Choisir un AWS service d'analyse

Amazon Athena vous aide à analyser les données structurées, semi-structurées et non structurées stockées dans Amazon S3. Par exemple, des formats de données CSV ou JSON, ou des formats en colonnes, tels qu'Apache Parquet et Apache ORC. Vous pouvez utiliser Athena pour exécuter des requêtes ad hoc en utilisant ANSI SQL, sans avoir besoin d'agréger ou de charger les données dans Athena. Athena s'intègre à Quick et à d'autres AWS services. AWS Glue Data Catalog Vous pouvez également analyser les données à grande échelle avec Trino, sans avoir à gérer l'infrastructure, et créer des analyses en temps réel à l'aide d'Apache Flink et d'Apache Spark.

Amazon EMR est une plateforme de cluster gérée qui simplifie l'exécution de frameworks de Big Data, tels qu'Apache Hadoop et Apache Spark, AWS afin de traiter et d'analyser de grandes quantités de données. Grâce à ces infrastructures et des projets open source connexes, vous pouvez traiter des données à des fins d’analyse et pour des charges de travail business intelligence. Amazon EMR vous permet également de transformer et de déplacer de grandes quantités de données vers et depuis d'autres magasins de AWS données et bases de données, tels qu'Amazon S3.

Avec AWS Glue, vous pouvez découvrir et vous connecter à plus de 100 sources de données différentes et gérer vos données dans un catalogue de données centralisé. Vous pouvez créer, exécuter et surveiller visuellement des pipelines ETL pour charger des données dans vos lacs de données. Vous pouvez également rechercher et interroger immédiatement des données cataloguées à l'aide d'Athena, d'Amazon EMR et d'Amazon Redshift Spectrum.

Amazon Managed Workflows for Apache Airflow (MWAA) est une implémentation entièrement gérée d'Apache Airflow qui facilite la création, la planification et le suivi des flux de données dans le cloud. MWAA adapte automatiquement la capacité du flux de travail pour répondre à vos besoins et s'intègre aux services AWS de sécurité. Vous pouvez utiliser MWAA pour orchestrer les flux de travail de vos services d'analyse, notamment le traitement des données, les tâches ETL et les pipelines d'apprentissage automatique.

Avec Amazon Managed Streaming pour Apache Kafka (Amazon MSK), vous pouvez créer et exécuter des applications qui utilisent Apache Kafka pour traiter les données de streaming. Amazon MSK fournit les opérations de plan de contrôle, telles que les opérations de création, de mise à jour et de suppression de clusters. Il vous permet d'utiliser les opérations de plan de données Apache Kafka, telles que celles pour la production et la consommation de données.

Avec Amazon Kinesis Data Streams, vous pouvez collecter et traiter de grands flux d'enregistrements de données en temps réel. Le type de données utilisé peut inclure des données de journaux d'infrastructure informatique, des journaux d'applications, des réseaux sociaux, des flux de données du marché et des données de flux de clics web.

Amazon Data Firehose est un service entièrement géré qui fournit des données de streaming en temps réel vers des destinations telles qu'Amazon S3, Amazon Redshift, Amazon OpenSearch Service, Splunk et Apache Iceberg Tables. Vous pouvez également envoyer des données vers n'importe quel point de terminaison HTTP personnalisé ou point de terminaison HTTP appartenant à des fournisseurs de services tiers pris en charge, notamment Datadog, Dynatrace, MongoDB, New Relic LogicMonitor, Coralogix et Elastic.

Avec Amazon Managed Service pour Apache Flink, vous pouvez utiliser Java, Scala, Python ou SQL pour traiter et analyser les données de streaming. Vous pouvez créer et exécuter du code sur des sources de streaming et des sources statiques pour effectuer des analyses de séries chronologiques, alimenter des tableaux de bord en temps réel et des métriques.

