Вопросы и ответы по aws direct connect

Monitoring the usage of reserved capacity

To really optimize your AWS costs, it is essential to keep a close eye on your cloud usage and be considerably aware of the total usage capacity available to you. Some surveys show that users of AWS didn’t utilize Reserved Instances to the fullest owing to a fear of being locked into the vendor just like Jack Bauer was locked away by the Chinese and sent to China to be tortured in “24,” but this is another theme.

However, RIs hold the promise of giving you a price reduction of 30 percent to 60 percent. Hence, it would not be wise to disregard the potential of cost savings by focusing on RIs. The ideal approach would be to utilize RIs after building a system to track usage.

Strictly speaking, if you are looking to use AWS resources for more than six months every year, then RIs represent the ideal option to save on AWS costs.

Визуализация и анализ

Вопрос: Как выполнять анализ с помощью Amazon QuickSight?

Выполнять анализ можно очень просто. Amazon QuickSight эффективно выполняет поиск данных в распространенных репозиториях данных AWS в аккаунте AWS. Просто укажите сервису Amazon QuickSight, какие из обнаруженных источников данных следует использовать. Чтобы подключить другой источник данных в AWS, находящийся за пределами аккаунта AWS или региона, укажите данные для подключения к нему. Затем выберите таблицу и приступайте к анализу данных. Сервис также позволяет загружать таблицы и файлы в формате CSV и использовать Amazon QuickSight для анализа этих файлов. Чтобы создать визуализацию, сначала выберите поля данных, которые необходимо проанализировать, или перетащите поля непосредственно в область визуализации, или используйте оба этих действия в сочетании. Сервис Amazon QuickSight автоматически выберет наиболее подходящую визуализацию на основании указанных данных.

Вопрос. Каким образом Amazon QuickSight подбирает визуализацию для указанных данных?

Сервис Amazon QuickSight оснащен инновационной технологией AutoGraph, которая позволяет выбрать наиболее подходящую визуализацию на основании свойств данных, например количества элементов множества и типа данных. Типы визуализаций подбираются с учетом наиболее эффективного представления данных и связей между ними.

Вопрос: Как создать панель аналитики?

Панели аналитики – это наборы совместно организованных и отображаемых визуализаций, таблиц и прочих визуальных представлений данных. Amazon QuickSight позволяет настраивать внешний вид панели аналитики, созданной в рамках анализа данных. Можно менять расположение и размер визуализаций, а затем публиковать свои панели аналитики, чтобы другие сотрудники организации могли получить к ним доступ.

Вопрос. Какие типы визуализации поддерживаются в сервисе Amazon QuickSight?

Amazon QuickSight поддерживает ряд вариантов визуализации, помогающих применять различные аналитические подходы.

• Сравнение и распределение:
• Изменения во времени:
  • линейные графики;
  • диаграммы с областями и линиями.
• Корреляция:
  • графики рассеивания;
  • тепловые диаграммы.
• Объединение:
  • круговые диаграммы;
  • плоские деревья;
• таблицы;

Вопрос. Что такое рекомендуемая визуализация? Каким образом Amazon QuickSight формирует рекомендации?

Amazon QuickSight имеет встроенный механизм создания вариантов визуализаций, позволяющий получать рекомендации по визуализациям в зависимости от используемых наборов данных. Эти варианты можно использовать как начальные или промежуточные шаги анализа, что позволяет избежать длительного процесса исследования и расшифровки схемы имеющихся данных. При переходе к более конкретным данным рекомендации будут обновляться, чтобы отразить дальнейшие шаги для текущего этапа анализа.

Вопрос. Что такое схемы?

Схемы – это путеводители по определенным визуализациям, полученным в ходе анализа. Они используются при совместной работе для трансляции основных идей, хода мысли или последовательности проведенного анализа. В Amazon QuickSight схемы можно создавать посредством захвата отдельных состояний анализа и добавления к ним комментариев. Когда пользователи, читающие схему, нажимают на изображение в ней, они переходят к указанному этапу анализа и могут самостоятельно продолжить изучение с этого места.

Вопрос. Какие типы вычислений позволяет выполнять Amazon QuickSight?

Сервис позволяет выполнять традиционные арифметические функции и функции сравнения, условные функции (например, «если, то»), а также вычисления с датами, числами и строками.

