LakeFS-i alternatiivid: nutikamad viisid andmete versioonimiseks, ilma et kaotaksid mõistust
Kas oled kunagi soovinud, et su andmejärv käituks nagu Git – miinus krüptilised käsud ja see osa, kus su töökaaslane nimetas haru “final_FINAL_no_really”? Mina ka. See on andmete versioonikontrolli tööriistade, nagu lakeFS, lubadus: harud andmekogumite jaoks, korratavad eksperimendid, tagasipöördumised, kui keegi laadib üles CSV, mille veerud on segamini nagu Uno kaardipakk.
Kuid lakeFS ei ole sinu ainus võimalus. Võib-olla kasutad sa kohalikku serverit. Võib-olla oled sa objektisalvestuse semantika suhtes allergiline. Võib-olla sa lihtsalt soovid odavamat, lihtsamat või lao-kesksemat seadistust. Täna teeme sõbraliku, lihtsas keeles tuuri lakeFS-i alternatiivide juurde – milles need head on, kus nad komistavad ja kuidas valida üks, ilma et peaksid oma nädalavahetust ohverdama.
Spoiler: Siin ei ole ühtegi võitjat. See on rohkem nagu õige kohvri valimine oma reisile. Seljakott päevasteks matkadeks, ratastega kott lennujaama jaoks, aurikukirst, kui sa sümfooniat kolid. Sobitame kohvrid sinu reisiga.
Mida me mõtleme “LakeFS-i alternatiivide” all (ja miks sa võiksid seda tahta)
LakeFS-i alternatiivid on tööriistad ja mustrid, mis annavad sulle Git-i sarnase versioonihalduse andmetele – harude loomine, märgistamine, ajas rändamine, reprodutseeritavus – ilma lakeFS-i ennast kasutamata. Peamised põhjused, miks inimesed valivad alternatiivi:
- Sa elad andmelaos, mitte andmejärves. Sa soovid versioonimist Snowflake'i, BigQuery, Redshift'i või Databricks'i sees, mitte S3 või GCS-i.
- Sa eelistad tabeliformaate globaalsetele kataloogidele. Apache Iceberg ja Delta Lake annavad sulle hetktõmmiste põhise versioonimise tabeli tasemel.
- Sa soovid kergemat päritolu ja haldust. Võib-olla sa saad sinna, kuhu sa lähed, dbt hetktõmmiste, ajas rändamise või kataloogiga.
- Sul on ranged infrastruktuurireeglid. Õhuvahe, kohalik server või müüja lukustamise poliitika, mis on rangem kui sinu põhikooli raamatukoguhoidja.
Tee peal võrdleme tööriistu, näitame minijuhendeid ja jagame praktilisi näpunäiteid, et saaksid seda kraami testida ilma konveierit peatama.
Lühinimekiri: LakeFS-i alternatiivid maitse järgi
Mõtle lakeFS-ile kui “globaalsele Gitile järve jaoks”, mis on kihistatud objektisalvestusele. Alternatiivid jagunevad tavaliselt nendesse kategooriatesse:
- Tabeliformaadid ajas rändamisega
- Delta Lake (Databricks ja avatud lähtekood)
- Snowflake Time Travel ja Zero-Copy Cloning
- BigQuery hetktõmmised ja tabelikloonid
- Redshift hetktõmmised (koos hoiatustega)
- Unity Catalog (Databricks)
- AWS Glue Data Catalog + Lake Formation
- Avatud lähtekoodiga kataloogid nagu Nessie (Icebergile)
- Töövoo + modelleerimise lähenemised
- dbt hetktõmmised ja seemned
- Orkestreerimine päritoluga (Dagster, Prefect)
- Versioonitud objektisalvestused ja andmeportaalid
- Pachyderm (versioonitud andmetöötlusliinid)
- Quilt (S3 andmepaketi versioonimine)
- DVC (Data Version Control) koos kaugmäluga
Pakkigem igaüks lahti – mida see teeb, kellele see on mõeldud ja kuidas see lakeFS-iga võrdleb.
Tabeliformaadid: Iceberg, Delta ja Hudi
Kui lakeFS on “Git sinu järve jaoks”, siis tabeliformaadid on “ajas rändavad tabelid sinu järve sees”. Nad salvestavad andmeid koos tehingulogiga, et saaksid tabeli tasemel hetktõmmiseid teha, tagasi pöörata ja harusid luua (erinevatel viisidel). Plussid? Sa saad ACID, skeemi arengu ja järjepidevad lugemised. Kompromiss? Versioonimine on tabelipõhine, mitte üle kogu ämbri.