La nouvelle génération d'Amazon SageMaker est entièrement compatible avec Apache Iceberg, ce qui vous permet d'unifier les données entre les lacs de données Amazon Simple Storage Service (Amazon S3) et les entrepôts de données Amazon Redshift. Cela permet de créer des applications d'analyse et d'IA et d'apprentissage automatique (ML) sur une seule copie de données. Grâce aux intégrations Zero-ETL, vous pouvez diffuser des données provenant de sources opérationnelles en temps quasi réel, exécuter des requêtes fédérées sur plusieurs sources et accéder aux données à l'aide d'outils compatibles avec Apache Iceberg. Vous pouvez sécuriser vos données en définissant des autorisations précises qui sont appliquées à tous vos outils et moteurs d'analyse et de machine learning.

Amazon S3 peut stocker et protéger pratiquement toutes les quantités et tous les types de données, que vous pouvez utiliser pour la base de votre lac de données. Amazon S3 offre des fonctions de gestion qui vous permettent d’optimiser, d’organiser et de configurer l’accès à vos données aux fins de répondre aux exigences spécifiques de votre entreprise, de votre organisation et de votre conformité. Les tables Amazon S3 fournissent un stockage S3 optimisé pour les charges de travail analytiques. À l'aide d'instructions SQL standard, vous pouvez interroger vos tables à l'aide de moteurs de requête prenant en charge Iceberg, tels qu'Athena, Amazon Redshift et Apache Spark.

Amazon Redshift est un service d'entrepôt de données entièrement géré à l'échelle du pétaoctet. Amazon Redshift peut être connecté à un data lakehouse d'Amazon SageMaker, ce qui vous permet d'utiliser ses puissantes fonctionnalités d'analyse SQL sur vos données unifiées dans les entrepôts de données Amazon Redshift et les lacs de données Amazon S3. Vous pouvez également utiliser Amazon Q dans Amazon Redshift, qui simplifie la création SQL via le langage naturel.

Les sources de données sont diverses et proviennent de différents systèmes, applications, appareils et plateformes externes.

Les sources de données ont une structure, un format et une fréquence de mise à jour uniques. L'analyse de ces sources permet d'identifier les méthodes et technologies de collecte de données appropriées.

L'analyse des types de données, tels que les données structurées, semi-structurées et non structurées, permet de déterminer les approches appropriées en matière de traitement et de stockage des données.

L'analyse des sources et des types de données facilite l'évaluation de la qualité des données et vous aide à anticiper les problèmes potentiels liés à la qualité des données (valeurs manquantes, incohérences ou inexactitudes).

Transformation des données : déterminez les transformations spécifiques nécessaires pour que les données brutes puissent être analysées. Cela implique des tâches telles que l'agrégation, la normalisation, le filtrage et l'enrichissement des données.

Nettoyage des données : évaluez la qualité des données et définissez des processus pour traiter les données manquantes, inexactes ou incohérentes. Mettez en œuvre des techniques de nettoyage des données pour garantir des données de haute qualité et des informations fiables.

Fréquence de traitement : déterminez si un traitement en temps réel, quasi réel ou par lots est requis en fonction des besoins analytiques. Real-time le traitement permet d'obtenir des informations immédiates, tandis que le traitement par lots peut être suffisant pour des analyses périodiques.

Évolutivité et débit : évaluez les exigences d'évolutivité pour la gestion des volumes de données, la vitesse de traitement et le nombre de demandes de données simultanées. Assurez-vous que l'approche de traitement choisie peut s'adapter à la croissance future.

Latence : considérez la latence acceptable pour le traitement des données et le temps nécessaire entre l'ingestion des données et les résultats de l'analyse. Cela est particulièrement important pour les analyses en temps réel ou urgentes.

Volume de données : évaluez la quantité de données générées et collectées, et estimez la croissance future des données afin de prévoir une capacité de stockage suffisante.

Conservation des données : définissez la durée pendant laquelle les données doivent être conservées à des fins d'analyse historique ou de conformité. Déterminez les politiques de conservation des données appropriées.

