ها در محیط‌های پیچیده، دیگر نباید نگران خطرات و خطاهای غیرمنتظره باشد و می‌توان با آرامش بیشتری این عملیات حساس را انجام داد. این پروژه نشان می‌دهد که چگونه فناوری‌های نوین می‌توانند امنیت و کارایی در فرآیندهای حساس فناوری اطلاعات را بهبود بخشند.
#مهاجرت_پایگاه_داده #امنیت_دیتا #توسعه_فناوری #پایگاه_داده
🟣لینک مقاله:
https://safenotsafe.dev/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Safe Not Safe: Is My Migration Safe?
🟢 خلاصه مقاله:
در دنیای فناوری امروزی، مهاجرت داده‌ها و انتقال پایگاه‌های داده یکی از چالش‌های مهم و حساس است که نیازمند دقت و برنامه‌ریزی دقیقی است. یک پروژه جانبی جذاب و نوآورانه، توسط فردی سابق از تیم توسعه پلتفرم پستگرس کلودفلایر، ایجاد شده است. این فرد سال‌ها تجربه بررسی مهاجرت‌های انجام‌شده توسط تیم‌های مختلف را داشت و اکنون ابزاری توسعه داده است که این فرآیند را ساده و امن‌تر می‌کند. این ابزار، با قابلیت‌های منحصر به فرد، امکان بررسی و ارزیابی مهاجرت‌های SQL را فراهم می‌آورد و خطاهای رایج را قبل از اجرای نهایی، نشان می‌دهد.
در این پروژه، کاربر می‌تواند متن دستورهای مهاجرت SQL خود را وارد کند و این سیستم به صورت خودکار و درون مرورگر، تمامی مشکلات و ایرادات احتمالی را شناسایی می‌کند. جالب‌ترین ویژگی این ابزار، استفاده از موتور تفسیر زبان SQL پستگرس است که در قالب WebAssembly (WASM) در داخل مرورگر اجرا می‌شود. این تکنولوژی نوآورانه امکان اجرای کامل و دقیق تحلیل‌های مربوط به مهاجرت را بدون نیاز به سرورهای خارجی فراهم می‌آورد، که هم تطابق با استانداردهای امنیتی را تضمین می‌کند و هم سرعت و کارایی را افزایش می‌دهد.
در نتیجه، این ابزار نه تنها خطاهای معمول و مشکلات احتمالی را کاهش می‌دهد، بلکه فرآیند مهاجرت دیتابیس‌ها را برای توسعه‌دهندگان و مدیران سیستم بسیار مطمئن‌تر و کارآمدتر می‌سازد. با این ابتکار، روند انتقال داده‌ها در محیط‌های پیچیده، دیگر نباید نگران خطرات و خطاهای غیرمنتظره باشد و می‌توان با آرامش بیشتری این عملیات حساس را انجام داد. این پروژه نشان می‌دهد که چگونه فناوری‌های نوین می‌توانند امنیت و کارایی در فرآیندهای حساس فناوری اطلاعات را بهبود بخشند.
#مهاجرت_پایگاه_داده #امنیت_دیتا #توسعه_فناوری #پایگاه_داده
🟣لینک مقاله:
https://safenotsafe.dev/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
safenotsafe.dev
Is my migration safe?
Developer-focused Postgres migration safety checks that run in your browser.
🔵 عنوان مقاله
The Context Gap | How to build Data Architecture like Open AI (10 minute read)
🟢 خلاصه مقاله:
در دنیای هوش مصنوعی، جلب توجه به اهمیت ساختار داده‌های مناسب بسیار حیاتی است. شرکت‌هایی مانند OpenAI با توسعه یک ساختار داده‌ای متمرکز و جامع، توانسته‌اند فاصله درک و ارتباط میان داده‌ها را کاهش دهند. این استراتژی باعث می‌شود سیستم‌ها بتوانند با داده‌های غنی و منسجم عمل کرده و درک عمیق‌تری از اطلاعات پیدا کنند. در کنار آن، بهبودهای فنی همچون بازنویسی زبان برنامه‌نویسی Rust در این شرکت، تأثیر قابل توجهی بر سرعت و کارایی سیستم‌های زمان‌بندی، مانند Airflow، داشته است. به‌عنوان نمونه، این تغییر باعث کاهش تأخیر زمان‌بندی در یک فرآیند مهم تا 35 برابر شده است، در حالی که تعداد وظایف همزمان به بیش از 70 هزار رسیده است، نشان‌دهنده قابلیت اطمینان و قدرت بالای زیرساخت‌ها.
در نهایت، نکته کلیدی در ساختار داده‌ها، تمرکز بر جمع‌آوری و مدیریت متادیتای غنی و کاربردی است. این رویکرد نه تنها فرآیندهای داخلی را بهبود می‌بخشد، بلکه امکان ساخت سیستم‌هایی هوشمند و مقیاس‌پذیر را فراهم می‌کند که بتوانند در رقابت‌های تنگاتنگ دنیای هوش مصنوعی برتری یافته و پاسخ‌گو باشند. شرکت‌ها باید با پیروی از الگوهای موفق و نوآوری در فناوری، بتوانند فاصله‌های مفهومی و عملی میان داده‌ها را کاهش دهند و سامانه‌هایی کارآمد و دقیق بسازند.
#هوش_مصنوعی #ساختار_داده #OpenAI #فناوری
🟣لینک مقاله:
https://dataopsleadership.substack.com/p/the-context-gap-how-to-build-data?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
The Context Gap | How to build Data Architecture like Open AI (10 minute read)
🟢 خلاصه مقاله:
در دنیای هوش مصنوعی، جلب توجه به اهمیت ساختار داده‌های مناسب بسیار حیاتی است. شرکت‌هایی مانند OpenAI با توسعه یک ساختار داده‌ای متمرکز و جامع، توانسته‌اند فاصله درک و ارتباط میان داده‌ها را کاهش دهند. این استراتژی باعث می‌شود سیستم‌ها بتوانند با داده‌های غنی و منسجم عمل کرده و درک عمیق‌تری از اطلاعات پیدا کنند. در کنار آن، بهبودهای فنی همچون بازنویسی زبان برنامه‌نویسی Rust در این شرکت، تأثیر قابل توجهی بر سرعت و کارایی سیستم‌های زمان‌بندی، مانند Airflow، داشته است. به‌عنوان نمونه، این تغییر باعث کاهش تأخیر زمان‌بندی در یک فرآیند مهم تا 35 برابر شده است، در حالی که تعداد وظایف همزمان به بیش از 70 هزار رسیده است، نشان‌دهنده قابلیت اطمینان و قدرت بالای زیرساخت‌ها.
در نهایت، نکته کلیدی در ساختار داده‌ها، تمرکز بر جمع‌آوری و مدیریت متادیتای غنی و کاربردی است. این رویکرد نه تنها فرآیندهای داخلی را بهبود می‌بخشد، بلکه امکان ساخت سیستم‌هایی هوشمند و مقیاس‌پذیر را فراهم می‌کند که بتوانند در رقابت‌های تنگاتنگ دنیای هوش مصنوعی برتری یافته و پاسخ‌گو باشند. شرکت‌ها باید با پیروی از الگوهای موفق و نوآوری در فناوری، بتوانند فاصله‌های مفهومی و عملی میان داده‌ها را کاهش دهند و سامانه‌هایی کارآمد و دقیق بسازند.
#هوش_مصنوعی #ساختار_داده #OpenAI #فناوری
🟣لینک مقاله:
https://dataopsleadership.substack.com/p/the-context-gap-how-to-build-data?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Substack
The Context Gap | How to build Data Architecture like Open AI
How to build a self-improving system like the team at Open AI
🔵 عنوان مقاله
Kafgres 0.2: 700 MB/s of Kafka Throughput on Postgres
🟢 خلاصه مقاله:
در چند هفته گذشته، ما به معرفی یک بروکری کافگرس 0.2 پرداختیم که با سازگاری کامل با Kafka طراحی شده است و در داخل پایگاه داده Postgres اجرا می‌شود. این پروژه منحصر به فرد به دلیل امکان یکپارچگی و کارایی بالایی که ارائه می‌دهد، توجه زیادی را به خود جلب کرده است. مؤلف این بروکر پس از عرضه اولیه، توانسته است عملکرد آن را به طور قابل توجهی ارتقاء دهد؛ از سرعت نوشتن حدود ۱۱۳ مگابایت بر ثانیه به سرعت قابل توجه ۷۰۰ مگابایت بر ثانیه در یک سرور واحد ارتقاء یافته است. این دستاورد نشان دهنده پیشرفت چشمگیر در بهبود کارایی سیستم در مقیاس یکجا است که می‌تواند تحولی در پردازش داده‌ها و ایجاد سامانه‌های توزیع شده مقیاس‌پذیر باشد.
این توسعه نه تنها نشان دهنده توانمندی فنی تیم توسعه‌دهنده است، بلکه نویدبخش آینده‌ای است که در آن ادغام نرم‌افزارهای پیام‌رسان و بانک‌های اطلاعاتی، به نوعی ساده‌تر و کارآمدتر انجام می‌پذیرد. با قدرت‌گیری این نوع ابزارها، شرکت‌ها و توسعه‌دهندگان می‌توانند سیستم‌های بی‌نظیری بسازند که سرعت و مقیاس‌پذیری بالایی دارند، بدون نیاز به زیرساخت‌های گران و پیچیده. این بهبود چشمگیر در عملکرد، فرصت‌های جدیدی را برای بهره‌برداری بهینه از دیتابیس‌های موجود فراهم می‌کند و مسیر پیشرفت در فناوری‌های پایگاه داده را هموارتر می‌سازد.
در نهایت، این نمونه نشان می‌دهد که با نوآوری و تلاش مستمر، می‌توان به نتایج شگفت‌انگیزی دست یافت که تاثیر مستقیم بر بهبود عملکرد سیستم‌های بزرگ و مقیاس‌پذیر دارد و نقش مهمی در توسعه فناوری‌های نوین ایفا می‌کند.
#کافگرس #پایگاه‌داده #پیشرفت_فنی #کارایی
🟣لینک مقاله:
https://rynr.dev/blog/700mbskafgres/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Kafgres 0.2: 700 MB/s of Kafka Throughput on Postgres
🟢 خلاصه مقاله:
در چند هفته گذشته، ما به معرفی یک بروکری کافگرس 0.2 پرداختیم که با سازگاری کامل با Kafka طراحی شده است و در داخل پایگاه داده Postgres اجرا می‌شود. این پروژه منحصر به فرد به دلیل امکان یکپارچگی و کارایی بالایی که ارائه می‌دهد، توجه زیادی را به خود جلب کرده است. مؤلف این بروکر پس از عرضه اولیه، توانسته است عملکرد آن را به طور قابل توجهی ارتقاء دهد؛ از سرعت نوشتن حدود ۱۱۳ مگابایت بر ثانیه به سرعت قابل توجه ۷۰۰ مگابایت بر ثانیه در یک سرور واحد ارتقاء یافته است. این دستاورد نشان دهنده پیشرفت چشمگیر در بهبود کارایی سیستم در مقیاس یکجا است که می‌تواند تحولی در پردازش داده‌ها و ایجاد سامانه‌های توزیع شده مقیاس‌پذیر باشد.
