Avis et détails du produit Azure Databricks

Ce que j'aime le plus chez Azure Databricks, c'est la façon dont il rend le travail avec les données simple sans que je doive trop réfléchir à la configuration.

D'après mon expérience, je l'utilise principalement pour interroger, transformer et valider des données, et il gère très bien les grands ensembles de données sans me ralentir. Je n'ai pas à trop m'inquiéter des performances — j'écris simplement ce dont j'ai besoin, et ça fonctionne.

J'aime aussi la flexibilité de passer entre SQL et PySpark selon ce que je fais. Cela facilite l'exploration des données et le dépannage rapide des problèmes sans être coincé dans une seule approche.

L'environnement de notebook est un autre grand avantage pour moi. Je l'utilise pour organiser mes requêtes et ma logique en un seul endroit, afin que je puisse toujours revenir en arrière, ajuster les choses ou réutiliser des parties sans repartir de zéro.

Dans l'ensemble, cela rend simplement mon flux de travail plus propre et plus efficace, surtout lorsque je travaille avec de grands volumes de données et que j'ai besoin de résultats rapides et fiables. Avis collecté par et hébergé sur G2.com.

Ce que je n'aime pas à propos d'Azure Databricks, basé sur mon utilisation, est principalement lié à l'utilisabilité au quotidien.

Lorsque je travaille avec des fichiers (surtout autour de /dbfs), je rencontre parfois des erreurs apparemment aléatoires qui ne sont pas très claires. Il faut du temps supplémentaire pour comprendre ce qui s'est réellement passé, ce qui est frustrant lorsque j'essaie simplement d'obtenir des résultats rapides.

Le débogage est un autre domaine qui peut me ralentir. Si une requête ou une transformation ne se comporte pas comme prévu, il n'est pas toujours évident de savoir où se situe le problème, donc je finis par passer plus de temps à tracer et à réduire les possibilités que je ne le souhaiterais.

L'environnement de notebook est utile, mais à mesure qu'un seul notebook grandit, il peut devenir désordonné et plus difficile à gérer. Si je ne fais pas attention, il est facile de perdre la structure et l'organisation.

Le coût est également quelque chose que j'ai dû surveiller. Même lorsque je ne fais que tester ou exécuter des requêtes, l'utilisation peut s'accumuler rapidement si les ressources ne sont pas gérées correctement.

Dans l'ensemble, cela fonctionne bien, mais il y a encore des moments où cela semble moins intuitif que cela ne devrait l'être, surtout lorsque quelque chose ne va pas. Avis collecté par et hébergé sur G2.com.

J'utilise Azure Databricks pour construire et gérer des pipelines de données. Il fournit tous les services requis en un seul endroit, comme l'ingénierie des données, SQL et les fonctionnalités de ML. Il m'aide à traiter simplement des données à grande échelle pour des projets d'entreprise, faisant d'Azure Databricks un outil précieux pour moi. Les fonctionnalités SQL facilitent la requête et l'analyse rapide des données, et les capacités de ML soutiennent l'expérimentation avec des modèles sur la même plateforme. La configuration initiale est très facile ; il suffit de créer une ressource sur le portail Azure en entrant le groupe de ressources et le nom de l'espace de travail Databricks avec le reste des paramètres par défaut. Avis collecté par et hébergé sur G2.com.

Optimisation des coûts : elle peut être davantage optimisée en fournissant par défaut un tableau de bord de surveillance des coûts unique pour les administrateurs de l'espace de travail, car ils disposent de cette fonctionnalité de budget uniquement en aperçu pour la console de compte. Avis collecté par et hébergé sur G2.com.

It makes data easy and simple to understand even if we are not from technical background, i dont need to swap or switch different app or software now for data eng , analytics or data science all can be done in once now. The interface is very good and user friendly easy to understand tabs given , i have tried uploding a large set of data , uploading experience was very smooth and easy Avis collecté par et hébergé sur G2.com.

