MySQL HeatWave Lakehouse

MySQL HeatWave Lakehouse vous permet d’interroger les données dans le stockage d’objets avec d’excellentes performances et un bon rapport prix‑performances, et de créer, entraîner et expliquer automatiquement des modèles de machine learning (ML). Il est disponible sur Oracle Cloud Infrastructure (OCI), Amazon Web Services (AWS) et Microsoft Azure.

Démonstration : MySQL HeatWave Lakehouse sur AWS (4:32)

MySQL Global Forum : 30 ans de MySQL

Regardez le webcast enregistré à votre convenance. Découvrez les bonnes pratiques MySQL proposées par des experts de la communauté et découvrez les nouvelles améliorations apportées à la productivité des développeurs, aux services cloud, à l'IA générative, etc.

Pourquoi utiliser MySQL HeatWave Lakehouse ?

  • Interrogez des données dans le stockage d'objets

    MySQL HeatWave est un moteur de traitement de données à l’échelle optimisé pour interroger des données dans un stockage d’objets. Vous pouvez interroger des données structurées, des données semi-structurées au format JSON et des documents non structurés avec MySQL HeatWave Vector Store.

  • Utilisez le machine learning intégré avec toutes vos données

    Automatisez le pipeline pour créer, entraîner, déployer et expliquer des modèles de machine learning à l'aide de données dans le stockage d'objets et MySQL Database, sans déplacer les données vers un service cloud de machine learning distinct et sans frais supplémentaires.

Fonctionnement de MySQL HeatWave Lakehouse

MySQL HeatWave Lakehouse traite les données dans divers formats de fichiers, notamment CSV, Parquet, Avro, JSON et des exports d’autres bases de données. Vous pouvez interroger des données dans le stockage d'objet et éventuellement les combiner avec des données transactionnelles dans des bases de données MySQL. Avec MySQL HeatWave Vector Store, vous pouvez charger et interroger des documents non structurés. Les données chargées dans le cluster MySQL HeatWave pour traitement sont automatiquement transformées au format en mémoire de MySQL HeatWave, et les données du stockage d’objets ne sont pas copiées dans la base MySQL. Vous pouvez également tirer parti de MySQL HeatWave AutoML, une fonctionnalité intégrée qui automatise le pipeline pour créer, entraîner et expliquer des modèles de ML à partir des données du stockage d’objets, de la base de données, ou des deux. Il n'est pas nécessaire de déplacer les données vers un service cloud de machine learning distinct, ni d'être un expert en machine learning.

Diagramme du fonctionnement de MySQL Heatwave Lakehouse, détails ci-dessous :
Les données transactionnelles de MySQL Database ainsi que les données du stockage d’objets dans divers formats (CSV, Parquet, Avro, JSON, exports d’autres bases) sont répliquées en temps réel dans le cluster MySQL HeatWave, permettant une analytique en temps réel sur l’ensemble de ces données. Les fonctionnalités de machine learning étant intégrées à MySQL HeatWave, les clients peuvent aussi utiliser les données de la base et du stockage d’objets pour créer, entraîner, déployer et expliquer des modèles de ML.

Perspectives client sur MySQL HeatWave Lakehouse

  • « MySQL HeatWave Lakehouse passe très bien à l’échelle pour charger des données depuis le stockage d’objets et exécuter des requêtes sur ce stockage. Les temps de chargement et de requête restent quasi constants à mesure que le volume de données augmente, de même que la taille du cluster MySQL HeatWave. Cette capacité d’extension de MySQL HeatWave Lakehouse pour la gestion des données est clé pour traiter efficacement des volumes très importants de données. »

    -Henry Tullis, Leader de l'infrastructure cloud et de l'ingénierie chez Deloitte Consulting

  • « Les données augmentent de manière exponentielle, tout comme la quantité de données que nous stockons dans notre data lake. La possibilité d'utiliser la syntaxe standard MySQL pour interroger des données dans notre base de données et notre stockage d'objets afin d'obtenir des informations en temps réel est très importante pour Natura. Cela ouvre de nouvelles opportunités d'exploration et pourrait représenter de nouveaux avantages si nous pouvons analyser toutes ces données plus rapidement que nos concurrents. »

    -Fabricio Rucci, Architecte Solution chez Natura &Co

Cas d’usage de MySQL HeatWave Lakehouse

Les utilisateurs peuvent tirer rapidement des informations rentables des transactions historiques déchargées vers le stockage d’objets à des fins d’analyse avec MySQL HeatWave Lakehouse.


Diagramme secteur bancaire, description ci-dessous :

Ce diagramme montre qu'il peut être coûteux de conserver toutes les données de transactions historiques dans une base de données transactionnelle sur site pour les analyses. Les données des transactions plus anciennes sont donc exportées sous forme de fichiers CSV vers le stockage d'objets. MySQL HeatWave Lakehouse permet des requêtes rapides sur les données du stockage d’objets, offrant des informations rapides et rentables sur les transactions historiques.



