مطالب توسط Adlogin

سوئیفت 5.7 بهبودهای پیاده سازی ژنریک و شمارش مراجع را به ارمغان می آورد

Swift 5.7 که در WWDC 2022 معرفی شد، اکنون به طور رسمی در دسترس است.

Swift 5.7 شامل پیشرفت‌های عمده در قسمت داخلی کامپایلر، و بسیاری از دستورات و افزودنی‌های کتابخانه استاندارد، از جمله String regex، به‌روزرسانی‌های همزمانی و موارد دیگر است. اگرچه فوراً برای برنامه نویس قابل مشاهده نیست، بهبودهای اجرای عمومی سوئیفت و شمارش خودکار مراجع به منظور کمک به عملکرد و صحت برنامه است.
همانطور که گفته شد، Swift 5.7 شمارش خودکار مراجع را نیز بهبود می بخشد و به لطف قوانین جدید برای کوتاه کردن طول عمر متغیرها، آن را برای بهینه سازی کامپایلر قابل پیش بینی تر و قوی تر می کند. به طور خاص، برنامه نویسان دیگر نیازی به استفاده از ()withExtendedLifetime در هنگام ارزیابی بسته شدن که صحت آن به متغیر معینی بستگی دارد، تا مانع از بهینه سازی آن توسط کامپایلر قبل از بازگشت بسته شود، نخواهند داشت.

بیشتر بدانید: https://lnkd.in/gmfvYpmU

شهریور ۲۸, ۱۴۰۱ توسط

اوراکل در دسترس بودن عمومی MySQL Heatwave در AWS را اعلام کرد

Oracle اخیراً در دسترس بودن عمومی (GA) MySQL Heatwave را اعلام کرد، سرویسی که OLTP، تجزیه و تحلیل، یادگیری ماشین و اتوماسیون مبتنی بر یادگیری ماشین را در یک نمونه واحد در AWS ترکیب می‌کند.

شرکت اوراکل برای اولین بار در سال 2020 سرویس پایگاه داده ابری را در Oracle Cloud Infrastructure (OCI) منتشر کرد تا یک پیشنهاد مدیریت شده را به مشتریان ارائه دهد که هم تجزیه و تحلیل آنلاین و هم قابلیت پردازش تراکنش را ادغام می کند. بعداً در سال 2022، autoML به این سرویس اضافه شد. اکنون، برای اولین بار در خارج از زیرساخت ابری Oracle در دسترس است – به کاربران اجازه می دهد تا پردازش تراکنش، تجزیه و تحلیل و بارهای کاری یادگیری ماشین خود را در یک سرویس در AWS بدون نیاز به تکرار ETL بین پایگاه های داده جداگانه OLTP و OLAP اجرا کنند.
 
بیشتر بدانید: https://lnkd.in/eCi6n_ad

شهریور ۲۷, ۱۴۰۱ توسط

نیمی از جمعیت جهان تا سال 2024 از کیف پول موبایل استفاده خواهند کرد

یافته‌های Merchant Machine نشان می‌دهد که همه‌گیری جهانی باعث محبوبیت کیف پول‌های دیجیتال شده است و محققان انتظار دارند که این رقم از 44.50 درصد جمعیت در سال 2020 به 51.70 درصد تا سال 2024 افزایش یابد.

محققان خاطرنشان می کنند که از سال 2015، کل درآمد ایجاد شده توسط برنامه های کیف پول تلفن همراه سه برابر شده است و تا سال 2022، انتظار می رود حدود 1639.5 تریلیون دلار باشد. جزئیات مطالعه Merchant Machine می‌گوید: “ایمنی، امنیت و راحتی کیف پول‌های دیجیتال و همچنین محبوبیت گوشی‌های هوشمند و دیجیتالی شدن عمومی جامعه، از دلایل اصلی محبوبیت این روش بوده است.”
از نظر پذیرش کیف پول تلفن همراه، چین بالاترین درصد پرداخت‌های غیرتماسی دیجیتال یا پرداخت آنی را به خود اختصاص داده است. پس از چین، دانمارک، هند، کره جنوبی، سوئد، ایالات متحده و کانادا قرار دارند.
بیشتر بدانید: https://lnkd.in/eAGjsVb7  

شهریور ۲۳, ۱۴۰۱ توسط

مزایای ایجاد و حفظ محیط سالم برای یک کارمند

یک نرم‌افزار راهبردی و مؤثر کارمندان به سازمان‌ها کمک می‌کند تا نرخ حفظ کارکنان خود را بهبود بخشند. این به این دلیل اتفاق می‌افتد که کارمندان جدید نه تنها از همان روز اول با هم تیمی‌های خود بهتر آشنا می‌شوند، بلکه به آنها اجازه می‌دهند تا در اسرع وقت عملکرد خوبی را آغاز کنند. این لذت فوری را ارائه می دهد.

