Zipher hat kontinuierlich messbare Kosteneffizienzen bei Databricks geliefert und gleichzeitig die Stabilität der Arbeitslast verbessert. Es optimierte das automatische Skalieren von Clustern, indem es unnötige Knotenwechsel reduzierte und ein gleichmäßiges Gleichgewicht zwischen On-Demand- und Spot-Kapazität aufrechterhielt. Wir sahen eine verbesserte DBU-Auslastung in interaktiven und Job-Clustern, zusammen mit vorhersehbareren Ausgaben und schnelleren Job-Ausführungszeiten, was zu einer Reduzierung unserer gesamten Rechenkosten führt. Bewertung gesammelt von und auf G2.com gehostet.
Ziphers automatisierte Optimierung arbeitet intelligent im Hintergrund, analysiert historische Databricks-Workloads und passt die Ressourcen basierend auf erlernten Mustern an. Da ein Großteil dieser Logik abstrahiert ist, sehen wir nicht immer, wie Entscheidungen getroffen werden, aber die freihändige Erfahrung war reibungslos und effektiv. Mehr Transparenz in der Autoskalierungslogik würde es noch einfacher machen, die Optimierungen zu verstehen und ihnen zu vertrauen, während sie geschehen. Bewertung gesammelt von und auf G2.com gehostet.
