Հիմնական հոդված՝ «Այս ժամանակը» (տեսանյութ) - Հիմնական հոդված՝ «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» (տեսանյութ) - «Այս տարի» ( Abstract: Հիմնական հոդված՝ The Signal Behind Snowflake’s CEO Change 2024 թվականին Snowflake- ը, թվային տվյալների մատակարարման տարածքում, հայտարարել է, որ վերականգնում է վերականգնումը: Google- ի առեւտրային գրասենյակային գործարանի առաջատար Sridhar Ramaswamy- ը վերականգնում է Frank Slootman- ը, ով օգնում է Snowflake-ը հասնել $ 60 միլիարդ արժեքը: Եթե դուք կարծում եք, որ դա միայն ռեժիմային կառավարման shuffle- ը, դուք չեք տեսնում ամբողջ գեղեցկությունը: Հիմնական ազդեցությունը այն է, որ տվյալների սարքավորումների աշխարհը փնտրում է փնտրված, բայց խոշոր փոխանակման վրա: OLTP- ի տվյալների բազանից MPP- ի տվյալների բազաններին, lokalized MPP computing- ից vektorized cloud data engines- ից, յուրաքանչյուր մակերեսը նշանակում է թռիչք է հաջորդgeneration- ի տեխնոլոգիաների - եւ մեկ խոշոր արտադրանքի հետ. OLTP- ի տվյալների բազանից MPP- ի տվյալների բազաններին, lokalized MPP computing- ից vektorized cloud data engines- ից, յուրաքանչյուր մակերեսը նշանակում է թռիչք է հաջորդgeneration- ի տեխնոլոգիաների - եւ մեկ խոշոր արտադրանքի հետ. Slootman- ը արտադրել է «Data Warehousing- ի Golden Age- ը»: Նա կախված է Cloud- ի, Multi-Tenant Architectures- ում, եւ տեղադրել է Snowflake- ը միասին, քանի որ այն է հաջորդgeneration data platform- ի կենտրոնական կետը: Նրա վերահսկողության տակ, Snowflake- ը անմիջապես կախված էր իմ առաջին աշխատողը, Teradata-ին, առաջին data warehouse- ի հին, որը տեսնում է, որ իր շուկայական արժեքը կախված է $ 10.2 միլիոնից մինչեւ միայն $ 2 միլիոն: Երբ նա վերադառնալ է, Snowflake- ի պաշտոնական բլոգում սեղմվող խոսքերը սխալորեն փոխվել են: AI-first, agents-driven, and semantically-oriented data architecture. Սա ոչ մի սխալն է, դա ժամանակների նշան է: Սա ոչ մի սխալն է, դա ժամանակների նշան է: Միեւնույն ժամանակ, Silicon Valley- ում ամենամեծ առաջադեմ VC-ները խաղում են նոր ռեժիմը: «Agent AI»: Այս նոր ռեժիմում, AI- ը ավելի քան միայն մոդել է: դա մի գործիչ է, որը կարող է տեսնել, գործել, տեղադրել նպատակները եւ համագործակցել: Այստեղ է հարցը: Երբ AI- ը ավելի քան պարզապես «կատալ գործիք» չէ, այլեւ խելացի գործիչ, որը կարող է հասկանալ առեւտրային տարբերակները, հասկանալ նպատակները եւ կատարել գործիքները, - կարող են առեւտրային տվյալների սարքավորումներ, որոնք նախագծված են մարդկանց համար, դեռ հասկանալ գործիչների պահանջներին: Երբ AI- ը ավելի քան պարզապես «կատալ գործիք» չէ, այլեւ խելացի գործիչ, որը կարող է հասկանալ առեւտրային տարբերակները, հասկանալ նպատակները եւ կատարել գործիքները, - կարող են առեւտրային տվյալների սարքավորումներ, որոնք նախագծված են մարդկանց համար, դեռ հասկանալ գործիչների պահանջներին: Data warehouses- ը, որը երբեմն տեսվում է որպես կարեւոր բիզնեսի "data assets" - ում, այժմ վտանգում է լինել միայն "data material libraries" - ում: Իհարկե, նույնիսկ "material" -ը վտանգավոր է, քանի որ Agentic Data Stack- ը կարող է ուղղակիորեն