Différences

Ci-dessous, les différences entre deux révisions de la page.

--- lakehouse [2025/04/02 00:49] – créée administrator
+++ lakehouse [2025/04/02 00:56] (Version actuelle) – administrator
@@ Ligne 1: / Ligne 1: @@
-THÉMATIQUES: [[6sigma|QUALITÉ]] / [[redux|DÉVELOPPEMENT]] / [[lan|RÉSEAU]] / [[scrum|GESTION]] / [[SQL Server|non classé]]
+THÉMATIQUES: [[6sigma|QUALITÉ]] / [[redux|DÉVELOPPEMENT]] / [[lan|RÉSEAU]] / [[scrum|GESTION]] / [[sqlserver|non classé]]
 [[azure_synapse|Azure Synapse]] / [[bigdata|BigData]] / [[bigquery|BigQuery]] / [[cosmosdb|CosmoDB]] / [[databricks|Databricks]] / [[esko|ESKO]] / [[gcp|GCP]] / [[lakehouse|Lakehouse]] / [[sqlserver|SQL Server]] / [[unity|Unity]]
@@ Ligne 6: / Ligne 6: @@
 ====== LakeHouse ======
+Lakehouse est un concept relativement nouveau dans le domaine de l'analyse de données et du stockage de données en cloud. Il s'agit d'une architecture de données qui combine les avantages des entrepôts de données (data warehouses) et des lacs de données (data lakes).
+Un lac de données est une méthode de stockage de données brutes et non structurées dans leur format d'origine, sans aucune transformation ou modélisation préalable. Cela permet de stocker de grandes quantités de données à moindre coût et de manière flexible. Cependant, l'analyse de ces données peut être difficile sans une certaine préparation et modélisation.
+Un entrepôt de données, en revanche, est une méthode de stockage de données structurées et optimisées pour l'analyse. Les données sont transformées et modélisées pour répondre à des besoins d'analyse spécifiques, ce qui permet une analyse plus rapide et plus efficace. Cependant, le coût et la complexité de la création et de la maintenance d'un entrepôt de données peuvent être élevés.
+Un lakehouse tente de combiner les avantages des deux approches en créant une architecture de données qui permet de stocker des données brutes et structurées dans le même emplacement, avec des fonctionnalités de traitement et d'analyse avancées. Il offre une scalabilité horizontale et une tolérance aux pannes grâce à des technologies de stockage distribuées, telles que Hadoop HDFS ou Amazon S3. Il permet également des fonctionnalités de traitement de données en temps réel et par lots, grâce à des moteurs de traitement tels que Apache Spark ou Flink.
+En résumé, un lakehouse est une architecture de données qui offre une méthode flexible et efficace de stockage et d'analyse de données, en combinant les avantages des lacs de données et des entrepôts de données.