این توسعه نه تنها نشان دهنده توانمندی فنی تیم توسعه‌دهنده است، بلکه نویدبخش آینده‌ای است که در آن ادغام نرم‌افزارهای پیام‌رسان و بانک‌های اطلاعاتی، به نوعی ساده‌تر و کارآمدتر انجام می‌پذیرد. با قدرت‌گیری این نوع ابزارها، شرکت‌ها و توسعه‌دهندگان می‌توانند سیستم‌های بی‌نظیری بسازند که سرعت و مقیاس‌پذیری بالایی دارند، بدون نیاز به زیرساخت‌های گران و پیچیده. این بهبود چشمگیر در عملکرد، فرصت‌های جدیدی را برای بهره‌برداری بهینه از دیتابیس‌های موجود فراهم می‌کند و مسیر پیشرفت در فناوری‌های پایگاه داده را هموارتر می‌سازد.
در نهایت، این نمونه نشان می‌دهد که با نوآوری و تلاش مستمر، می‌توان به نتایج شگفت‌انگیزی دست یافت که تاثیر مستقیم بر بهبود عملکرد سیستم‌های بزرگ و مقیاس‌پذیر دارد و نقش مهمی در توسعه فناوری‌های نوین ایفا می‌کند.
#کافگرس #پایگاه‌داده #پیشرفت_فنی #کارایی
🟣لینک مقاله:
https://rynr.dev/blog/700mbskafgres/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
rynr.dev
700 MB/s of Kafka throughput, on Postgres — rynr.dev blog
Profiling and optimizing the Kafgres Postgres extension to achieve 700 MB/s write throughput and 600k evt/s on a single machine.
🔵 عنوان مقاله
If You Last Used Cassandra 3.11, You Might Not Recognize It Today (10 minute read)
🟢 خلاصه مقاله:
اگر آخرین بار از نسخه 3.11 کاساندرا استفاده کرده‌اید، ممکن است امروز آن را نشناسید. در طولTime، این سیستم پایگاه داده تغییرات زیادی را تجربه کرده است که باعث تحول در نحوه استفاده و مدیریت داده‌ها شده است.
نسخه 5 از کاساندرا، تصمیم گرفته است محدودیت‌هایی که تیم‌ها در نسخه 3.11 با آنها مواجه بودند را کاهش دهد. این نسخه امکانات جدیدی مانند شاخص‌گذاری بر اساس ذخیره‌سازی (storage-attached indexing)، همگرایی یکپارچه (unified compaction)، جستجوی برداری بومی (native vector search) و زمان‌بندی تعمیرات داخلی (built-in repair scheduling) را معرفی می‌کند. این امکانات نه تنها بهره‌وری سیستم را افزایش می‌دهند بلکه فرآیندهای مدیریت داده‌ها را ساده‌تر و کارآمدتر می‌سازند.
در نسخه 6، شاهد تغییرات بیشتری هستیم؛ از جمله اضافه‌شدن قابلیت‌های مانند متادیتای خوش‌رده (ordered cluster metadata) و تراکنش‌های بین پارتیشن (cross-partition transactions). این ویژگی‌ها در کنار طراحی پارتیشن‌بندی و توزیع کارهای متنوع، نقش کلیدی در بهبود عملیات و حفظ یکپارچگی داده‌ها ایفا می‌کنند. هرچند این تغییرات مهم هستند، اما طراحی صحیح پارتیشن‌بندی و برنامه‌ریزی بهتر برای بار کاری همچنان اساسی است تا سیستم بهینه و مقاوم باقی بماند.
در مجموع، نسخه‌های جدید کاساندرا نشان‌دهنده پیشرفت‌های قابل توجه در ساختار و امکانات آن هستند، اما همچنان نیازمند درک عمیق و برنامه‌ریزی صحیح برای بهره‌برداری بهتر از قابلیت‌های جدید هستیم.
#کاساندرا #پایگاه_داده #پیشرفت_تکنولوژی #مدیریت_داده
🟣لینک مقاله:
https://softwaremill.com/apache-cassandra-5-6-what-changed-since-3-11/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
If You Last Used Cassandra 3.11, You Might Not Recognize It Today (10 minute read)
🟢 خلاصه مقاله:
اگر آخرین بار از نسخه 3.11 کاساندرا استفاده کرده‌اید، ممکن است امروز آن را نشناسید. در طولTime، این سیستم پایگاه داده تغییرات زیادی را تجربه کرده است که باعث تحول در نحوه استفاده و مدیریت داده‌ها شده است.
نسخه 5 از کاساندرا، تصمیم گرفته است محدودیت‌هایی که تیم‌ها در نسخه 3.11 با آنها مواجه بودند را کاهش دهد. این نسخه امکانات جدیدی مانند شاخص‌گذاری بر اساس ذخیره‌سازی (storage-attached indexing)، همگرایی یکپارچه (unified compaction)، جستجوی برداری بومی (native vector search) و زمان‌بندی تعمیرات داخلی (built-in repair scheduling) را معرفی می‌کند. این امکانات نه تنها بهره‌وری سیستم را افزایش می‌دهند بلکه فرآیندهای مدیریت داده‌ها را ساده‌تر و کارآمدتر می‌سازند.
در نسخه 6، شاهد تغییرات بیشتری هستیم؛ از جمله اضافه‌شدن قابلیت‌های مانند متادیتای خوش‌رده (ordered cluster metadata) و تراکنش‌های بین پارتیشن (cross-partition transactions). این ویژگی‌ها در کنار طراحی پارتیشن‌بندی و توزیع کارهای متنوع، نقش کلیدی در بهبود عملیات و حفظ یکپارچگی داده‌ها ایفا می‌کنند. هرچند این تغییرات مهم هستند، اما طراحی صحیح پارتیشن‌بندی و برنامه‌ریزی بهتر برای بار کاری همچنان اساسی است تا سیستم بهینه و مقاوم باقی بماند.
در مجموع، نسخه‌های جدید کاساندرا نشان‌دهنده پیشرفت‌های قابل توجه در ساختار و امکانات آن هستند، اما همچنان نیازمند درک عمیق و برنامه‌ریزی صحیح برای بهره‌برداری بهتر از قابلیت‌های جدید هستیم.
#کاساندرا #پایگاه_داده #پیشرفت_تکنولوژی #مدیریت_داده
🟣لینک مقاله:
https://softwaremill.com/apache-cassandra-5-6-what-changed-since-3-11/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
SoftwareMill
Apache Cassandra 5 and 6: What Changed Since Cassandra 3.11?
Returning to Cassandra after 3.11? A practical look at SAI, UCS, vector search and Auto Repair in 5.0, plus metadata and transactions in the 6.0 previews.
🔵 عنوان مقاله
Postgres 19 Beta 4 Released
🟢 خلاصه مقاله:
نسخه بتا چهارم پستگرس ۱۹ منتشر شد.
در این نسخه جدید، تمرکز اصلی بر حذف ویژگی‌ها و بهبودهای انجام‌شده است. اگرچه تعدادی اصلاح و رفع اشکال هم در آن وارد شده است، اما تغییرات عمده به سمت حذف امکانات قدیمی و بهبود کارایی رفته است. توسعه‌دهندگان منتظر انتشار نسخه RC (کاندیدای نهایی) در چند هفته آینده هستند و اگر روند توسعه بدون مشکل پیش برود، نسخه نهایی احتمالاً در ماه مهر و در ماه آینده عرضه خواهد شد.
این به‌روزرسانی نشان‌دهنده ادامه تلاش‌های تیم توسعه دهنده برای ارتقاء عملکرد و امنیت پستگرس است و هواداران این پایگاه داده در انتظار نسخه نهایی هستند.
#پستگرس #پایگاه_داده #توسعه_نرم‌افزار #درحال_انتظار
🟣لینک مقاله:
https://www.postgresql.org/about/news/postgresql-19-beta-4-released-3386/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Postgres 19 Beta 4 Released
🟢 خلاصه مقاله:
نسخه بتا چهارم پستگرس ۱۹ منتشر شد.
در این نسخه جدید، تمرکز اصلی بر حذف ویژگی‌ها و بهبودهای انجام‌شده است. اگرچه تعدادی اصلاح و رفع اشکال هم در آن وارد شده است، اما تغییرات عمده به سمت حذف امکانات قدیمی و بهبود کارایی رفته است. توسعه‌دهندگان منتظر انتشار نسخه RC (کاندیدای نهایی) در چند هفته آینده هستند و اگر روند توسعه بدون مشکل پیش برود، نسخه نهایی احتمالاً در ماه مهر و در ماه آینده عرضه خواهد شد.
این به‌روزرسانی نشان‌دهنده ادامه تلاش‌های تیم توسعه دهنده برای ارتقاء عملکرد و امنیت پستگرس است و هواداران این پایگاه داده در انتظار نسخه نهایی هستند.
#پستگرس #پایگاه_داده #توسعه_نرم‌افزار #درحال_انتظار
🟣لینک مقاله:
https://www.postgresql.org/about/news/postgresql-19-beta-4-released-3386/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
PostgreSQL News
PostgreSQL 19 Beta 4 Released!
The PostgreSQL Global Development Group announces that the fourth beta release of PostgreSQL 19 is now [available for download](https://www.postgresql.org/download/). This …
🔵 عنوان مقاله
Announcing Apache Fluss 1.0: Real-Time Data Foundation for AI (15 minute read)
🟢 خلاصه مقاله:
شرکت Apache در جدیدترین نسخه خود، یعنی نسخه 1.0 از پروژه Fluss، تحول قابل توجهی در زمینه مدیریت داده‌های بلادرنگ ایجاد کرده است. این نسخه، یک دروازه‌ی HTTP مبتنی بر زبان برنامه‌نویسی Rust و بدون حالت (stateless) را معرفی می‌کند که قابلیت مدیریت فراداده‌ها، عملیات روی جداول و نوشتن‌های دسته‌ای را فراهم می‌سازد. علاوه بر این، این فناوری ارتباط بومی با زبان Python را نیز ممکن ساخته است و امکانات عمیق‌تری را برای یکپارچگی با سیستم‌های قدرتمندی مانند Flink، Spark، Hudi و Paimon ارائه می‌دهد.
نسخه 1.0 با افزودن قابلیت‌هایی مانند TTL (زمان حذف خودکار) برای سطرها و لاگ‌ها، بهبودهای مهمی را به سیستم بخشیده است. با این امکانات، کاربران می‌توانند محدودیت زمانی برای نگهداری داده‌ها تعیین کنند و در نتیجه، مدیریت داده‌های بی‌استفاده و قدیمی آسان‌تر می‌شود. همچنین، ویژگی‌هایی مانند pushdown predicates برای بهبود کارایی جستجو و فیلتر کردن داده‌ها، افزوده شده است.
علاوه بر این، پروژه Fluss در این نسخه ترمیم‌هایی جهت افزایش پایداری دارد؛ از جمله ارتقاء قابلیت‌های در دسترس بودن (High Availability) برای هماهنگی عملیات، حفاظت منابع، و امکانات پاک‌سازی (Cleanup) که کلیت سیستم را برای کاربردهای در محیط‌های تولیدی بسیار مناسب‌تر ساخته است. این تحولات، نشان از حرکت این پروژه از مرحله‌ی آزمایشگاهی و کارآموزشی به سوی محیط‌های عملی و حرفه‌ای را دارند که نیازمند داده‌های بزرگ و در زمان واقعی هستند.