հասնել սեղմված տվյալները եւ սեղմել այն վերեւի մակարդակի Sales Agents- ում, Risk Agents- ում եւ այլ մարդկանց համար սմարենտիկ + տվյալների ձեւով: Մինչեւ առեւտրային սմարենտիկների սեղմված, ոչ սմարենտիկ տվյալները կարող են օգտագործվել BI- ի գործիքների եւ տվյալների ինժեներների համար: Հիմնական վտանգը ոչ միայն սեղմվում է, այլեւ այն է, որ դուք դեռ աշխատում եք այն ժամանակ, երբ աշխարհը արդեն փոխել է գրասենյակը: Հիմնական վտանգը ոչ միայն սեղմվում է, այլեւ այն է, որ դուք դեռ աշխատում եք այն ժամանակ, երբ աշխարհը արդեն փոխել է գրասենյակը: Այս մասին ոչ մի բան չի խոսում, որ տվյալների սարքավորումներ կախված են, այն մասին է, որ տեխնոլոգիաների պատմության վերադառնալու թվերը: Որպես Hadoop- ը եւ Iceberg- ը մեկ անգամ վերլուծել են տվյալների նավթի տարածքը, Agentic AI- ը այժմ վերլուծում է բիզնեսի մեծ տվյալների դիզայնը: 1970–2024: Data Warehouse Architectures- ի զարգացման մասին 1970 - The Father of Data Storage-ը Bill Inmon- ը Bill Inmon- ը, «Data Warehousing- ի հայրը», առաջինը առաջարկել է EDW (Enterprise Data Warehouse) տեսակը, ինչը «նշանակային, ինտեգրված, ժամանակային տարբերակային եւ ոչ թռչելի տվյալների հավաքածու» է, որը տեղադրել է բիզնեսի տվյալների դիզայնը հաջորդ փետրվարի ընթացքում: Ես երջանիկ եմ, որ սովորել եմ եւ ներառում եմ առաջին թարգմանության թարգմանությունը: Ավելի ավելի քան 20 տարի առաջ, երբ իմ ժամանակ է Պայգինայի համալսարանում, պրոֆեսոր Tang Shiwei- ի հսկողության մեջ: Այս գրքի հարցազրույցները նյութական տարածքների, տվյալների ծախսերի դիզայնի, եւ փաթեթավորման չափանիշների (լուսանկարներ, որոնք կապում են պատմության) հետ, անցյալ շաբաթից մինչեւ այսօր, դարձել են տվյալների մատակարարման հիմնական պրոֆեսորներ: Data Warehouse-ի ստեղծում 1983 - Teradata is Born - MPP Architecture- ը տուն է 1983 թ. հիմնադրվել է Teradata- ը, ընկերությունը, որը վերահսկել է բիզնեսի տվյալների սարքավորումների ինտեգրտությունը հաջորդ 30 տարիների ընթացքում: Դա նաեւ իմ առաջին աշխատանքի էր ուսուցման հետո: Teradata- ը առաջինն էր, որը մատակարարել է MPP (Massively Parallel Processing) դիզայնը տվյալների համակարգերի մեջ: Նրա խոշորորեն ներգրավված ծրագրային եւ սարքավորումների եւ Bynet- ի վրա հիմնված MPP դիզայնի հետ, Teradata- ը մեծապես վերահսկել է Oracle- ը եւ DB2- ը խոշոր տվյալների վերահսկման եւ հարմար SQL- ի հարցերի համար: The first time I used Teradata, I was just as amazed as when I later tried ClickHouse for wide-table queries. Երբ ես ստացել եմ Teradata-ը, դա դեռ էր NCR- ի տակ, եւ իմ տեսանյութը տեսնում էր այսպես: Teradata- ի համար, ստուգեք իմ հոդվածը . Հաջողություն My Alma Mater of Data Storage-Teradata- ը պաշտոնապես հեռանում է Չինաստանից 1996: Kimball- ը առաջարկում է «Snowflake Schema»: OLAP- ի մեքենաներ արտադրվում են Bill Inmon- ի հետ, Ralph Kimball- ը ներկայացրել է «data mart»-ը եւ վերլուծել է տվյալների մոդելացման հետ, օգտագործելով star schema- ը եւ snowflake schema- ը: Հաջորդ մի քանի տարիների ընթացքում, տվյալների դիզայնները անմիջապես խոսել են, թե ինչպես պետք է ստեղծել կենտրոնական