#data engineering
risultati
-
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…
-
Le dieci sfide delle pipeline dati, secondo (e per) Fivetran
Dieci sfide reali dell’ingegneria delle pipeline dati, lette criticamente: dove il contenuto Fivetran informa e dove invece vende.
-
Build vs. buy delle pipeline dati: i quattro criteri di Autodesk
Come il team Data Platform di Autodesk decide se costruire o comprare le pipeline dati: quattro criteri che…
-
Perché oltre il 90% delle aziende non è AI-ready: è un problema di dati
Secondo Fivetran il gap di AI readiness è prima di tutto un gap di data readiness. I dati…
-
Parsing adattivo dei PDF: partire economici e pagare un parser pesante solo quando serve
Invece di scegliere un parser unico per l’intero documento, la pagina stessa decide quanto vale la pena parsarla:…
-
Self-service analytics: cosa insegnano tre fintech
Da un panel con AJ Bell, OrderPay e Tide emergono tre lezioni sul self-service analytics: l’accesso ai dati…