در نتیجه، نسخه 1.0 از Apache Fluss، ابزاری قدرتمند و کارآمد است که به شرکت‌ها و توسعه‌دهندگان کمک می‌کند تا کارهای مربوط به مدیریت داده‌های لحظه‌ای و عملیات تحلیل در برابر نیازهای پیشرفته روز دنیا بهتر و موثرتر انجام دهند.
#مدیریت_داده #داده‌های_بلادرنگ #پروژه_Fluss #تحلیل_در_زمان_واقعی
🟣لینک مقاله:
https://fluss.apache.org/blog/releases/1.0/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Announcing Apache Fluss 1.0: Real-Time Data Foundation for AI (15 minute read)
🟢 خلاصه مقاله:
شرکت Apache در جدیدترین نسخه خود، یعنی نسخه 1.0 از پروژه Fluss، تحول قابل توجهی در زمینه مدیریت داده‌های بلادرنگ ایجاد کرده است. این نسخه، یک دروازه‌ی HTTP مبتنی بر زبان برنامه‌نویسی Rust و بدون حالت (stateless) را معرفی می‌کند که قابلیت مدیریت فراداده‌ها، عملیات روی جداول و نوشتن‌های دسته‌ای را فراهم می‌سازد. علاوه بر این، این فناوری ارتباط بومی با زبان Python را نیز ممکن ساخته است و امکانات عمیق‌تری را برای یکپارچگی با سیستم‌های قدرتمندی مانند Flink، Spark، Hudi و Paimon ارائه می‌دهد.
نسخه 1.0 با افزودن قابلیت‌هایی مانند TTL (زمان حذف خودکار) برای سطرها و لاگ‌ها، بهبودهای مهمی را به سیستم بخشیده است. با این امکانات، کاربران می‌توانند محدودیت زمانی برای نگهداری داده‌ها تعیین کنند و در نتیجه، مدیریت داده‌های بی‌استفاده و قدیمی آسان‌تر می‌شود. همچنین، ویژگی‌هایی مانند pushdown predicates برای بهبود کارایی جستجو و فیلتر کردن داده‌ها، افزوده شده است.
علاوه بر این، پروژه Fluss در این نسخه ترمیم‌هایی جهت افزایش پایداری دارد؛ از جمله ارتقاء قابلیت‌های در دسترس بودن (High Availability) برای هماهنگی عملیات، حفاظت منابع، و امکانات پاک‌سازی (Cleanup) که کلیت سیستم را برای کاربردهای در محیط‌های تولیدی بسیار مناسب‌تر ساخته است. این تحولات، نشان از حرکت این پروژه از مرحله‌ی آزمایشگاهی و کارآموزشی به سوی محیط‌های عملی و حرفه‌ای را دارند که نیازمند داده‌های بزرگ و در زمان واقعی هستند.
در نتیجه، نسخه 1.0 از Apache Fluss، ابزاری قدرتمند و کارآمد است که به شرکت‌ها و توسعه‌دهندگان کمک می‌کند تا کارهای مربوط به مدیریت داده‌های لحظه‌ای و عملیات تحلیل در برابر نیازهای پیشرفته روز دنیا بهتر و موثرتر انجام دهند.
#مدیریت_داده #داده‌های_بلادرنگ #پروژه_Fluss #تحلیل_در_زمان_واقعی
🟣لینک مقاله:
https://fluss.apache.org/blog/releases/1.0/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
fluss.apache.org
Apache Fluss · Streaming Storage for the Real-Time Lakehouse
Open-source columnar streaming storage with sub-second freshness, primary-key tables, Flink integration, and native tiering to Iceberg and Paimon.
🔵 عنوان مقاله
Apache Iceberg Views: Portable View Metadata Across SQL Engines (16 minute read)
🟢 خلاصه مقاله:
در دنیای پایگاه‌های داده مدرن، اهمیت قابلیت حمل و نقل سریع و بدون مشکل اطلاعات متادیتا روز به روز بیشتر می‌شود. یکی از فناوری‌های نوین در حوزه مدیریت داده، ویژگی "نمایش‌ها" یا *Views* در سیستم Apache Iceberg است که این امکان را فراهم می‌آورد تا متادیتای مربوط به نمایش‌ها بدون زحمت در بین موتورهای SQL مختلف انتقال داده شود. این قابلیت به ویژه برای سازمان‌هایی که از چندین سامانه و موتور مختلف استفاده می‌کنند، بسیار اهمیت دارد، زیرا امکان به اشتراک‌گذاری و مدیریت متمرکز نمایش‌ها را به روشی کارآمد و انعطاف‌پذیر فراهم می‌آورد.
در قالب مشخصات *Iceberg*, متادیتای مربوط به نمایش‌ها از طریق نسخه‌بندی اسکیم‌ها، وابستگی‌ها، ویژگی‌ها و متن SQL برچسب‌گذاری‌شده بر اساس دیالوک‌های مختلف، قابلیت حمل پیدا می‌کند. این بدان معناست که اطلاعات مربوط به ساختار و تنظیمات نمایش‌ها به صورت سازگار و استاندارد در قالب نسخه‌های مختلف نگهداری می‌شود، اما این فناوری هنوز کامل نیست تا در زمینه‌های اجرایی یا مجوزها استانداردهای مشترکی ارائه دهد. بنابراین، هرچند این فناوری به مدیریت بهتر متادیتا کمک می‌کند، اما رویکردهای استاندارد برای اجرای عملیات‌ها یا کنترل‌های دسترسی هنوز نیازمند توسعه هستند.
در کنار این، اجرای نمایش‌ها در محیط‌های تولید نیازمند پشتیبانی کامل از طریق کتابخانه‌هایی مانند REST catalog است؛ به علاوه، سازگاری دیالوک‌های SQL نیز نقش حیاتی در تضمین انتقال بی‌مشکل این متادیتا ایفا می‌کند. تیم‌های فنی پیش از اعتماد کامل به این فناوری، باید جامعاً مواردی مانند سالم بودن وابستگی‌ها، امکان جایگزینی همزمان و ثبات نتایج به دست آمده در موتورهای مختلف را آزمایش کنند. این اقدامات از اهمیت بالایی برخوردار است تا مطمئن شوند که نمایش‌ها در همه سامانه‌ها با صحت و بدون خطا باقی می‌مانند و داده‌ها همواره قابل اعتماد هستند.
در نتیحه، فناوری *Iceberg Views* چشم‌اندازی نوین در حوزه مدیریت داده‌ها ارائه می‌دهد و می‌تواند نقش کلیدی در بهبود بهره‌وری و انعطاف‌پذیری زیرساخت‌های داده‌ای سازمان‌ها ایفا کند، البته با رعایت جوانب فنی و همچنین اطمینان از سازگاری در محیط‌های مختلف. با توسعه و تثبیت این فناوری، به‌زودی شاهد سیستم‌های داده‌ای بسیار قدرتمند و یکپارچهتری خواهیم بود که فرآیندهای مدیریت داده را ساده‌تر و کارآمدتر می‌سازند.
#مدیریت_داده #ApacheIceberg #نمایش_در_پایگاه_داده #پایداری_پایگاه_داده
🟣لینک مقاله:
https://www.dremio.com/blog/apache-iceberg-views-portable-view-metadata-across-sql-engines/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Apache Iceberg Views: Portable View Metadata Across SQL Engines (16 minute read)
🟢 خلاصه مقاله:
در دنیای پایگاه‌های داده مدرن، اهمیت قابلیت حمل و نقل سریع و بدون مشکل اطلاعات متادیتا روز به روز بیشتر می‌شود. یکی از فناوری‌های نوین در حوزه مدیریت داده، ویژگی "نمایش‌ها" یا *Views* در سیستم Apache Iceberg است که این امکان را فراهم می‌آورد تا متادیتای مربوط به نمایش‌ها بدون زحمت در بین موتورهای SQL مختلف انتقال داده شود. این قابلیت به ویژه برای سازمان‌هایی که از چندین سامانه و موتور مختلف استفاده می‌کنند، بسیار اهمیت دارد، زیرا امکان به اشتراک‌گذاری و مدیریت متمرکز نمایش‌ها را به روشی کارآمد و انعطاف‌پذیر فراهم می‌آورد.
در قالب مشخصات *Iceberg*, متادیتای مربوط به نمایش‌ها از طریق نسخه‌بندی اسکیم‌ها، وابستگی‌ها، ویژگی‌ها و متن SQL برچسب‌گذاری‌شده بر اساس دیالوک‌های مختلف، قابلیت حمل پیدا می‌کند. این بدان معناست که اطلاعات مربوط به ساختار و تنظیمات نمایش‌ها به صورت سازگار و استاندارد در قالب نسخه‌های مختلف نگهداری می‌شود، اما این فناوری هنوز کامل نیست تا در زمینه‌های اجرایی یا مجوزها استانداردهای مشترکی ارائه دهد. بنابراین، هرچند این فناوری به مدیریت بهتر متادیتا کمک می‌کند، اما رویکردهای استاندارد برای اجرای عملیات‌ها یا کنترل‌های دسترسی هنوز نیازمند توسعه هستند.
در کنار این، اجرای نمایش‌ها در محیط‌های تولید نیازمند پشتیبانی کامل از طریق کتابخانه‌هایی مانند REST catalog است؛ به علاوه، سازگاری دیالوک‌های SQL نیز نقش حیاتی در تضمین انتقال بی‌مشکل این متادیتا ایفا می‌کند. تیم‌های فنی پیش از اعتماد کامل به این فناوری، باید جامعاً مواردی مانند سالم بودن وابستگی‌ها، امکان جایگزینی همزمان و ثبات نتایج به دست آمده در موتورهای مختلف را آزمایش کنند. این اقدامات از اهمیت بالایی برخوردار است تا مطمئن شوند که نمایش‌ها در همه سامانه‌ها با صحت و بدون خطا باقی می‌مانند و داده‌ها همواره قابل اعتماد هستند.
در نتیحه، فناوری *Iceberg Views* چشم‌اندازی نوین در حوزه مدیریت داده‌ها ارائه می‌دهد و می‌تواند نقش کلیدی در بهبود بهره‌وری و انعطاف‌پذیری زیرساخت‌های داده‌ای سازمان‌ها ایفا کند، البته با رعایت جوانب فنی و همچنین اطمینان از سازگاری در محیط‌های مختلف. با توسعه و تثبیت این فناوری، به‌زودی شاهد سیستم‌های داده‌ای بسیار قدرتمند و یکپارچهتری خواهیم بود که فرآیندهای مدیریت داده را ساده‌تر و کارآمدتر می‌سازند.
#مدیریت_داده #ApacheIceberg #نمایش_در_پایگاه_داده #پایداری_پایگاه_داده
🟣لینک مقاله:
https://www.dremio.com/blog/apache-iceberg-views-portable-view-metadata-across-sql-engines/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Dremio
Apache Iceberg Views: Portable View Metadata Across SQL Engines | Dremio
See how the Iceberg View Spec stores SQL representations, schemas, dependencies, versions, and dialects so catalogs can share views across engines.