տվյալների սարքավորումը կամ մասնավոր տվյալների սարքավորումներ: «Dimensional modeling» եւ «snowflake schema» դարձել են տվյալների ինժեներների զանգահարված քարտեր: BI մակերեսում MOLAP- ի մեքենաներ, ինչպիսիք են Hyperion Essbase եւ Cognos- ը, սկսել են արտահայտվել: OLAP տեխնոլոգիանը վերջապես ունի համակարգչային մեթոդը, որը պետք է հետեւել: Շատ տարի հետո, նոր թվային սարքավորումների ընկերությունները նույնիսկ adopted «Snowflake» որպես իրենց բրենդային անունը, ինտեգրված է snowflake համակարգի. 2013 - The Big Data Boom - Hadoop- ը տպագրում է աշխարհը 2006 թ. Apache Hadoop- ի մեռնելով, ընկերությունները սկսել են լայնորեն օգտագործել մեծ տվյալների համակարգեր, որոնք ցածր են սարքավորումների ծախսերը: , Viktor Mayer-Schönberger defined big data with the “4Vs”: Հիմա Հիմա եւ . Big Data: A Revolution That Will Transform How We Live, Work, and Think Volume Velocity Variety Value Հաջորդ 10 տարիների ընթացքում, նոր թվային թվային տեխնոլոգիաներ հայտնվել են—Apache Hadoop, Hive, Spark, Kafka, DolphinScheduler, SeaTunnel, Iceberg եւ այլն: Big data platforms սկսել են թռիչքավորել նոր թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային թվային 2015: Snowflake- ը բացվում է, նոր data stack- ը վերադառնալ է Երբ Cloud- ը եւ Marcin Zukowski- ի «vectorized» մեքենաների մասին գրել է, Snowflake- ը հայտնաբերվել է Cloud- ի տունավոր դիզայնի հետ, որը բեռնում է բեռնելը եւ բեռնելը, իսկ առաջին անգամ BI-ի ինժեներներները կարող են վայելել հզորությունը «նշելու համար», առանց վախենում cluster- ի կարգավիճակման կամ սարքավորման համար: Snowflake-ը «Data Warehouse-ը» փոխել է «Data Cloud- ում»: Դա առաջարկել է մի ամբողջական նորgeneration data warehouse- ի տեխնոլոգիաների պտուտակներ, ինչպիսիք են Fivetran, Dagster, Airbyte, DBT եւ WhaleStudio- ը: Սիլիկոն Վալենում: Իհարկե, Նախորդgeneration ETL եւ data engineering գործիքներ-Informatica, Talend, DataStage-ն հիմնադրվել է 1980-ին: Նոր տեխնոլոգիաների աճը պահանջում է ամբողջապես նոր էլեկտրոնային համակարգը: Նոր Data Stack- ը Ընդհանուր առմամբ, անցյալ տարիների ընթացքում, այնպես որ, թե ինչ-որ բան, թե ինչ-որ բան, թե ինչ-որ բան, թե ինչ-որ բան, թե ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ Այս դիզայնը կոչվել է DSS (Decision Support System) համակարգի համար, ինչպիսիք են անունը: The entire data warehouse tech stack was designed for human users. the “support” was always intended for humans. Data warehouse- ի դիզայնը նախագծված էր նաեւ տվյալների ինժեներների համար: Այսպիսով մենք ունենք բազմաթիվ նյութական տարածքներ, ալյոմիկ սառույցներ, միասնական սառույցներ եւ մետրիկային սառույցներ, որոնք օգնում են ETL- ի ինժեներներին զարգացման մեջ: BI- ի գործիքները պետք էր նաեւ defining star and snowflake schemes, հետ drag-and-drop ինտերֆեյսերների համար գրասենյակների եւ դիզայնների համար: Բոլոր հաճախորդները մարդիկ են: But in the era of large-model agents, all of this is about to change dramatically. Արդյո՞վ են անգլերենները անգլերեն թվային թվային թվային թվային թվային թվերը? 