Avec MySQL HeatWave Lakehouse, les utilisateurs obtiennent des insights à la fois sur les données de campagne récentes de leur base transactionnelle et sur les données plus anciennes de leur data lake.


Diagramme marketing numérique, description ci-dessous :

Ce schéma montre que toutes les données de campagne sont stockées dans la base transactionnelle MySQL HeatWave, tandis que les données plus anciennes sont exportées vers un data lake dans le stockage d’objets. MySQL HeatWave Lakehouse peut interroger les données récentes de la base combinées aux données de campagne plus anciennes du stockage d’objets, permettant des requêtes d’analyse sur l’ensemble des données de campagne.



Les applications peuvent accéder, via MySQL HeatWave Lakehouse, aux données générées par les capteurs de l’Internet des objets (IoT).


Diagramme IoT, description ci-dessous :

Ce diagramme montre que les données sont générées à partir de capteurs IoT sur les conteneurs d'expédition et stockées sous forme de fichiers CSV dans un data lake dans le stockage d'objets. MySQL HeatWave Lakehouse interroge rapidement ces données, permettant de mettre en place des tableaux de bord analytiques et des chatbots accédant aux données IoT.



Les utilisateurs peuvent gérer et planifier des campagnes de vente média avec MySQL HeatWave Lakehouse en interrogeant simultanément les données de vente de leur base transactionnelle ainsi que les statistiques de vente et données de campagne dans le stockage d’objets.


Diagramme média, description ci-dessous :

Ce schéma montre que les ventes de livres sont enregistrées et stockées dans la base transactionnelle MySQL HeatWave. Les statistiques sur les ventes et les campagnes sont collectées et les données sont exportées sous forme de fichiers CSV vers le stockage d'objets. MySQL HeatWave Lakehouse peut interroger les données transactionnelles associées aux données dans le stockage d’objets, afin de gérer et planifier des campagnes de vente.



Découvrez ce que les meilleurs analystes du secteur pensent de MySQL HeatWave Lakehouse

  • Logo d'IDC

    « Les entreprises à la recherche de la meilleure valeur en matière de data lakehouses cloud doivent sérieusement envisager MySQL HeatWave Lakehouse. »

    Carl Olofson
    Research Vice President, Data Management Software, IDC
  • Logo Wikibon

    « La capacité de MySQL HeatWave à charger et interroger des données sur un nombre aussi massif de nœuds en parallèle est une première. »

    Marc Staimer
    Analyste senior, Wikibon
  • Logo The Futurum Group

    « Que MySQL HeatWave Lakehouse offre des performances record à la fois pour le chargement et l’interrogation de données est une innovation sans précédent dans les services de données cloud. »

    Ron Westfall
    Directeur de recherche, The Futurum Group
  • Logo Omdia

    « Avec MySQL HeatWave Lakehouse, Oracle présente aux clients MySQL sur AWS et Microsoft Azure une proposition potentiellement impossible à refuser. »

    Bradley Shimmin
    Analyste en chef pour IA et l'analyse des données chez Omdia
  • Logo de Moor

    « MySQL HeatWave Lakehouse peut simplifier la vie des professionnels de la gestion des données et devrait améliorer l'expérience client. »

    Matt Kimball
    Vice-président et Analyste principal pour les data centers chez Moor Insights & Strategy
  • Logo NAND Research

    « Pour le dire simplement, MySQL HeatWave Lakehouse vous aide à garder une longueur d'avance sur la concurrence en vous permettant de prendre rapidement des décisions sur la base d'informations commerciales pertinentes. »

    Steve McDowell
    Analyste principal et partenaire fondateur, NAND Research
  • Logo de Constellation Research

    « L’équipe MySQL HeatWave a surpassé le marché en innovation, en offrant cinq cas d’usage essentiels dans une seule base, donnant aux cadres dirigeants la sérénité d’une base de données universelle capable de tout faire. »

    Holger Mueller
    Vice President and Principal Analyst, Constellation Research
  • Logo de KuppingerCole

    « MySQL HeatWave Lakehouse offre aux clients un nouveau niveau de fonctionnalités : pouvoir interroger des pétaoctets de données hétérogènes dans des data warehouses et des data lakes à l'aide de la syntaxe SQL, tout en battant les concurrents populaires en matière de performances des requêtes, de temps de chargement et de coûts. »

    Alexei Balaganski
    Analyse principale & CTO chez KuppingerCole Analysts

En savoir plus sur les autres solutions MySQL HeatWave pour vos différents workloads

Prise en main de MySQL HeatWave Lakehouse

Suivez le guide

Découvrez MySQL HeatWave Lakehouse à votre propre rythme avec des instructions étape par étape.

Atelier gratuit de MySQL HeatWave Lakehouse

Demandez un atelier gratuit dirigé par un expert pour évaluer MySQL HeatWave Lakehouse ou se lancer.

Essayez MySQL HeatWave Lakehouse
gratuitement

Inscrivez-vous pour un essai gratuit de MySQL HeatWave Lakehouse. Vous aurez accès à des ressources gratuites pour une durée illimitée.