 
چگونه یک برنامه استخدام موفق ایجاد کنیم:

تقویت فرهنگ شرکت: ایده روشنی از چشم انداز، اهداف و ارزش های شرکت ارائه می دهد که به نوبه خود رفتار و نگرش مورد انتظار کارمندان را نسبت به شرکت تقویت می کند و در نتیجه فرهنگ شرکت سالمی ایجاد می کند.
تعلق و شمول را پرورش می دهد: احساس تعلق باعث افزایش عملکرد سازمانی می شود. و از این رو، برای دستیابی به آن، حضور خوب یک ضرورت است، زیرا استرس و اضطراب را در استخدام‌کنندگان کاهش می‌دهد و احساس راحتی و تعلق را در محیط جدید برای آنها فراهم می‌کند.
بهره وری را تقویت می کند و ریسک کسب و کار را به حداقل می رساند: افزایش بهره وری را می توان با تشویق به کارگیری موثر مشاهده کرد. فرم های حقوق و دستمزد، خط مشی ها و رویه های شرکت به عنوان حفاظتی برای کارکنان و سازمان عمل می کند. یک برنامه موفقیت آمیز پذیرش، گردش مالی را کاهش می دهد و در نتیجه مشارکت طولانی مدت کارمندان را به همراه دارد.
روند جذب در طول زمان به دلیل سناریوی COVID-19 تغییر کرده است. گزینه کار ترکیبی که اکنون برای کارمندان راحت است، برای سازمان منابع انسانی گیج کننده می شود، زیرا آنها باید خود را با روش های مختلف استخدام وفق دهند تا کل فرآیند را جذاب تر و دوستانه تر کنند.

در اینجا چند روش پیشنهادی برای ورود به محیط کاری وجود دارد که صرف نظر از فرهنگ کار از راه دور یا حضوری قابل اجرا هستند:

1- هدف روشن: منابع انسانی باید ایده روشنی در مورد اهمیت حضور خوب و نقشه ذهنی از آنچه که او دقیقاً می‌خواهد یک استخدامی تجربه کند، داشته باشد.
2- سورپرایز‎ها را به حداقل برسانید: اطلاع رسانی به استخدام جدید در مورد کد لباس یا انتظاراتی که برای کارمندی که در یک سازمان خاص کار می کند، به کاهش استرس و اضطراب یک محیط جدید کمک می کند.
3- آماده باشید: تهیه یک چک لیست استخدام جدید، برنامه ریزی جلسات و همچنین جلسات آموزشی از قبل، و همچنین آماده سازی ایستگاه کاری و سایر اعضای تیم برای کمک به آنها در اولین روز کاری که در خانه خود احساس می کنند، یکی از ویژگی های متعدد یک استخدام خوب است.
4- صبر و حوصله به خرج دهید: هنگامی که یک استخدام شده جدید به یک شرکت می پیوندد، مدتی طول می کشد تا آنها به سبک کار عادت کنند. در چنین مواقعی، صبر کلید اصلی است. آنها را یک یا دو بار در این فرآیند همراهی کنید تا در نهایت به کار عادت کنند.

5- یک سرعت معقول تنظیم کنید: بخش های کوچکی از اهداف قابل دستیابی را تعیین کنید و افراد استخدام شده را به تدریج با اهداف بزرگتر و اطلاعات گسترده آشنا کنید تا از رد شدن از برخی جزئیات مهم اما جزئی جلوگیری کنید.
6- ارائه منابع: معرفی دستورالعمل‌های خط‌‎مشی و کتابچه‌های راهنمای کارمندان به استخدام‌کنندگان این اطمینان را به آنها می‌دهد که در صورت احساس سردرگمی از سوی شرکت می‌توانند به آن اعتماد کنند.
 