Amazon Personalize для розничной торговли

Уточнение рекомендаций по продукту

Рекомендуйте похожие предложения на страницах с описанием продукта, чтобы помочь пользователям найти то, что они ищут.

Рейтинги сопутствующих продуктов

Вы можете с легкостью редактировать рейтинги рекомендаций по сопутствующим продуктам, чтобы обеспечить хорошие коммерческие результаты.

Улучшение маркетинговой коммуникации

Персонализируйте push‑уведомления и маркетинговые электронные письма с помощью индивидуальных рекомендаций по продуктам.

Повышение дополнительных и перекрестных продаж

Сочетание Amazon Personalize с бизнес-логикой обеспечивает высококачественные рекомендации по дополнительным и перекрестным продажам.

Pomelo Fashion – лидер среди многоканальных модных брендов со штаб-квартирой в Бангкоке (Таиланд) и глобальной клиентской базой.

Pomelo Fashion Betters Customer Experience with Amazon Personalize

Узнайте, как компания StockX использует Amazon Personalize для создания инновационного персонализированного взаимодействия с клиентами, не имея опыта работы с машинным обучением.

«Мы стремительно осваиваем потенциал интеграции машинного обучения во все аспекты деятельности компании. После нашего успеха крупные руководители попросили нас интегрировать Amazon Personalize в другие процессы StockX и расширить усилия по внедрению машинного обучения. Можно смело сказать, что персонализация стала для нас почетным жителем».

Решения для управления затратами на AWS

Анализируйте расходы и использование ресурсов с помощью отчетов на основе пользовательских методов

Для принятия обоснованных решений вам нужно владеть информацией о своих затратах и использовании ресурсов в полном объеме и в реальном времени. AWS предоставляет инструменты для организации ресурсов, визуализации и анализа данных о затратах и использовании в одном окне в зависимости от ваших потребностей, а также обеспечивает тщательный учет затрат, связанных с взаимодействием с соответствующими организациями (например, отделом, проектом, продуктом). Вместо централизованного контроля расходов вы можете предоставлять вашим проектным и рабочим командам всю необходимую информацию о расходах в реальном времени. Благодаря подробной и распределяемой информации о расходах команды будут иметь четкое понимание и данные, которые позволят им вести учет собственных расходов.

Подробнее »

Управление выставлением счетов и контроль затрат

Руководители предприятий и организаций нуждаются в простом и удобном способе доступа к платежной информации AWS, включая сводку расходов, распределение общих затрат на сервисы по всем учетным записям организации, а также скидки и кредиты. Клиент может объединить ваши счета и воспользоваться преимуществами больших скидок, основанных на общей сумме затрат на ресурсы, указанной в ваших счетах. Руководителям также необходимо определить соответствующие ограничения, чтобы обеспечить безопасное управление расходами. AWS помогает организациям поддерживать баланс свободы и контроля, позволяя управлять полномочиями каждого пользователя.

Подробнее »

Начать работу

AWS Data-Driven EverythingВ рамках программы AWS Data-Driven EVERYTHING (D2E) AWS организует сотрудничество с нашими клиентами, чтобы обеспечить быстрое и точное развитие и масштабные возможности для раскрутки вашего маховика данных.Подробнее »

AWS Data LabAWS Data Lab – это интенсив с участием группы разработчиков клиента и технических специалистов AWS. Цель мероприятия – разработка практических решений, способствующих ускоренному внедрению инициатив по модернизации средств обработки и анализа данных.

Эталонная архитектура аналитики и больших данных AWSУзнайте о лучших рекомендациях по облачной аналитике и хранению данных, а также управлению ими в AWS.

Простота использования

Amazon EMR упрощает создание и эксплуатацию сред больших данных и приложений для них. EMR отличает простота выделения ресурсов, масштабирования и перенастройки кластеров, а также возможность использовать EMR Studio для совместной разработки.

Выделяйте кластеры за считанные минуты: для запуска кластера EMR потребуется несколько минут. Вам не нужно заниматься выделением инфраструктуры, настройкой, конфигурацией или оптимизацией кластера. EMR берет на себя выполнение этих задач, чтобы ваши команды могли сосредоточиться на разработке уникальных приложений для больших данных.

Без труда масштабируйте ресурсы в соответствии с потребностями вашего бизнеса: вы можете легко увеличивать или уменьшать масштаб с помощью политик управляемого масштабирования EMR, и кластер EMR будет автоматически управлять вычислительными ресурсами с учетом ваших требований к использованию и производительности. Это позволяет эффективнее использовать кластер и сократить расходы.