Apache Iceberg: Rahulik, standarditele orienteeritud täiskasvanu toas
- Mis see on: Avatud tabeliformaat, mis eraldab puhtalt metaandmed andmefailidest, hetktõmmiste, partitsioonide arengu ja paljude mootorite toega (Spark, Flink, Trino, Snowflake, Athena ja teised).
- Miks see on alternatiiv: Sa saad ajas rännata ja tabeleid märgistada ilma globaalse kihita nagu lakeFS. Kataloogiga nagu Nessie saad sa Git-i sarnased harud oma tabeli metaandmetele paljude tabelite vahel.
- Kus see särab: Mitme mootoriga poed, arenevad skeemid ja kui sa soovid vältida patenteeritud lukustamist. Icebergi manifesti- ja metaandmepuud on korras; see skaleerub hästi.
- Mured: Harude loomine on metaandme-keskne; tabelitevaheline koordineerimine on lihtsam kataloogiga (nt Nessie). Sa haldad ikka veel orkestreerimist ja isolatsiooni tööde vahel.
Proovi demo:
- Loo Icebergi tabel, käivita oma ETL
dev harus Nessies, valideeri tulemused ja seejärel kiirendatud ühendamine main-i. Kui midagi läheb katki, saad suunata lugejad tagasi hetktõmmisele N-1.
LakeFS võrdlus: lakeFS annab sulle objekti tasemel harud kogu järvele; Iceberg annab sulle tabeli tasemel hetktõmmised. Nessiega hakkab Iceberg tunduma lakeFS-i lähedasena.
Delta Lake: Muscle Car – kiire, arvamuskindel, armastab Databricksit
- Mis see on: Tehingulogi formaat (avatud lähtekoodiga) natiivse toega Databricksis. Funktsioonide hulka kuuluvad ajas rändamine,
MERGE INTO ja muudatuste andmevoog.
- Miks see on alternatiiv: Delta ajas rändamine ja kloonid saavad hakkama enamiku “oops” hetkedega. Databricksis lisab Unity Catalog halduse ja tööruumidevahelise mõistuse.
- Kus see särab: Kui sa oled juba Databricksis. See on ergonoomiline, dokumendid on head ja jõudluse häälestamine on esmaklassiline kodanik.
- Mured: Väljaspool Databricksit võib funktsioonide võrdväärsus maha jääda. Tabelitevaheline harude loomine ei ole ikka veel sama, mis globaalsed järveharud.
Proovi demo:
- Loo Delta tabel, käivita eksperimendid “dev” skeemis, kasuta
VERSION AS OF, et võrrelda mõõdikuid, seejärel tootmiseks klooni ja vaheta.
LakeFS võrdlus: Delta kaitseb tabeleid briljantselt; lakeFS kaitseb “kõike ämbris”, sealhulgas mittetabelikujulisi artefakte (mudelid, pildid, CSV-d).
Apache Hudi: CDC-sõbralik tööloom
- Mis see on: Tabeliformaat, mis on optimeeritud upsertside ja muudatuste voogude jaoks, koos copy-on-write ja merge-on-read režiimidega.
- Miks see on alternatiiv: Suurepärane, kui sinu andmed saabuvad lakkamatult ja sa vajad inkrementaalset töötlemist ja tagasipööramist.
- Kus see särab: Sündmusterikkad torud, peaaegu reaalajas sissevõtmine ja CDC.
- Mured: Häälestamine võib tunduda nagu reaktiivmootori konfigureerimine. Dokumentatsioon on paranenud, kuid on olemas õppimiskõver.
LakeFS võrdlus: Hudi saab hakkama inkrementaalsusega nagu meister; lakeFS saab hakkama globaalse versioonimise ja reklaamivoogudega. Nad võivad kooseksisteerida.
Lao-põhine versioonimine: Snowflake, BigQuery, Redshift
Kui sa elad laos, võid sa üllatavalt kaugele jõuda ilma andmejärve Git kihita.
Snowflake Time Travel ja Zero-Copy Cloning
- Mis see on: Snowflake'i sisseehitatud “tagasikerimisnupp”. Taasta tabeleid, skeeme või andmebaase eelmisesse punkti; klooni terveid keskkondi ilma salvestusruumi dubleerimata.