🔵 عنوان مقاله
Building an Ultra-High Throughput AI-SQL Engine (13 minute read)
🟢 خلاصه مقاله:
در دنیای امروز، پردازش داده‌های حجیم و استفاده از هوش مصنوعی در تحلیل‌های گسترده، اهمیت فراوانی یافته است. یکی از چالش‌های اصلی در این حوزه، سرعت اجرای کوئری‌ها و کارایی سیستم‌های پایگاه داده‌های مبتنی بر هوش مصنوعی است. در همین راستا، توسعه سامانه‌های قدرتمندی مانند Quail، نقشی کلیدی در بهبود این فرآیندها ایفا می‌کند. Quail یک موتور متن‌باز است که به صورت همزمان بهینه‌سازی برنامه‌ریزی پرس‌وجو و استنتاج مدل‌های زبانی بزرگ (LLMs) را هدف قرار داده است. این موتور، توانسته است در مقایسه با نسخه‌های معمولی مانند vLLM، سرعتی میان 1.84 برابر افزایش دهد و در برخی موارد، تا 14 برابر بیشتر در اجرای کارهای سنگین و پیچیده، کارایی از خود نشان دهد.
در حقیقت، یکی از مزایای اصلی Quail کاهش کارهای بی‌فایده مرتبط با کش‌های کلید-مقدار (KV-cache) و همچنین کاهش بار روی مدیریت و زمان‌بندی GPU است. این به معنای هزینه‌های کمتر، سرعت بیشتر و بهبود در مصرف منابع است. با این فناوری، امکان انجام فیلترینگ‌های گسترده و عملیات پیوستن داده‌ها در مقیاس بزرگ، با هزینه‌های کمتر و بهره‌وری بالاتر، مهیا می‌شود. در نتیجه، سیستم‌های مبتنی بر هوش مصنوعی قادر خواهند بود با سرعت و کارایی بیشتری در پاسخگویی به نیازهای پیچیده و داده‌محور امروزی عمل کنند و افق‌های جدیدی در تحلیل داده‌های حجیم گشوده می‌شود.
در نهایت، توسعه چنین فناوری‌هایی نشان از آینده‌ای دارد که در آن، هوش مصنوعی و پایگاه‌های داده‌های بزرگ، با همکاری نزدیک‌تر و بهبود مستمر، نقش بیشتری در بهبود تصمیم‌گیری‌های استراتژیک و اجرای عملیات‌های بزرگ فناوری اطلاعات ایفا خواهند کرد.
#هوش_مصنوعی #پایگاه_داده #کدباز #سرعت_بالا
🟣لینک مقاله:
https://fsdatalab.github.io/blog/introducing-quail/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Building an Ultra-High Throughput AI-SQL Engine (13 minute read)
🟢 خلاصه مقاله:
در دنیای امروز، پردازش داده‌های حجیم و استفاده از هوش مصنوعی در تحلیل‌های گسترده، اهمیت فراوانی یافته است. یکی از چالش‌های اصلی در این حوزه، سرعت اجرای کوئری‌ها و کارایی سیستم‌های پایگاه داده‌های مبتنی بر هوش مصنوعی است. در همین راستا، توسعه سامانه‌های قدرتمندی مانند Quail، نقشی کلیدی در بهبود این فرآیندها ایفا می‌کند. Quail یک موتور متن‌باز است که به صورت همزمان بهینه‌سازی برنامه‌ریزی پرس‌وجو و استنتاج مدل‌های زبانی بزرگ (LLMs) را هدف قرار داده است. این موتور، توانسته است در مقایسه با نسخه‌های معمولی مانند vLLM، سرعتی میان 1.84 برابر افزایش دهد و در برخی موارد، تا 14 برابر بیشتر در اجرای کارهای سنگین و پیچیده، کارایی از خود نشان دهد.
در حقیقت، یکی از مزایای اصلی Quail کاهش کارهای بی‌فایده مرتبط با کش‌های کلید-مقدار (KV-cache) و همچنین کاهش بار روی مدیریت و زمان‌بندی GPU است. این به معنای هزینه‌های کمتر، سرعت بیشتر و بهبود در مصرف منابع است. با این فناوری، امکان انجام فیلترینگ‌های گسترده و عملیات پیوستن داده‌ها در مقیاس بزرگ، با هزینه‌های کمتر و بهره‌وری بالاتر، مهیا می‌شود. در نتیجه، سیستم‌های مبتنی بر هوش مصنوعی قادر خواهند بود با سرعت و کارایی بیشتری در پاسخگویی به نیازهای پیچیده و داده‌محور امروزی عمل کنند و افق‌های جدیدی در تحلیل داده‌های حجیم گشوده می‌شود.
در نهایت، توسعه چنین فناوری‌هایی نشان از آینده‌ای دارد که در آن، هوش مصنوعی و پایگاه‌های داده‌های بزرگ، با همکاری نزدیک‌تر و بهبود مستمر، نقش بیشتری در بهبود تصمیم‌گیری‌های استراتژیک و اجرای عملیات‌های بزرگ فناوری اطلاعات ایفا خواهند کرد.
#هوش_مصنوعی #پایگاه_داده #کدباز #سرعت_بالا
🟣لینک مقاله:
https://fsdatalab.github.io/blog/introducing-quail/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Full Stack Data Lab
Building an Ultra-High Throughput AI-SQL Engine
Quail jointly plans AI-SQL queries and model inference. Across 29 QUAIL-B queries, it is 1.84x faster on average than well-tuned vLLM baselines.
🔵 عنوان مقاله
Stately Graph (GitHub Repo)
🟢 خلاصه مقاله:
در دنیای سایت‌سازی و تحلیل داده‌های گراف، ابزارهای قدرتمند و کاربرپسند نقش بسزایی دارند. شرکت استیتلی، با ارائه یک کتابخانه متن‌باز مبتنی بر زبان تایپ‌اسکریپت، این نیاز را برآورده کرده است. این کتابخانه امکان ساخت، تحلیل و تجسم گراف‌ها را به راحتی با استفاده از داده‌های ساده در قالب JSON فراهم می‌کند. علاوه بر این، از الگوریتم‌های معمول و ۱۴ نوع قالب گراف پشتیبانی می‌کند که آن را به یکی از قدرتمندترین گزینه‌های موجود مبدل ساخته است.
این ابزار در مقایسه با رقبای محبوب، در اکثر بنچمارک‌ها عملکرد برتری دارد. به عنوان مثال، ساخت گراف‌هایی با ۱۰۰,۰۰۰ نود به میزان ۹ تا ۱۵ برابر سریع‌تر از کتابخانه معتبر و شناخته‌شده Graphology انجام می‌شود. این سرعت عمل بالا، نشان دهنده کارایی و بهینگی است که استیتلی در توسعه‌دهندگان و تحلیلگران گراف ارائه داده است.
کتابخانه استیتلی نه تنها یک ابزار برای ساخت و تحلیل است، بلکه امکانات بصری و مقایسه‌ای عالی برای دیدن نتایج و درک ساختارهای پیچیده گراف‌ها را فراهم می‌آورد. این ویژگی‌ها، آن را به یک ابزار کاربردی و محبوب در حوزه‌های مختلف داده‌کاوی، شبکه‌های اجتماعی، و تجزیه و تحلیل‌های ساختاری تبدیل کرده است.
در مجموع، استیتلی با ارائه این مجموعه ابزارهای قدرتمند و راح‌السماع، تحول بزرگی در حوزه ساخت و تحلیل گراف‌ها ایجاد کرده است و توسعه‌دهندگان و محققان را قادر می‌سازد تا پروژه‌هایشان را با سرعت و دقت بیشتری انجام دهند.
#گراف_سازی #تحلیل_داده #کتابخانه_متن‌باز #توسعه‌پذیری
🟣لینک مقاله:
https://github.com/statelyai/graph?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Stately Graph (GitHub Repo)
🟢 خلاصه مقاله:
در دنیای سایت‌سازی و تحلیل داده‌های گراف، ابزارهای قدرتمند و کاربرپسند نقش بسزایی دارند. شرکت استیتلی، با ارائه یک کتابخانه متن‌باز مبتنی بر زبان تایپ‌اسکریپت، این نیاز را برآورده کرده است. این کتابخانه امکان ساخت، تحلیل و تجسم گراف‌ها را به راحتی با استفاده از داده‌های ساده در قالب JSON فراهم می‌کند. علاوه بر این، از الگوریتم‌های معمول و ۱۴ نوع قالب گراف پشتیبانی می‌کند که آن را به یکی از قدرتمندترین گزینه‌های موجود مبدل ساخته است.
این ابزار در مقایسه با رقبای محبوب، در اکثر بنچمارک‌ها عملکرد برتری دارد. به عنوان مثال، ساخت گراف‌هایی با ۱۰۰,۰۰۰ نود به میزان ۹ تا ۱۵ برابر سریع‌تر از کتابخانه معتبر و شناخته‌شده Graphology انجام می‌شود. این سرعت عمل بالا، نشان دهنده کارایی و بهینگی است که استیتلی در توسعه‌دهندگان و تحلیلگران گراف ارائه داده است.
کتابخانه استیتلی نه تنها یک ابزار برای ساخت و تحلیل است، بلکه امکانات بصری و مقایسه‌ای عالی برای دیدن نتایج و درک ساختارهای پیچیده گراف‌ها را فراهم می‌آورد. این ویژگی‌ها، آن را به یک ابزار کاربردی و محبوب در حوزه‌های مختلف داده‌کاوی، شبکه‌های اجتماعی، و تجزیه و تحلیل‌های ساختاری تبدیل کرده است.
در مجموع، استیتلی با ارائه این مجموعه ابزارهای قدرتمند و راح‌السماع، تحول بزرگی در حوزه ساخت و تحلیل گراف‌ها ایجاد کرده است و توسعه‌دهندگان و محققان را قادر می‌سازد تا پروژه‌هایشان را با سرعت و دقت بیشتری انجام دهند.
#گراف_سازی #تحلیل_داده #کتابخانه_متن‌باز #توسعه‌پذیری
🟣لینک مقاله:
https://github.com/statelyai/graph?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
GitHub
GitHub - statelyai/graph: Universal utilities for working with graphs
Universal utilities for working with graphs. Contribute to statelyai/graph development by creating an account on GitHub.
🔵 عنوان مقاله
Beyond synthetic testing: Capturing and replaying real database workloads at Airbnb (14 minute read)
🟢 خلاصه مقاله:
در دنیای امروز، تست‌های مصنوعی به تنهایی نمی‌توانند نیازهای پیچیده و دقیق سیستم‌های پایگاه داده را برآورده کنند. شرکت Airbnb با آگاهی از این موضوع، سیستم بازپخش ترافیک پایگاه داده‌ای توسعه داده است تا بتواند بارهای واقعی و عملیاتی را شبیه‌سازی کند. در این رویکرد، به جای تکیه صرف بر بنچمارک‌های مصنوعی، ترافیک واقعی مشتریان و عملیات روزمره را ضبط و مجدداً اجرا می‌کنند. این کار با کمترین تأثیر بر عملکرد سیستم انجام می‌شود و امکان حفظ ترتیب و زمان‌بندی درخواست‌ها را فراهم می‌آورد، به گونه‌ای که تجربه عملیاتی واقعی حفظ شود.