EMR Studio – это интегрированная среда разработки, которая позволяет специалистам по работе с данными и инженерам по обработке данных упрощать процесс разработки, визуализации и отладки приложений для обработки или анализа данных, написанных на R, Python, Scala и PySpark. EMR Studio включает в себя полностью управляемые блокноты Jupyter и такие инструменты, как ИП Spark и сервис YARN Timeline, для упрощения отладки.

Высокая доступность одним щелчком: вы можете легко задать высокую доступность для приложений с несколькими главными узлами, например YARN, HDFS, Apache Spark, Apache HBase и Apache Hive, одним щелчком. После включения в EMR поддержки нескольких главных узлов EMR переведет эти приложения в режим высокой доступности. Тогда в случае отказа нагрузка будет перенесена на резервный основной узел, чтобы кластер продолжал функционировать, а главные узлы будут помещены в отдельные стойки, чтобы минимизировать риск одновременного отказа. Хосты отслеживаются на предмет отказов. В случае обнаружения проблем выделяются новые хосты и автоматически добавляются в кластер.

Управляемое масштабирование EMR: автоматически изменяет размер кластера для достижения максимальной производительности при минимально возможных затратах. Управляемое масштабирование EMR позволяет задавать минимальные и максимальные пределы вычислений для кластеров, а Amazon EMR автоматически изменяет их размер для обеспечения максимальной производительности и эффективного использования ресурсов. Управляемое масштабирование EMR непрерывно выбирает ключевые метрики, связанные с рабочими нагрузками в кластерах.

Без труда перенастраивайте работающие кластеры: теперь, чтобы изменить конфигурацию приложений, работающих на базе кластеров EMR, в том числе Apache Hadoop, Apache Spark, Apache Hive и Hue, не нужно перезапускать кластер. Возможность перенастройки приложений EMR – это возможность в любой момент изменять приложения без необходимости останавливать работу кластера или повторно создавать его. Amazon EMR применит изменения в конфигурации и перезапустит перенастроенное приложение. Применять конфигурации можно посредством консоли, SDK или интерфейса командной строки.

Возможности

Наглядное использование сокетов и физических ядер

Вы сможете отслеживать количество сокетов и физических ядер, задействованных в работе ваших инстансов на удаленном хостинге. Эту информацию можно использовать для управления лицензированием серверного программного обеспечения, имеющего привязку к количеству сокетов или ядер.

Привязка

Привязка позволяет указать конкретный выделенный хостинг, на котором будет исполняться инстанс после остановки и перезапуска. Это дает вам гарантию того, что инстанс будет исполняться на одном и том же физическом сервере даже после плановых перерывов в работе, позволяет снизить расходы, связанные с приобретением лицензий, в случаях, требующих привязки лицензии в течение определенного периода времени (например, 90 дней), и может использоваться для соблюдения определенной схемы размещения инстансов.

Интегрированное управление лицензиями

С помощью AWS License Manager вы сможете легко отслеживать лицензии на программное обеспечение и управлять ими на выделенном хостинге EC2. Кроме того, вы можете указать правила лицензирования, такие как учет количества сокетов и физических ядер, а также сценарии отслеживания, такие как 90-дневная привязка лицензий.

Управление размещением инстансов

Вы можете запускать инстансы на конкретном выделенном сервере или разрешить сервису Amazon EC2 размещать инстансы автоматически. Благодаря управлению процессом размещения инстансов при развертывании приложений вы сможете добиться полного соответствия лицензионным, корпоративным и нормативным требованиям.

Дополнительные возможности

Выбор соответствующего инстанса для кластера. Вы можете выбрать типы инстансов EC2, которые необходимо выделить для кластера (стандартные, оптимизированные для использования больших объемов памяти, операций ввода-вывода, ЦПУ, и т. д.) исходя из потребностей приложения. Вы получаете доступ с правами root к каждому инстансу и можете выполнять настройку кластера в полном соответствии с текущими требованиям. Подробнее о поддерживаемых типах инстансов Amazon EC2. Теперь Amazon EMR позволяет снизить затраты на 30 % и повысить производительности до 15 % для рабочих нагрузок Spark на инстансах на базе Graviton2. См. подробные сведения в нашем блоге.

