در جهان دیجیتالی سریع امروزی، پیگیری آخرین پیشرفت‌های مهندسی داده برای پیشی گرفتن از رقبا، بسیار حائز اهمیت است. با افزایش میزان داده‌هایی که هر روز جمع‌آوری می‌شوند، مهندسی داده نقش مهمی در تضمین دقت، پیوستگی و قابلیت اطمینان داده‌ها برای شرکت‌ها دارد.

در این پست، ما در مورد 5 فناوری جدید مهندسی داده صحبت خواهیم کرد که باید در سال 2023 آنها را یاد بگیرید تا پیشی گرفتن از دیگران را تجربه کنید. هر یک از فناوری‌هایی که بیان خواهیم نمود، مجموعه‌ای از قابلیت‌ها و مزایا را برای شما به ارمغان خواهند آورد که می‌تواند به کسب‌وکارها در بهبود فرآیندهای مهندسی داده و تصمیم‌گیری‌های بهتر برمبنای داده، کمک کند. پس، بدون فوت وقت، اجازه دهید که وارد جزئیات تکنولوژی‌ها بشویم.

آپاچی سوپرست

آپاچی سوپرست (Apache Superset) یک پلت‌فرم مدرن و متن‌باز برای بصری‌سازی و کاوش داده‌هاست که به شرکت‌ها امکان تحلیل و تصویرسازی داده‌ها از منابع مختلف را در لحظه (Real-Time) می‌دهد. اولین بار، آپاچی سوپرست در سال 2016 توسط شرکت Airbnb به عنوان یک ابزار داخلی راه‌اندازی شد، اما در سال 2017 متن‌باز شد و از آن پس به یک انتخاب محبوب برای شرکت‌ها و سازمان‌ها تبدیل گردید. آپاچی سوپرست برای مقیاس‌پذیری در سطح بسیار بالا طراحی شده است و قابلیت مدیریت حجم بزرگی از داده‌ها را بدون کاهش در عملکرد دارد.

یکی از ویژگی‌های برجسته‌ی آپاچی سوپرست، قابلیت اتصال به منابع داده‌های گسترده‌ای است که شامل پایگاه داده‌های مبتنی بر SQL، دروید (Druid)، هدوپ (Hadoop) و انبار داده‌های مبتنی بر ابر (Cloud) مانند آمازون ردشیفت (Redshift) و گوگل بیگ‌کوئری (BigQuery) می‌شود. بنابراین، این ابزار بسیار قابل انعطاف است و به راحتی میتواند با زیر ساخت داده‌های موجود ادغام شود.

حال بیایید برخی از ویژگی‌های آپاچی سوپرست را بررسی کنیم:

1. مصورسازی داده: گزینه‌های مختلفی برای مصورسازی داده‌ها همچون نمودار خطی، نمودار پراکندگی، جدول محوری، نقشه‌های حرارتی و موارد دیگر فراهم می‌کند. کاربران می‌توانند این بصری‌سازی‌ها را به سبک و میل خودشان سفارشی کنند.
2. تحلیل‌های پیشرفته: علاوه بر مصورسازی داده، آپاچی سوپرست ویژگی‌های تحلیل پیشرفته را نیز ارائه می‌دهد که شامل توانایی پیش‌بینی و یادگیری‌ ماشین است. این امکان را به شرکت‌ها می‌دهد تا بر اساس تحلیل‌داده‌های در لحظه، بینش‌هایی در مورد داده‌هایشان کسب کرده و تصمیمات خود را بر اساس آن‌ها بگیرند.
3. اشتراک گذاری داشبورد: به کاربران این امکان را می‌دهد که با سایران به آسانی داشبورد‌های خود را به اشتراک بگذارند. کاربران می‌توانند داشبوردهای خود را از طریق URL به اشتراک بگذارند یا آنها را در برنامه‌های دیگر با استفاده از یک آی‌فریم (iframe) قرار دهند (آی‌فریم یکی از تگ‌های HTML و یک چهارچوب اینلاین (inline frame) است. چهارچوب اینلاین برای متصل کردن یک سند به سند دیگری در HTML مورد استفاده قرار می‌گیرد. یعنی اینکه هر زمان بخواهیم تصویر، ویدئو یا به نحوی هر محتوایی را از یک وبسایت در وبسایت دیگری قرار دهیم از این تگ استفاده می‌کنیم).
4. ساخت پرس و جو (Query): رابط ساخت کوئری به کاربران این امکان را می‌دهد تا با استفاده از شیوه‌ی کشیدن و رها کردن، پرس و جوهای پیچیده را ایجاد کنند. کاربران همچنین می‌توانند، در صورت تمایل، پرس و جوهای SQL را مستقیمن بنویسند.

