Recensioni e Dettagli del Prodotto Databricks Data Intelligence Platform

Utilizzo principalmente la piattaforma Databricks Data Intelligence per manipolare grandi set di dati che archiviamo nei bucket cloud e creare pipeline ETL, oltre a configurare notebook su cui svolgo molto lavoro esplorativo. Mi piace molto che tutto sembri pronto all'uso, come l'avvio rapido dei cluster, lo scaling che funziona in background e posso davvero smettere di preoccuparmi delle questioni infrastrutturali e concentrarmi sull'analisi. Recensione raccolta e ospitata su G2.com.

L'interfaccia utente può sembrare lenta, specialmente quando sono nel bel mezzo di una sessione pesante con il notebook e a volte le cose sono semplicemente LENTE a cliccare o i lavori non si annullano quando lo chiedo. E ho appena iniziato a sperimentare con il software del cluster, e anche se è potente c'è sicuramente una curva di apprendimento mentre continuo a scavare tra le cose cercando di capire quale impostazione del cluster o del runtime sta facendo funzionare le cose diversamente dalle altre. Recensione raccolta e ospitata su G2.com.

La piattaforma Databricks Data Intelligence è molto affidabile ed è bello sapere che l'architettura cloud native non è andata giù subito dopo che l'ho distribuita su Kubernetes. Onestamente, pensavo che l'integrazione Python/R sarebbe stata compromessa, quindi è stato uno shock scoprire che entrambi funzionavano senza alcun ritardo. Recensione raccolta e ospitata su G2.com.

Quei prezzi delle licenze sono criminali per quello che si riceve. Inoltre, la gestione del "cas server" del prodotto è stata un vero incubo da cercare di capire. Ho passato due ore solo cercando di capire come usare le sessioni. Non c'è un modo diretto per ottenere aiuto dalla documentazione o da Google. Recensione raccolta e ospitata su G2.com.

Databricks ha reso il lavoro con enormi set di dati molto più semplice per il nostro team. I notebook collaborativi ci aiutano a condividere idee e risolvere problemi insieme, e la capacità della piattaforma di scalare significa che non dobbiamo preoccuparci di raggiungere limiti. Ha accelerato i nostri progetti di analisi e apprendimento automatico, e connettersi a diverse fonti di dati è un gioco da ragazzi. Recensione raccolta e ospitata su G2.com.

L'impostazione iniziale era un po' confusa e alcune delle funzionalità avanzate potrebbero beneficiare di una documentazione migliore. Capire i prezzi ha richiesto un po' di tempo, ma una volta avviati, i benefici erano chiari. Recensione raccolta e ospitata su G2.com.

Sto usando Databricks da circa un anno. In una settimana lo uso circa 3-4 giorni. Tutto è integrato, il che significa che non devo passare tra diversi strumenti per svolgere compiti diversi. Migliora davvero la collaborazione del team. Condividere notebook e collaborare sui modelli è estremamente facile. Questo è stato fantastico per il nostro team poiché spesso lavoriamo insieme su progetti e abbiamo bisogno di vedere il codice e i progressi degli altri. Recensione raccolta e ospitata su G2.com.

Questo è probabilmente il più grande svantaggio. Databricks può diventare piuttosto costoso, specialmente se non si monitora attentamente l'uso. È sicuramente una piattaforma più adatta per team con un budget più ampio o organizzazioni che necessitano di un'elaborazione dati intensiva. Recensione raccolta e ospitata su G2.com.

La cosa migliore di Databricks è che consolida molto facilmente l'ingegneria dei dati, la scienza dei dati e l'analisi, tutto in un unico posto. Pertanto, posso elaborare rapidamente enormi set di dati, eseguire operazioni di machine learning molto complesse, tutto senza cambiare strumenti. La collaborazione attraverso i notebook con il mio team in tempo reale ha davvero ridotto molto il vai e vieni che avevo prima. Recensione raccolta e ospitata su G2.com.

Il grande problema è che i prezzi possono aumentare rapidamente se non sto attento alla dimensione del cluster o se dimentico di spegnerli. Ho dovuto imparare a usare alcune delle funzionalità più avanzate, come Unity Catalog e i connettori MLflow, se volevo usarli bene. L'unica cosa che aggiungerei è un'interfaccia facile, come in alcuni prodotti BI. Potrebbe essere opprimente per i principianti. Recensione raccolta e ospitata su G2.com.

Quello che mi piace davvero di Databricks è come riunisce tutto—ingegneria dei dati, analisi e machine learning—in un unico posto. Risparmia molto tempo quando si passa da un flusso di lavoro all'altro. I notebook collaborativi sono estremamente utili quando si lavora in team, e l'integrazione con Spark funziona senza troppi problemi. Delta Lake è anche un vantaggio—essere in grado di gestire grandi set di dati con versioning e supporto ACID è sinceramente un salvavita in scenari di produzione. Recensione raccolta e ospitata su G2.com.

La piattaforma può sembrare un po' intimidatoria all'inizio, specialmente se sei nuovo agli strumenti di big data. Configurare i cluster e comprendere il modello di prezzi mi ha richiesto un po' di tempo. Inoltre, l'interfaccia utente a volte è lenta quando si lavora con notebook di grandi dimensioni o si passa tra più schede. Vorrei che l'onboarding fosse un po' più adatto ai principianti. Recensione raccolta e ospitata su G2.com.