Отладка приложений. При выполнении отладки приложений в кластере сервис Amazon EMR архивирует файлы журналов в Amazon S3, а затем проводит их индексацию. После этого для просмотра журналов и истории заданий можно использовать интуитивно понятный графический интерфейс консоли. Подробнее об отладке заданий Amazon EMR.

Мониторинг кластера. Amazon CloudWatch можно использовать для мониторинга пользовательских метрик Amazon EMR, таких как среднее число запущенных задач map и reduce. Для этих метрик можно также настроить отправку оповещений. Подробнее о мониторинге кластеров Amazon EMR.

Реагирование на события. Типы событий Amazon EMR можно использовать в Amazon CloudWatch Events для реагирования на изменения состояния кластеров Amazon EMR. С помощью простых быстро настраиваемых правил можно сопоставлять события и перенаправлять их в темы Amazon SNS, функции AWS Lambda, очереди Amazon SQS и т. д. Подробнее о событиях в кластерах Amazon EMR.

Планирование повторяющихся рабочих потоков. С помощью AWS Data Pipeline можно планировать повторяющиеся рабочие потоки, затрагивающие Amazon EMR. AWS Data Pipeline – это веб‑сервис, который позволяет безопасно обрабатывать данные и перемещать их между различными вычислительными сервисами и сервисами хранилища AWS, а также пользовательскими локальными источниками данных в установленный временной промежуток. Подробнее об Amazon EMR и AWS Data Pipeline.

Глубокое обучение. Использование популярных платформ для глубокого обучения, например Apache MXNet, позволяет определять, обучать и развертывать глубокие нейронные сети. Эти платформы можно использовать в кластерах Amazon EMR с инстансами на графических процессорах. Подробнее об MXNet в Amazon EMR.

Контроль сетевого доступа к кластеру. Кластер можно запускать в Amazon Virtual Private Cloud (VPC) – логически изолированном разделе облака AWS. Это позволяет полностью контролировать среду виртуальной сети, в том числе выбирать собственный диапазон IP‑адресов, создавать подсети, а также настраивать таблицы маршрутизации и сетевые шлюзы. Подробнее об Amazon EMR и Amazon VPC.

Управление пользователями, разрешениями и шифрованием. Для управления доступом и разрешениями можно использовать инструменты AWS Identity and Access Management (IAM), такие как пользователи и роли IAM. Например, определенным пользователям можно открыть доступ к кластерам для чтения, но не для записи. Кроме того, можно использовать конфигурации безопасности Amazon EMR для настройки различных вариантов шифрования хранимых и передаваемых данных, включая поддержку шифрования Amazon S3 и аутентификацию по протоколу Kerberos. Подробнее об управлении доступом к кластеру и возможностях шифрования Amazon EMR.

Установка дополнительного ПО. Для установки дополнительного ПО в кластере можно использовать загрузочные скрипты или настраиваемый Amazon Machine Image (AMI) под управлением Amazon Linux. Загрузочные скрипты выполняются в узлах кластера, когда сервис Amazon EMR запускает кластер. Скрипты запускаются перед началом работы Hadoop, до того, как узел начнет обрабатывать данные. Можно также предварительно загрузить и использовать программное обеспечение в собственном образе Amazon Linux AMI. Подробнее о загрузочных скриптах Amazon EMR и собственных образах Amazon Linux AMI.

Эффективное копирование данных. Большие объемы данных можно быстро перемещать между Amazon S3 и HDFS, а также между корзинами Amazon S3 с помощью инструмента S3DistCp от Amazon EMR. Это расширение инструмента с открытым исходным кодом Distcp, который использует MapReduce для эффективного перемещения больших объемов данных. Подробнее о S3DistCp.

Пользовательские файлы JAR. Напишите программу Java, скомпилируйте ее для нужной версии Hadoop и загрузите в Amazon S3. После этого можно будет отправлять задания Hadoop в кластер с помощью интерфейса Hadoop JobClient. Подробнее об обработке собственных файлов JAR с помощью Amazon EMR.

