Tópicos a serem assistidos na Strata Data Conference em Nova York 2019

Topics to watch at the Strata Data Conference in New York 2019
cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br


Aprendizado de máquina, inteligência artificial, engenharia de dados e arquitetura estão impulsionando o espaço de dados.

As Conferências de dados do Strata ajudaram a registrar o nascimento de big data, bem como o surgimento da ciência de dados, streaming e aprendizado de máquina (ML) como fenômenos perturbadores. Os estratos atraem os principais nomes nos campos de gerenciamento de dados, engenharia de dados, análise, ML e inteligência artificial (IA). Por quase uma década, proporcionou um local para desenvolvedores, engenheiros de dados e ML, arquitetos de dados, cientistas de dados e outros a adquirir ou aprimorar habilidades, explorar idéias provocativas e interagir com colegas.

Nossa chamada para palestrantes do Strata NY 2019 solicitou contribuições sobre os temas da ciência de dados e ML; engenharia e arquitetura de dados; streaming e Internet das Coisas (IoT); análise de negócios e visualização de dados; e automação, segurança e privacidade de dados. Mas queríamos ver o que uma análise do evento dados da proposta em si pode revelar sobre o estado do campo neste momento. Portanto, usamos uma forma da técnica Term Frequency-Inverse Document Frequency (TF / IDF) para identificar e classificar os principais termos dos tópicos da proposta do Strata NY deste ano – e os de 2018, 2017 e 2016. Quais temas e tópicos tendiam a se cruzar ou se sobrepor? Os palestrantes enfatizaram aspectos ou atributos específicos de um tema ou tópico? Em resumo, quais são as questões, tendências e tecnologias que devemos observar? (1)

Nossa análise das propostas de palestrantes do Strata NY veio à tona em várias descobertas notáveis:

  • Os termos relacionados a ML e AI predominam. O termo "ML" é o número 2 em frequência nos tópicos da proposta; um termo relacionado, "modelos", é o número 1. Enquanto isso, o termo "IA" é o número 3.
  • Os termos relacionados à engenharia, gerenciamento e análise de dados dominam as principais camadas dos tópicos da proposta. Mas embora os termos e muitas das práticas som familiar, as ferramentas, casos de uso e até algumas das técnicas foram alteradas.
  • A engenharia de dados é um foco intenso de interesse e inovação, com os dados em movimento – por exemplo, fluxo, séries temporais – começando a deslocar o paradigma de dados em repouso centrados em lote.
  • O Spark surgiu como o mecanismo de processamento de dados de uso geral preferido; o interesse no Hadoop está diminuindo, embora os relatos de sua morte sejam muito exagerados.
Figura 1. Focamos esta lista em termos importantes do setor, mostrando mudanças notáveis ​​ano após ano.

Os tópicos de ML e AI reivindicam os melhores lugares

Os estratos mudaram significativamente desde o início. Em nenhum lugar isso é mais óbvio do que na crescente relevância dos tópicos relacionados à BC e à IA nos tópicos recentes da proposta do orador do Strata. ML e ciência de dados, juntamente com, em menor grau, IA, também foram tópicos de destaque nos primeiros anos do Strata; nos últimos três anos, no entanto, eles saltaram para o topo dos resultados. Por exemplo: embora o termo "ML" (no 2) seja inalterado em relação ao Strata NY 2018, ele subiu três posições em relação ao Strata NY 2017 – e oito em relação a 2016.

Um tópico relacionado ao ML, "modelos", foi o número 1 novamente nas propostas deste ano. Ele subiu duas posições em relação a 2017 e seis posições em relação a 2016. (Um termo relacionado, "algoritmo", parece estar no meio de um declínio de longo prazo: no número 84 deste ano, caiu 20 posições em relação a 2018 e 23 de 2017.) Embora o ML tenha sido um dos pilares das propostas do Strata há anos, a “IA” não. Nos últimos dois a três anos, no entanto, a “IA” subitamente se tornou mais prevalente nas propostas: em 2016, ficou no número 253; em 2017, subiu 226 lugares para o número 23; e apenas no ano passado, ele alcançou o top 5 pela primeira vez, subindo para o número 4.

Este ano, a IA ocupa o terceiro lugar. Isso é digno de nota por várias razões: primeiro, os três principais termos de nosso conjunto de dados se relacionam de uma maneira ou de outra com ML. Segundo, uma tendência que observamos em outros contextos é que "IA" tende a se transformar em um tipo de metônimo que é usado para descrever a interseção de dados, análises e ML.