2022-ի վերջում OpenAI- ը ստեղծել է ChatGPT- ը, որը սկսել է մեծ լեզուների մոդելների ժամանակը: 2023-ից, Llama, Claude, Gemini, GPT-4o, DeepSeek... multimodal մոդելները արագ է զարգանում: AI- ը դեռ ոչ միայն լեզուային մոդել է, այլեւ «Ապիտակային մեքենա», որը կարող է իմանալ եւ որոշել հարմարավետ աշխատանքների համար: 2024-ին RAG (Retrieval-Augmented Generation) տեխնոլոգիան վերադարձել է հիմնական ռեժիմը: LlamaIndex, LangChain եւ Dify- ի նման գործիքները ստացել են լայն օգտագործման: AI- ը սկսել է ինտեգրել բիզնես դիզայնի գիտելիքները, այնպես որ դարձել է իրականում «պատկելի օգնություն». 2025-ին, Agen architecture- ը ամբողջությամբ աճել է: Technologies եւ protocols- ը, ինչպիսիք են AutoGPT- ը, Funktion Calling- ը եւ MCP-ը: AI- ը այժմ ոչ միայն զանգարանային գործիք է: Այն այժմ ունի հասկանալը, նախագծման եւ կատարման հզորությունները, որը դարձնում է «digital աշխատակից»: Արդյոք դուք օգտագործել եք ChatGPT- ի Data Analyst- ից: Եթե այն է, ապա դուք կարող եք զգալ իր կատարումը: Այն կարող է օգնել բիզնես օգտվողին արտադրել մանրամասն analytical report- ը տվյալների մի շարքից բազմաթիվ մակարդակներում: Այն կարող է ճշգրիտապես փոխարինել junior data analyst- ը: Բացի տարբեր մակարդակներում, շատ "լոգման" գործիքներ, ինչպիսիք են ChatBI- ը եւ TXT2SQL- ը, բոլորը օգտագործում են մեծ մոդելներ եւ գործիչներ, որոնք ավտոմատում են կամ semi-automatize data warehouse- ի զարգացման գործընթացները: Հաջորդում, ավելի շատ գործիչներ կունենա, ոչ միայն տվյալների analytics- ում, այլեւ ad campaign optimization- ում, հաճախորդների ծառայության եւ risk management- ում: Այս գործիչները կասկածեն բիզնեսի աշխատակիցներին, փոխարինելով իրենց ինտերնետները համակարգերի հետ: Ultimately, AI will no longer be a “passive answering tool,” but an “intelligent agent proactively achieving goals.” Նախորդ 20+ տարիների ընթացքում, տվյալների պլատֆորմերի «նշողները» սովորաբար են տվյալների ինժեներներ, analytics եւ BI մասնագետներ: Հաջորդ 20 տարի, every role—from analyst to supply chain operator—may be redefined by Agents: Marketers will have a Campaign Agent that automatically integrates multi-channel data, optimizes placements, and generates copy; Customer service reps will have a Support Agent that’s more than a chatbot—it will be a context-aware assistant with knowledge graphs and memory; The supply chain team will have a Procurement Agent that parses orders, tracks delivery timelines, fetches ERP data, and auto-replenishes inventory; Legal teams will have a Compliance Agent, HR will have a Hiring Agent, and even the board of directors could have a Board Agent… Որ SQL- ը, որը դուք ամեն օր գրել եք, թարգմանություններները, որոնք դուք գրել եք, եւ Ops- ի հանդիպումներ, որոնք դուք ներսում եք, բոլորը դառնալ են Agent- ի թարգմանված գործառույթներ, semantic գործառույթներ եւ ավտոմատ պատասխաններ: Բայց մի ճշգրիտ իրականություն հետո է: Եթե տվյալների վերջնական օգտագործողները է Agents, եւ նույնիսկ data warehouse- ի զարգացման է Agents- ի