Оптимизация расходов и ресурсов

Оплата по факту использования

При посекундной оплате учитывается только реально использованное время работы инстансов. Неиспользованные минуты и секунды до полного часа в счет не включаются, поэтому клиенты могут сосредоточиться на улучшении своих приложений, а не стараться максимально использовать выделенные часы. Подробнее о ценах EC2

Безграничное масштабирование с Amazon EC2 Auto Scaling

С помощью Amazon EC2 Auto Scaling можно автоматически масштабировать ресурсы Amazon EC2 как в сторону увеличения, так и в сторону уменьшения в зависимости от заданных условий. Для добавления или удаления инстансов EC2 используются политики динамического или прогнозного масштабирования EC2 Auto Scaling. Прогнозное масштабирование с помощью машинного обучения заранее распределяет инстансы, исходя из предполагаемой потребности, а динамическое – позволяет масштабировать вычислительные возможности на основе определенных метрик. EC2 Auto Scaling позволяет эффективно увеличивать количество используемых инстансов Amazon EC2 во время пикового спроса, чтобы сохранять производительность на прежнем уровне, или автоматически уменьшать это количество в периоды снижения спроса, чтобы сократить расходы. Дополнительные сведения см. в разделе Amazon EC2 Auto Scaling.

Оптимизация производительности и стоимости вычислений с помощью групп инстансов Amazon EC2

Использование групп инстансов в Amazon EC2 позволяет за один вызов API выделить вычислительные ресурсы с использованием разных типов инстансов EC2, нескольких зон доступности и различных схем приобретения. Это позволяет оптимизировать масштаб, производительность и затраты. См. подробности в разделе ответов и вопросов и блоге AWS. Применение Amazon EC2 Auto Scaling также обеспечивает доступ ко всем возможностям групп инстансов EC2: выделение и автоматическое масштабирование вычислительных ресурсов с использованием любых типов инстансов EC2, зон доступности и способов приобретения инстансов выполняется в рамках одной группы Auto Scaling. Подробнее »

Конфигурации с оптимизацией ЦПУ

Функция Optimize CPUs предоставляет более широкие возможности управления инстансами Amazon EC2. Во-первых, вы можете при запуске новых инстансов указать собственное количество виртуальных процессоров, чтобы уменьшить расходы на лицензирование на основе количества виртуальных процессоров. Во-вторых, вы можете отключить технологию Intel Hyper-Threading (Intel HT) для рабочих нагрузок, для которых достаточно однопоточных ЦПУ, таких как создание приложений для определенных высокопроизводительных вычислений (HPC). Дополнительную информацию о возможностях функции Optimize CPUs см. в документации Optimize CPUs.

Приостановка и возобновление работы инстансов

Теперь можно перевести свои инстансы Amazon EC2, зарезервированные с помощью Amazon EBS, в режим гибернации, а затем возобновить их работу. Эта функция особенно полезна при работе с приложениями, начальная загрузка которых занимает определенное время и которые сохраняют состояние в памяти (ОЗУ). Дополнительные сведения о гибернации и поддерживаемых типах инстансов и ОС см. в разделе .

AWS Cost Optimization Case Study

It was one of our usual days. One of our team members (who likes online shopping) was searching on Google and came across an E-commerce store for which Google was showing a catastrophic message – “This site may be hacked.”

It was straight forward that their site was infected with malware and needed immediate remedial actions. Our sales team reached out highlighting the security loopholes to them and got an almost instant response by Mr. Pahwa. We helped them fix the malware issue in a couple of hours and submitted the site for review and within 24 hours, their site was back to normal on Google.

Whilst the process of cleaning the malware, we discovered a need for a complete infrastructure re-design on AWS for overall security and cost optimizations.

Must Read: AWS vs ServerGuy Cloud vs Hybrid Solution

Now here was the real challenge. They threw “what you can do the best” on us. And as the rule of the game, we had no data of their previous architecture and bill.

How We Made a Whole New Architecture?

The challenge was accepted.

We knew that the AWS cost optimization journey would be long and requires consistent efforts so we outlined the strategies first.