در نتیجه، این سیستم قابلیت ارزیابی بهتر و دقیق‌تر به‌روزرسانی‌ها، مهاجرت‌ها و برنامه‌ریزی‌های ظرفیت را دارد. یکی از دستاوردهای مهم این رویکرد، کشف مشکلات و واپس‌زدگی‌های جدی است که در تست‌های سنتی ممکن است نادیده گرفته شوند. به طور خلاصه، روش Airbnb نشان می‌دهد که با تکیه بر ضبط و بازپخش ترافیک واقعی، می‌توان به سطح جدیدی از اطمینان و کارایی در مدیریت پایگاه‌های داده رسید و از خطاهای غیرمنتظره در محیط عملیاتی جلوگیری کرد.
#پایگاه_داده #بازپخش_ترافیک #پیشرفت_فناوری #مدیریت_سیستم
🟣لینک مقاله:
https://airbnb.tech/infrastructure/beyond-synthetic-testing-capturing-and-replaying-real-database-workloads-at-airbnb?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Beyond synthetic testing: Capturing and replaying real database workloads at Airbnb (14 minute read)
🟢 خلاصه مقاله:
در دنیای امروز، تست‌های مصنوعی به تنهایی نمی‌توانند نیازهای پیچیده و دقیق سیستم‌های پایگاه داده را برآورده کنند. شرکت Airbnb با آگاهی از این موضوع، سیستم بازپخش ترافیک پایگاه داده‌ای توسعه داده است تا بتواند بارهای واقعی و عملیاتی را شبیه‌سازی کند. در این رویکرد، به جای تکیه صرف بر بنچمارک‌های مصنوعی، ترافیک واقعی مشتریان و عملیات روزمره را ضبط و مجدداً اجرا می‌کنند. این کار با کمترین تأثیر بر عملکرد سیستم انجام می‌شود و امکان حفظ ترتیب و زمان‌بندی درخواست‌ها را فراهم می‌آورد، به گونه‌ای که تجربه عملیاتی واقعی حفظ شود.
در نتیجه، این سیستم قابلیت ارزیابی بهتر و دقیق‌تر به‌روزرسانی‌ها، مهاجرت‌ها و برنامه‌ریزی‌های ظرفیت را دارد. یکی از دستاوردهای مهم این رویکرد، کشف مشکلات و واپس‌زدگی‌های جدی است که در تست‌های سنتی ممکن است نادیده گرفته شوند. به طور خلاصه، روش Airbnb نشان می‌دهد که با تکیه بر ضبط و بازپخش ترافیک واقعی، می‌توان به سطح جدیدی از اطمینان و کارایی در مدیریت پایگاه‌های داده رسید و از خطاهای غیرمنتظره در محیط عملیاتی جلوگیری کرد.
#پایگاه_داده #بازپخش_ترافیک #پیشرفت_فناوری #مدیریت_سیستم
🟣لینک مقاله:
https://airbnb.tech/infrastructure/beyond-synthetic-testing-capturing-and-replaying-real-database-workloads-at-airbnb?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
🔵 عنوان مقاله
pgx-bm25 1.0: A Pure C BM25 Index Extension
🟢 خلاصه مقاله:
در ادامه، نسخه توسعه‌یافته، منسجم و روان متن فارسی مقاله را مشاهده می‌کنید:
---
موتور جستجوی متنی جدیدی به نام pgx-bm25 1.0 معرفی شده است که بر پایه الگوریتم BM25 و تحت مجوز PostgreSQL توسعه یافته است. این افزونه، به صورت کاملاً مستقل و بدون نیاز به موتور یا زمان اجرای جداگانه، در کنار پایگاه داده‌های PostgreSQL کار می‌کند. یکی از مزایای بارز این ابزار این است که شاخص‌های آن در صفحات رابطه‌ی شاخص قرار دارند، که این امر باعث می‌شود فرآیند ثبت تغییرات در فایل‌های WAL، تکرار داده‌ها و عملیات VACUUM همگی به روال عادی خود ادامه دهند و هیچ مشکلی در مدیریت و عملیات همزمان پیش نیاید.
این توسعه به طوری طراحی شده است که تمامی ویژگی‌های معمول سیستم‌های جستجو را با سادگی و کارایی بالا در محیط PostgreSQL پیاده‌سازی می‌کند. به لطف این ساختار، دیگر نیاز نیست نگران مشکلات مربوط به هماهنگی میان سیستم‌های جداگانه، یا پیچیدگی‌های مدیریت موتورهای جستجوی مستقل باشید، زیرا تمامی عملیات در قالب یک افزونه روان و سازگار با خود PostgreSQL انجام می‌شود.
در نتیجه، این ابزار می‌تواند انتخابی عالی برای توسعه‌دهندگانی باشد که به دنبال پیاده‌سازی جستجوی قدرتمند و بهینه در برنامه‌هایشان هستند، بدون اینکه از کارایی یا سازگاری سیستم‌های موجود کاسته شود.
#جستجوی_متن #PostgreSQL #افزونه #پایگاه_داده
🟣لینک مقاله:
https://www.postgresql.org/about/news/pgx-bm25-10-bm25-ranked-full-text-search-as-a-native-postgresql-index-3396/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
pgx-bm25 1.0: A Pure C BM25 Index Extension
🟢 خلاصه مقاله:
در ادامه، نسخه توسعه‌یافته، منسجم و روان متن فارسی مقاله را مشاهده می‌کنید:
---
موتور جستجوی متنی جدیدی به نام pgx-bm25 1.0 معرفی شده است که بر پایه الگوریتم BM25 و تحت مجوز PostgreSQL توسعه یافته است. این افزونه، به صورت کاملاً مستقل و بدون نیاز به موتور یا زمان اجرای جداگانه، در کنار پایگاه داده‌های PostgreSQL کار می‌کند. یکی از مزایای بارز این ابزار این است که شاخص‌های آن در صفحات رابطه‌ی شاخص قرار دارند، که این امر باعث می‌شود فرآیند ثبت تغییرات در فایل‌های WAL، تکرار داده‌ها و عملیات VACUUM همگی به روال عادی خود ادامه دهند و هیچ مشکلی در مدیریت و عملیات همزمان پیش نیاید.
این توسعه به طوری طراحی شده است که تمامی ویژگی‌های معمول سیستم‌های جستجو را با سادگی و کارایی بالا در محیط PostgreSQL پیاده‌سازی می‌کند. به لطف این ساختار، دیگر نیاز نیست نگران مشکلات مربوط به هماهنگی میان سیستم‌های جداگانه، یا پیچیدگی‌های مدیریت موتورهای جستجوی مستقل باشید، زیرا تمامی عملیات در قالب یک افزونه روان و سازگار با خود PostgreSQL انجام می‌شود.
در نتیجه، این ابزار می‌تواند انتخابی عالی برای توسعه‌دهندگانی باشد که به دنبال پیاده‌سازی جستجوی قدرتمند و بهینه در برنامه‌هایشان هستند، بدون اینکه از کارایی یا سازگاری سیستم‌های موجود کاسته شود.
#جستجوی_متن #PostgreSQL #افزونه #پایگاه_داده
🟣لینک مقاله:
https://www.postgresql.org/about/news/pgx-bm25-10-bm25-ranked-full-text-search-as-a-native-postgresql-index-3396/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
PostgreSQL News
pgx-bm25 1.0: BM25 ranked full-text search as a native PostgreSQL index
[PGX Inc.](https://pgexperts.com/) has released version 1.0 of [pgx-bm25](https://github.com/pgexperts/pgx-bm25), an extension that adds Okapi BM25 ranked full-text search to PostgreSQL as …
🔵 عنوان مقاله
1 in 4 of the world's top companies control their agent portfolio with this (Sponsor)
🟢 خلاصه مقاله:
در دنیای کسب‌وکارهای بزرگ، کنترل و مدیریت کارمندان و نمایندگان نقش حیاتی در موفقیت شرکت‌ها دارد. یکی از چالش‌های مهم، داشتن دیدی کامل و دقیق بر عملکرد و فعالیت‌های این نمایندگان است تا بتوانید از هماهنگی آنها با اهداف استراتژیک شرکت اطمینان حاصل کنید. خوشبختانه، ابزارهای قدرتمندی مانند مدیریت نمایندگان در Dataiku، این امکان را فراهم می‌آورند که شرکت‌ها عملکرد نمایندگان خود را نظارت کنند، هرگونه تغییر و انحراف را شناسایی کرده و مطمئن شوند که هر نماینده طبق برنامه و اهداف مشخص فعالیت می‌کند. برندهای معتبر مانند LVMH، تویوتا و GE از این فناوری برای هماهنگ نگه داشتن تیم‌های خود و تضمین عملیاتی بودن نمایندگان بهره می‌برند. این فناوری، نقش کلیدی در کنترل کیفیت و کارایی عملکرد نمایندگان ایفا می‌کند و به سازمان‌ها امکان می‌دهد در فضای رقابتی امروز، همیشه یک قدم جلوتر باشند.
حالا ببینید که این ابزار در عمل چگونه کار می‌کند و چطور می‌تواند به بهبود استراتژی‌های کسب‌وکار شما کمک کند.
#مدیریت_نمایندگان #هوش_مصنوعی #تحلیل_بی‌درنگ #کسب‌وکارهای_برتر
🟣لینک مقاله:
https://pages.dataiku.com/agent-management?utm_source=tldr&utm_medium=paid_email&utm_campaign=glo_content_pmm_agent_management_fy27&utm_content=data_secondary&utm_geo=glo
➖➖➖➖➖➖➖➖
👑 @Database_Academy
1 in 4 of the world's top companies control their agent portfolio with this (Sponsor)
🟢 خلاصه مقاله:
در دنیای کسب‌وکارهای بزرگ، کنترل و مدیریت کارمندان و نمایندگان نقش حیاتی در موفقیت شرکت‌ها دارد. یکی از چالش‌های مهم، داشتن دیدی کامل و دقیق بر عملکرد و فعالیت‌های این نمایندگان است تا بتوانید از هماهنگی آنها با اهداف استراتژیک شرکت اطمینان حاصل کنید. خوشبختانه، ابزارهای قدرتمندی مانند مدیریت نمایندگان در Dataiku، این امکان را فراهم می‌آورند که شرکت‌ها عملکرد نمایندگان خود را نظارت کنند، هرگونه تغییر و انحراف را شناسایی کرده و مطمئن شوند که هر نماینده طبق برنامه و اهداف مشخص فعالیت می‌کند. برندهای معتبر مانند LVMH، تویوتا و GE از این فناوری برای هماهنگ نگه داشتن تیم‌های خود و تضمین عملیاتی بودن نمایندگان بهره می‌برند. این فناوری، نقش کلیدی در کنترل کیفیت و کارایی عملکرد نمایندگان ایفا می‌کند و به سازمان‌ها امکان می‌دهد در فضای رقابتی امروز، همیشه یک قدم جلوتر باشند.
حالا ببینید که این ابزار در عمل چگونه کار می‌کند و چطور می‌تواند به بهبود استراتژی‌های کسب‌وکار شما کمک کند.
#مدیریت_نمایندگان #هوش_مصنوعی #تحلیل_بی‌درنگ #کسب‌وکارهای_برتر
🟣لینک مقاله:
https://pages.dataiku.com/agent-management?utm_source=tldr&utm_medium=paid_email&utm_campaign=glo_content_pmm_agent_management_fy27&utm_content=data_secondary&utm_geo=glo
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Dataiku
Agent Management gated demo
See how Dataiku's Agent Management gives your teams centralized control, governance, and visibility over every AI agent in production, watch your demo today to explore the new product.
