A whole book can be written on this

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 bi- directional 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 (real- time or batch). More and other important questions have to be answered: are Big Data stored timeliness or not [4]?

ผลลัพธ์ (ไทย) 1:

หนังสือทั้งหมดที่สามารถเขียนในหัวข้อนี้ มันเป็นสิ่งที่ทำได้ [3] โดยการศึกษาข้อมูลคลังสินค้าของข้อมูลขนาดใหญ่ในยุค กลยุทธ์ของการรวมจำนวนที่แสดงในตารางที่ 1 ขั้นตอนแรกของการรวมที่เป็นเกี่ยวกับข้อมูล เนื่องจากฐานข้อมูลดั้งเดิมได้มีการจัดการกับข้อมูล ระบบนิเวศที่มีอยู่ต้องขยายทั้งหมดของชนิดข้อมูลและโดเมน แล้ว ความสามารถในการรวมข้อมูลต้องมีความเร็วและความถี่ ความท้าทายที่นี่ยังเป็นเรื่องของระดับการเจริญเติบโตเคย และ เนื่องจากเทคโนโลยีต่าง ๆ ใช้ Hadoop ใช้เทคโนโลยีที่ช่วยให้คุณสามารถโต้ตอบกับ Hadoop ในลักษณะสองทิศทาง: โหลด และเก็บข้อมูล (HDFS) และกระบวนการนำผลลัพธ์ (MapReduce) สำหรับการ ดำเนินการ [หน้า 14, 12] เตือนเราว่า ความท้าทายหลักที่จะไม่สร้าง "เป็นที่เหมาะสำหรับงานประมวลผลทั้งหมด" แต่มีความยืดหยุ่นเพียงพอที่จะอนุญาตให้กระบวนการที่สร้างขึ้นบนการทำงานที่เต็มศักยภาพพื้นฐานสถาปัตยกรรม ว่าไม่มีการแก้ไขปัญหาที่ตกลงกัน โครงสร้างพื้นฐานอย่างใกล้ชิดกับวัตถุประสงค์ขององค์กรที่ใช้ และจากนั้นในการชนิดของการรวม (เวลาจริงหรือชุด) คำถามที่สำคัญมากขึ้น และมีการตอบ: มีข้อมูลเก็บไว้ทันเวลา หรือไม่ [4]

ผลลัพธ์ (ไทย) 2:

หนังสือทั้งสามารถเขียนในหัวข้อนี้ มันเป็นสิ่งที่ได้รับการดำเนินการโดย [3] โดยการศึกษาของคลังข้อมูลในยุคของข้อมูลขนาดใหญ่ที่ จำนวนของกลยุทธ์ของการรวมกลุ่มกับ A ถูกแสดงไว้ในตารางที่ 1 ขั้นตอนแรกของการรวมกลุ่มที่เป็นเรื่องเกี่ยวกับการเก็บข้อมูล เนื่องจากฐานข้อมูลแบบดั้งเดิมมีการจัดการกับข้อมูลที่มีโครงสร้างระบบนิเวศที่มีอยู่จะต้องมีการขยายในทุกชนิดของข้อมูลและโดเมน จากนั้นความสามารถในการรวมข้อมูลความต้องการที่จะจัดการกับความเร็วและความถี่ ความท้าทายที่นี่ยังเป็นเรื่องที่เคยเติบโตปริมาณและเพราะเทคโนโลยีหลายเทคโนโลยีการใช้ประโยชน์จาก Hadoop, การใช้งานที่ช่วยให้คุณสามารถโต้ตอบกับ Hadoop ในลักษณะทิศทาง BI-: โหลดและการจัดเก็บข้อมูล (HDFS) และขั้นตอนและนำมาใช้เอาท์พุท (MapReduce) สำหรับ ประมวลผลต่อไป [14 หน้า 12] เตือนเราว่าความท้าทายที่สำคัญคือไม่ได้ที่จะสร้าง "ที่เหมาะสำหรับการประมวลผลงานทุกคน" แต่จะมีสถาปัตยกรรมต้นแบบที่มีความยืดหยุ่นพอที่จะอนุญาตให้มีกระบวนการที่สร้างขึ้นบนการทำงานที่เต็มศักยภาพ เพื่อตรวจสอบว่ามีไม่ได้เป็นวิธีการแก้ปัญหาที่ตกลงกันโดยทั่วไปโครงสร้างพื้นฐานที่จะเชื่อมโยงอย่างใกล้ชิดกับวัตถุประสงค์ขององค์กรในการที่จะถูกนำมาใช้และทำให้ชนิดของการรวมกลุ่ม (เรียลไทม์หรือชุด) เดอะ มากขึ้นและคำถามอื่น ๆ ที่สำคัญจะต้องมีการตอบ: จะมีข้อมูลขนาดใหญ่ที่เก็บไว้ทันเวลาหรือไม่ [4]