Modèles d'accès aux données : comprenez comment les données seront consultées et interrogées pour choisir la solution de stockage la plus adaptée. Tenez compte des opérations de lecture et d'écriture, de la fréquence d'accès aux données et de la localité des données.

Sécurité des données : donnez la priorité à la sécurité des données en évaluant les options de cryptage, les contrôles d'accès et les mécanismes de protection des données pour protéger les informations sensibles.

Optimisation des coûts : optimisez les coûts de stockage en sélectionnant les solutions de stockage les plus rentables en fonction des modèles d'accès aux données et de leur utilisation.

Intégration avec les services d'analyse : garantissez une intégration parfaite entre la solution de stockage choisie et les outils de traitement et d'analyse des données en cours de développement.

Données transactionnelles : comprennent des informations sur les interactions ou transactions individuelles, telles que les achats des clients, les transactions financières, les commandes en ligne et les journaux d'activité des utilisateurs.

File-based données : fait référence aux données structurées ou non structurées stockées dans des fichiers, tels que des fichiers journaux, des feuilles de calcul, des documents, des images, des fichiers audio et des fichiers vidéo. Les services d'analyse devraient prendre en charge l'ingestion de différents formats de fichiers.

Données sur les événements : capture les événements ou les incidents importants, tels que les actions des utilisateurs, les événements système, les événements liés aux machines ou les événements commerciaux. Les événements peuvent inclure toutes les données qui arrivent à haute vitesse et qui sont capturées pour un traitement en cours ou en aval.

Abstraction de l'infrastructure : les services sans serveur font abstraction de la gestion de l'infrastructure, libérant les utilisateurs des tâches de provisionnement, de dimensionnement et de maintenance. AWS gère ces aspects opérationnels, réduisant ainsi les frais de gestion.

Auto-scaling et performances : les services sans serveur adaptent automatiquement les ressources en fonction de la charge de travail, garantissant ainsi des performances optimales sans intervention manuelle.

Haute disponibilité et reprise après sinistre : AWS assure une haute disponibilité pour les services sans serveur. AWS gère la redondance, la réplication et la reprise après sinistre des données afin d'améliorer la disponibilité et la fiabilité des données.

Sécurité et conformité : AWS gère les mesures de sécurité, le chiffrement des données et la conformité des services sans serveur, conformément aux normes et aux meilleures pratiques du secteur.

Surveillance et journalisation : AWS offre des fonctionnalités intégrées de surveillance, de journalisation et d'alerte pour les services sans serveur. Les utilisateurs peuvent accéder à des statistiques et à des journaux détaillés via Amazon CloudWatch.

Volume et fréquence des données : le traitement par lots convient à de grands volumes de données avec des mises à jour périodiques.

Latence des données : le traitement par lots peut retarder la fourniture d'informations par rapport au traitement en temps réel.

Complexité des requêtes de données : l'analyse interactive nécessite des réponses à faible latence pour un retour rapide.

Visualisation des données : évaluez le besoin d'outils de visualisation de données interactifs pour permettre aux utilisateurs professionnels d'explorer les données visuellement.

Vitesse et volume des données : les charges de travail de streaming nécessitent un traitement en temps réel pour gérer les données à haute vitesse.

Fenêtrage des données : définissez le fenêtrage des données et les agrégations temporelles pour diffuser des données afin d'extraire des informations pertinentes.

L'analyse descriptive est idéale pour obtenir une vue d'ensemble historique

L'analyse diagnostique permet de comprendre les raisons des événements passés

L'analyse prédictive prévoit les résultats futurs

L'analyse prescriptive fournit des recommandations pour des actions optimales

Disponibilité et qualité des données : les analyses descriptives et diagnostiques reposent sur des données historiques, tandis que les analyses prédictives et prescriptives nécessitent des données historiques suffisantes et des données de haute qualité pour créer des modèles précis.

