#data engineering
risultati
-
Fraud detection su cloud warehouse: l’architettura dati prima del modello
Prima parte di una serie sulla fraud detection: perché gran parte del lavoro sta nell’ingestion affidabile e nella…
-
Dal warehouse ai vettori pronti per l’AI con le Embedding Columns di Fivetran Activations
Fivetran Activations aggiunge le Embedding Columns per generare embedding vettoriali dentro i dataset e nuove connessioni verso Pinecone…
-
Orchestrazione di dbt Cloud dentro Fivetran: ELT end-to-end da un’unica piattaforma
Fivetran aggiunge l’orchestrazione dei job dbt Cloud dalla propria piattaforma: le trasformazioni possono partire al completamento del load…
-
Cos’è l’idempotenza e perché conta nelle pipeline dati
L’idempotenza è la proprietà per cui ripetere un’operazione non cambia il risultato dopo la prima esecuzione. Nel data…
-
Gestire le pipeline Fivetran in linguaggio naturale con un server MCP
Un server Model Context Protocol permette di operare l’API di Fivetran a voce, tramite un assistente AI, con…
-
CHS: dal batch al CDC in tempo reale su un modern data stack
Riley Buss di CHS racconta il passaggio da ingestion batch su Cloudera a un modern data stack con…
-
State management delle pipeline: la sfida sottovalutata delle sincronizzazioni incrementali
Lo stato di una pipeline e cio che permette la sincronizzazione incrementale, ma gestirlo a mano tra crash,…
-
Fraud detection con BigQuery ML: dal database a un modello di classificazione
Una guida pratica per portare un dataset di transazioni con carta di credito da SQL Server a BigQuery…
-
Fivetran e dbt Core: più automazione nelle trasformazioni dati
Nuove funzionalità collegano i connettori Fivetran alle trasformazioni dbt Core: scheduling integrato per lanciare i modelli dopo ogni…
-
L’accesso ai dati, non il modello, decide le prestazioni degli agenti AI
Andrew Madson (Fivetran) sostiene che gli agenti AI falliscono non per limiti del modello ma per limiti dei…