- Miks see on alternatiiv: See on naeruväärselt lihtne püsti panna dev liivakast, testida ja ära visata.
- Kus see särab: Analüüsitiimid, kes soovivad reprodutseeritavust ilma uusi tööriistu õppimata.
- Mured: Time Travel säilitamine maksab raha ja piirdub kindla aknaga (kuni 90 päeva kõrgematel tasemetel). See on ainult Snowflake.
Proovi demo:
CREATE DATABASE stage CLONE prod; Käivita oma teisendused; kui see laulab, ühenda tagasi. Kui see krooksub, viska kloon ära ja kõnni minema.
LakeFS võrdlus: lakeFS saab hakkama failidega S3/GCS/Azure'is ja nendega seotud torudega. Snowflake'i maagia jääb Snowflake'i maale.
BigQuery hetktõmmised ja tabelikloonid
- Mis see on: Loo tabeli hetktõmmised, kasuta
FOR SYSTEM_TIME AS OF päringuid ja üha enam ka tabelikloone.
- Miks see on alternatiiv: Lihtne, serverless, ei mingeid operatsioone. Suurepärane eksperimenteerimiseks ja võrdlemiseks.
- Mured: Hetktõmmised ja kloonid on tabelipõhised; koordineerimine paljude tabelite vahel on DIY.
Redshift ja sõbrad
- Mis see on: Sa saad klastreid pildistada ja kasutada RA3 funktsioone; see ei ole nii sujuv kui Snowflake'i Time Travel.
- Kasutusjuhtum: Väiksemad poed, mis on juba AWS-is standardiseeritud ja soovivad “piisavalt head” tagasipööramist.
Kataloogid ja haldus: Unity, Glue ja Nessie
Need ei versiooni andmeid iseenesest (enamasti), kuid nad toovad korda – ja mõnikord ka harusid – sinu tabelitesse.
- Unity Catalog (Databricks): Tsentraliseeritud load, päritolu ja andmete avastamine tööruumide vahel. Deltaga on see halduse võimendus.
- AWS Glue + Lake Formation: Load ja kataloogimine S3 jaoks. Sa paaristad selle Iceberg/Delta/Hudiga versioonimise osa jaoks.
- Project Nessie: Git-i sarnane kataloog Icebergile, mis võimaldab harude/siltide loomist tabeli metaandmetele paljude tabelite vahel. See on “Ahaa!” mis paneb Icebergi tunduma lakeFS-i lähedasena.
Töövoo lähenemised: dbt, Dataform ja orkestraatorid
Kui sinu küsimus on “Kuidas ma saan selle tulemuse teisipäeval uuesti luua?”, siis mõnikord ei ole vastus uus salvestuskiht – see on distsipliin ja metaandmed.
- dbt hetktõmmised: Jäädvusta aeglaselt muutuvaid dimensioone ja säilita ajaloolist muudatuste registrit. See ei ole andmete harude loomine, kuid see on hindamatu auditi jälgede jaoks.
- Seemned ja artefaktid: Versiooni sisend CSV-d seemnetena; kontrolli neid Git-i; muuda mudelid reprodutseeritavaks versioonide kinnitamise abil.
- Orkestraatorid koos päritoluga (Dagster, Prefect): Jälgi sõltuvusi, materialiseeri dev vs. prod varasid ja valideeri enne reklaamimist.
Need on “protsessi alternatiivid”. Nad ei keera tagasi kogu sinu järve, kuid nad võivad muuta purunemise harvemaks – ja taastumise kiiremaks.
Versioonitud objektisalvestused ja andmeportaalid: Pachyderm, Quilt, DVC
- Pachyderm: Git andmetöötlusliinide jaoks koos konteineriseeritud sammude ja päritoluga. Kui sa elad ML-is ja soovid täielikku reprodutseeritavust, siis see on kassimuru.
- Quilt: Kohtle S3 nagu andmekogumite pakihaldurit. Sa avaldad versioonitud “pakette” koos dokumentatsiooni ja eelvaatega, mis on suurepärane jagamiseks.
- DVC: Git-i sarnane jälgimine suurtele failidele koos kaugmälu (S3, GCS jne). Suurepärane ML eksperimentide, mudelite ja andmekogumite versioonide ning CI integratsiooni jaoks.