بطور کلی، پیش‌بینی می‌شود که آپاچی سوپرست در سال 2023 به دلیل جستجوی شرکت‌ها برای جایگزین کردن ابزارهای منبع باز، بجای پلت‌فرم‌های غیررایگان، بیشترین محبوبیت را بدست آورد. اگر علاقمند به بصری‌سازی و گزارش‌دهی داده‌ها هستید، آپاچی سوپرست یک ابزار عالی برای کسب دانش است.

آپاچی آیسبرگ

آپاچی آیسبرگ (Apache Iceberg) یک پلتفرم ذخیره‌سازی داده و پردازش کوئری (query processing platform) منبع باز است که برای ارائه‌ی روشی مدرن، قابل مقیاس و کارآمد برای مدیریت مجموعه داده‌های بزرگ توسعه یافته است. این پلت‌فرم برای پشتیبانی از انواع بار کاری مانند پردازش دسته‌ای و تعاملی (batch and interactive)، یادگیری ماشین و پرس و جوی یکباره (ad-hoc) طراحی شده است. آپاچی آیسبرگ توسط تیم نتفلیکس ایجاد و در سال 2018 منتشر شده است.

یکی از مهمترین ویژگی‌های آپاچی آیسبرگ که آن را ویژه می‌کند، قابلیت آن برای پشتیبانی از تکامل طرح (schema evolution) است. با توسعه و تغییر مجموعه‌ی داده‌ها در طول زمان، افزودن یا حذف ستون‌ها از پایگاه داده بدون مزاحمت در برنامه‌ها یا پرس‌وجوهای در حال اجرا، بسیار حائز اهمیت است. آپاچی آیسبرگ به کاربران اجازه می‌دهد تا ستون‌ها را به یک جدول اضافه یا از آن حذف کنند بدون نیاز به بازنویسی کامل مجموعه‌ی داده. این امر امکان تکامل و حفظ مدل داده‌ها را با تغییر نیازهای کسب‌و‌کار، آسان می‌نماید.

حال به بررسی چند مزیت دیگر از آپاچی آیسبرگ می‌پردازیم:

1. پردازش کوئری کارآمد: آیسبرگ از یک فرمت ستونی استفاده می‌کند که میزان داده‌ای که باید از دیسک خوانده شود را کاهش داده و عملکرد کوئری را بهبود می‌بخشد. همچنین، پشتیبانی از predicate pushdown و دیگر بهینه‌سازی‌ها نیز عملکرد کوئری را بهبود می‌بخشد (در پایگاه‌های داده، predicate pushdown یک بهینه‌سازی است که در آن، عبارات شرطی (predicate) کوئری بر روی داده‌های موجود در سیستم، به سمت دیتابیس فرستاده می‌شوند. در واقع، در این روش، به جای فرستادن تمام داده‌ها از دیتابیس به برنامه‌ی کاربردی، فقط داده‌هایی که شرط مشخصی را برآورده می‌کنند به برنامه کاربردی فرستاده می‌شوند. این بهینه‌سازی منجر به کاهش میزان داده‌هایی می‌شود که باید از دیتابیس خوانده شوند و در نتیجه، زمان اجرای کوئری کاهش پیدا می‌کند).
2. یکپارچگی داده: در آیسبرگ، ترکیبی از versioning و snapshot isolation اطمینان می‌دهد که خوانندگان و نویسندگان هرگز با یکدیگر تداخل نداشته باشند. همیشه داده در حالت یکپارچه قرار دارد، حتی در هنگام به‌روزرسانی و یا در هنگام دسترسی همزمان چند کاربر به یک داده (Snapshot isolation یک روش ایزولاسیون داده در پایگاه‌های داده است که اجازه می‌دهد که تراکنش‌هایی که به صورت همزمان اجرا می‌شوند، به صورت مجزا از هم اجرا شوند و به این ترتیب از تداخل داده‌ها جلوگیری می‌شود).
3. ادغام آسان: آیسبرگ، برای ادغام آسان با چهارچوب‌های پردازش داده‌ی موجود مانند Apache Spark، Apache Hive و Presto طراحی شده است. آیسبرگ، اتصال دهنده‌هایی را برای این چهارچوب‌ها فراهم می‌کند که براحتی بتوان با آنها و بدون دستکاری در کدها و یا تنظیمات خاص دیگر کار کرد.
4. قابلیت مقیاس‌پذیری: پشتیبانی از تقسیم‌بندی و خوشه‌بندی، به کاربران این امکان را می‌دهد که داده‌های خود را به بخش‌های کوچکتر و مدیریت‌پذیرتر تقسیم کنند. این امر باعث سهولت در توزیع و پردازش مجموعه‌های داده بزرگ بر روی چندین گره (node) در یک خوشه (Cluster) می‌شود.
5. مدیریت داده: آیسبرگ روشی مدرن، کارآمد و قابل مقیاس برای مدیریت مجموعه‌های داده‌ی بزرگ فراهم می‌کند. این روش، ذخیره، سازماندهی و پرس‌وجوی (کوئری) داده را سهولت می‌بخشد، و می‌تواند کیفیت داده را بهبود داده و چابکی کسب و کار را افزایش دهد.