برخی از نکات مرتبط با منابع انسانی برای کار از راه دور:

روند را انسانی نگه دارید: معرفی بهتر در گفتگوهای رو در رو امکان پذیر است. بنابراین، تنظیم کنفرانس های ویدئویی و تماس های رسمی اجباری است.
استفاده از سرویس داخلی: اگر شرکت شما فرهنگ هدیه دادن به استخدام جدید با تی شرت، لیوان و غیره با برچسب نام شرکت را دارد، همین کار را برای استخدام از راه دور نیز در نظر بگیرید، زیرا این کار به آنها حس تعلق می دهد.
در تماس بمانید: در هر حالت ارتباطی ممکن یا مؤثر با استخدام کننده جدید خود وارد گفتگو شوید. خواه استفاده از ایمیل، پیام های فوری، تماس های تلفنی، تماس های ویدیویی و غیره باشد.

نتیجه‌گیری: در نظر گرفتن روش‌های مختلف استخدام ممکن است کمی سخت به نظر برسد، اما برای تقویت فرهنگ کاری، چشم‌انداز و اهداف بلندمدت شرکت اجباری است.

 

بیشتر بدانید: https://www.fintechnews.org/how-to-develop-a-successful-onboarding-program/

شهریور ۲۲, ۱۴۰۱ توسط

براساس مطالعات، یادگیری ماشینی می تواند رفتار بازار را پیش بینی کند

بر اساس تحقیقات جدید کورنل بر طبق بزرگترین مجموعه داده ای که تاکنون در این زمینه استفاده شده است، یادگیری ماشین می تواند اثربخشی ابزارهای ریاضی مورد استفاده برای پیش بینی حرکات بازارهای مالی را ارزیابی کند.

 
مدل محققان همچنین می‌تواند حرکات بازار آینده را پیش‌بینی کند، کاری فوق‌العاده دشوار به دلیل حجم انبوه اطلاعات بازارها و نوسانات زیاد. مورین اوهارا، استاد مدیریت رابرت دبلیو پرسل در کالج تجارت اس سی جانسون می‌گوید: «کاری که ما در تلاش بودیم انجام دهیم این بود که قدرت تکنیک‌های یادگیری ماشینی را به ارمغان بیاوریم تا نه تنها روش‌ها و مدل‌های فعلی‌مان را ارزیابی کنیم، بلکه به ما کمک کند این‌ها را به گونه‌ای گسترش دهیم که هرگز نمی‌توانیم بدون یادگیری ماشینی انجام دهیم.»
بازارها حجم عظیمی از داده ها را تولید می کنند و میلیاردها دلار در استخراج این داده ها برای الگوهایی برای روشن کردن رفتار بازار آینده در خطر است. شرکت ها در وال استریت و جاهای دیگر از الگوریتم های مختلفی استفاده می کنند و متغیرها و عوامل مختلف را بررسی می کنند تا چنین الگوهایی را پیدا کنند و آینده را پیش بینی کنند. در این مطالعه، محققان از الگوریتم یادگیری ماشین تصادفی جنگل برای درک بهتر اثربخشی برخی از این مدل‌ها استفاده کردند. آنها ابزارها را با استفاده از مجموعه داده‌ای از 87 قرارداد آتی – توافق‌نامه‌هایی برای خرید یا فروش دارایی‌ها در آینده با قیمت‌های از پیش تعیین‌شده، ارزیابی کردند.
حجم عظیمی از داده‌های تاریخی بازار در دسترس است – هر معامله‌ای از دهه 1980 ثبت شده است – و حجم وسیعی از اطلاعات هر روز تولید می‌شود. افزایش قدرت محاسباتی و در دسترس بودن بیشتر داده‌ها، انجام تحلیل‌های دقیق‌تر و جامع‌تر را امکان‌پذیر کرده است، اما این مجموعه داده‌ها و قدرت محاسباتی مورد نیاز برای تجزیه و تحلیل آنها، می‌تواند برای محققان بسیار گران باشد. در این تحقیق، دست اندرکاران صنعت مالی با محققان دانشگاهی برای ارائه داده ها و رایانه های مورد مطالعه و همچنین تخصص در الگوریتم های یادگیری ماشینی که در عمل استفاده می شوند، شریک شدند.
اوهارا گفت: «این مشارکت برای هر دو سودمند است.» و افزود که این مقاله یکی از تحقیقاتی است که او، ایزلی و لوپز د پرادو در دهه گذشته انجام داده‌اند. “این به ما امکان می دهد تا به روش هایی که عموماً برای محققان دانشگاهی در دسترس نیست، تحقیق کنیم.”
بیشتر بدانید: https://lnkd.in/eQYP4fux

شهریور ۲۱, ۱۴۰۱ توسط

مدیریت کننده گواهی Google Cloud در دسترس عموم است

Google Cloud اخیراً در دسترس بودن عمومی Certificate Manager را اعلام کرده است.