O triunfo do ML (e o surgimento da IA) não deixa de ter suas ironias. Por exemplo, mesmo que ML e ML estejam relacionados conceitos—Um termo relacionado, “modelos de ML” (nº 106, +12) também melhorou, ano após ano – é galopante, ferramentas e técnicas relacionadas a ML não são. O "aprendizado profundo", por exemplo, caiu ano após ano para o número 40; atingiu o pico no Strata NY 2018 no número 36. “Rede neural” também caiu ligeiramente de 2018 (número 221) para 2019 (número 224) – embora ainda esteja em relação a 2017. “TensorFlow”, um dos mais estruturas populares de ML, também declinaram nas propostas este ano – caindo 35 posições para a 119ª posição.

Os sinais mistos sobre temas relacionados ao ML nas propostas deste ano podem indicar uma mudança no foco das práticas corporativas de ML de ferramentas e técnicas para soluções orientadas à produção, ou que estamos nos aproximando de algo como o pico de ML. Mesmo se esse último for verdade, esperamos que a estrela da IA ​​continue a subir, com claro conhecimento de que a longa história da pesquisa em IA oferece um estudo de caso sobre as consequências do hype.

A engenharia de dados se destaca

O termo "engenharia de dados" explodiu em popularidade nos tópicos recentes das propostas do Strata: no 342 deste ano, são 513 posições em relação a 2018 – e quase 1.900 em relação a 2016.

Um cluster de termos relacionados também está firmemente incluído nos tópicos da camada superior de propostas. "Pipeline", por exemplo, fica na 40ª posição. É verdade que caiu 14 posições em relação a 2018, mas ainda aumentou 24 posições em relação a 2016. Outro termo relacionado, "pipeline de dados" (na 298), caiu 125 posições ano após ano, mas subiu 132 posições em relação ao Strata NY 2016.

A engenharia de dados não é uma coisa nova, no entanto. Desde 1977, por exemplo, o Instituto de Engenheiros Elétricos e Eletrônicos (IEEE) publica o Boletim de Engenharia de Dados, um periódico trimestral que se concentra em dados de engenharia para uso com sistemas de banco de dados2). Mas o banco de dados – ou, mais precisamente, o modelo de dados– deixou de ser o único ou, sem dúvida, o primário foco da engenharia de dados.

Se alguma coisa, esse foco mudou para o modelo preditivo ou ML. Ironicamente, essa mudança é atestada por declínios em vários termos que correspondem (ou são sinônimos para) a engenharia de dados. Por exemplo, o termo "ETL" – a sigla para extrair, transformar e carregar – caiu novamente em 2019, despencando 298 posições para a 841; “ETL” caiu 560 lugares em relação a 2016. Enquanto isso, “preparação de dados” está em queda livre: fica no número 1.645 este ano, um colapso de 1.458 lugares desde 2018 e 1.648 lugares desde 2016.

O que está acontecendo? A resposta curta é que a prática, escopo e, o mais importante, local da engenharia de dados mudou. Cada vez mais, o termo “engenharia de dados” é sinônimo da prática de criar pipelines de dados, geralmente à mão. Por um lado, um pipeline de dados se assemelha a um fluxo de dados ETL herdado, com a exceção de que, em vez de canalizar a saída para um banco de dados ou data warehouse, um pipeline produz dados para um modelo de ML ou (como provável) para um aplicativo ou serviço .

Em outro aspecto, no entanto, a engenharia de dados moderna evoluiu para suportar uma variedade de cenários que simplesmente não eram imagináveis ​​há 40 anos. Os desenvolvedores e modeladores de ETL costumavam projetar dados principalmente para se conformar ao esquema de um modelo de banco de dados – na maioria dos casos, um modelo de banco de dados relacional. Em uma era de bancos de dados de gráficos, NoSQL e bancos de dados, bancos de dados de texto / semântico, bancos de dados de séries temporais, etc., o modelo de dados não é mais o foco da engenharia de dados. Agora, engenheiros de dados, cientistas de dados e desenvolvedores precisam transformar dados para se adequar a requisitos específicos casos de uso, sejam eles troca de dados por meio de serviços RESTful, preparando dados para serem usados ​​no treinamento de modelos de ML, alimentando dados com soluções de IA alimentadas por ML etc. O modelo tornou-se um meio para atingir um fim – ou seja, fazer algo com dados – em vez do fim em si. A evolução da engenharia de dados reflete isso.