بنابراین، بدلیل مدیریت کارآمد مجموعه‌های داده‌ی بزرگ و پشتیبانی از تکامل طرح، که در سناریوهای مدیریت داده مدرن بسیار حیاتی هستند، یادگیری آپاچی آیسبرگ بسیار حیاتی است. همچنین، اینروزها، این تکنولوژی محبوب از سوی بسیاری از سازمان‌ها استفاده می‌گردد، که این امر آن را به یک مهارت ارزشمند تبدیل می‌کند.

گریت اکسپکتیشن

گریت اکسپکتیشن (Great Expectations) یک کتابخانه‌ی متن باز پایتون است که مجموعه‌ای از ابزارها برای تست و اعتبارسنجی پایپ‌لاین‌های داده فراهم می‌کند. این کتابخانه در اکتبر 2019 به‌عنوان یک پروژه‌ی متن‌باز در گیت‌هاب راه‌اندازی شده و کاربران را قادر می‌سازد تا “انتظارات” خود را برای داده‌های خود مشخص کنند – بعنوان مثال، اظهارات یا محدودیت‌هایی درباره‌ی نحوه‌ی عملکرد پایپ‌لاین‌هایشان. این انتظارات می‌توانند قوانین ساده مانند بررسی مقادیر گم‌شده یا بررسی اینکه یک ستون تنها شامل مقادیر خاصی است، یا محدودیت‌های پیچیده‌تر مانند اطمینان از اینکه همبستگی بین دو ستون در محدوده‌ی خاصی قرار دارد، باشند. علاوه بر این، این کتابخانه ابزارهایی برای تصویرسازی و مستندسازی پایپ‌لاین‌های داده را فراهم می‌کند که باعث ساده‌تر شدن درک و رفع مشکلات فرایندهای داده پیچیده می‌شود.

در ادامه چند مزیت استفاده از گریت اکسپکتیشن را می‌بینیم:

1. کتابخانه‌ی انتظارات: مجموعه‌ای جامع از انتظارات پیش‌تعریف شده برای بررسی کیفیت داده‌های رایج را فراهم می‌کند. کاربران همچنین می‌توانند انتظارات سفارشی خود را تعریف کنند تا نیازهای خاص خود را برآورده نمایند.
2. مستندسازی داده: مستندسازی و درک داده‌های استفاده شده در پایپ‌لاین‌ها را آسان‌تر می‌کند، با ارائه‌ی فرهنگ‌نامه‌های داده که اطلاعات فراداده‌ای مانند توضیحات ستون، منابع داده و مالکان داده را در بر می‌گیرند. این امر به تیم‌ها اجازه می‌دهد که بتوانند با یکدیگر همکاری کنند و داده‌های استفاده شده در پایپ‌لاین‌هایشان را درک نمایند.
3. اعتبارسنجی داده: این کتابخانه چندین ابزار اعتبارسنجی مانند تجزیه و تحلیل داده، اعتبارسنجی طرح و اعتبارسنجی دسته‌ای را ارائه می‌دهد که به کاربران کمک می‌کند تا مشکلات و خطاهای پایپ‌لاین‌هایشان را قبل از ایجاد مشکلات برای استفاده کنندگان از دیتا را بشناسند.
4. امکان گسترش: این کتابخانه براحتی با ابزارهای گسترده‌ی پردازش و تحلیل داده مانند Apache Spark، Pandas و پایگاه‌داده‌های SQL ارتباط برقرار می‌کند. این امر، کاربران را قادر می‌سازد که با استفاده از مجموعه‌‌ی داده و جریان کاری موجود خود، از کتابخانه‌ی Great Expectations استفاده نمایند.
5. اتوماسیون: این کتابخانه یک مجموعه ابزار برای خودکارسازی تست و اعتبارسنجی پایپ‌لاین‌های داده ارائه می‌دهد، از جمله ادغام با ابزارهای مدیریت جریان کار، مانند Apache Airflow و Prefect. این امر به کاربران اجازه می‌دهد تا نظارت و اعتبارسنجی پایپ‌لاین‌های خود را به صورت خودکار انجام دهند و کیفیت و قابلیت اطمینان داده را در طول زمان تضمین کنند.

