3.3. Adding Big Data capability to

3.3. Adding Big Data capability to an existing information
system
A whole book can be written on this topic. It is what had
been done by [3] by the study of data warehousing in the
age of Big Data. A number of strategies of this integration
are presented in Table 1. The first step of that integration is
about data acquisition. Since traditional databases have to
deal with structured data, existing ecosystem needs to be
extended across all of the data types and domains. Then,
data integration capability needs to deal with velocity and
frequency. The challenge here is also about ever growing
volume and, because many technologies leverage Hadoop, use
technologies that allow you to interact with Hadoop in a bidirectional
manner: load and store data (HDFS) and process
and reuse the output (MapReduce) for further processing.
[14, page 12] reminds us that the main challenge is not to
build “that is ideally suited for all processing tasks” but to
have an underlying architecture flexible enough to permit to
processes built on top to work at their full potential. For sure
there is not a commonly agreed solution, an infrastructure is
intimately tied to the purpose of the organization in which
it is used and consequently to the kind of integration (realtime
or batch). More and other important questions have to
be answered: are Big Data stored timeliness or not [4]?

ผลลัพธ์ (ไทย) 1:

3.3 การเพิ่มข้อมูลขนาดใหญ่สามารถเป็นข้อมูลที่มีอยู่ระบบหนังสือทั้งหมดที่สามารถเขียนในหัวข้อนี้ มันเป็นอะไรได้การทำ โดย [3] โดยการศึกษาข้อมูลการจัดการคลังสินค้าในการอายุของข้อมูลขนาดใหญ่ จำนวนกลยุทธ์ของการรวมจะแสดงในตารางที่ 1 ขั้นตอนแรกของรวมที่มีเกี่ยวกับการเก็บข้อมูล เนื่องจากฐานข้อมูลดั้งเดิมจัดการกับโครงสร้างข้อมูล ระบบนิเวศที่มีอยู่ต้องมีขยายทั้งหมดของชนิดข้อมูลและโดเมน แล้วความสามารถในการรวมข้อมูลต้องมีความเร็ว และความถี่ ความท้าทายที่นี่ยังเป็นเรื่องเคยเติบโตเสียง และ เนื่องจากเทคโนโลยีต่าง ๆ ใช้ Hadoop ใช้เทคโนโลยีที่ช่วยให้คุณสามารถโต้ตอบกับ Hadoop ในสองทิศทางลักษณะ: โหลด และเก็บข้อมูล (HDFS) และกระบวนการและนำผลผลิต (MapReduce) งาน[หน้า 14, 12] เตือนเราว่า ความท้าทายหลักไม่ถึงสร้าง "เป็นที่เหมาะสำหรับงานประมวลผลทั้งหมด" แต่การมีความยืดหยุ่นเพียงพอที่จะอนุญาตให้สถาปัตยกรรมพื้นฐานกระบวนการที่สร้างขึ้นบนการทำงานที่เต็มศักยภาพ แหงอยู่แล้วไม่มีการแก้ไขปัญหาที่ตกลงกัน มีโครงสร้างพื้นฐานอย่างใกล้ชิดกับวัตถุประสงค์ขององค์กรที่การใช้ และจากนั้นในการชนิดของการรวม (เรียลไทม์หรือชุด) คำถามที่สำคัญมากขึ้น และมีการตอบ: มีข้อมูลเก็บไว้ทันเวลา หรือไม่ [4]

ผลลัพธ์ (ไทย) 2:

3.3 การเพิ่มความสามารถในข้อมูลขนาดใหญ่ไปยังข้อมูลที่มีอยู่ใน
ระบบ
หนังสือทั้งสามารถเขียนในหัวข้อนี้ มันเป็นสิ่งที่ได้
รับการดำเนินการโดย [3] โดยการศึกษาของคลังข้อมูลในส่วน
อายุของข้อมูลขนาดใหญ่ จำนวนของกลยุทธ์ของการรวมกลุ่มกับ A
ถูกแสดงไว้ในตารางที่ 1 ขั้นตอนแรกของการรวมกลุ่มที่เป็น
เรื่องเกี่ยวกับการเก็บข้อมูล เนื่องจากฐานข้อมูลแบบดั้งเดิมจะต้อง
จัดการกับข้อมูลที่มีโครงสร้างระบบนิเวศที่มีอยู่จะต้องมีการ
ขยายในทุกชนิดของข้อมูลและโดเมน จากนั้น
ความสามารถในการรวมข้อมูลความต้องการที่จะจัดการกับความเร็วและ
ความถี่ ความท้าทายที่นี่ยังเป็นเรื่องที่เคยเติบโต
ปริมาณและเพราะหลายเทคโนโลยีการใช้ประโยชน์จาก Hadoop ใช้
เทคโนโลยีที่ช่วยให้คุณสามารถโต้ตอบกับ Hadoop ในสองทิศทาง
ลักษณะ: โหลดและการจัดเก็บข้อมูล (HDFS) และขั้นตอน
และนำมาใช้เอาท์พุท (MapReduce) สำหรับการประมวลผลต่อไป .
[14 หน้า 12] เตือนเราว่าความท้าทายที่สำคัญคือไม่
สร้าง "ที่เหมาะสำหรับการประมวลผลงานทุกคน" แต่
มีสถาปัตยกรรมต้นแบบที่มีความยืดหยุ่นพอที่จะอนุญาตให้มี
กระบวนการที่สร้างขึ้นบนการทำงานที่เต็มศักยภาพ เพื่อตรวจสอบว่า
มีไม่ได้เป็นวิธีการแก้ปัญหาที่ตกลงกันโดยทั่วไปโครงสร้างพื้นฐานที่มีการ
เชื่อมโยงอย่างใกล้ชิดกับวัตถุประสงค์ขององค์กรที่
มีการใช้งานและส่งผลกับชนิดของการรวมกลุ่ม (เรียลไทม์
หรือชุด) มากขึ้นและคำถามที่สำคัญอื่น ๆ ได้ที่จะ
ได้รับการตอบ: จะมีข้อมูลขนาดใหญ่ที่เก็บไว้ทันเวลาหรือไม่ [4]

ผลลัพธ์ (ไทย) 3:

3.3 . เพิ่มความสามารถในการใหญ่ข้อมูลกับข้อมูลที่มีอยู่ระบบทั้งเล่ม จะเขียนในหัวข้อนี้ มันเป็นสิ่งที่มีทำโดย [ 3 ] จากการศึกษาการจัดการข้อมูลในอายุของข้อมูลใหญ่ จำนวนของกลยุทธ์ของการรวมกลุ่มนี้จะแสดงในตารางที่ 1 ขั้นตอนแรกของการบูรณาการที่เป็นเพิ่มเติมเกี่ยวกับข้อมูล เนื่องจากฐานข้อมูลแบบดั้งเดิมต้องจัดการกับข้อมูลที่มีโครงสร้างที่มีอยู่ระบบนิเวศต้องขยายทั่วทั้งหมดของชนิดข้อมูลและโดเมน จากนั้นความสามารถในการรวมข้อมูลความต้องการที่จะจัดการกับความเร็วและความถี่ ความท้าทายของที่นี่ยังเป็นเรื่องที่เคยเติบโตและปริมาณ เพราะหลายบริษัทใช้ Hadoop เทคโนโลยี ,เทคโนโลยีที่ช่วยให้คุณสามารถโต้ตอบกับ Hadoop ในทิศทางลักษณะ : โหลดและเก็บข้อมูล ( hdfs ) และกระบวนการและใช้ผลผลิต ( mapreduce ) สำหรับการประมวลผลต่อไป[ 14 ] หน้า 12 เตือนเราว่า ความท้าทายหลักคือไม่สร้าง " ที่เหมาะสำหรับงาน " การประมวลผลทั้งหมดแต่มีการปรับเปลี่ยนสถาปัตยกรรมมีความยืดหยุ่นเพียงพอที่จะอนุญาตให้กระบวนการที่สร้างขึ้นบนด้านบนเพื่อทำงานที่เต็มศักยภาพของพวกเขา ให้แน่ใจว่านั่นไม่ใช่ที่ตกลงแก้ปัญหาโครงสร้างพื้นฐานคือเชื่อมโยงอย่างใกล้ชิดกับวัตถุประสงค์ขององค์กร ซึ่งมันคือการใช้และจากนั้นไปยังประเภทของการบูรณาการ ( เรียลไทม์หรือชุด ) และคำถามที่สำคัญอื่น ๆที่ต้องตอบ : มีข้อมูลใหญ่เก็บไว้สมดุลหรือไม่ [ 4 ]