Streaming, IoT e séries temporais amadurecem

A evolução contínua da engenharia de dados é confirmada pelo destaque dos termos relacionados a streaming e Internet das Coisas (IoT) nos tópicos de propostas deste ano. O “stream” em si era o número 4, no geral, embora tenha caído um lugar, ano após ano, em relação a 2018. Em 2017, a título de contraste, “stream” era o termo geral número 1.

Em outras palavras, os termos relacionados ao streaming estão representados nos principais tópicos da proposta do Strata há meia década. Este ano, o Apache Kafka, uma plataforma de processamento de fluxo, alcançou o top 20, subindo 27 lugares para o número 17. O Apache Flink, uma estrutura de processamento de fluxo, subiu 550 posições (ano a ano) para ficar no número 232; em 2016, "Flink" era o número 611. Em outros lugares, "tempo real", um termo que se correlaciona com o caso de uso de streaming, caiu quatro lugares, ano após ano, para o número 44. ("Tempo real" estava no topo 25 de todos os termos nas propostas do Strata NY 2016). "IoT", por outro lado, caiu 53 posições para a 223. Ele caiu 195 lugares assustadores em relação ao seu pico em 2017, quando era o número 28.

Por que alguns termos relacionados ao streaming estão em alta e outros em baixa? Há uma explicação bastante simples: o espaço do problema está mudando. A ênfase inicial se concentrou nos próprios conceitos – ou seja, dados de streaming, dados em tempo real e IoT. A ênfase madura se concentra nas ferramentas e práticas que desenvolvedores, arquitetos de dados, engenheiros de dados e outros devem usar para implementá-los e apoiá-los.

Para ver um exemplo desse fenômeno em tempo real, considere um tópico de tendência relacionado: bancos de dados de séries temporais. As “séries temporais” subiram 123 posições (ano a ano) para o número 122; subiu 484 posições em relação a 2017. (Um termo adjacente, "série" era o número 100, subiu 127 posições em 2018 e 307 posições em 2017.) Os desenvolvedores e arquitetos / engenheiros de dados ainda estão aprendendo sobre os bancos de dados de séries temporais.

Um mecanismo de computação adequado para todos os fins

A batalha dos mecanismos de processamento de dados de uso geral acabou: o Spark é o vencedor. É a escolha ideal para uma variedade de cargas de trabalho de processamento de dados SQL e também é usado como um mecanismo de processamento de fluxo.

Em 2019, o termo "Spark" melhorou oito posições, ano após ano, para o número 8. O Hadoop, por outro lado, continua a diminuir em frequência e importância nas propostas do Strata. Em 99º lugar em 2019, "Hadoop" está perto de cair entre os 100 melhores; mais importante, o termo está tendendo para baixo nas propostas do Strata há vários anos: do nº 2 em 2016 ao nº 10 em 2017 e ao nº 30 em 2018. O Spark também tem tendência de baixa: 2018 era, na verdade, seu ponto mais baixo ( até o momento) nos tópicos das propostas. Spark foi o número 1 em termos de frequência em 2016; em 2017, caiu ligeiramente para a segunda posição. Mas em 2018, saiu do Top 10. A recuperação deste ano é um sinal de algum tipo – ou apenas ruído?

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br

Nossa análise sugere o primeiro. O Spark é a plataforma preferida para certos tipos de cargas de trabalho SQL em ambientes locais e na nuvem. Seu uso como um mecanismo para processamento em lote de ETL é bem atestado; mais recentemente, suas bibliotecas Spark SQL e Spark Streaming também foram utilizadas para uso em pipelines de engenharia de dados. O Spark também vê a aceitação como uma plataforma para o processamento de ML, graças às suas bibliotecas spark.ml e (agora obsoleta) spark.mllib. Mas o Spark não é o único – ou, sem dúvida, o primário– foco no desenvolvimento de ML e AI. De fato, cada vez mais, desenvolvedores, arquitetos de dados, engenheiros de dados, cientistas de dados e outros esperam poder usar diferentes mecanismos especiais para diferentes fins.

