Dataiku 使团队能够使用他们喜欢的工具和技术。他们不需要了解底层计算引擎的复杂性。作为全编码员、低编码员或 Dataiku 可视化工作流用户，您不需要了解计算下推的细节。它们完全抽象于您：
Dataiku 中的抽象
这种简化的访问意味着业务团队和开发人员都可以访问先进的计算密集型 AI 功能来构建和部署分析解决方案，无论是通过 Dataiku 直观的可视化界面还是其全代码选项。数据科学家可以专注于提供业务价值，而不是花时间学习如何管理 Kubernetes 集群。
渣打银行看重 Dataiku 在其生态系统中利用现有计算能力的能力。正如他们所说：
Dataiku 可以对您生态系统中某个地方的计算能力进行单一操作 — — 不管它在哪里。这是一项了不起的技术。有时数据很小，有时数据很大。有时是图形问题。在某些时候，您会希望从处理大量数据转变为增加价值。您只需要这种灵活性，而 Dataiku 可以提供这种灵活性。
-Craig Turrell，渣打银行执行计划（P2P）数据战略与交付主管
该银行在特定 KPI 计算方面遇到了挑战。他们需要将数据行数从 1000 万扩展到 4 亿多行。该团队认为他们的局限性是由于缺乏计算资源。然而，他们发现真正的瓶颈在于扩大数据处理规模。事实上，他们没有充分利用可用的大型仓储容量。借助 Dataiku，他们能够轻松利用现有的生态系统。他们利用平台的灵活性来优化数据处理。这使他们能够从大规模数据中获得有价值的见解。
您可以将计算推送到 ML 管道中的任何分布式基础架构。最终用户可以选择 波兰电话号码数据 最佳的底层基础架构，甚至可以进行试验。但这些选择是否会成为组织层面的负担？
与您一起进化的引擎选择
Dataiku 使优化计算资源变得简单。在复杂的工作流程中，您可以看到每个步骤正在使用哪些计算引擎。这使您能够做出明智的决定，确定在哪里切换引擎。它能够高效利用资源。最终用户可以优化其数据项目的性能和成本：
引擎选择 Dataiku
在上面的流程中，您可能会注意到大多数配方当前都在 Dataiku 服务器上运行。Dataiku 用青色构建块表示这一点。随着数据集的增长，将计算转移到 Spark 集群可能会更有效率。对于基于 SQL 的数据集，您可以选择将计算推送到 Snowflake 环境。通过选择这种方式而不是在 AWS 上运行的 Kubernetes 集群，您可以优化现有基础设施的使用。
Dataiku 使这些选择可逆。它通过将计算层与管道逻辑分离来实现这一点。如果您的需求发生变化，您可以调整设置。它不需要任何管理工作或中断项目。通常，右键单击流程中的配方可以让您选择新的配方引擎。