Google Cloud اخیراً در دسترس بودن عمومی Certificate Manager را اعلام کرده است، سرویسی برای کسب، مدیریت و استقرار گواهی‌های TLS برای استفاده با بارهای کاری Google Cloud. سرویس جدید که در اوایل سال جاری در پیش‌نمایش معرفی شد، از گواهی‌های خود مدیریتی و مدیریت‌شده توسط Google پشتیبانی می‌کند و دارای قابلیت‌های نظارتی برای هشدار برای گواهی‌های منقضی شده است. رایان هرست و بابی سیل، مدیران محصول در Google Cloud، توضیح می‌دهند:
اکنون می توانید یک گواهی جدید را در عرض چند دقیقه در سطح جهانی مستقر کنید و استقرار TLS را برای ارائه های SaaS بسیار ساده و تسریع کنید. همراه با پشتیبانی از مجوزهای DNS، اکنون می‌توانید مهاجرت‌های حجم کاری خود را بدون اختلال عمده ساده کنید.

بیشتر بدانید: https://lnkd.in/e2jirg4v

شهریور ۲۰, ۱۴۰۱ توسط

نحوه سرعت بخشیدن به پردازش مجموعه های بزرگ در جاوا

در کار با مجموعه ها، توسعه دهندگان باید با برخی از اصطلاحات خاص مرتبط با مجموعه آشنا باشند و آن ها را درک کنند.

 
قابل تغییر در مقابل غیرقابل تغییر: همانطور که این عبارات در ظاهر آنها نشان می دهد، مجموعه های مختلف ممکن است از عملیات اصلاح پشتیبانی کنند یا نکنند.
پایدار در مقابل ناپایدار: مجموعه های باثبات پس از ایجاد قابل تغییر نیستند. در حالی که موقعیت‌هایی وجود دارد که مجموعه‌های ناپایدار ممکن است به دلیل دسترسی توسط کدهای دیگر تغییر کنند، مجموعه‌های پایدار از چنین تغییراتی جلوگیری می‌کنند. مجموعه‌هایی که می‌توانند تضمین کنند که هیچ تغییری با اشیاء مجموعه قابل مشاهده نیست، پایدار هستند، مجموعه‌های پایدار مجموعه‌هایی هستند که اجازه عملیات اصلاحی مانند «افزودن» یا «پاک کردن» را نمی‌دهند.
اندازه ثابت در مقابل اندازه متغیر: این عبارات فقط به اندازه مجموعه اشاره دارند و هیچ نشانه ای از قابل تغییر یا تغییر بودن مجموعه ندارند.
دسترسی تصادفی در مقابل دسترسی متوالی: اگر مجموعه‌ای اجازه فهرست‌بندی عناصر جداگانه را بدهد، دسترسی تصادفی است. در مجموعه‌های دسترسی متوالی، برای رسیدن به یک عنصر معین، باید در تمام عناصر قبلی پیشرفت کنید. گسترش مجموعه‌های دسترسی متوالی می‌تواند آسان‌تر باشد، اما جستجو به زمان بیشتری نیاز دارد.
 
رابط مجموعه ها شامل چندین مؤلفه مختلف است، از جمله:
+ رابط های مشترک: نمایش انواع مجموعه های اولیه، از جمله مجموعه ها، لیست ها و نقشه ها
+ پیاده‌سازی‌ها: پیاده‌سازی‌های خاص رابط‌های مجموعه، از همه‌منظوره تا هدف ویژه تا انتزاعی. علاوه بر این، پیاده‌سازی‌های قدیمی مربوط به آرایه‌های قدیمی‌تر، وکتورها و کلاس‌های hashtable وجود دارد.
+ الگوریتم ها: روش های ایستا برای دستکاری مجموعه ها
+ زیرساخت: پشتیبانی اساسی برای رابط های مجموعه های مختلف
 