O Spark é um desses mecanismos; outros abundam, no entanto. No mundo da ML, por exemplo, o TensorFlow é popular e bem estabelecido, apesar de seu declínio ano a ano nas posições de termo da proposta (queda de 35 posições). Há também o PySpark, que fornece aos cientistas de dados e engenheiros de ML uma maneira simples de paralelizar o código Python no Spark. No domínio do processamento de fluxo, há Kafka, Flink e vários serviços de processamento de fluxo em nuvem (AWS Kinesis, Azure Stream Analytics). Você deve usar Spark, PySpark ou TensorFlow no seu caso de uso de ML? Spark SQL ou Hadoop (Hive, Impala, Tez etc.) para ETL? Spark SQL ou um banco de dados relacional para consulta SQL? Spark Streaming, Amazon Kinesis ou Kafka para microbatch? E, independentemente de o que você usa, Onde você vai colocar? A saída do TensorFlow, Kafka, Spark ou qualquer outro recurso de computação pode ser vetorizada para um banco de dados de séries temporais – ou, alternativamente, um banco de dados de gráficos, um banco de dados NoSQL, um banco de dados relacional, um armazenamento de objetos ou algum outro meio de persistência. A questão é qual: os tópicos e os temas das propostas deste ano sugerem que desenvolvedores, engenheiros de dados e outros tecnólogos estão se esforçando para adquirir novos conhecimentos e habilidades específicos do domínio. O desafio é identificar como, quando, onde e por que usar cada uma dessas tecnologias adequadas à finalidade.

Novas tendências em arquitetura de dados e serviços de dados

Outro motivo pelo qual esperamos que o Spark se mantenha firme no nível superior dos tópicos da proposta é que ele continua sendo um local de inovação e transformação contínuas, principalmente no que diz respeito a onde – ou, mais precisamente, quão– corre. Desenvolvedores, engenheiros de dados e ML e cientistas de dados estão usando-o em contextos não tradicionais para apoiar uma mistura de diferentes paradigmas e práticas emergentes.

O ressurgimento do Spark coincide com vários outros desenvolvimentos notáveis ​​- e, à primeira vista, não relacionados -. Por exemplo, o termo "Kubernetes" registrou um crescimento significativo nas propostas do Strata 2019, passando do número 131 em 2018 para o número 58 deste ano. Em 2017, no entanto, Kubernetes ocupava o número 518. (Em 2016, inversamente, ocorreu apenas seis vezes Em todas as propostas.) Enquanto o Kubernetes continua subindo, um termo relacionado, "contêiner", declinou em 2019, caindo 43 lugares para o número 146. "Docker" também continua a diminuir em frequência e significado: do número 553 no ano passado, caiu para o número 597 este ano. Pode parecer um exagero, mas é possível que pelo menos parte do interesse em Kubernetes esteja sendo motivada pelo Spark.

Mas vamos primeiro discutir o próprio Kubernetes. É uma ferramenta para orquestrar e gerenciar contêineres do Docker. Perversamente, ele está tendendo a subir, mesmo com as principais tecnologias ativadoras em queda. O que da?

A explicação mais provável é que as pessoas de dados – arquitetos, engenheiros, desenvolvedores e a maioria dos outros tecnólogos – estão começando a deixar de mexer e experimentar os contêineres para implantá-los e usá-los em ambientes de produção. Enquanto isso, seu interesse muda do foco para o básico (O que é o Docker? O que são contêineres? Quais problemas eles podem me ajudar a resolver?) Para abranger desafios mais esotéricos, como o problema de gerenciar, orquestrar e solucionar problemas de confusão. contêineres para suportar casos de uso operacional. As pessoas podem e usam o Docker e seu ecossistema de ferramentas para suportar casos de uso de produção também, mas o Kubernetes surgiu como uma plataforma preferida para orquestrando recipientes, particularmente com relação à arquitetura de microsserviços. (O termo "microsserviços" ficou em 409 na lista deste ano – 107 lugares abaixo de 2018 e 157 lugares abaixo de 2017.) Os microsserviços oferecem aos desenvolvedores, engenheiros de dados, cientistas de dados e outras pessoas que trabalham com dados novas opções para execução e, o mais importante, escala suas cargas de trabalho: por exemplo, novos serviços (ou novos grupos de serviços) podem ser provisionados conforme necessário. O resultado é que o contexto A computação continua a se afastar de sistemas estaticamente instanciados, fisicamente, em favor de recursos elásticos e altamente virtualizados.