Volume et complexité des données : les analyses prédictives et prescriptives nécessitent d'importantes ressources de traitement des données et de calcul. Assurez-vous que votre infrastructure et vos outils peuvent gérer le volume et la complexité des données.

Complexité des décisions : si les décisions impliquent plusieurs variables, contraintes et objectifs, l'analyse prescriptive peut être plus appropriée pour orienter les actions optimales.

Tolérance au risque : les analyses prescriptives peuvent fournir des recommandations, mais elles sont associées à des incertitudes. Assurez-vous que les décideurs comprennent les risques associés aux résultats des analyses.

Volume de données et croissance : évaluez le volume de données actuel et anticipez la croissance future.

Vitesse des données et exigences en temps réel : déterminez si les données doivent être traitées et analysées en temps réel ou quasi en temps réel.

Complexité du traitement des données : analysez la complexité de vos tâches de traitement et d'analyse des données. Pour les tâches gourmandes en ressources de calcul, des services tels qu'Amazon EMR fournissent un environnement évolutif et géré pour le traitement des mégadonnées.

Simultanéité et charge utilisateur : prenez en compte le nombre d'utilisateurs simultanés et le niveau de charge utilisateur sur le système.

Auto-scaling fonctionnalités : pensez aux services qui offrent des fonctionnalités de dimensionnement automatique, permettant aux ressources d'augmenter ou de diminuer automatiquement en fonction de la demande. Cela garantit une utilisation efficace des ressources et une optimisation des coûts.

Distribution géographique : envisagez des services offrant une réplication mondiale et un accès aux données à faible latence si votre architecture de données doit être distribuée dans plusieurs régions ou sites.

Cost-performance compromis : trouver un équilibre entre les besoins en matière de performances et les considérations de coûts. Les services très performants peuvent avoir un coût plus élevé.

Service-level accords (SLA) : vérifiez les SLA fournis par les AWS services pour vous assurer qu'ils répondent à vos attentes en matière d'évolutivité et de performances.

Politiques de conservation des données : définissez des politiques de conservation des données en fonction des exigences réglementaires et des besoins de l'entreprise et établissez des processus de destruction sécurisée des données lorsqu'elles ne sont plus nécessaires.

Piste d'audit et journalisation : choisissez les mécanismes de journalisation et d'audit pour surveiller l'accès aux données et leur utilisation. Mettez en œuvre des pistes d'audit complètes pour suivre les modifications des données, les tentatives d'accès et les activités des utilisateurs à des fins de surveillance de la conformité et de la sécurité.

Exigences de conformité : comprenez les réglementations de conformité des données géographiques et spécifiques au secteur qui s'appliquent à votre organisation. Assurez-vous que l'architecture des données est conforme à ces réglementations et directives.

Classification des données : Classez les données en fonction de leur sensibilité et définissez les contrôles de sécurité appropriés pour chaque classe de données.

Reprise après sinistre et continuité des activités : planifiez la reprise après sinistre et la continuité des activités afin de garantir la disponibilité et la résilience des données en cas d'événements imprévus ou de défaillances du système.

Third-party partage de données : si vous partagez des données avec des entités tierces, mettez en œuvre des protocoles et des accords de partage de données sécurisés pour protéger la confidentialité des données et empêcher toute utilisation abusive des données.

Contrôle d'accès et autorisation : mettez en œuvre des protocoles d'authentification et d'autorisation robustes pour garantir que seuls les utilisateurs autorisés peuvent accéder à des ressources de données spécifiques.

Chiffrement des données : choisissez des méthodes de chiffrement appropriées pour les données stockées dans les bases de données, les lacs de données et lors du transfert de données entre les différents composants de l'architecture.

Masquage et anonymisation des données : considérez la nécessité de masquer ou d'anonymiser les données pour protéger les données sensibles, telles que les informations personnelles ou les données commerciales sensibles, tout en permettant la poursuite de certains processus analytiques.