Võrreldes lakeFS-iga, kaldub see rohkem ML töövoogude või inimestele sõbraliku andmekogumite pakendamise poole kui kogu järve haarava harude loomise poole.
LakeFS-i alternatiivi valimine: praktiline kontrollnimekiri
Siin on mõttetu filter, mida saad 10 minutiga käivitada:
- Enamasti ladu → Alusta lao-põhise kloonimise/ajas rändamisega (Snowflake, BigQuery). See on “tasuta” töötajate arvu poolest.
- Objektisalvestus + avatud mootorid → Kaalu Icebergi või Deltat; lisa Nessie või Unity Catalog halduse jaoks.
- ML-rasked torud → Vaata DVC-d või Pachydermi eksperimentide reprodutseeritavuse jaoks.
- Mida sa pead versioonima?
- Kogu järv, ristformaat, pluss mittetabelikujulised artefaktid (pildid, mudelid) → lakeFS-i on raske ületada; alternatiivid on kombinatsioonid.
- Põhilised analüüsitabelid → Iceberg/Delta/Hudi või lao kloonid.
- Kui kiiresti sa pead tagasi pöörama?
- Minutid: Hetktõmmised/kloonid (Snowflake, Delta).
- Tunnid: Iceberg koos kataloogi harude loomisega.
- Kohene kõige üle: lakeFS või väga distsiplineeritud pakipõhised lähenemised.
- Andmetehnikud, kes tunnevad end Spark/Trinoga mugavalt → Iceberg/Delta on head.
- Analüütikud, kes elavad SQL-is → Lao-põhine võidab südameid.
- ML teadlased → DVC/Pachyderm tunduvad loomulikud.
- Vajad muutumatut ajalugu ja silte → Iceberg/Delta hetktõmmised, dbt hetktõmmised või DVC koos kaugmäluga.
- Vajad andmekogumitevahelisi, inimloetavaid muudatuste märkmeid → lakeFS või Nessie harude loomine koos pull requestidega.
Näita ja räägi: Kaks realistlikku mustrit ilma lakeFS-ita
Vaatame läbi kaks mustrit, mida saad sel pärastlõunal proovida – kiivrit pole vaja.
Muster A: Lao-esmane, kohesed liivakastid (Snowflake või BigQuery)
- Pane tootmine
prod andmebaasi.
- Öine
CREATE DATABASE dev CLONE prod (Snowflake) või loo tabelikloonid/hetktõmmised (BigQuery).
- Suuna oma BI testide ajal
dev-i.
- Käivita teisendused
dev-is.
- Valideeri KPI-d, käivita andmetestid (nt dbt
tests) ja võrdle prod-iga.
- Kui on roheline, käivita oma “reklaamimine” (võib olla vaate vahetamine või
MERGE tegemine).
- Kui on punane, viska kloon ära. Puhastamiseks pole vaja konfetti.
- Plussid: Kiire, lihtne, suurepärane analüütikutele.
- Miinused: Ainult ladu; objektisalvestuses olevad artefaktid (nagu ML mudelid) on väljaspool ulatust.
Muster B: Avatud järv Iceberg + Nessiega (Git tabelitele)
- Salvesta andmed S3/GCS/Azure'is.
- Kasuta Icebergi tabeleid koos Nessie kataloogiga.
- Konfigureeri Spark/Trino, et see osutaks Nessiele.
- Loo
feature-exp haru Nessies.
- Käivita ETL, et materialiseerida uued veerud või parandused Icebergi tabelitesse.
- Käivita valideerimised (ridade arv, nullkontrollid, jaotuse triiv).
- Kui oled rahul, siis kiirendatud
main kuni feature-exp-ni. Kui ei, siis jäta haru maha.
- Plussid: Avatud, mootorist sõltumatu, Git-i sarnane semantika tabeli metaandmetele.
- Miinused: Versioonimise ulatus on tabeli metaandmed/failid, mitte sinu terve ämbritäis pudi-padi. Sa soovid ikka veel strateegiat mittetabelikujuliste varade jaoks.
Kui sa ikka veel võid lakeFS-i tahta
Aus on aus: Mõnikord on globaalse haru mudel parim tööriist.
- Sa vajad ühte aatomilist lülitit paljudele formaatidele korraga. Parquet tabelid, CSV viiteandmed, ML mudelid ja dokumendid – reklaamitud koos.
