Avis et détails du produit Databricks

What I like best about Databricks is its powerful and unified analytics ecosystem. Features like Unity Catalog and Metastore make data governance and access control seamless, while the Lakehouse architecture combines the best of data lakes and warehouses. PySpark support, dbutils, and collaborative workspaces make development efficient, and serverless compute simplifies scaling without infrastructure overhead. Avis collecté par et hébergé sur G2.com.

What I dislike about Databricks is the slow startup time of all-purpose clusters, which can interrupt workflow and reduce productivity. Additionally, Git integration can feel a bit sluggish at times, especially during commits or syncing, making version control less seamless than expected. Avis collecté par et hébergé sur G2.com.

Databricks' ability to seamlessly integrate everything is what I find most appealing. When working on actual projects, it really makes a big difference that you don't have to switch between several tools for data engineering, analysis, and machine learning.

The collaborative element is very noteworthy. Teams may easily collaborate without things becoming messy thanks to the notebooks' fluid and dynamic feel. For significant data work, it resembles Google Docs almost exactly.

I also really like how efficiently it manages large amounts of data without making it seem difficult. Even when working with large datasets, the platform feels user-friendly and can be scaled up when necessary.

Additionally, it makes perfect sense from an AI/ML standpoint. You are able to construct, Avis collecté par et hébergé sur G2.com.

Databricks can initially feel a little overwhelming, which is something I don't like. Clusters, notebooks, jobs, workflows—there's a lot going on, and if you're new, it takes some time to truly grasp how everything works together.

Cost control is another drawback. It is undoubtedly strong, but expenses might quickly increase if you are careless with cluster usage or auto-scaling settings. To keep everything under control, you need to exercise some self-control and keep an eye on things.

Databricks can initially feel a little overwhelming, which is something I don't like. Clusters, notebooks, jobs, workflows—there's a lot going on, and if you're new, it takes some time to truly grasp how everything works together.

Cost control is another drawback. It is undoubtedly strong, but expenses might quickly increase if you are careless with cluster usage or auto-scaling settings. To keep everything under control, you need to exercise some self-control and keep an eye on things. Avis collecté par et hébergé sur G2.com.

Je crois que l'aspect le plus attrayant de Databricks réside dans sa nature tout-en-un, ce qui facilite la gestion des données. Auparavant, lorsque j'utilisais plusieurs outils pour des activités liées aux données, l'expérience n'était pas excellente, mais ici tout semble être interconnecté et simple.

La capacité d'utiliser des notebooks, surtout lorsque l'on travaille avec PySpark, est un autre avantage de Databricks que j'apprécie au cœur. L'outil permet d'exécuter rapidement des changements et des modifications sans préparation excessive. Cela a également un impact positif sur le processus de collaboration au sein de mon équipe qui peut travailler simultanément sur leurs projets et suivre l'avancement global. Cependant, le contrôle de version peut parfois sembler un peu flou à mon avis.

En termes de performance, Databricks me semble efficace pour gérer de grandes quantités de données et fonctionner sans à-coups ni retards. Le redimensionnement des clusters se fait automatiquement, ce qui permet à mon équipe et moi de gagner du temps au niveau de l'infrastructure. Par conséquent, c'est facile car aucune planification et ajustement supplémentaires ne sont nécessaires.

Il y a de petits problèmes avec l'interface utilisateur, qui fonctionne parfois lentement. Mais dans l'ensemble, grâce à d'autres aspects super comme les méthodes faciles pour implémenter et intégrer des choses, cela m'encourage à utiliser Databricks fréquemment. Avis collecté par et hébergé sur G2.com.

Un aspect de Databricks que je n'aime pas est son interface utilisateur. Plus vous passez de temps à utiliser l'outil, plus il devient agaçant de naviguer entre les notebooks et les clusters.