Intégration sécurisée des données : mettez en place des pratiques d'intégration des données sécurisées pour garantir que les données circulent en toute sécurité entre les différents composants de l'architecture, en évitant les fuites de données ou les accès non autorisés lors du transfert des données.

Isolation du réseau : pensez à des services qui prennent en charge les points de terminaison Amazon VPC pour éviter d'exposer les ressources à l'Internet public.

Intégration des sources de données : identifiez les sources de données à partir desquelles les données seront collectées, telles que les bases de données, les applications, les fichiers ou les API externes. Choisissez les méthodes d'ingestion de données (par lots, en temps réel, basées sur les événements) pour intégrer les données dans le pipeline de manière efficace et avec un minimum de latence.

Transformation des données : déterminez les transformations nécessaires pour préparer les données en vue de leur analyse. Choisissez les outils et les processus pour nettoyer, agréger, normaliser ou enrichir les données au fur et à mesure de leur progression dans le pipeline.

Architecture de transfert de données : choisissez l'architecture appropriée pour le transfert de données entre les composants du pipeline. Envisagez le traitement par lots, le traitement en flux ou une combinaison des deux en fonction des exigences en temps réel et du volume de données.

Réplication et synchronisation des données : choisissez des mécanismes de réplication et de synchronisation des données pour maintenir les données à jour sur tous les composants. Envisagez des solutions de réplication en temps réel ou des synchronisations périodiques des données en fonction des exigences en matière de fraîcheur des données.

Qualité et validation des données : mettez en œuvre des contrôles de qualité des données et des étapes de validation pour garantir l'intégrité des données au fur et à mesure de leur acheminement dans le pipeline. Décidez des mesures à prendre en cas d'échec de la validation des données, par exemple en cas d'alerte ou de gestion des erreurs.

Sécurité et cryptage des données : déterminez comment les données seront sécurisées pendant le transit et au repos. Décidez des méthodes de cryptage pour protéger les données sensibles tout au long du pipeline, en tenant compte du niveau de sécurité requis en fonction de la sensibilité des données.

Évolutivité et résilience : assurez-vous que la conception du flux de données permet une évolutivité horizontale et peut gérer des volumes de données et un trafic accrus.

Dimensionnement et sélection des ressources : Right-size vos ressources en fonction des exigences réelles en matière de charge de travail. Choisissez AWS des services et des types d'instances qui correspondent aux besoins en termes de performances des charges de travail tout en évitant le surprovisionnement.

Auto-scaling: implémentez la mise à l'échelle automatique pour les services soumis à des charges de travail variables. Auto-scaling ajuste dynamiquement le nombre d'instances en fonction de la demande, réduisant ainsi les coûts pendant les périodes de faible trafic.

Instances ponctuelles : utilisez les instances ponctuelles Amazon EC2 pour les charges de travail non critiques et tolérantes aux pannes. Les instances ponctuelles peuvent réduire les coûts de manière significative par rapport aux instances à la demande.

Instances réservées : envisagez d'acheter des instances AWS réservées pour réaliser d'importantes économies par rapport à la tarification à la demande pour des charges de travail stables avec une utilisation prévisible.

Hiérarchisation du stockage des données : optimisez les coûts de stockage des données en utilisant différentes classes de stockage en fonction de la fréquence d'accès aux données.

Politiques de cycle de vie des données : établissez des politiques de cycle de vie des données pour déplacer ou supprimer automatiquement les données en fonction de leur âge et de leurs habitudes d'utilisation. Cela permet de gérer les coûts de stockage et de maintenir le stockage des données en adéquation avec leur valeur.

Démarrez avec Amazon Athena

Apprenez à utiliser Amazon Athena pour interroger des données et créer une table à partir d'exemples de données stockés dans Amazon S3, interroger la table et vérifier les résultats de la requête.

Commencez avec le didacticiel

Démarrez avec Apache Spark sur Athena

Utilisez l'expérience simplifiée des blocs-notes dans la console Athena pour développer des applications Apache Spark à l'aide des API Python ou Athena Notebook.