- Sa soovid objekti tasemel isolatsiooni keerulistes torudes. Lavasta, testi ja ühenda nagu tarkvara väljalase.
- Sa vajad inimestele sõbralikke ülevaateid. Haru, käivita valideerimised, ava PR-stiilis ülevaade, ühenda.
Kui see on sinu olukord, siis alternatiivid hakkavad välja nägema nagu sa ehitad lakeFS-i osadest ümber. Mingil hetkel on see nagu oma leivajuuretise tegemine: teostatav, maitsev ja oh issand, kui palju see lapsehoidmist nõuab.
Lühike sõna kulude ja keerukuse kohta
- Lao-esmane: Sa maksad kloonide/ajas rändamise säilitamise eest, kuid sa säästad tõenäoliselt ajurakkude pealt. Lihtne sisseelamine.
- Tabeliformaadid: Infrastruktuuriteadlikud meeskonnad armastavad kontrolli ja mootori paindlikkust. Oota rohkem nuppe.
- ML-kesksed tööriistad: DVC ja Pachyderm säravad eksperimentide jälgimisel, kuid sa õmbled need analüüsiga kokku.
- Kataloogid: Haldus on imeline – kuni keegi peab seda haldama. Planeeri aega poliitikate haldamiseks.
Rusikareegel: Kui sinu meeskonna suurus on alla kümne ja 90% sinu tööst on SQL analüüs, siis alusta laos. Kui sa oled platvormi meeskond, mis teenindab viit osakonda, siis sa hindad Iceberg/Delta + kataloogi arhitektuurilist jalaruumi.
Siin on üllatus: Sider.AI saab aidata taltsutada räpaseid osi nende tööriistade ümber, eriti kui sa žongleerid dokumentatsiooni, SQL testide ja “mis muutus?” narratiividega. See on käepärane harude erinevuste või hetktõmmiste võrdluste muutmiseks inimloetavateks kokkuvõteteks, millest sinu sidusrühmad tegelikult aru saavad. See ei ole iseenesest versioonihaldussüsteem – ära proovi seda oma järve tagasi keerata –, kuid ülevaadete, testide planeerimise ja kiire skriptide genereerimise abilisena teenib see oma mantli välja. Otsustusmaatriks: Mida valida, millal
- Vali Iceberg (+ Nessie), kui: Sa soovid avatud standardeid, mitme mootori tuge ja Git-i sarnaseid harusid paljude tabelite vahel.
- Vali Delta (+ Unity Catalog), kui: Sa oled õnnelikult Databricksis ja soovid kõige sujuvamat sõitu.
- Vali Hudi, kui: Sa elad CDC-s ja voogesituse värskendustes.
- Vali Snowflake Time Travel/Kloonid, kui: Sinu elu on SQL armatuurlauad ja sa ihaldad lihtsaid liivakaste.
- Vali BigQuery hetktõmmised/kloonid, kui: Sa armastad serverlessi ja soovid valutuid pay-as-you-go eksperimente.
- Vali DVC või Pachyderm, kui: ML eksperimendid ja päritolu on sinu igapäevane leib.
- Vali Quilt, kui: Sa jagad kureeritud, dokumenteeritud andmekogumeid inimestega.
Ja jah, sa võid segada ja sobitada. Paljud meeskonnad käitavad Deltat kureeritud marts'ide jaoks, DVC-d ML jaoks ja lao kloone BI jaoks – kõik korraga. See on buffet, mitte prix fixe.
Veaotsingu nurk: Levinud “versioonimise” näpukad
- “Minu dev test läbis, aga prod läks katki.” Sa reklaamisid tabelit, aga mitte viitefaile (otsingud, mudelid). Kaalu pakendamist või lakeFS-i sarnast globaalset reklaamimist või hoia viited lao sees.
- “Time Travel päästis mind – kuni säilitusakna aegumiseni.” Määra hoiatused säilitusakendele, sildista kriitilised hetktõmmised või ekspordi muutumatusse salvestusruumi.
- “Mootor A näeb andmeid, mida mootor B ei näe.” Kataloogi järjepidevuse probleem. Standardiseeri üks kataloog (Nessie/Unity/Glue) keskkonna kohta.