🔵 عنوان مقاله
I benchmarked Databricks against my iPhone (7 minute read)
🟢 خلاصه مقاله:
در این مقاله، من عملکرد دیتابریکس را در مقایسه با آیفون خود بررسی کردم. در طی این مطالعه، به مدت هفت دقیقه، آزمایش‌هایی انجام دادم تا بتوانم تفاوت‌های عملکرد این دو سیستم را ارزیابی کنم. نتیجه‌های اولیه نشان دادند که آیفون ۱۷ پرو، در بیشتر بارهای کاری مربوط به آزمون TPC-H، سریع‌تر از خوشه‌های دیتابریکس عمل می‌کند. جالب‌ترین نکته این است که این نتایج در حالی به دست آمده است که آیفون فاقد مزایای سخت‌افزاری مشابه دیتابریکس است؛ مثلاً تعداد کمتری از واحدهای پردازنده (CPU) و حافظه کمتر.
این یافته‌ها نشان می‌دهند بسیاری از بارهای کاری تحلیلی در دنیای کسب‌وکار نیازمند سیستم‌های توزیع‌شده گران‌قیمت نیستند و می‌توان آنها را با هزینه کمتر بر روی ماشین‌های تک‌نصب، با استفاده از موتورهای سبکی مانند DuckDB یا Polars انجام داد. این موضوع می‌تواند در صرفه‌جویی‌های قابل توجهی در هزینه‌ها و افزایش سرعت تحلیل داده‌ها موثر باشد، مخصوصاً برای شرکت‌هایی که نیازمند پاسخ سریع و مقرون‌به‌صرفه به سوالات تحلیلی هستند.
به طور کلی، این مطالعه نشان می‌دهد که فناوری‌های سبک و مستقل، در برخی موارد، کارایی بیشتری از سیستم‌های بزرگ و پیچیده دارند. این دیدگاه می‌تواند راهکارهای جدیدی برای بهبود بهره‌وری و کاهش هزینه‌های تجزیه‌وتحلیل داده در کسب‌وکارها ارائه دهد.
#تحلیل_داده #فناوری_سبک #دیجیتال_کسب_و_کار #پیشرفت_هوشمند
🟣لینک مقاله:
https://www.fivetran.com/blog/i-benchmarked-databricks-against-my-iphone?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
I benchmarked Databricks against my iPhone (7 minute read)
🟢 خلاصه مقاله:
در این مقاله، من عملکرد دیتابریکس را در مقایسه با آیفون خود بررسی کردم. در طی این مطالعه، به مدت هفت دقیقه، آزمایش‌هایی انجام دادم تا بتوانم تفاوت‌های عملکرد این دو سیستم را ارزیابی کنم. نتیجه‌های اولیه نشان دادند که آیفون ۱۷ پرو، در بیشتر بارهای کاری مربوط به آزمون TPC-H، سریع‌تر از خوشه‌های دیتابریکس عمل می‌کند. جالب‌ترین نکته این است که این نتایج در حالی به دست آمده است که آیفون فاقد مزایای سخت‌افزاری مشابه دیتابریکس است؛ مثلاً تعداد کمتری از واحدهای پردازنده (CPU) و حافظه کمتر.
این یافته‌ها نشان می‌دهند بسیاری از بارهای کاری تحلیلی در دنیای کسب‌وکار نیازمند سیستم‌های توزیع‌شده گران‌قیمت نیستند و می‌توان آنها را با هزینه کمتر بر روی ماشین‌های تک‌نصب، با استفاده از موتورهای سبکی مانند DuckDB یا Polars انجام داد. این موضوع می‌تواند در صرفه‌جویی‌های قابل توجهی در هزینه‌ها و افزایش سرعت تحلیل داده‌ها موثر باشد، مخصوصاً برای شرکت‌هایی که نیازمند پاسخ سریع و مقرون‌به‌صرفه به سوالات تحلیلی هستند.
به طور کلی، این مطالعه نشان می‌دهد که فناوری‌های سبک و مستقل، در برخی موارد، کارایی بیشتری از سیستم‌های بزرگ و پیچیده دارند. این دیدگاه می‌تواند راهکارهای جدیدی برای بهبود بهره‌وری و کاهش هزینه‌های تجزیه‌وتحلیل داده در کسب‌وکارها ارائه دهد.
#تحلیل_داده #فناوری_سبک #دیجیتال_کسب_و_کار #پیشرفت_هوشمند
🟣لینک مقاله:
https://www.fivetran.com/blog/i-benchmarked-databricks-against-my-iphone?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Fivetran
I Benchmarked Databricks Against My iPhone | Blog | FIvetran
The device in your pocket easily runs most practical analytics workloads.
🔵 عنوان مقاله
Upgrading a 56TB Database by Mostly Not Moving It
🟢 خلاصه مقاله:
در پروژه‌ای که با مشکل جلوگیری از توقف عملیاتی مواجه بود، مهندسان تیم Trigger تصمیم گرفتند تا تنها ۲٪ از دیتابیس عظیم ۵۶ ترابایتی خود را منتقل کنند. این انتقال برنامه‌ریزی شده بود تا در زمان مجاز و بدون نیاز به خاموشی کامل سیستم انجام شود، اما تمامی داده‌ها به جز این مقدار کوچک، در محل باقی ماندند. هدف اصلی این کار، ارتقاء و بهبود زیرساخت دیتابیس بدون توقف عملیات روزمره بود؛ اما در مسیر پیشرفت، چالش‌ها و موانع غیرمنتظره‌ای ظاهر شدند.
در طی فرآیند، تیم فنی با استفاده از یک بروزرسانی خاص در ابزار pgcopydb، سعی کرد داده‌ها را به سمت پایگاه داده جدیدی منتقل کند. این اقدام که در ابتدا به نظر موفق‌آمد، اما در عمل با مشکلاتی روبه‌رو شد و پایان‌بندی ناموفقی داشت. اولین تلاش برای جابجایی کامل انجام نشد و نیاز به اصلاح و تکرار فرآیند داشت؛ در نتیجه، انتقال کامل و بدون توقف هنوز باقی مانده بود. این تجربه نشان داد که حتی با وجود فناوری‌های پیشرفته، نیازمند برنامه‌ریزی دقیق و آزمون‌های کامل برای انتقال امن و بی‌وقفه داده‌ها هستیم.
در نهایت، این داستان درباره چالش‌ها و درسی است که در مسیر ارتقاء دیتابیس‌های بزرگ بدون توقف کسب می‌شود. تیم Trigger در کنار استفاده از رویکردهای نوآورانه و ابزارهای پیشرفته، نشان داد که موفقیت در انتقال داده‌های عظیم نیازمند صبر، آزمایش و اصلاح مستمر است. این تجربه برای توسعه‌دهندگان و مدیران سیستم‌هایی که به دنبال به‌روزرسانی‌های بدون توقف هستند، عبرتی ارزشمند و راهنمایی برای رویارویی با مشکلات پیش رو است.
#ارتقا_دیتابیس #امنیت_داده #فناوری_پیشرفته #مدیریت_سیستم
🟣لینک مقاله:
https://trigger.dev/blog/upgrading-a-56tb-database
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Upgrading a 56TB Database by Mostly Not Moving It
🟢 خلاصه مقاله:
در پروژه‌ای که با مشکل جلوگیری از توقف عملیاتی مواجه بود، مهندسان تیم Trigger تصمیم گرفتند تا تنها ۲٪ از دیتابیس عظیم ۵۶ ترابایتی خود را منتقل کنند. این انتقال برنامه‌ریزی شده بود تا در زمان مجاز و بدون نیاز به خاموشی کامل سیستم انجام شود، اما تمامی داده‌ها به جز این مقدار کوچک، در محل باقی ماندند. هدف اصلی این کار، ارتقاء و بهبود زیرساخت دیتابیس بدون توقف عملیات روزمره بود؛ اما در مسیر پیشرفت، چالش‌ها و موانع غیرمنتظره‌ای ظاهر شدند.
در طی فرآیند، تیم فنی با استفاده از یک بروزرسانی خاص در ابزار pgcopydb، سعی کرد داده‌ها را به سمت پایگاه داده جدیدی منتقل کند. این اقدام که در ابتدا به نظر موفق‌آمد، اما در عمل با مشکلاتی روبه‌رو شد و پایان‌بندی ناموفقی داشت. اولین تلاش برای جابجایی کامل انجام نشد و نیاز به اصلاح و تکرار فرآیند داشت؛ در نتیجه، انتقال کامل و بدون توقف هنوز باقی مانده بود. این تجربه نشان داد که حتی با وجود فناوری‌های پیشرفته، نیازمند برنامه‌ریزی دقیق و آزمون‌های کامل برای انتقال امن و بی‌وقفه داده‌ها هستیم.
در نهایت، این داستان درباره چالش‌ها و درسی است که در مسیر ارتقاء دیتابیس‌های بزرگ بدون توقف کسب می‌شود. تیم Trigger در کنار استفاده از رویکردهای نوآورانه و ابزارهای پیشرفته، نشان داد که موفقیت در انتقال داده‌های عظیم نیازمند صبر، آزمایش و اصلاح مستمر است. این تجربه برای توسعه‌دهندگان و مدیران سیستم‌هایی که به دنبال به‌روزرسانی‌های بدون توقف هستند، عبرتی ارزشمند و راهنمایی برای رویارویی با مشکلات پیش رو است.
#ارتقا_دیتابیس #امنیت_داده #فناوری_پیشرفته #مدیریت_سیستم
🟣لینک مقاله:
https://trigger.dev/blog/upgrading-a-56tb-database
➖➖➖➖➖➖➖➖
👑 @Database_Academy
trigger.dev
Upgrading a 56TB database that's growing at 250GB per day with (nearly) no downtime | Trigger.dev
We had to upgrade our 56TB Aurora Postgres cluster by 31 July without taking Trigger.dev down. Instead of moving the database, we made the problem smaller: new runs and the control plane went to PlanetScale, and the old runs stayed behind.
🔵 عنوان مقاله
I benchmarked "Jev-killer" OpenAI Decisions API against Jev (2 minute read)
🟢 خلاصه مقاله:
در مطالعه‌ای کوتاه و مفید، عملکرد نوآورانه‌ی "Jev-killer" در مقایسه با API تصمیم‌گیری جدید OpenAI بررسی شد. این ارزیابی نشان داد که سیستم Jev قادر است بهتر از محصولات دیگری مانند تصمیم‌گیری‌های OpenAI و نسخه‌ی 3.1 Gemini Flash-Lite، در تطابق صحیح بین آگهی‌های شغلی، جستجوها و رزومه‌ها عمل کند. این دستاورد اهمیت ویژه‌ای در بهبود فرآیندهای جذب و استخدام دارد و نشان می‌دهد که فناوری‌های هوشمند می‌توانند در تسهیل و بهبود فرآیندهای کاری نقش‌آفرین باشند.