Commencez avec le didacticiel

Cataloguez et gérez les requêtes fédérées Athena avec l'architecture Amazon Lakehouse SageMaker

Apprenez à vous connecter aux données stockées dans Amazon Redshift, DynamoDB et Snowflake, à les gérer et à exécuter des requêtes fédérées sur celles-ci via le data lakehouse d'Amazon. SageMaker

Lisez le blog

Analyse des données dans Amazon S3 à l'aide d'Athena

Découvrez comment utiliser Athena sur les journaux d'Elastic Load Balancers, générés sous forme de fichiers texte dans un format prédéfini. Nous vous montrons comment créer un tableau, partitionner les données dans un format utilisé par Athena, les convertir en Parquet et comparer les performances des requêtes.

Lisez le billet de blog

Configuration AWS Clean Rooms

Découvrez comment le configurer AWS Clean Rooms dans votre AWS compte.

Lisez le guide

Accédez à des informations sur des ensembles de données multipartites à l'aide de AWS Entity Resolution activée AWS Clean Rooms sans partager les données sous-jacentes

Découvrez comment utiliser la préparation et l'appariement pour améliorer la correspondance des données avec les collaborateurs.

Lisez le billet de blog

Comment la confidentialité différentielle permet de débloquer des informations sans révéler de données au niveau individuel

Découvrez comment la confidentialité AWS Clean Rooms différentielle simplifie l'application de la confidentialité différentielle et contribue à protéger la confidentialité de vos utilisateurs.

Lisez le blog

Tutoriel : Création d'un flux Firehose depuis la console

Apprenez à utiliser le Console de gestion AWS ou un AWS SDK pour créer un flux Firehose vers la destination de votre choix.

Lisez le guide

Envoyer des données vers un flux Firehose

Apprenez à utiliser différentes sources de données pour envoyer des données vers votre flux Firehose.

Lisez le guide

Transformez les données sources dans Firehose

Apprenez à invoquer votre fonction Lambda pour transformer les données sources entrantes et transmettre les données transformées aux destinations.

Lisez le guide

Premiers pas avec Amazon DataZone

Apprenez à créer le domaine DataZone racine Amazon, à obtenir l'URL du portail de données et à parcourir les DataZone flux de travail Amazon de base pour les producteurs et les consommateurs de données.

Commencez avec le didacticiel

Annonce de la disponibilité générale du lignage des données dans la prochaine génération d'Amazon SageMaker et d'Amazon DataZone

Découvrez comment Amazon DataZone utilise la capture automatique du lignage pour se concentrer sur la collecte et le mappage automatiques des informations de lignage depuis Amazon AWS Glue Redshift.

Lisez le blog

Démarrez avec Amazon EMR

Découvrez comment lancer un exemple de cluster à l'aide de Spark et comment exécuter un PySpark script simple stocké dans un compartiment Amazon S3.

Commencez avec le didacticiel

Démarrez avec Amazon EMR sur Amazon EKS

Nous vous montrons comment commencer à utiliser Amazon EMR sur Amazon EKS en déployant une application Spark sur un cluster virtuel.

Explorez le guide

Commencez avec EMR Serverless

Découvrez comment Amazon EMR Serverless fournit un environnement d'exécution sans serveur qui simplifie le fonctionnement des applications d'analyse utilisant les derniers frameworks open source.

Commencez avec le didacticiel

Commencer avec AWS Glue DataBrew

Découvrez comment créer votre premier DataBrew projet. Vous chargez un exemple de jeu de données, exécutez des transformations sur cet ensemble de données, créez une recette pour capturer ces transformations et exécutez une tâche pour écrire les données transformées dans Amazon S3.