Databricks eccelle nell'unificare l'ingegneria dei dati, l'analisi e il machine learning in un ambiente collaborativo basato su cloud. Il suo supporto per più linguaggi di programmazione (Python, SQL, Scala, R) lo rende incredibilmente flessibile. L'architettura Lakehouse semplifica la gestione dei dati combinando il meglio dei data lake e dei data warehouse. I cluster di calcolo auto-scalabili, l'integrazione stretta con strumenti come MLflow e i potenti notebook semplificano la sperimentazione e il deployment in produzione. Apprezzo anche gli aggiornamenti frequenti del prodotto e l'impegno verso le tecnologie open-source come Apache Spark e Delta Lake. Recensione raccolta e ospitata su G2.com.

Sebbene potente, Databricks ha una curva di apprendimento—soprattutto per gli utenti non tecnici o per coloro che sono nuovi alle architetture basate su Spark. I costi possono aumentare rapidamente se non vengono monitorati attentamente, in particolare con i cluster sempre attivi. L'interfaccia utente, sebbene in miglioramento, risulta ancora poco intuitiva in alcune aree (come la gestione dei lavori o dei permessi dei cluster). Alcune integrazioni, specialmente con sistemi on-premise, richiedono sforzi aggiuntivi o soluzioni personalizzate. Recensione raccolta e ospitata su G2.com.

Mi piace che Databricks fornisca un ambiente unificato per l'ingegneria dei dati, l'analisi e il machine learning. La piattaforma rende facile collaborare tra i team, gestire dati su larga scala in modo efficiente e costruire modelli di intelligenza artificiale avanzati utilizzando la stessa infrastruttura. L'integrazione con i principali fornitori di cloud e l'architettura Lakehouse rendono la gestione dei dati sia flessibile che scalabile. Recensione raccolta e ospitata su G2.com.

Sebbene Databricks sia una piattaforma potente e flessibile, può essere complessa da configurare e gestire, specialmente per i team senza una forte competenza in ingegneria dei dati. La struttura dei costi può anche diventare costosa per carichi di lavoro continui, e l'ottimizzazione delle prestazioni a volte richiede una conoscenza approfondita di Spark e dell'ottimizzazione dei cluster. Inoltre, l'interfaccia utente potrebbe essere più intuitiva per gli utenti non tecnici. Recensione raccolta e ospitata su G2.com.

Databricks eccelle nell'unificare l'ingegneria dei dati, l'analisi e il machine learning in un'unica piattaforma senza soluzione di continuità. Quello che mi piace di più è come gestisce senza sforzo enormi volumi di dati consentendo lo sviluppo collaborativo attraverso i notebook. L'integrazione con Apache Spark e la capacità di eseguire carichi di lavoro scalabili con ML, SQL e Python fianco a fianco lo rendono una potenza per i team orientati ai dati. La sua governance e l'architettura Delta Lake garantiscono anche affidabilità e sicurezza lungo l'intera pipeline dei dati. Recensione raccolta e ospitata su G2.com.

Sebbene Databricks sia incredibilmente potente, la curva di apprendimento può essere ripida per gli utenti non tecnici o per i team nuovi al calcolo distribuito. L'interfaccia utente, sebbene funzionale, può a volte sembrare un po' goffa rispetto a piattaforme di dati più moderne. Inoltre, gestire i costi in un ambiente multiutente richiede una governance attenta, specialmente per i team che eseguono lavori su larga scala e ad alta intensità di calcolo. Recensione raccolta e ospitata su G2.com.

Ci sono vari motivi per cui mi piace la Piattaforma di Intelligenza Dati di Databricks.

Abbiamo utilizzato Databricks come Piattaforma Unificata per Tutti i nostri Carichi di Lavoro sui Dati (pipeline e modelli) che comprende ingegneria dei dati, scienza dei dati, analisi e AI agentica.

Amiamo l'architettura del lakehouse che aiuta a integrare rapidamente e in modo scalabile gli specialisti del data warehousing tradizionale in Databricks.

Abbiamo effettuato l'aggiornamento a Unity Catalog l'anno scorso, che ha semplificato la governance e il controllo degli accessi su tutti gli asset; e quest'anno abbiamo implementato il calcolo Serverless che ha ridotto notevolmente il tempo di avvio/attesa dei cluster.

Stiamo esplorando lo spazio dell'AI agentica ora, dove costruiamo prompt facili da comprendere per addestrare agenti costruiti su dataset. Questo aiuta a profilare/segmentare/analizzare i dati da parte di chiunque (anche una persona d'affari non tecnica).

Il team BI ha utilizzato Databricks per connettersi con i nostri dashboard Power BI mentre il team di Ingegneria ha utilizzato Databricks per connettersi con Airflow per creare/visualizzare DAG nativi.

Ultimo ma non meno importante, il concetto di Notebook di Databricks è fantastico. Nello stesso notebook di Databricks, si può avere codice in più lingue (Python, Scala, SQL ecc.) e ciascuna può essere cambiata in fase di esecuzione. I notebook collaborativi integrati con supporto per più lingue (Python, Scala, SQL, R) e la co-autoria in tempo reale rendono più facile per i team iterare rapidamente insieme. Recensione raccolta e ospitata su G2.com.

-- Costi imprevedibili per piccoli team. Lo abbiamo affrontato quando uno dei nostri flussi di lavoro AI degli agenti è stato in esecuzione per molto tempo su un dataset molto piccolo.

-- Il costo basato su calcolo + archiviazione significa che l'ottimizzazione è fondamentale. Ogni trimestre, dobbiamo davvero mantenere aggiornate le nostre previsioni di Databricks poiché non vogliamo una grande deviazione tra previsione e realtà.

-- Sebbene Databricks supporti i dashboard (con limitazioni), non può sostituire strumenti di BI come Power BI, Tableau ecc. Recensione raccolta e ospitata su G2.com.