Mostly, I got confused during the cluster setup. It was very difficult for me, and even with the settings I’m still struggling with it. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus à propos d'Azure Databricks, c'est la façon dont il simplifie le traitement des données à grande échelle tout en offrant une flexibilité aux ingénieurs. D'après mon expérience, le plus grand avantage est la plateforme unifiée qui me permet de faire de l'ingénierie des données, des transformations, de l'optimisation des performances et même de l'analytique en un seul endroit sans avoir à passer d'un outil à l'autre. L'intégration avec Spark est transparente, et des fonctionnalités comme les clusters à mise à l'échelle automatique, la planification des tâches et la collaboration sur les notebooks rendent le travail quotidien beaucoup plus efficace. J'apprécie également des fonctionnalités comme Delta Lake qui gère les transactions ACID, l'évolution des schémas et le voyage dans le temps directement sur les lacs de données, ce qui rend les pipelines de production beaucoup plus fiables. En plus de cela, des optimisations comme l'exécution de requêtes adaptatives, l'auto-optimisation, le Z-ordering et la mise en cache aident vraiment lorsqu'on travaille avec de grands ensembles de données. Une autre chose que j'aime est la façon dont il s'intègre bien avec l'écosystème Azure, que ce soit ADLS, ADF, Key Vault ou Unity Catalog pour la gouvernance. Cela réduit beaucoup de frais généraux de configuration et rend les déploiements plus fluides à travers les environnements. Dans l'ensemble, cela me permet de me concentrer davantage sur la résolution des problèmes de données et l'optimisation des performances plutôt que de m'inquiéter de la gestion de l'infrastructure. Avis collecté par et hébergé sur G2.com.

Une chose que je n'aime pas à propos d'Azure Databricks, c'est que la gestion des coûts peut devenir compliquée si les clusters et les tâches ne sont pas surveillés de près. Comme il est si facile de créer des clusters et d'exécuter de grandes charges de travail, les coûts peuvent augmenter rapidement, surtout avec l'auto-scaling ou plusieurs tâches parallèles en cours d'exécution. Cela nécessite donc une bonne gouvernance et une surveillance en place. Un autre domaine est le débogage et le dépannage. Bien que les notebooks soient excellents pour le développement, le débogage des échecs de tâches en production, en particulier les problèmes intermittents de Spark ou d'infrastructure, peut parfois prendre du temps. Les journaux sont disponibles, mais retracer la cause exacte à travers les événements du cluster, l'interface utilisateur de Spark et les exécutions de tâches n'est pas toujours simple. J'ai également remarqué que la gestion du CI/CD et des déploiements (comme le déplacement de notebooks, de workflows, de configurations entre les environnements) n'est pas aussi fluide par défaut par rapport aux dépôts de code traditionnels. Cela s'améliore avec les Databricks Asset Bundles et Repos, mais nécessite encore une configuration minutieuse. Cela dit, la plupart de ces problèmes sont gérables avec les meilleures pratiques : contrôles des coûts, surveillance et processus DevOps appropriés. Avis collecté par et hébergé sur G2.com.

Lakebase et les passerelles API. Nous utilisons Lakebase comme notre base de données principale, et elle possède des capacités très solides pour les charges de travail d'IA. Elle est également facile et flexible à utiliser car c'est une base de données Postgres. Je pense que l'ajout de bases de données à mise à l'échelle automatique est une très bonne amélioration ; au lieu d'avoir des unités de calcul statiques attribuées à chaque base de données, elles peuvent maintenant s'adapter automatiquement. J'aime aussi le fait qu'avec la mise à l'échelle automatique, vous pouvez définir à la fois le CU minimum et maximum, ce qui vous donne plus de contrôle tout en gardant les choses flexibles. Avis collecté par et hébergé sur G2.com.

La tarification n'est toujours pas très claire, les choses sont encore mesurées en unités de calcul, ce qui est vraiment difficile à comprendre pour la tarification. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus chez Azure Databricks, c'est la façon dont il s'intègre parfaitement à l'écosystème Azure — en particulier avec des services comme Data Lake, Synapse et Data Factory. Il offre un excellent équilibre entre facilité d'utilisation et capacités avancées, permettant aux utilisateurs techniques et non techniques de collaborer dans un environnement unique. Les notebooks sont intuitifs et prennent en charge plusieurs langages tels que SQL, Python et R, ce qui rend l'implémentation et l'expérimentation fluides. Je l'utilise fréquemment pour construire et gérer des pipelines de données, exécuter des transformations et développer des modèles d'apprentissage automatique. La scalabilité de la plateforme, les clusters à mise à l'échelle automatique et les fonctionnalités gérées de Delta Lake rendent la gestion de grands ensembles de données efficace. Le support client est généralement utile et la plateforme continue d'évoluer avec des mises à jour fréquentes qui ajoutent encore plus de fonctionnalités utiles. Avis collecté par et hébergé sur G2.com.