بنابراین، در سال 2023، مهندسان داده باید کتابخانه Great Expectations را یاد بگیرند زیرا این کتابخانه یک مجموعه جامع از ابزارهای اعتبارسنجی، مستندسازی و خودکارسازی داده را ارائه می‌دهد. با توجه به اهمیت روزافزون کیفیت داده، Great Expectations یک راه حل قابل اعتماد برای تضمین سلامت داده فراهم می‌کند. علاوه بر این، ادغام آن با ابزارهای پردازش داده‌ی محبوب، آنرا به یک برگ برنده‌ی ارزشمند برای مهندسان تبدیل خواهد کرد.

در این فایل ویدیویی 5 دقیقه‌ای به ساده‌ترین و کوتاه‌ترین شکل ممکن با کارکرد کلی این کتابخانه‌ی ارزشمند آشنا خواهید شد. اگر دغدغه‌ی کیفیت دیتا را در محیط کاری خود دارید، حتمن به سمت این کتابخانه بروید و حداقل یکبار هم که شده، آنرا تست کنید.

دلتالیک

دلتالیک (Delta Lake) یک لایه‌ی ذخیره‌سازی متن‌باز است که برای بهبود اعتبارپذیری، قابلیت مقیاس‌پذیری و افزایش عملکرد دریافت داده‌ها در دیتالیک‌ها طراحی شده است. این ابزار در ابتدا در سال 2019 توسط شرکت Databricks منتشر شد و از آن پس در بین تیم‌های داده‌، محبوب شده و به یک ابزار مهم برای مدیریت و حفظ دیتالیک‌ها تبدیل شده است. اعتماد به داده‌ها (و اعتبار داده‌ها) توسط دلتا لیک تضمین می‌شود، که این امر بر پایه‌ی Apache Spark ساخته شده است و از یک لایه‌ی تراکنشی استفاده می‌کند تا اطمینان حاصل شود که تمام به‌ روزرسانی داده‌ها، اتمیک و مطابق با یکدیگر هستند (به روزرسانی اتمیک یعنی اینکه وقتی یک به‌روزرسانی اعمال می‌شود، همه‌ی تغییرات مربوط به آن به طور کامل و صحیح اعمال می‌شود یا هیچ تغییری اعمال نمی‌شود. این به این معنی است که به روزرسانی به صورت یک عمل کامل و صحیح اعمال می‌شود و در صورت وقوع هرگونه خطا یا نقص، به روزرسانی به طور خودکار لغو می‌شود و به حالت قبل باز می‌گردد. بنابراین، اطمینان حاصل می‌شود که داده‌ها همیشه در یک حالت صحیح و قابل اعتماد باشند).

در ادامه به ذکر چند مزیت دیگر از دلتا لیک خواهیم پرداخت:

1. معاملات ACID: دلتالیک از معاملات ACID استفاده نموده تا قابلیت اعتماد داده‌ها را تضمین کند. این موضوع به این معنی است که تغییرات داده‌ها اتمیک (atomic) و مطابق (consistent) هستند و در صورت بروز خطا، قابل بازگشت می‌باشند. به عبارت دیگر، هرگونه تغییر در داده‌ها به صورت یک عمل کامل و صحیح اعمال می‌شود و در صورت بروز هرگونه خطا یا نقص، به حالت قبلی بازگشت داده می‌شود. 
2. اجرای قالب: پشتیبانی از اجرای قالب که تضمین می‌کند تمام داده‌های ذخیره‌ شده در دیتالیک، با یک قالب پیش‌تعریف شده مطابقت داشته باشند، وجود دارد. این مورد کمک می‌کند تا کیفیت داده‌ها بهبود یافته و خطاها و ناهماهنگی‌های داده‌ای کاهش یابد.
3. نسخه‌گیری از داده: پشتیبانی از ورژن‌دهی (نسخه‌گیری) داده وجود دارد که به کاربران اجازه می‌دهد تغییرات داده‌های خود را در طول زمان پیگیری کنند. این امر، کمک می‌کند تا data lineage حفظ شود و تیم‌ها بتوانند تغییرات داده‌های خود را در طول زمان بررسی و درک کنند (data lineage به معنای تاریخچه‌ی حرکت داده است که در طول زمان در سیستم‌های مختلف پردازش داده، از جمله پایگاه داده‌ها، انتقال یافته است. به عبارت دیگر، data lineage یک راه برای پیگیری مسیر حرکت داده است که از منبع به مقصد در تمامی فرآیندهای پردازش داده در یک سیستم پردازش داده دنبال می‌شود).
4. عملکرد: دلتالیک برای عملکرد (نه صرفن تئوری و روی کاغذ و چند سطر کد) طراحی شده است و می‌تواند دیتالیک‌های پتابایتی را پشتیبانی کند. همچنین، بهینه‌سازی‌هایی مانند ایجاد نمایه و کشینگ برای بهبود عملکرد کوئری نیز در دلتالیک وجود دارد.
5. متن باز: دلتالیک یک پروژه‌ی متن باز است، به این معنی که می‌تواند توسط جامعه‌ی گسترده‌تری استفاده و به ارتقای آن کمک شود. این مورد باعث می‌شود که این تکنولوژی در طول زمان پیشرفته‌تر شود و اطمینان حاصل شود که دلتالیک یک راه‌حل قابل انعطاف و پویا باقی می‌ماند.

از زمان معرفی دلتالیک، شهرت آن به طرز چشمگیری رشد کرده و تا سال 2023، انتظار می‌رود که مهندسان داده با این ابزار بیشتر آشنا شوند. با تغییر بیشتر کسب‌وکارها به راه‌حل‌های مبتنی بر ابر، برای زیرساخت داده‌ی خود، دلتالیک به دلیل پشتیبانی از خدمات ذخیره‌سازی ابری و توانایی مدیریت مشکلات پیچیده‌ی مدیریت داده، به یک ابزار با اهمیت بیشتر، برای تیم‌های داده تبدیل شده است. علاوه بر این، با اینکه بیشتر کسب‌وکارها به دنبال بهره‌گیری از قدرت‌ داده‌های بزرگ و تحلیلات پیشرفته برای تصمیم‌گیری اطلاعاتی هستند، نیاز به راه‌حل‌های مدیریت داده‌ی قابل اعتماد و قابل مقیاس مانند دلتالیک، قطعن رو به رشد خواهد رفت.

چت جی‌پی‌تی

چت جی‌پی‌تی یک مدل زبانی بزرگ توسعه‌یافته توسط OpenAI است که در ژوئن 2020 منتشر شده. این مدل بر اساس معماری GPT-3.5 طراحی شده است و برای تولید پاسخ‌های شبیه به انسان به پرسش‌ها و گفتگوهای زبان طبیعی استفاده می‌شود. این مدل قادر است پاسخ‌هایی را با فهمیدن چندین زبان تولید کند و می‌تواند برای دامنه‌ها و وظایف خاص تنظیم گردد تا عملکرد خود را بهبود ببخشد. توانایی چت جی‌پی‌تی در انجام چندین وظیفه مانند طبقه‌بندی متن، تحلیل احساسات و ترجمه‌ی زبان می‌تواند به مهندسان داده کمک کند تا از داده‌های بدون ساختار بیشترین دانش را به دست آورند.

یکی از قدرت‌های اصلی چت جی‌پی‌تی، قابلیت تولید پاسخ‌های-باز (همچنان می‌تواند حرف بزند) به پرسش‌ها و گفتگوها است، که به کاربران این امکان را می‌دهد که با مدل به صورت ناگهانی گفتگو کنند. چت جی‌پی‌تی بر روی یک مجموعه بزرگ از داده‌های متنی آموزش دیده است، که این امکان را به آن می‌دهد که پاسخ‌هایی تولید کند که قابلیت مرتبط بودن با متن اصلی و صحیح بودن دستور زبانی را دارند.