L'autre problème est que les coûts peuvent s'accumuler rapidement si nous ne faisons pas attention. Des clusters inutiles peuvent fonctionner plus longtemps que nécessaire et sans que moi ou mon équipe en soyons informés, augmentant ainsi les coûts dans nos projets.

Il y a aussi la complexité du débogage des erreurs, qui est parfois difficile car cela implique de faire un effort supplémentaire pour essayer de découvrir où les choses ont pu mal tourner, surtout lorsqu'on traite des pipelines complexes.

Parfois, il y a des divergences concernant le service client qui nous emmènent là où nous n'avons pas besoin d'être. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus chez Databricks, c'est la façon dont il réunit l'ingénierie des données, l'analytique et l'apprentissage automatique dans un espace de travail unifié. Je trouve la collaboration beaucoup plus facile avec les notebooks partagés, et l'intégration transparente avec les outils de big data me fait gagner du temps. Il simplifie les flux de travail complexes tout en offrant des capacités puissantes lorsque j'en ai besoin. Avis collecté par et hébergé sur G2.com.

Une chose que je n'aime pas à propos de Databricks, c'est que cela peut sembler coûteux, surtout pour les petits projets ou les petites équipes. Je trouve également que la configuration des clusters et la gestion des coûts sont parfois un peu complexes. L'interface, bien que puissante, peut être intimidante pour les débutants, et le débogage des tâches distribuées n'est pas toujours aussi simple que je le souhaiterais. Avis collecté par et hébergé sur G2.com.

Ce que j'apprécie le plus chez Databricks, c'est la façon dont il regroupe tout sous un même toit. Avant Databricks, je jonglais avec des outils séparés pour l'ingestion de données, la transformation, l'analyse et le ML, et honnêtement, c'était un cauchemar de les garder tous synchronisés. Avec l'architecture Lakehouse, je peux stocker mes données brutes, exécuter des transformations Spark lourdes, créer des tableaux de bord et même entraîner des modèles ML sur la même plateforme. Unity Catalog par-dessus cela me donne un endroit unique pour gérer les permissions, la traçabilité et la découverte des données, ce qui me prenait auparavant des jours à assembler avec des scripts personnalisés. Cela élimine tellement de frictions au quotidien.

D'un point de vue workflow, l'expérience du notebook avec la collaboration en temps réel a été un changement radical pour mon équipe. Nous avions l'habitude de nous échanger des scripts Python via Slack en espérant que personne ne réécrive le travail des autres, maintenant nous co-éditons dans le même notebook et voyons les résultats instantanément. Les Spark Declarative Pipelines (ce qui s'appelait auparavant Delta Live Tables) me permettent de définir tout mon ETL comme de simples déclarations SQL ou Python, et la plateforme gère automatiquement les reprises, les contrôles de qualité des données et le suivi de la traçabilité. Je ne m'attendais pas non plus à ce que l'orchestrateur de Jobs soit aussi flexible : je peux configurer des DAGs multi-tâches avec des dépendances, définir des horaires et recevoir des alertes sans avoir besoin d'Airflow ou de tout autre planificateur externe. Cela seul nous a fait gagner des semaines de configuration d'infrastructure.

Le côté IA et intelligence des choses m'a honnêtement le plus surpris. Les tableaux de bord AI/BI permettent aux personnes non techniques de mon équipe de poser des questions en anglais simple et d'obtenir des visualisations réelles en retour, ce qui signifie moins de demandes "hé, peux-tu me sortir ces données" dans ma boîte de réception. Model Serving rend le déploiement d'un modèle ML ou d'un agent IA sur un point de terminaison de production presque trivialement facile comparé à la création de votre propre application Flask sur Kubernetes. Et les intégrations sont solides, que ce soit pour se connecter à des outils externes via le SDK Databricks, utiliser l'API REST, ou se brancher à des assistants de codage IA via des serveurs MCP, cela fonctionne bien avec la pile que vous utilisez déjà. Le retour sur investissement a été clair pour nous : moins de temps sur la plomberie, plus de temps sur le véritable travail de données. Avis collecté par et hébergé sur G2.com.