Библиотека видео

Видео партнера AWS в энергетической отрасли

• Ambyint. Оптимизация продуктов нового поколения с помощью Ambyint и AWS »
• Bluware. Начните использовать платформу данных OSDU для внедрения интерактивного глубокого обучения в рабочие процессы сейсморазведки »
• Bluware, INT, Interica. Оптимизация и преобразование облака для геологического разреза »
• ChampionX, WellAware: Успешная цифровая трансформация нефтяных месторождений – Как стремление ChampionX к совершенству навсегда меняет сервис нефтяной сферы »
• Emerson. Высокопроизводительная автоматизация рабочих процессов с помощью Big Loop на базе AWS »
• Emerson, QRI: Управление резервуарами на базе искусственного интеллекта с помощью упрощенной идентификации и ранжирования в облаке AWS »
• INT: упрощение интеграции Geoscience ML для сквозных рабочих процессов »
• INT, TGS: Как оптимизировать получение данных об энергетике и обеспечить совместимость в облаке с помощью платформы данных OSDU »
• QRI: Как просто внедрить автоматизированные рабочие процессы с машинным обучением для интеллектуального прогнозирования о возможностях нефтегазовой добычи »
• QRI: Как сделать проще решения машинного обучения, используемые для возобновляемой энергетики и коммунальных служб »
• Softserve & Laredo: как машинное обучение повышает эффективность искусственного подъема »
• WellAware. Технологии искусственного интеллекта для нефтегазовой отрасли »

Демонстрационные материалы Open Subsurface Data Universe (OSDU)

• Демонстрация OSDU: Alexa »
• IVAAP supporting OSDU release 2 deployed on AWS »
• Dynamic Graphics: CoViz 4D – Integration with OSDU R2 Data Platform »
• OSDU R2 Demo: Osokey »
• OSDU R2 Demo: Deep Learning for Seismic Interpretation »

AWS Energy Day 2019

Приглашаем ознакомиться с несколькими доступными по требованию презентациями с участием клиентов и партнеров AWS, которые делятся своими рекомендациями и подходами относительно следующих концепций:

• аналитические выводы на основе рабочих процессов имитационного моделирования резервуаров и новой сейсмической активности;
• эффективное использование машинного обучения для оптимизации разработки месторождений; 
• улучшение производственных результатов с помощью решений следующего поколения для мониторинга производства; 
• повышение безопасности и целостности производства за счет использования технологий с оптимизацией для облака.

Old snapshots

Data present on your EBS volumes can be backed up to Amazon S3 by taking point-in-time snapshots. However, from the point of view of data consumption, EBS snapshots should be taken in moderation. If possible, older snapshots should be archived by using Amazon Glacier. Although Amazon S3 is less expensive than general SSD, snapshot charges can add up to a lot more than what you can imagine.

While backups are indeed incremental, snapshots are taken for the complete volume as a whole with regular subsequent snapshots needing as much space as the first snapshot. Hence, the monthly cost savings associated with deleting old snapshots can be quite significant. Thus, it is a good practice to delete old/orphan/unnecessary snapshots regularly as required.

Photo credit: Shutterstock

Post Views:
1,259

Клиенты

• Moderna

• Moderna запускает на AWS все рабочие нагрузки SAP S/4HANA, включая производство, бухгалтерский и складской учет, что позволяет компании добиться большей эффективности и прозрачности в своей деятельности. Moderna использует Amazon Redshift в качестве центрального хранилища всех собранных данных и резервных копий S3.

  Ознакомиться с примером использования 

• Invista

• INVISTA выполнила миграцию от изолированных данных к озеру данных на AWS – построила современную архитектуру данных с помощью аналитических сервисов AWS, чтобы раскрыть потенциал цифровой фабрики, использовать данные для избавления от ручных процессов и преобразовать производство. Компания экономит более 2 миллионов USD в год и на основе всех данных получает прибыть в объеме 300 миллионов USD.

  Ознакомиться с примером использования 

• Intuit

• Intuit выполнил миграцию на решение на основе Amazon Redshift. Сервис с нулевыми усилиями масштабирует объем данных более чем в 7 раз и обеспечивает повышение производительности до 20 раз, благодаря чему на 90% сокращается время получения выводов и до 66% снижаются затраты.

  Посмотреть видео 

• Pinterest

• Pinterest увеличил объем ежедневного поиска и аналитики журналов до 1,7 ТБ и снизил затраты на 30% за счет перехода на управляемую аналитику в сервисе Amazon Elasticsearch. Это позволило компании расширить возможности аналитики журналов и снизить операционную нагрузку, повысить безопасность и сэкономить финансовые ресурсы.

  Ознакомиться с примером использования 

«Мы создали на основе Amazon S3 озеро данных объемом 120 ТБ с использованием более чем 1500 схем и широко применяем аналитические сервисы AWS, такие как Glue, Redshift и Athena. Нам бы не удалось эффективно вести анализ при использовании разрозненных баз и хранилищ данных. Требовалось озеро данных масштаба S3».

Бернардо РодригезДиректор по цифровым технологиям, J.D. Power