Commencez avec le didacticiel

Transformez les données avec AWS Glue DataBrew

Découvrez AWS Glue DataBrew un outil visuel de préparation des données qui permet aux analystes de données et aux data scientists de nettoyer et de normaliser facilement les données afin de les préparer à des fins d'analyse et d'apprentissage automatique. Apprenez à créer un processus ETL à l'aide de AWS Glue DataBrew.

Commencez avec le laboratoire

AWS Glue DataBrew journée d'immersion

Découvrez comment nettoyer et normaliser les données AWS Glue DataBrew à des fins d'analyse et d'apprentissage automatique.

Commencez avec l'atelier

Commencer avec le AWS Glue Data Catalog

Découvrez comment créer votre premier AWS Glue Data Catalog, qui utilise un compartiment Amazon S3 comme source de données.

Commencez avec le didacticiel

Catalogue de données et robots d'exploration dans AWS Glue

Découvrez comment utiliser les informations du catalogue de données pour créer et surveiller vos tâches ETL.

Explorez le guide

Tutoriels de démarrage pour Amazon Kinesis Data Streams

Apprenez à traiter et à analyser les données boursières en temps réel.

Commencez avec les didacticiels

Modèles architecturaux pour des analyses en temps réel à l'aide d'Amazon Kinesis Data Streams, partie 1

Découvrez les modèles architecturaux courants de deux cas d'utilisation : l'analyse de données de séries chronologiques et les microservices pilotés par des événements.

Lisez le blog

Modèles architecturaux pour des analyses en temps réel à l'aide d'Amazon Kinesis Data Streams, partie 2

Découvrez les applications d'IA avec Kinesis Data Streams selon trois scénarios : intelligence d'affaires générative en temps réel, systèmes de recommandation en temps réel, diffusion de données et inférence de données issues de l'Internet des objets.

Lisez le blog

Qu'est-ce qu'Amazon Managed Service pour Apache Flink ?

Comprenez les concepts fondamentaux d'Amazon Managed Service pour Apache Flink.

Explorez le guide

Atelier Amazon Managed Service pour Apache Flink

Dans cet atelier, vous allez apprendre à déployer, exploiter et faire évoluer une application Flink avec Amazon Managed Service pour Apache Flink.

Participez à l'atelier virtuel

Démarrez avec Amazon MSK

Apprenez à créer un cluster Amazon MSK, à produire et à consommer des données et à surveiller l'état de santé de votre cluster à l'aide de métriques.

Commencez avec le guide

Atelier Amazon MSK

Approfondissez vos connaissances grâce à cet atelier pratique sur Amazon MSK.

Commencez avec l'atelier

Démarrez avec Amazon MWAA

Apprenez à créer votre premier environnement MWAA, à charger un DAG sur Amazon S3 et à exécuter votre premier flux de travail.

Commencez avec le didacticiel

Création de pipelines de données avec Amazon MWAA

Découvrez comment créer des pipelines de données de bout en bout qui orchestrent d'autres services d' AWS analyse tels que Glue, EMR et Redshift. Ce billet de blog explore une approche rationalisée et axée sur la configuration pour orchestrer les tâches dbt Core à l'aide de MWAA et Cosmos, les tâches effectuant des transformations sur Amazon Redshift.

Lisez le billet de blog

Atelier Amazon MWAA

Découvrez des exercices pratiques pour apprendre à déployer, configurer et utiliser Amazon MWAA pour l'orchestration des flux de données.

Commencez avec l'atelier

Meilleures pratiques pour Amazon MWAA

Découvrez les modèles architecturaux et les meilleures pratiques pour utiliser Amazon MWAA dans vos flux de travail d'analyse.

Lisez le guide

Commencer à utiliser le OpenSearch service

Découvrez comment utiliser Amazon OpenSearch Service pour créer et configurer un domaine de test.

Commencez avec le didacticiel

Visualisation des appels d'assistance client avec le OpenSearch service et OpenSearch les tableaux de bord

Découvrez un aperçu complet de la situation suivante : une entreprise reçoit un certain nombre d'appels au service client et souhaite les analyser. Quel est l'objet de chaque appel ? Combien étaient positifs ? Combien étaient négatifs ? Comment les gestionnaires peuvent-ils chercher ou revoir les transcriptions de ces appels ?