Le modèle de tarification est probablement mon plus gros reproche avec Databricks. Il est basé sur les DBU (Databricks Units), et honnêtement, cela peut devenir rapidement déroutant d'essayer de comprendre ce qui va vous coûter quoi. Vous lancez un cluster pour quelques tests rapides, oubliez de l'éteindre pendant le week-end, et soudainement votre facture ressemble à celle d'une charge de travail de production pour une entreprise du Fortune 500. Même avec les options d'autoscaling et sans serveur, les coûts peuvent augmenter de manière imprévisible, surtout pour les petites équipes ou les startups qui n'ont pas de personne dédiée aux FinOps pour surveiller le compteur. J'aimerais que la tarification soit plus transparente et plus facile à estimer à l'avance sans avoir besoin d'un tableur et d'une prière.

La courbe d'apprentissage est plus raide que ce que les gens laissent entendre. Si vous venez d'un environnement SQL traditionnel ou si vous n'avez travaillé qu'avec des outils plus simples comme les plateformes ETL de base, Databricks peut sembler accablant au début. Il y a beaucoup de concepts à assimiler : espaces de travail, clusters, catalogues, schémas, entrepôts, notebooks, tâches, pipelines et la documentation, bien que complète, suppose parfois que vous savez déjà ce que vous cherchez. L'intégration de nouveaux membres de l'équipe prend plus de temps que je ne le souhaiterais car il n'y a pas de chemin guidé unique qui dit "commencez ici, puis allez là-bas." Vous devez un peu assembler les pièces vous-même ou vous appuyer sur quelqu'un qui est déjà passé par là.

En termes de performance, c'est généralement solide, mais il y a des moments qui testent votre patience. Les démarrages à froid sur les clusters peuvent prendre quelques minutes, ce qui casse votre rythme lorsque vous voulez juste exécuter une requête rapide ou tester un petit changement. Le calcul sans serveur a beaucoup amélioré cela, mais il n'est pas encore disponible pour tous les types de charges de travail, et parfois l'option sans serveur a ses propres bizarreries avec la compatibilité des bibliothèques. L'interface utilisateur du notebook, bien que fonctionnelle, peut également sembler lente lorsque vous travaillez avec de grandes sorties ou de longs notebooks, elle n'est pas aussi réactive qu'un IDE local. Ce ne sont pas des obstacles insurmontables, mais ce sont le genre de petites irritations qui s'accumulent au cours d'une longue journée de développement. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus chez Databricks, c'est la façon dont il réunit l'ingénierie des données, l'analytique et l'apprentissage automatique dans un espace de travail propre. Cela permet de gagner du temps, facilite la collaboration et aide les équipes à avancer plus rapidement avec de grandes quantités de données. Avis collecté par et hébergé sur G2.com.

Ce que je n'aime pas chez Databricks, c'est que l'Auto Loader peut devenir frustrant lorsque les données sources changent fréquemment, surtout si les noms de colonnes ou les types de données changent sans avertissement.

Par exemple, un champ comme customer_id peut soudainement apparaître sous le nom de cust_id, ou une colonne qui était auparavant une chaîne de caractères peut commencer à arriver sous forme d'entier, ce qui peut entraîner une dérive de schéma et perturber le traitement en aval.

Je trouve également gênant lorsque l'inférence de schéma n'est pas entièrement précise, comme lorsque des données JSON imbriquées ou semi-structurées sont lues incorrectement, car cela nécessite ensuite des corrections manuelles supplémentaires et de la maintenance pour que les pipelines fonctionnent correctement. Avis collecté par et hébergé sur G2.com.

J'aime que Databricks rassemble tout en un seul endroit, rendant inutile l'utilisation de différents outils pour le traitement des données, l'analyse et le travail sur les pipelines. Il gère bien les grandes quantités de données, et nous n'avons pas à nous soucier de gérer les clusters manuellement. De plus, Databricks gère bien la collaboration et l'expérimentation, ce qui facilite l'essai de nouvelles choses. Avis collecté par et hébergé sur G2.com.