Bien que Azure Databricks soit puissant, quelques domaines pourraient être améliorés. La configuration initiale et la configuration de l'environnement peuvent être légèrement complexes pour les nouveaux utilisateurs, et les temps de démarrage des clusters peuvent parfois être lents. La structure tarifaire nécessite également une surveillance attentive — les coûts peuvent augmenter rapidement si les clusters ne sont pas optimisés ou auto-terminés correctement. Bien que l'interface soit robuste, elle pourrait être plus conviviale pour les débutants, et le contrôle de version des notebooks pourrait être plus fluide. Le temps de réponse du support client peut varier en fonction de la gravité du problème. Cependant, une fois que vous vous êtes habitué à l'environnement, c'est une plateforme très capable et fiable pour les charges de travail et les analyses de données quotidiennes. Avis collecté par et hébergé sur G2.com.

La plateforme gère le traitement de données à grande échelle avec une fluidité impressionnante, et son interface devient assez conviviale après une courte courbe d'apprentissage. L'intégration avec d'autres services Azure est simple, ce qui accélère considérablement le processus de mise en œuvre. J'apprécie la variété des fonctionnalités disponibles pour l'ETL et l'analyse, nous permettant de l'utiliser régulièrement pour une gamme de charges de travail différentes. Lorsque des problèmes surviennent, la documentation et les ressources de support sont généralement suffisantes pour aider à résoudre les problèmes rapidement. Avis collecté par et hébergé sur G2.com.

Parfois, la plateforme peut sembler un peu compliquée pour les nouveaux arrivants, et il peut falloir un certain temps pour que les clusters démarrent. La gestion des coûts n'est pas toujours simple, et certaines fonctionnalités nécessitent une configuration supplémentaire. Bien que le support soit généralement utile, les temps de réponse peuvent parfois être lents. Avis collecté par et hébergé sur G2.com.

J'utilise Azure Databricks pour le traitement des données, l'ETL et l'analyse de grands ensembles de données. J'aime sa scalabilité et la collaboration facile sur une plateforme unifiée. J'apprécie ses performances rapides, son intégration transparente avec d'autres services Azure, et ses notebooks conviviaux. La configuration initiale a été très facile, surtout avec les directives fournies sur le site web. Avis collecté par et hébergé sur G2.com.

Gestion des coûts, démarrage rapide des clusters et une interface utilisateur plus intuitive pour les débutants. Avis collecté par et hébergé sur G2.com.

Azure Databricks est une excellente plateforme qui offre un environnement robuste pour interroger de grands ensembles de données via Apache Spark. J'apprécie particulièrement la facilité avec laquelle il s'intègre avec le compte de stockage Azure et les notebooks, rendant l'analyse de big data efficace et évolutive. Le contrôle de version intégré de Databricks, combiné à une intégration fluide avec GitHub, facilite la collaboration et la gestion du code. C'est l'une des meilleures configurations avec lesquelles j'ai travaillé. Avis collecté par et hébergé sur G2.com.

La configuration et la configuration du cluster sont parfois déroutantes et prennent du temps. Avis collecté par et hébergé sur G2.com.

Azure Databricks nous a offert une plateforme unifiée pour exécuter nos charges de travail Spark sur Azure Data Lake Storage Gen2. Nous avons pu migrer nos données et pipelines Hadoop sur site vers le cloud avec un minimum de réingénierie. Ses clusters gérés, l'autoscaling, les notebooks et l'intégration étroite avec les services Azure (ADLS, Key Vault, ADF) ont permis d'économiser beaucoup d'efforts en infrastructure et maintenance. Les notebooks PySpark ont rendu le développement et le débogage beaucoup plus faciles par rapport à notre configuration précédente. Avis collecté par et hébergé sur G2.com.

Les temps de démarrage des clusters peuvent encore être lents pour des tests rapides. La tarification est basée sur la consommation et peut devenir coûteuse si les clusters sont laissés en fonctionnement ou mal dimensionnés. Certaines fonctionnalités d'entreprise (par exemple, la sécurité granulaire, la surveillance) nécessitent une configuration supplémentaire. Et comparé à Hadoop sur site, il y a une courbe d'apprentissage pour les autorisations d'espace de travail et l'automatisation DevOps. Avis collecté par et hébergé sur G2.com.