- “Skeem arenes; allavoolu sattus paanikasse.” Kasutage skeemi evolutsiooni toetavaid tabelivorminguid ja lisage CI-s lepingud (testid, piirangud).
30-minutiline katseplaan
- Kloonige tootmiskeskkond arenduskeskkonda (Snowflake/BigQuery).
- Käivitage dbt töö; lisage 3 lihtsat testi (mitte null, unikaalne, aktsepteeritud väärtused).
- Võrrelge KPI-sid; edendage vaate vahetamisega.
- Looge Icebergi tabel ja Nessie haru.
- Käivitage väike teisendus, lisades veeru.
- Valideerige ridade arvu ja nullmäärasid; kiire edasikerimine.
- Initsialiseerige DVC repo väikese andmekogumiga.
- Treenige kaks mudelit, sildistage versioonid.
- Genereerige erinevuste aruanne; salvestage mõõdikud koos commit'iga.
Kui saate ülaltoodut teha ilma higistamiseta, on teil elujõuline alternatiiv.
Kokkuvõte
Andmete versioonimine ei tähenda üksiku tööriista altaril kummardamist. See on seotud korratavuse ja ohutusega: kas saate proovida asju ilma asju lõhkumata ja kas saate kiiresti tagasi teadaolevalt heasse seisu? lakeFS on üks elegantne viis. Alternatiivid – Iceberg, Delta, Hudi, Snowflake, BigQuery, DVC, Nessie ja sõbrad – katavad enamiku reaalseid vajadusi, kui valite õige kombinatsiooni.
Minu arvamus: Alustage kõige lihtsamast asjast, mis annab teile tagasipöörde ja isolatsiooni keskkonnas, mida te juba teate. Lisage juhtimine ja kataloogid, kui teie ohuala kasvab. Ja kui žongleerite tabelite, failide ja mudelitega nagu leegitsevate tõrvikutega, pidage meeles: võite alati haarata tööriista järele, mis kohtleb kogu järve nagu Git repositooriumi – või segage ja sobitage, kuni saavutate just õige tasakaalu.
Üks asi veel: pange oma harudele nimed, millest tulevane sina aru saab. “fix-metric-typo” on parem kui “plswork”. Teie mõistus on samuti versioonitud.
KKK
K1: Millised on parimad lakeFS alternatiivid andmete versioonimiseks?
Parimate lakeFS alternatiivide hulka kuuluvad Apache Iceberg (sageli koos Nessiega), Delta Lake (eriti Databricksis), Apache Hudi CDC-intensiivsete torujuhtmete jaoks ja andmelao-põhised valikud nagu Snowflake Time Travel ja BigQuery hetktõmmised. ML kasutusjuhtude jaoks on DVC ja Pachyderm tugevad valikud.
K2: Millal peaksin valima Icebergi või Delta lakeFS-i asemel?
Valige Iceberg või Delta, kui tabeli tasandi ajas rändamine, ACID tehingud ja mootori integreerimine on teie peamised vajadused. Kui vajate ka formaatideülest, kogu järve hõlmavat harude loomist ja mittetabelikujuliste varade edutamist, on lakeFS-il endiselt eelis.
K3: Kas Snowflake Time Travel saab asendada lakeFS-i?
Andmelaokesksete meeskondade jaoks saab küll. Snowflake'i Time Travel ja Zero-Copy Cloning muudavad arendusliivakastid ja tagasipöörded lihtsaks, kuid need hõlmavad ainult andmeid Snowflake'i sees – mitte teie objektide salvestusruumi, ML-mudeleid ega juhuslikke faile.
K4: Kuidas muudab Nessie Icebergi lakeFS-i alternatiiviks?
Projekt Nessie lisab teie Icebergi kataloogi Git-i sarnased harud ja sildid, võimaldades teil testida muudatusi paljudes tabelites ja neid koos edendada. See on keskendunud metaandmetele, seega planeerite mittetabelilisi varasid endiselt eraldi.
K5: Mis on lihtsaim viis lakeFS-i alternatiivi piloteerimiseks?
Kui olete andmelaos, kloonige tootmiskeskkond arenduskeskkonda (Snowflake/BigQuery) ja proovige väikest teisendust koos testidega. Avatud järves käivitage Iceberg koos Nessie haruga ja harjutage kiiret edasikerimist. ML jaoks initsialiseerige DVC, versioonige andmekogum ja võrrelge kahte mudeli käitust.