روش های کار با مجموعه های جاوا
هر رابط در JCF، از جمله java.util.collection، روش‌های خاصی برای دسترسی و دستکاری عناصر مجزای مجموعه دارد. از متداول‌ترین روش‌های مورد استفاده در مجموعه‌ها می‌توان به موارد زیر اشاره کرد:
()Size: تعداد عناصر یک مجموعه را برمی گرداند.
add (Collection element) / remove (Collection object): همانطور که پیشنهاد می شود، این روش ها محتویات یک مجموعه را تغییر می دهند. توجه داشته باشید که در صورتی که یک مجموعه دارای موارد تکراری است، حذف تنها بر یک نمونه واحد از عنصر تأثیر می گذارد.
(Collection object)Equals: یک شی را برای هم ارزی با یک مجموعه مقایسه می کند.
() clear: هر عنصر را از یک مجموعه حذف می کند.
هر زیرمجموعه ممکن است متدهای اضافی نیز داشته باشد. به عنوان مثال، اگرچه رابط Set فقط شامل متدهای واسط مجموعه است، رابط List دارای روش های اضافی بسیاری بر اساس دسترسی به عناصر لیست خاص است، از جمله:
get (int index): عنصر لیست را از محل فهرست مشخص شده برمی گرداند.
set (int index, element): محتویات عنصر لیست را در محل فهرست مشخص شده تنظیم می کند.
remove (int,index): عنصر را در محل فهرست مشخص شده حذف می کند.
 
پردازش مجموعه های بزرگ در جاوا می تواند دست و پا گیر باشد. در حالی که Streams کار با مجموعه‌های بزرگ و عملیات کدگذاری را در مجموعه‌های بزرگ ساده کرد، اما همیشه تضمینی برای بهبود عملکرد نبود. در واقع، برنامه نویسان اغلب دریافتند که استفاده از Streams در واقع پردازش را کند می کند. پردازش موازی، یعنی شکستن وظیفه پردازش به قطعات کوچکتر و اجرای همزمان آنها، یکی از راه‌های کاهش هزینه پردازش در هنگام برخورد با مجموعه‌های بزرگ است. اما حتی پردازش جریان موازی می تواند منجر به کاهش عملکرد شود، حتی اگر کدنویسی ساده تر باشد. در اصل، سربار مربوط به مدیریت رشته های متعدد می تواند مزایای اجرای موازی موضوعات را جبران کند. توسعه دهندگان جاوا باید بدانند که چگونه از ویژگی های داخلی مانند مجموعه ها برای بهینه سازی پردازش داده ها و عملکرد استفاده کنند. مجموعه های جاوا و جریان های جاوا دو ابزار اساسی برای بهبود عملکرد برنامه هستند. توسعه دهندگان باید در نظر بگیرند که چگونه رویکردهای مختلف پردازش جریان موازی می توانند بر عملکرد برنامه تأثیر بگذارند. استفاده از استراتژی پردازش جریان موازی مناسب برای مجموعه ها می تواند تفاوت بین افزایش پذیرش و از دست دادن مشتریان باشد.
بیشتر بدانید: https://shorturl.gg/zZs

شهریور ۱۹, ۱۴۰۱ توسط

سیستم جدید توزیع محتوای داغ متا

متا اخیراً Owl را معرفی کرده است، سیستم توزیع محتوای داغ جدید خود که توزیع پرطرفدار اشیاء داده بزرگ را برای میزبان ها در ابر خصوصی متا فراهم می کند.

متا اخیراً Owl را معرفی کرده است، سیستم توزیع محتوای داغ جدید خود که توزیع پرطرفدار اشیاء داده بزرگ را برای میزبان ها در ابر خصوصی متا فراهم می کند. Owl از یک صفحه داده غیرمتمرکز مبتنی بر درختان توزیع همتا به همتا با یک صفحه کنترل متمرکز تشکیل شده است – خدمات ردیاب که ابرداده ها را در مورد همتاها، وضعیت حافظه پنهان آنها و بارگیری های مداوم نگه می دارد. همچنین یک رابط خط مشی قابل تنظیم را فراهم می کند که موارد استفاده توزیع متنوع را سفارشی می کند. قبل از Owl، متا سه سیستم مختلف را برای حل این مشکل امتحان کرده بود که هیچ کدام نتیجه مطلوبی در بر نداشتند.
 
بیشتر بدانید: https://lnkd.in/eHtVHENg
 

شهریور ۹, ۱۴۰۱ توسط

فناوری پیش بینی کننده: توانمندسازی کارآفرینی از طریق شمول مالی

کارآفرینان رگ حیات بسیاری از اقتصادها، به ویژه اقتصادهای نوظهور هستند. آنها توسعه را هدایت می کنند، فرصت های شغلی ایجاد می کنند و می توانند کیفیت زندگی ما را بهبود بخشند. بنابراین برای آنها ضروری است که به منابع و ابزارهایی که برای پیشرفت نیاز دارند دسترسی داشته باشند.