De mon point de vue, le domaine qui peut être amélioré est la gestion des coûts. Si les clusters ne sont pas surveillés attentivement, les coûts peuvent augmenter plus rapidement que prévu. Une amélioration qui serait utile est une meilleure visibilité des coûts à un niveau plus détaillé. Plus d'alertes intégrées ou de recommandations lorsque les coûts commencent à augmenter de manière inattendue seraient également utiles. Avis collecté par et hébergé sur G2.com.

L'approche de la plateforme unifiée est ce que j'apprécie le plus. Avoir des notebooks, des pipelines d'ingénierie des données, des workflows de ML et des analyses SQL au même endroit permet de gagner énormément de temps au lieu de jongler avec plusieurs outils. Les notebooks collaboratifs facilitent le partage du travail avec les coéquipiers, et la gestion des clusters est devenue beaucoup plus fluide au fil du temps. L'intégration de Delta Lake est également un énorme avantage pour maintenir nos données fiables et cohérentes. Avis collecté par et hébergé sur G2.com.

Le coût peut rapidement devenir incontrôlable si vous ne faites pas attention à la taille des clusters et au temps de fonctionnement. Il n'est pas toujours évident d'optimiser les dépenses, et le modèle de tarification semble complexe. La courbe d'apprentissage pour les nouveaux membres de l'équipe est également plus raide que je ne le souhaiterais, surtout pour les personnes qui ne sont pas déjà familières avec Spark. Parfois, l'interface utilisateur peut sembler lente lorsqu'on travaille avec des notebooks plus volumineux, et le débogage des échecs de tâches pourrait être plus simple. Avis collecté par et hébergé sur G2.com.

J'aime que Databricks soit une solution tout-en-un où je peux effectuer plusieurs tâches au même endroit. C'est puissant pour gérer des données provenant de multiples sources et les avoir dans un seul UC pour gérer les permissions avec une sécurité au niveau des lignes. J'apprécie également de pouvoir créer des expériences, exécuter plusieurs modèles et sélectionner le meilleur à partir des journaux, ce qui était difficile sur d'autres plateformes. Une fois que j'ai appris la configuration, il a été facile et confortable de travailler avec. Avis collecté par et hébergé sur G2.com.

Je trouve difficile d'utiliser la calculatrice pour déterminer les prix des points de terminaison de service CPU car la documentation ne l'explique pas explicitement. Elle mentionne seulement qu'une concurrence égale un DBU sur la page Azure, ce qui n'est pas clair. La calculatrice de prix a une seule option pour les points de terminaison de service, étiquetée comme moyenne avec quatre DBU, mais elle manque d'options séparées pour le GPU ou le CPU et leur concurrence, ce qui rend difficile la compréhension de son fonctionnement. Au début, j'ai également trouvé très difficile d'apprendre Databricks et de gérer les déploiements des espaces de travail, bien que cela soit devenu plus facile avec le temps. Avis collecté par et hébergé sur G2.com.

J'apprécie vraiment la façon dont la plateforme réunit les lacs de données et les entrepôts en un seul endroit. Cela rend la gestion des données beaucoup plus facile, et les performances SQL sont très rapides grâce au moteur Photon. J'aime aussi les notebooks collaboratifs car ils me permettent de travailler avec SQL et Python de manière transparente dans un seul environnement. Avis collecté par et hébergé sur G2.com.

Le coût peut être élevé, et le système de facturation DBU est assez complexe à suivre. J'ai également constaté qu'il y a une courbe d'apprentissage significative en ce qui concerne Spark et la configuration des clusters. Pour des tâches plus petites et rapides, le temps de configuration et la surcharge technique peuvent parfois sembler un peu trop importants. Avis collecté par et hébergé sur G2.com.