مطالعات انجام شده توسط HiringCafe نشان می‌دهد که سیستم Jev در دقت و سرعت تطابق شغل‌ها با رزومه‌های کاربران برتری قابل توجهی دارد. این نتیجه، امکان به‌کارگیری فناوری‌های پیشرفته‌تر در فرآیندهای منابع انسانی را افزایش می‌دهد و می‌تواند روند استخدام را سریع‌تر، دقیق‌تر و کارآمدتر سازد. با توجه به رقابت روزافزون در حوزه فناوری و نیاز به ابزارهای هوشمند، پیشرفت‌های این چنینی نویدبخش آینده‌ای بهتر در حوزه استخدام و فرآیندهای کاری است.
#تکنولوژی #استخدام #هوش_مصنوعی #Innovations
🟣لینک مقاله:
https://threadreaderapp.com/thread/2107644837407404340.html?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
I benchmarked "Jev-killer" OpenAI Decisions API against Jev (2 minute read)
🟢 خلاصه مقاله:
در مطالعه‌ای کوتاه و مفید، عملکرد نوآورانه‌ی "Jev-killer" در مقایسه با API تصمیم‌گیری جدید OpenAI بررسی شد. این ارزیابی نشان داد که سیستم Jev قادر است بهتر از محصولات دیگری مانند تصمیم‌گیری‌های OpenAI و نسخه‌ی 3.1 Gemini Flash-Lite، در تطابق صحیح بین آگهی‌های شغلی، جستجوها و رزومه‌ها عمل کند. این دستاورد اهمیت ویژه‌ای در بهبود فرآیندهای جذب و استخدام دارد و نشان می‌دهد که فناوری‌های هوشمند می‌توانند در تسهیل و بهبود فرآیندهای کاری نقش‌آفرین باشند.
مطالعات انجام شده توسط HiringCafe نشان می‌دهد که سیستم Jev در دقت و سرعت تطابق شغل‌ها با رزومه‌های کاربران برتری قابل توجهی دارد. این نتیجه، امکان به‌کارگیری فناوری‌های پیشرفته‌تر در فرآیندهای منابع انسانی را افزایش می‌دهد و می‌تواند روند استخدام را سریع‌تر، دقیق‌تر و کارآمدتر سازد. با توجه به رقابت روزافزون در حوزه فناوری و نیاز به ابزارهای هوشمند، پیشرفت‌های این چنینی نویدبخش آینده‌ای بهتر در حوزه استخدام و فرآیندهای کاری است.
#تکنولوژی #استخدام #هوش_مصنوعی #Innovations
🟣لینک مقاله:
https://threadreaderapp.com/thread/2107644837407404340.html?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Threadreaderapp
Thread by @h_nilforoshan on Thread Reader App
@h_nilforoshan: I benchmarked "Jev-killer" OpenAI Decisions API against Jev for HiringCafe.com, serving 2.5 million users. The task is to predict how relevant a user query/resume is to a job description, on a scale ...…
🔵 عنوان مقاله
Release of Polars 2.0 (5 minute read)
🟢 خلاصه مقاله:
نسخه ۲.۰ پولارز، تحولی بزرگ در حوزه پردازش داده‌ها را رقم زده است. این نسخه جدید با بهبودهای قابل توجه، امکانات جدید و عملکرد سریع‌تر، تجربه‌ای متفاوت را برای کاربران فراهم می‌کند. یکی از مهم‌ترین ویژگی‌های این نسخه، سرعت بالا در اجرای کوئری‌ها است که باعث می‌شود داده‌ها در کمترین زمان ممکن تحلیل شوند و کارایی سیستم به طور قابل ملاحظه‌ای افزایش یابد.
علاوه بر این، پولارز ۲.۰ از پشتیبانی درجه یک برای زبان SQL بهره‌مند شده است. این ویژگی به توسعه‌دهندگان و محققان اجازه می‌دهد با آسانی و دقت بیشتری بر روی داده‌های بزرگ کار کنند و عملیات پیچیده‌تر و پیشرفته‌تر را روی مجموعه‌های داده انجام دهند. از دیگر ویژگی‌های بارز، اضافه شدن نوع داده جدید "Map" است که مدیریت ساختارهای داده‌ای چندلایه و پیچیده را آسان‌تر می‌کند، به گونه‌ای که بتوان داده‌ها را با ساختاری منسجم‌تر و قابلیت‌های پیشرفته‌تر نگهداری کرد.
در کنار این امکانات، پولارز قابلیت استریم کردن داده‌ها را با قابلیت spill-to-disk به صورت پیش‌فرض فعال کرده است. این فناوری به کاربران اجازه می‌دهد تا داده‌های بسیار بزرگ را بدون نگرانی از پر شدن حافظه سیستم، به راحتی مدیریت و تحلیل کنند. همچنین، طبق نتایج بنچمارک‌ها، پولارز در بیشتر آزمایش‌های SQL خود، از رقبا مانند DuckDB و DataFusion عملکرد بهتری نشان داده است. این برتری نشان می‌دهد که پولارز توانسته است در عرصه تحلیل و پردازش داده، جایگاه خود را به عنوان یکی از برترین ابزارهای متن‌باز تثبیت کند.
علاوه بر این، سیستم نوع‌دهی سخت‌گیرانه‌تر در پولارز ۲.۰، کمک می‌کند تا توسعه‌دهندگان و عاملان هوش مصنوعی بتوانند خطاهای احتمالی را زودتر شناسایی و برطرف کنند. این ویژگی باعث افزایش دقت و کاهش خطاهای نرم‌افزاری در فرآیندهای تحلیل داده می‌شود و کارایی کلی سیستم را افزایش می‌دهد.
در نتیجه، پولارز ۲.۰ نسخه‌ای است که هم سرعت، هم قابلیت‌های تکمیلی و هم دقت را در کنار هم فراهم می‌آورد، و در کنار جامعه توسعه‌دهندگان، راه حل‌های موثری برای چالش‌های پردازش داده‌های بزرگ ارائه می‌دهد.
#پولارز #تحلیل_داده #پایگاه_داده #هوش_مصنوعی
🟣لینک مقاله:
https://pola.rs/posts/release-polars-2/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Release of Polars 2.0 (5 minute read)
🟢 خلاصه مقاله:
نسخه ۲.۰ پولارز، تحولی بزرگ در حوزه پردازش داده‌ها را رقم زده است. این نسخه جدید با بهبودهای قابل توجه، امکانات جدید و عملکرد سریع‌تر، تجربه‌ای متفاوت را برای کاربران فراهم می‌کند. یکی از مهم‌ترین ویژگی‌های این نسخه، سرعت بالا در اجرای کوئری‌ها است که باعث می‌شود داده‌ها در کمترین زمان ممکن تحلیل شوند و کارایی سیستم به طور قابل ملاحظه‌ای افزایش یابد.
علاوه بر این، پولارز ۲.۰ از پشتیبانی درجه یک برای زبان SQL بهره‌مند شده است. این ویژگی به توسعه‌دهندگان و محققان اجازه می‌دهد با آسانی و دقت بیشتری بر روی داده‌های بزرگ کار کنند و عملیات پیچیده‌تر و پیشرفته‌تر را روی مجموعه‌های داده انجام دهند. از دیگر ویژگی‌های بارز، اضافه شدن نوع داده جدید "Map" است که مدیریت ساختارهای داده‌ای چندلایه و پیچیده را آسان‌تر می‌کند، به گونه‌ای که بتوان داده‌ها را با ساختاری منسجم‌تر و قابلیت‌های پیشرفته‌تر نگهداری کرد.
در کنار این امکانات، پولارز قابلیت استریم کردن داده‌ها را با قابلیت spill-to-disk به صورت پیش‌فرض فعال کرده است. این فناوری به کاربران اجازه می‌دهد تا داده‌های بسیار بزرگ را بدون نگرانی از پر شدن حافظه سیستم، به راحتی مدیریت و تحلیل کنند. همچنین، طبق نتایج بنچمارک‌ها، پولارز در بیشتر آزمایش‌های SQL خود، از رقبا مانند DuckDB و DataFusion عملکرد بهتری نشان داده است. این برتری نشان می‌دهد که پولارز توانسته است در عرصه تحلیل و پردازش داده، جایگاه خود را به عنوان یکی از برترین ابزارهای متن‌باز تثبیت کند.
علاوه بر این، سیستم نوع‌دهی سخت‌گیرانه‌تر در پولارز ۲.۰، کمک می‌کند تا توسعه‌دهندگان و عاملان هوش مصنوعی بتوانند خطاهای احتمالی را زودتر شناسایی و برطرف کنند. این ویژگی باعث افزایش دقت و کاهش خطاهای نرم‌افزاری در فرآیندهای تحلیل داده می‌شود و کارایی کلی سیستم را افزایش می‌دهد.
در نتیجه، پولارز ۲.۰ نسخه‌ای است که هم سرعت، هم قابلیت‌های تکمیلی و هم دقت را در کنار هم فراهم می‌آورد، و در کنار جامعه توسعه‌دهندگان، راه حل‌های موثری برای چالش‌های پردازش داده‌های بزرگ ارائه می‌دهد.
#پولارز #تحلیل_داده #پایگاه_داده #هوش_مصنوعی
🟣لینک مقاله:
https://pola.rs/posts/release-polars-2/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Polars
Release of Polars 2.0
DataFrames for the new era
🔵 عنوان مقاله
Query Plan Rewriting in Postgres
🟢 خلاصه مقاله:
برنامه‌ریزی مجدد کوئری در Postgres یکی از بخش‌های حیاتی در بهینه‌سازی عملکرد این بانک اطلاعاتی است. در نسخه‌های جدید، به‌خصوص نسخه ۱۸، موتور برنامه‌ریز یا همان "پلانر" توانسته است تکنیک‌های پیشرفته‌تری در تحلیل و اصلاح کوئری‌ها به کار گیرد. این تکنیک‌ها شامل فشرده‌سازی مقادیر ثابت، جایگذاری سریع تابع‌ها و متغیرها در کوئری‌ها، ساده‌سازی زیرسوال‌ها به صورت مستقیم و حذف JOINهای غیرضروری می‌شود. به واسطه این فرآیندها، اجرای کوئری‌ها بسیار مؤثرتر و سریع‌تر انجام می‌شود و این بهبود قابل توجه در سرعت پاسخگویی سیستم‌ها دیده می‌شود.
این فرآیندهای بهینه‌سازی، علاوه بر مزایای ذکر شده، نیازمند درک کاملی از مواردی است که برنامه‌ریز نمی‌تواند یا نمی‌خواهد آنها را بازنویسی کند. برخی موارد می‌توانند باعث سردرگمی حتی کاربران باتجربه شوند، اما در نسخه ۱۹، ویژگی جدیدی افزوده شده است که قابلیت بازنویسی "NOT IN" را در شرایطی که می‌دانیم NULLها تاثیری ندارند، فراهم می‌کند. این تغییرات و بهبودها نشان می‌دهد که تیم توسعه Postgres همیشه در مسیر ارتقای قابلیت‌های سیستم گام برمی‌دارد و در تلاش است تا بهینه‌سازی‌های بیشتری ارائه دهد.
در نهایت، درک عمیق‌تر این فرآیندهای داخلی نه تنها به کاربرانی که با پیچیدگی‌های SQL سروکار دارند کمک می‌کند، بلکه آنها را از اشتباهات رایج و مشکلات ناشی از ناآگاهی در نحوه عملکرد پلانر محافظت می‌کند. آشنایی با این تکنیک‌ها و محدودیت‌های آن، راه را برای توسعه‌دهندگان و مدیران سیستم هموارتر می‌سازد تا بتوانند بهترین بهره‌برداری را از بانک‌های اطلاعاتی خود داشته باشند.