توانایی دریافت اعتبار، ذخیره ایمن یا صرفه جویی در پول و پرداخت آسان برای هر کسی که می خواهد یک کسب و کار را راه اندازی کند، تجارت خود را گسترش دهد یا به سادگی زندگی روزمره را مدیریت کند ضروری است. فناوری نقشی حیاتی در ارائه دسترسی مقرون به صرفه به خدمات مالی و ایجاد اقتصادهای فراگیر مالی دارد.
چرا دسترسی به اعتبار همچنان یک چالش است و چگونه می توانیم آن را تغییر دهیم؟
دسترسی به اعتبار به دو دلیل عمده محدود است. اولین مورد دسترسی فیزیکی است. به این معنی که فراوانی موسسات مالی در برخی نقاط محدود است. دلیل دوم، دسترسی محدود به اطلاعات رسمی است. معامله گران غیررسمی به ندرت دارای حساب بانکی، مدرک اشتغال یا فیش حقوقی برای پشتوانه درخواست های اعتباری خود هستند. با این حال، این نباید مانع از دسترسی آنها به منابع مالی شود. با استفاده از نقاط داده جایگزین، همراه با تجزیه و تحلیل پیش‌بینی‌کننده، می‌توان تمایل افراد به بازپرداخت وام را به دقت ارزیابی کرد. در حال حاضر این نقاط داده را می توان برای هر کسی که تلفن همراه دارد و به یکی از شبکه های ثالث متصل است، اعمال کرد. این به طور قابل توجهی توانایی بخش های بازار را که قبلاً حذف شده بودند برای دسترسی به منابع مالی افزایش می دهد.
تغییر روشی که ارائه دهندگان خدمات مالی ریسک را می بینند
بهبود دسترسی مالی یکی از مهم ترین مسائلی است که باید به آن بپردازیم زیرا مشاغل کوچک و کارآفرینان نقش مهمی را ایفا می کنند. در حالی که هر روز راه‌های جدیدی برای تضمین شمول مالی ظاهر می‌شود، شواهد نشان می‌دهد که بانک‌ها کمک‌کننده‌های مالی اصلی در ایجاد بازار مالی فراگیرتر هستند، مشروط بر اینکه بتوانند از فناوری مناسب استفاده کنند و اعتبار را بازنگری کنند. در این راستا، پلتفرم های مناسب داده پردازی مجموعه‌ای از سرمایه‌های بانک‌های خرده‌فروشی سنتی را به مشتریانی که معمولاً قادر به دسترسی به آنها نیستند، متصل می‌کند.
بیشتر بدانید: https://lnkd.in/ez4avQQd

شهریور ۸, ۱۴۰۱ توسط

نسل بعدی پلتفرم انتقال و پردازش داده در نتفلیکس

بخش “مهندسی نتفلیکس” اخیراً در یک وبلاگ فناوری درباره نحوه استفاده از معماری و اصول مش داده به عنوان نسل بعدی پلتفرم و پردازش داده برای آزادسازی موارد و فرصت‌های استفاده تجاری بیشتر منتشر کرده است.

بخش “مهندسی نتفلیکس” اخیراً در یک وبلاگ فناوری درباره نحوه استفاده از معماری و اصول مش داده به عنوان نسل بعدی پلتفرم و پردازش داده برای آزادسازی موارد و فرصت‌های استفاده تجاری بیشتر منتشر کرده است. مش داده ها تغییر پارادایم جدیدی در مدیریت داده است که کاربران را قادر می سازد تا به راحتی داده ها را بدون انتقال به یک مکان متمرکز مانند دریاچه داده وارد و استفاده کنند. تمرکز آن بر تمرکززدایی و توزیع مالکیت داده ها در حوزه های مختلف تجاری است. هر دامنه داده های خود را به عنوان یک محصول مدیریت و کنترل می کند و آن را بر اساس اهداف سطح خدمات تجاری مورد نیاز (SLO) قابل کشف و قابل اعتماد می کند.
بیشتر بدانید: https://lnkd.in/eEuXBZ2j

شهریور ۷, ۱۴۰۱ توسط