Commencez avec le didacticiel

Atelier de démarrage avec Amazon OpenSearch Serverless

Découvrez comment configurer un nouveau domaine Amazon OpenSearch Serverless dans la AWS console. Explorez les différents types de requêtes de recherche disponibles, créez des visualisations attrayantes et découvrez comment sécuriser votre domaine et vos documents en fonction des privilèges utilisateur attribués.

Commencez avec l'atelier

Base de données vectorielle à coûts optimisés : introduction aux techniques OpenSearch de quantification d'Amazon Service

Découvrez comment OpenSearch Service prend en charge les techniques de quantification scalaire et de produit afin d'optimiser l'utilisation de la mémoire et de réduire les coûts opérationnels.

Lisez le billet de blog

Premiers pas avec l'analyse rapide des données

Découvrez comment créer votre première analyse. Utilisez des exemples de données pour créer une analyse simple ou plus avancée. Vous pouvez également vous connecter à vos propres données pour créer une analyse.

Explorez le guide

Visualisation avec Quick

Découvrez l'aspect technique de l'intelligence d'affaires (BI) et de la visualisation des données avec AWS. Apprenez à intégrer des tableaux de bord dans des applications et des sites Web, et à gérer en toute sécurité les accès et les autorisations.

Commencez avec le cours

Ateliers rapides

Prenez une longueur d'avance sur votre Quick Journey grâce à des ateliers

Commencez par les ateliers

Démarrez avec Amazon Redshift Serverless

Comprenez le flux de base d'Amazon Redshift Serverless pour créer des ressources sans serveur, vous connecter à Amazon Redshift Serverless, charger des exemples de données, puis exécuter des requêtes sur les données.

Explorez le guide

Atelier de plongée approfondie sur Amazon Redshift

Découvrez une série d'exercices qui aident les utilisateurs à commencer à utiliser la plateforme Amazon Redshift.

Commencez avec l'atelier

Démarrez avec Amazon S3

Découvrez comment créer votre premier DataBrew projet. Vous chargez un exemple de jeu de données, exécutez des transformations sur cet ensemble de données, créez une recette pour capturer ces transformations et exécutez une tâche pour écrire les données transformées dans Amazon S3.

Commencez avec le guide

Commencer avec SageMaker

Apprenez à créer un projet, à ajouter des membres et à utiliser le modèle de JupyterLab bloc-notes pour commencer à le créer.

Lisez le guide

Présentation de la nouvelle génération d'Amazon SageMaker : le centre pour toutes vos données, analyses et IA

Découvrez comment démarrer avec le traitement des données, le développement de modèles et le développement d'applications d'IA génératives.

Lisez le blog

Qu'est-ce qu' SageMaker Unified Studio ?

Découvrez les fonctionnalités d' SageMaker Unified Studio et comment y accéder lorsque vous utilisez Amazon SageMaker.

Lisez le guide

Débuter avec l'architecture Lakehouse d'Amazon SageMaker

Apprenez à créer un projet et à parcourir, télécharger et interroger des données pour vos cas d'utilisation professionnels sur Amazon SageMaker.

Lisez le guide

Connexions de données dans l'architecture Lakehouse d'Amazon SageMaker

Découvrez comment l'architecture Lakehouse fournit une approche unifiée de la gestion des connexions de données entre les AWS services et les applications d'entreprise.

Lisez le guide

Cataloguez et gérez les requêtes fédérées Athena avec l' SageMakerarchitecture Lakehouse

Apprenez à vous connecter aux données stockées dans Amazon Redshift, DynamoDB et Snowflake, à les gérer et à exécuter des requêtes fédérées sur celles-ci pour vos projets Amazon. SageMaker

Lisez le blog