人工智能大数据平台(大数据与人工智能论文)

① ApacheSpark 创始公司，也是 Spark 的最大代码贡献者，Spark 技术生态背后的商业公司。

在2013年，由加州大学伯克利分校 AMPLab 的创始团队 ApacheSpark 的创建者所成立。

② 核心产品和技术，主导和推进 Spark 开源生态

ApacheSpark、DeltaLake、Koalas 、MLFlow、OneLakehousePlatform

③ 公司定位

④ 市场地位

02\ Databricks 公司估值及融资历史

（来源 Databricks 官网）

① 2019年10月G轮，估值 $ 6.2 Billion

② 2021年2月初F轮，估值 $ 28 Billion

03\ Databricks 和阿里云联手打造的高品质 Spark 大数据分析平台

Apache Spark 背后的商业公司，Spark 创始团队，美国科技独角兽在全球拥有5,000多个客户和450多个合作伙伴，品牌认知强2020年，在 Gartner 发布的数据科学和机器学习（DSML）平台魔力象限报告中，位于领导者象限

04\ Databricks + 阿里云 = Databricks 数据洞察

产品核心：

基于商业版 Spark 的全托管大数据分析& AI 平台内置商业版 Spark 引擎 Databricks Runtime ，在计算层面提供高效、稳定的保障与阿里云产品集成互通，提供数据安全、动态扩容、监控告警等企业级特性

产品引擎与服务：

100% 兼容开源 Spark，经阿里云与 Databricks 联合研发性能优化提供商业化 SLA 保障与7*24小时 Databricks 专家支持服务

DDI 产品能力核心构件

产品关键信息与优势

二、DDI 产品功能介绍

1、整体架构2、引擎能力3、性能4、功能5、成本

01\ 阿里云 Databricks 数据洞察 (DDI) 架构

02\ 引擎：企业级性能优化，提升计算引擎效率和数据读写效率

企业级高性能、稳定性、可靠性

03\ 企业级 Databricks Runtime vs 社区版 Open Source Spark

04\ 基于计算存储分离的架构，HDFS vs OSS 成本的对比

05\ 基于 JindoFS 进行 OSS 访问优化加速，优化数据访问性能

06\ 交互式分析 Notebook ，聚集数据

优化的 Apache Zeppelin

多语言支持Scala、Python、Spark SQL、R交互式分析数据可视化集成调度能力一站式开发平台多用户协作开发

07\ 数据开发作业提交 & 工作流调度

支持 jar 包提交作业及作业调度能力支持 Spark/Spark Streaming/Notebook不同作业类型工作流混合调度支持调度运维、审计日志、版本控制等

08\ 丰富的数据源支持

09\ 元数据管理

三种元数据选择的方式

三、典型场景

1、客户存在的痛点问题及 DDI 如何解决2、Lambda 架构到批流一体架构3、Lakehouse 架构的演进4、DDI 在阿里云中产品的组合

01\ 开源大数据平台客户普遍存在的痛点问题

02\ Databricks 数据洞察在四大场景帮助客户提升生产效率

03\ Delta Lake 的项目背景以及要解决的问题

04\ 大数据发展进入 Lake House 时代

05\ 使用 DDI 构建批流一体数仓，简化复杂架构

06\ DDI 在阿里云产品中的组合

07\ Databricks 数据洞察典型架构

DDI 与阿里云产品深度集成（典型场景）

数据获取

接收实时产生的流式数据和外部云存储上批量数据。

数据 ETL

持续高效地处理增量数据，支持数据的回滚和删改，提供 ACID 事务性保障。

BI报表数据分析 & 交互式分析

支持 Ad hoc 查询，Notebook 可视化分析，无缝对接多种BI分析工具。

AI数据探索

支持机器学习，Mllib 等 Spark 生态 AI 场景。

上下游网络打通

如上游对接 Kafka、OSS、EMR HDFS 等等，下游承接 Elasticsearch、RDS、OSS 存储等。四、典型场景客户案例介绍

1、基智科技（STEPONE）自建上云案例2、工业制造头部公司数据分析案例

客户案例 01：基智科技（STEPONE）Databricks 上云迁移

本架构描述利用 Databricks 数据洞察 解决客户大数据计算问题：

数据存储：自建 Hive数仓-》OSS （降低存储成本，同时做计算存储分离）大数据分析：自建 CDH -》Databricks 数据洞察（全托管 Spark ，高性能 Runtime 引擎，Notebook 交互式分析，工作流 DAG 调度， Python 库的安装方便等）元数据：自建 CDH -》RDS MySQL 自建元数据库或使用 DDI 统一元数据库数据迁移：使用 DistCp 或 JindoDistCp 将数据迁移到 OSS，数据结果同步继续使用Sqoop 定时任务

客户成本收益分析

全托管 Spark 集群免运维，节省人力成本（省1运维+ 1大数据，此外免去性能调优）相比自建机器资源多了3倍，此外算上 Databricks Runtime 相比开源 spark 来说（预估3倍），整体性能提升9倍Notebook 交互式分析+ DAG 工作流调度，提升数据开发/分析体验技术方案统一，计算存储分离方案 OSS 存储节省客户存储成本，并为以后数据湖、多计算架构铺路Delta Lake 解决了客户增量数据更新的问题

客户案例 02：工业制造头部空调公司– 大数据分析方案架构

数据收集/存储: 接收实时产生的流式数据和外部云存储上批量数据数据 ETL：持续高效地处理增量数据，支持数据的回滚和删改，提供 ACID 事务性保障BI数据分析&交互式分析: 支持查询，Notebook 可视化分析，无缝对接多种BI分析工具数据科学：支持机器学习/深度学习⽣态对接：如上游对接 Kafka、OSS、EMR HDFS 等等，下游承接 Elasticsearch、RDS、OSS 存储等

讲师：棕泽，阿里云技术专家，计算平台事业部开放平台-生态企业团队负责人

本文为阿里云原创内容，未经允许不得转载。