در ادامه چند مزیت از این ابزار را که آنرا تبدیل به یک همه-فن-حریف کرده با هم ببینیم:

1. فهم متناسب با متن: چت جی‌پی‌تی قادر است مفهوم گفتگویی که در حال برگزاری است را بفهمد و پاسخ‌هایی تولید کند که به موضوع مورد بحث مرتبط باشند.
2. یادگیری ماشین: بر اساس الگوریتم‌های یادگیری عمیق آموزش داده شده است که به آن امکان یادگیری و بهبود مستمر بر اساس داده‌هایی که پردازش می‌کند را می‌دهد.
3. شخصی سازی: چت جی‌پی‌تی می‌تواند برای دامنه‌ها و وظایف خاص تنظیم شود تا دقت و کارآیی آن بهبود یابد.
4. ایجاد محتوا: استفاده از آن برای تولید محتوا برای وبسایت‌ها، وبلاگ‌ها و پست‌های رسانه‌های اجتماعی امکان‌پذیر است. این می‌تواند زمان را برای تولید کنندگان محتوا بخرد (با سرعت بخشیدن به انجام شدن کارهایشان)، در عین حال اطمینان حاصل کند که محتوای تولید شده با کیفیت و جذاب است.
5. ترجمه خودکار به زبان: توانایی درک و تولید پاسخ‌ها در چندین زبان، چت جی‌پی‌تی را به یک ابزار ارزشمند برای خدمات ترجمه زبان تبدیل کرده است.

چت جی‌پی‌تی یک چت‌بات قدرتمند با قدرت هوش مصنوعی است که به مهندسان داده و سایر حرفه‌ای‌ها کمک می‌کند که وظایف تکراری را به صورت خودکار انجام دهند، جریان کار را بهینه کنند و بهبود بهره‌وری داشته باشند. با پیشرفت هوش مصنوعی و پردازش زبان طبیعی، چت جی‌پی‌تی در سال 2023 و پس از آن به عنوان یک ابزار ارزشمند برای تیم‌های مهندسی داده، آماده‌ی خدمات رسانی است، آنهم بصورت رایگان. یادگیری استفاده از چت جی‌پی‌تی می‌تواند به مهندسان داده کمک کند تا همواره بروز مانده و در صدر باشند و توانایی‌های مهندسی داده‌ای خود را بهبود بخشند.

نتیجه

مهندسی داده یک حوزه‌ی پویا و در حال تحول است و بروز بودن یک مهندس داده بر طبق آخرین فناوری‌ها و ابزارها برای کسب برتری در صنعت بسیار حائز اهمیت می‌باشد. از آپاچی سوپرست که قابلیت‌های قدرتمندی در زمینه‌ی تصویرسازی داده را فراهم می‌کند تا آپاچی آیسبرگ که فرآیند تکامل جدول‌ها را به راحتی و با کارآیی بالا فراهم می‌کند، این فناوری‌ها می‌توانند به مهندسان داده کمک کنند تا به صورت موثرتر و کارآمدتر کار کنند. گریت اکسپکتیشن، می‌تواند اطمینان حاصل کند که کیفیت داده‌ها حفظ شده، در حالی که دلتالیک یک روش قابل اعتماد و کارآمد برای مدیریت داده‌های بزرگ را فراهم می‌کند. از سوی دیگر، چت جی‌پی‌تی روشی نوآورانه و تعاملی برای ایجاد مدل‌های هوش مصنوعی گفتگویی (تعاملی) فراهم می‌نماید. با یادگیری این فناوری‌ها، مهندسان داده می‌توانند در صدر لیست افراد منتخب برای استخدام یا جذب باشند و بهتر آماده‌ی مقابله با چالش‌های پیچیده مدیریت و تحلیل داده شوند. بنابراین، منتظر نمانید – شروع به کاوش این ابزارهای جذاب کنید و همیشه سعی کنید که با جدیدترین ترندهای مهندسی داده آشنا شوید. خیال‌تان نیز راحت باشد، شنیدن در خصوص این تکنولوژی‌ها و یا یک آشنایی ساده با چنین ابزارهایی، هیچ خطری برای شما ندارد 😎.

منبع:

Top 5 New Data Engineering Technologies to Learn in 2023

فایل ویدیویی این مقاله را نیز می‌توانید در این آدرس مشاهده نمائید.

---

---