Zipher a constamment fourni des économies de coûts mesurables sur Databricks tout en améliorant la stabilité des charges de travail. Il a optimisé l'autoscaling des clusters en réduisant le roulement inutile des nœuds et en maintenant un équilibre stable entre la capacité à la demande et la capacité spot. Nous avons constaté une meilleure utilisation des DBU à travers les clusters interactifs et de tâches, ainsi qu'une dépense plus prévisible et des temps d'exécution des tâches plus rapides, ce qui conduit à réduire notre coût global de calcul. Avis collecté par et hébergé sur G2.com.
L'optimisation automatisée de Zipher fonctionne intelligemment en arrière-plan, en analysant les charges de travail historiques de Databricks et en ajustant les ressources en fonction des modèles appris. Comme une grande partie de cette logique est abstraite, nous ne voyons pas toujours comment les décisions sont prises, mais l'expérience sans intervention a été fluide et efficace. Une plus grande visibilité sur la logique d'autoscaling rendrait encore plus facile la compréhension et la confiance dans les optimisations au fur et à mesure qu'elles se produisent. Avis collecté par et hébergé sur G2.com.