O Spark também está envolvido nessa mudança. Tradicionalmente, o Spark era implementado em sistemas físicos ou máquinas virtuais e era controlado por um gerenciador de recursos de cluster, geralmente Mesos ou YARN. Porém, os tecnólogos estão experimentando o uso do Spark para rodar em pods (a unidade básica de agendamento no Kubernetes), bem como a implantação de clusters Spark no Kubernetes.

Outro site de inovação arquitetônica está na computação sem servidor ou FaaS (função como serviço). Este ano, “sem servidor” quase quebrou os 100 principais termos de toda a proposta: melhorou 1.662 posições ano a ano, ocupando o 117º lugar. Ele se registrou pela primeira vez em 2017 (no 804), mas estava totalmente ausente em 2016 tópicos de propostas. O FaaS oferece aos desenvolvedores, cientistas de dados, etc., uma opção direta para o processamento de cargas de trabalho de dados: eles enviam código e o executam em qualquer um dos vários mecanismos FaaS na nuvem (AWS Lambda, Azure Functions etc.) ou – usando Knative – no Kubernetes . O rápido aumento do "sem servidor" nos tópicos das propostas sugere que ele também se tornou um tópico de tendência em dados e análises. O fato de vermos um interesse crescente por tópicos de infraestrutura em uma conferência focada em dados e análises aponta para as tendências que vemos em todos os setores que rastreamos – tendências às quais nos referimos em um próximo relatório sobre a Próxima Arquitetura, explorando a confluência de nuvem, contêineres e orquestração e microsserviços, cada vez mais a arquitetura de desenvolvimento de software de escolha para muitas organizações.

Big data, análise, segurança e outros itens importantes

O termo "análise" subiu de categoria neste ano (nº 6, +2), revertendo um ligeiro declínio que começou em 2017 e persistiu até 2018. (foi o nº 8 em ambos os anos.) "Analytics" ocupa o mesmo posição em 2016, o primeiro ano para o qual os dados das propostas do Strata NY estão disponíveis. Isso não é surpreendente: a análise é um dos pilares fundadores da Strata. Outro pilar fundador, “big data”, parece estar no meio de um declínio prolongado: no 22º lugar, caiu cinco posições ano após ano e 17 posições desde 2016, quando era o número 5. É possível que o “big data” esteja se tornando menos importante, por si só?

Certamente, da mesma maneira que “SQL” (nº 105, -17) ou mesmo “Python” (nº 136, -35) também estão se tornando “menos do que isso”. A explicação mais provável é que o próprio termo não é mais tão útil ou valioso como era antes. Falar em “big data” há uma década era descrever um fenômeno sociotécnico então novo. O big data mudou a maneira como pensamos, gerenciamos e usamos dados. Isso nos fez repensar as ferramentas e processos que usamos para gerar, coletar, mover, projetar e armazenar dados.

Dez anos depois, o big data não é de forma alguma um fenômeno anômalo; se alguma coisa, é uma descrição do status quo. O big data também não é um tópico de controvérsia, confusão, incerteza ou até mesmo ignorância. As perguntas, preocupações, problemas, desafios e casos de uso que identificamos com big data subiram na pilha, por assim dizer. Não é por acaso que "NoSQL", um termo que, há uma década, foi efetivamente geminado com big data, continua caindo na obscuridade nos tópicos da proposta. O "NoSQL" caiu 116 lugares para o número 1.713, após uma breve recuperação no ano passado. A empresa caiu 1.325 vagas desde 2016. Isso não significa que o NoSQL seja irrelevante ou caia em desuso; sugere que o termo não é tão útil, valioso, polêmico, confuso etc., como era há três anos.

Isso vale para uma série de tópicos que antes eram dominantes. "BI", abreviação de "business intelligence", caiu 19 lugares, ano após ano, para o número 163. Ele caiu 137 lugares em relação a 2017, mas, paradoxalmente, acima seis lugares em relação a 2016. Da mesma forma, o “data warehouse” caiu 211 lugares para o número 645. Acredite ou não, o “data warehouse” havia se recuperado nos eventos recentes do Strata: era o número 434 no Strata 2018 e o número 561 no Strata 2016. E o "autoatendimento", uma das tendências mais importantes em dados e análises no novo milênio, caiu 187 lugares para o número 719, atrás do "data warehouse". São 280 lugares em relação a 2017.