#پلاڼر #پستگرس #بهینه‌سازی_کوئری #تکنولوژی
🟣لینک مقاله:
https://theconsensus.dev/p/2026/09/13/query-plan-rewriting-in-postgresql.html
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Query Plan Rewriting in Postgres
🟢 خلاصه مقاله:
برنامه‌ریزی مجدد کوئری در Postgres یکی از بخش‌های حیاتی در بهینه‌سازی عملکرد این بانک اطلاعاتی است. در نسخه‌های جدید، به‌خصوص نسخه ۱۸، موتور برنامه‌ریز یا همان "پلانر" توانسته است تکنیک‌های پیشرفته‌تری در تحلیل و اصلاح کوئری‌ها به کار گیرد. این تکنیک‌ها شامل فشرده‌سازی مقادیر ثابت، جایگذاری سریع تابع‌ها و متغیرها در کوئری‌ها، ساده‌سازی زیرسوال‌ها به صورت مستقیم و حذف JOINهای غیرضروری می‌شود. به واسطه این فرآیندها، اجرای کوئری‌ها بسیار مؤثرتر و سریع‌تر انجام می‌شود و این بهبود قابل توجه در سرعت پاسخگویی سیستم‌ها دیده می‌شود.
این فرآیندهای بهینه‌سازی، علاوه بر مزایای ذکر شده، نیازمند درک کاملی از مواردی است که برنامه‌ریز نمی‌تواند یا نمی‌خواهد آنها را بازنویسی کند. برخی موارد می‌توانند باعث سردرگمی حتی کاربران باتجربه شوند، اما در نسخه ۱۹، ویژگی جدیدی افزوده شده است که قابلیت بازنویسی "NOT IN" را در شرایطی که می‌دانیم NULLها تاثیری ندارند، فراهم می‌کند. این تغییرات و بهبودها نشان می‌دهد که تیم توسعه Postgres همیشه در مسیر ارتقای قابلیت‌های سیستم گام برمی‌دارد و در تلاش است تا بهینه‌سازی‌های بیشتری ارائه دهد.
در نهایت، درک عمیق‌تر این فرآیندهای داخلی نه تنها به کاربرانی که با پیچیدگی‌های SQL سروکار دارند کمک می‌کند، بلکه آنها را از اشتباهات رایج و مشکلات ناشی از ناآگاهی در نحوه عملکرد پلانر محافظت می‌کند. آشنایی با این تکنیک‌ها و محدودیت‌های آن، راه را برای توسعه‌دهندگان و مدیران سیستم هموارتر می‌سازد تا بتوانند بهترین بهره‌برداری را از بانک‌های اطلاعاتی خود داشته باشند.
#پلاڼر #پستگرس #بهینه‌سازی_کوئری #تکنولوژی
🟣لینک مقاله:
https://theconsensus.dev/p/2026/09/13/query-plan-rewriting-in-postgresql.html
➖➖➖➖➖➖➖➖
👑 @Database_Academy
The Consensus
Query plan rewriting in PostgreSQL - The Consensus
We take a look at some of the ways PostgreSQL rewrites your queries (or not).
🔵 عنوان مقاله
Metrics Board: Building an Agent-ready Metrics Layer (10 minute read)
🟢 خلاصه مقاله:
پینترست با توسعه یک پلتفرم مرکزی به نام «مترک‌برد» گامی مهم در بهبود فرآیند مدیریت و اعتمادسازی به متریک‌ها برداشته است. این سیستم به صورت خودکار، مراحل تولید، بررسی کیفیت، مستندسازی و انتشار متریک‌ها را انجام می‌دهد، که در نتیجه مدیریت آنها بسیار آسان‌تر شده است. مترک‌برد اکنون بیش از ۹۸٪ از متریک‌های مربوط به آزمایش‌های مختلف را پوشش می‌دهد، و این امر باعث صرفه‌جویی قابل توجه در زمان توسعه شده است؛ از چند هفته به چند روز کاهش یافته است. این ابزار همچنین امکان دسترسی سریع و قابل اعتماد به متریک‌های مشخص و دقیق را برای هوش مصنوعی‌ها فراهم می‌کند، تا بتوانند به بهترین شکل به سوالات داده‌ای پاسخ دهند و تصمیم‌گیری‌های صحیح‌تری داشته باشند.
توسعه چنین پلتفرمی نشان می‌دهد که چگونه فرآیندهای تحلیل داده و آزمایش‌های دیجیتال، می‌توانند با فناوری مدرن و اتوماسیون، هم زمان و هم دقت بالاتر را تجربه کنند. این حرکت نه تنها بهره‌وری تیم‌های توسعه و تحلیل را افزایش می‌دهد، بلکه اطمینان بیشتری نسبت به صحت و قابلیت استناد نتایج ایجاد می‌کند، که در نهایت به بهبود روند تصمیم‌گیری در سطح سازمان کمک می‌نماید.
#مدیریت_متریک‌ها #هوش_مصنوعی #تحلیل_داده #پیشرفت_تکنولوژی
🟣لینک مقاله:
https://medium.com/pinterest-engineering/metrics-board-building-an-agent-ready-metrics-layer-2c8fefe68756?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Metrics Board: Building an Agent-ready Metrics Layer (10 minute read)
🟢 خلاصه مقاله:
پینترست با توسعه یک پلتفرم مرکزی به نام «مترک‌برد» گامی مهم در بهبود فرآیند مدیریت و اعتمادسازی به متریک‌ها برداشته است. این سیستم به صورت خودکار، مراحل تولید، بررسی کیفیت، مستندسازی و انتشار متریک‌ها را انجام می‌دهد، که در نتیجه مدیریت آنها بسیار آسان‌تر شده است. مترک‌برد اکنون بیش از ۹۸٪ از متریک‌های مربوط به آزمایش‌های مختلف را پوشش می‌دهد، و این امر باعث صرفه‌جویی قابل توجه در زمان توسعه شده است؛ از چند هفته به چند روز کاهش یافته است. این ابزار همچنین امکان دسترسی سریع و قابل اعتماد به متریک‌های مشخص و دقیق را برای هوش مصنوعی‌ها فراهم می‌کند، تا بتوانند به بهترین شکل به سوالات داده‌ای پاسخ دهند و تصمیم‌گیری‌های صحیح‌تری داشته باشند.
توسعه چنین پلتفرمی نشان می‌دهد که چگونه فرآیندهای تحلیل داده و آزمایش‌های دیجیتال، می‌توانند با فناوری مدرن و اتوماسیون، هم زمان و هم دقت بالاتر را تجربه کنند. این حرکت نه تنها بهره‌وری تیم‌های توسعه و تحلیل را افزایش می‌دهد، بلکه اطمینان بیشتری نسبت به صحت و قابلیت استناد نتایج ایجاد می‌کند، که در نهایت به بهبود روند تصمیم‌گیری در سطح سازمان کمک می‌نماید.
#مدیریت_متریک‌ها #هوش_مصنوعی #تحلیل_داده #پیشرفت_تکنولوژی
🟣لینک مقاله:
https://medium.com/pinterest-engineering/metrics-board-building-an-agent-ready-metrics-layer-2c8fefe68756?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Medium
Metrics Board: Building an Agent-ready Metrics Layer
Michele Ceccacci; Software Engineer I | Jason Coffman; Sr. Software Engineer | Colm O’Shaughnessy; Software Engineer II | Laura Palmer…
🔵 عنوان مقاله
5 Jev use cases for analytics, with real queries and datasets (15 minute read)
🟢 خلاصه مقاله:
در دنیای امروز، تحلیل داده‌های متنی اهمیت روزافزونی پیدا کرده است و روش‌های مختلفی برای بهره‌برداری از این داده‌ها توسعه یافته است. MotherDuck در این زمینه پنج مورد کاربرد عملی برای مدل هوشمند Jev ارائه می‌دهد که می‌توان آن را مستقیماً در SQL استفاده کرد. این کاربردها شامل ارزیابی عملکرد عامل‌های هوشمند، تحلیل احساسات، امتیازدهی به تماس‌های فروش، و دسته‌بندی آگهی‌های شغلی می‌شود. با استفاده از Jev، می‌توان پاسخ‌های پیش‌تعریف شده با نمره‌های اعتماد دریافت کرد که این امر انجام تحلیل‌های بزرگ و گسترده متنی را سریع‌تر و کم‌هزینه‌تر می‌سازد. در واقع، Jev به مراتب سریع‌تر، حدود ۲۰ برابر، نسبت به تماس‌های مدل‌های زبانی معمولی عمل می‌کند و این قابلیت، فرآیند تحلیل متن در مقیاس وسیع را بسیار آسان‌تر و مقرون‌به‌صرفه‌تر می‌نماید. این تکنولوژی نوآورانه فرصت‌های بی‌نظیری را برای کسب‌وکارها فراهم می‌کند تا از داده‌های متنی بهره‌برداری بیشتری داشته باشند و تصمیم‌گیری‌های هوشمندانه‌تری اتخاذ کنند.
#تحلیل_متن #هوش_مصنوعی #تجارت_هوشمند #داده‌پایه
🟣لینک مقاله:
https://motherduck.com/blog/jev-analytics-use-cases/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
5 Jev use cases for analytics, with real queries and datasets (15 minute read)
🟢 خلاصه مقاله:
در دنیای امروز، تحلیل داده‌های متنی اهمیت روزافزونی پیدا کرده است و روش‌های مختلفی برای بهره‌برداری از این داده‌ها توسعه یافته است. MotherDuck در این زمینه پنج مورد کاربرد عملی برای مدل هوشمند Jev ارائه می‌دهد که می‌توان آن را مستقیماً در SQL استفاده کرد. این کاربردها شامل ارزیابی عملکرد عامل‌های هوشمند، تحلیل احساسات، امتیازدهی به تماس‌های فروش، و دسته‌بندی آگهی‌های شغلی می‌شود. با استفاده از Jev، می‌توان پاسخ‌های پیش‌تعریف شده با نمره‌های اعتماد دریافت کرد که این امر انجام تحلیل‌های بزرگ و گسترده متنی را سریع‌تر و کم‌هزینه‌تر می‌سازد. در واقع، Jev به مراتب سریع‌تر، حدود ۲۰ برابر، نسبت به تماس‌های مدل‌های زبانی معمولی عمل می‌کند و این قابلیت، فرآیند تحلیل متن در مقیاس وسیع را بسیار آسان‌تر و مقرون‌به‌صرفه‌تر می‌نماید. این تکنولوژی نوآورانه فرصت‌های بی‌نظیری را برای کسب‌وکارها فراهم می‌کند تا از داده‌های متنی بهره‌برداری بیشتری داشته باشند و تصمیم‌گیری‌های هوشمندانه‌تری اتخاذ کنند.
#تحلیل_متن #هوش_مصنوعی #تجارت_هوشمند #داده‌پایه
🟣لینک مقاله:
https://motherduck.com/blog/jev-analytics-use-cases/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
MotherDuck
5 Jev use cases for analytics, with real queries and datasets | MotherDuck
Five prompt_jev() use cases on real data, with SQL you can rerun: AI agent traces, Hacker News sentiment, sales calls, cloud job postings and a regex replacement.