Por mais que algumas pessoas de negócios, cientistas de dados, engenheiros de dados, etc., anseiem pela morte do data warehouse, ferramentas de BI e ferramentas / tecnologias relacionadas, eles provavelmente não vão a lugar algum. Eles também estão se tornando menos controversos, confusos ou valiosos como locais de discussão, inovação ou interesse.

Um tópico que é uma área de interesse renovada é a segurança. Um dos pilares dos 50 principais tópicos da proposta do Strata, "segurança" melhorou 13 lugares este ano, ficando em 34º. Isso reverteu parcialmente uma queda acentuada em 2018, quando "segurança" caiu para o número 47. Em 2017 e 2016, “Segurança” estava nos números 22 e 20, respectivamente.

Pensamentos finais

A volatilidade repetida e repetida da "segurança" como um tópico de tendência também se aplica a outra coisa: apenas porque um conceito parece estar diminuindo na frequência não significa que o declínio é irreversível. No que diz respeito à segurança, por exemplo, vários fatores – por exemplo, a introdução de novos regulamentos de privacidade (mais rigorosos); uma ou mais violações de dados amplamente divulgadas; imprecisões éticas embaraçosas envolvendo o uso indevido de informações de identificação pessoal; a experimentação de novas arquiteturas, como microsserviços, que apresentam riscos desconhecidos à segurança – poderia criar as condições para um ressurgimento. Também há outra coisa: a segurança da informação é uma área problemática difícil. Impõe restrições indesejadas e implica compromissos indesejados. As práticas recomendadas de segurança geralmente estão em desacordo com as necessidades ou preferências de diferentes tipos de usuários. Há pressão constante para alterar, enfraquecer ou eliminar os controles de segurança. Novas práticas ou paradigmas (como dispositivo próprio, autoatendimento e até nuvem) surgem periodicamente para desafiar algo sobre o status quo da segurança. Apesar de – ou Porque de – tentativas de enfraquecer, eliminar ou substituí-lo, a segurança da informação sempre volta à tona como um tópico popular ou de tendência.

Isso também se aplica ao SQL. Os desenvolvedores desdenham, os cientistas de dados se sentem mais à vontade com outras linguagens (como Python), e os empresários nunca, nunca se importaram com isso. Mas SQL é o língua franca de acesso a dados – todos os bancos de dados relacionais (e muitos bancos de dados não relacionais) "falam" -, além de uma ferramenta poderosa para descrever, manipular e transformar dados. Este ano, o SQL ocupa a 105ª posição. Isso representa um declínio de 17 posições do Strata NY 2018 e de 67 posições em 2016. Mas o SQL não está indo a lugar algum. Os bancos de dados relacionais não estão indo a lugar algum. De qualquer forma, o SQL está em declínio porque, após uma década ou mais de inovação furiosa, não é mais um foco de atividade em brasa.

Segurança e SQL têm poder permanente. Muitas tendências e tópicos não, no entanto. Algumas são como supernovas: elas se destacam e depois se inflamam na obscuridade. Veja "DataOps", por exemplo. A partir do Strata NY 2019, ocupa o número 518 em nossa análise de tópicos de propostas. Isso representa um aumento de 1.532 posições em relação a 2018 e um enorme aumento de 3.056 vagas em relação a 2017, quando o "DataOps" ocorreu apenas 10 vezes em todas as propostas. ("DataOps" não foi usado em uma única proposta em 2016.) Mas ainda é um resultado relativamente sem brilho, especialmente à luz da ênfase que o BI, a análise, o gerenciamento de dados e outros fornecedores estão dando a ele. Por outro lado, o termo “DevOps” ocorre com muito maior frequência nas propostas Strata deste ano: está em 323 em nossa análise, ultrapassando o DataOps e subindo 236 lugares em 2018. “DevOps” subiu 2.537 lugares desde 2016 .

Os "DataOps" serão os principais 250 no próximo ano? Irá aparecer entre os 100 principais – ou mesmo os 25 principais – de tópicos? Isso parece óbvio: se realmente for perturbador, útil, confuso e / ou polêmico, os "DataOps" subirão nas fileiras dos tópicos da proposta do Strata. Afinal, há muitos precedentes.


Continue lendo Tópicos para assistir na Strata Data Conference em Nova York 2019.

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br