կողմից, եւ տվյալների օգտագործման վերջնական որոշողները են Agents, ոչ թե "մարդիկներ" - ինչպե՞ս առաջին DSS (Decision Support System) data warehouse- ի դիզայնը դեռ նշանակում է: Եթե տվյալների վերջնական օգտագործողները է Agents, եւ նույնիսկ data warehouse- ի զարգացման է Agents- ի կողմից, եւ տվյալների օգտագործման վերջնական որոշողները են Agents, ոչ թե "մարդիկներ" - ինչպե՞ս առաջին DSS (Decision Support System) data warehouse- ի դիզայնը դեռ նշանակում է: Ոչ ոք, ով ուսումնասիրել է ծրագրային տեխնոլոգիաներ, գիտի, որ առաջին դիզայնը, որը դուք դիզայնում եք համակարգը, «Use Case» դիզայնն է: Այն սահմանում է համակարգի օգտագործողները, սահմանները եւ գործառույթները: When the user of a data warehouse shifts from human to Agent, the DSS architecture envisioned by Bill Inmon no longer holds water. At least in my view, it doesn’t. When the user changes, the software must change too. Agents- ի աճը ոչ միայն մեծ մոդելների հաղթանակն է, այլեւ ամբողջական սխալ է, թե ինչպես մենք տեսնում ենք օգտագործողների փորձը: Traditional data systems operated in a “pull model”: the user knew the problem, queried the data, and extracted conclusions. Future Agents operate in a “push model”: the system proactively senses changes, understands intent, and generates decision suggestions. Դա այնպես է, ինչպիսիք է, որ փոխվել են tradicional maps- ից GPS navigation- ում: Այժմ դուք չեք պետք է գիտեք «կա՞ն է ճանապարհը» - դուք պարզապես ասում եք համակարգին, թե որտեղ ցանկանում եք գնալ, եւ այն կօգնի ձեզ այնտեղ: Այժմ դուք չեք պետք է գիտեք «կա՞ն է ճանապարհը» - դուք պարզապես ասում եք համակարգին, թե որտեղ ցանկանում եք գնալ, եւ այն կօգնի ձեզ այնտեղ: Traditional data warehouses focus on structure and querying, whereas Agentic architectures prioritize semantics and responsiveness. Շատ պարզապես, ով գիտի բիզնեսի լեզուը, կարող է կառավարել տվյալների աշխարհը: Agentic Data Stack եւ Contextual Data Unit (CDU): Data with Built-in Semantics- ը For Agents to develop and use data automatically, today’s data warehouse design is not suitable—it was never meant for large models or Agents. What’s stored inside are “raw” data—just numerical values and column names. What these values or fields actually mean is stored in a separate “data asset” management system. Understanding each value or field requires a full-fledged “data governance” project. This design is unfriendly to large models and Agents, which rely on semantic reasoning. So, if we were to redesign a data storage system for Agents and large models, we’d have to store Ես ասում եմ այս: data and semantics together Contextual Data Unit (CDU): մի dual-element unit, որը համատեղում է տվյալները + semantic բացառություն - յուրաքանչյուր տվյալների նամակը ներառում է իր նշանակությունը այն հետ: Contextual Data Unit (CDU): մի dual-element unit, որը համատեղում է տվյալները + semantic բացառություն - յուրաքանչյուր տվյալների նամակը ներառում է իր նշանակությունը այն հետ: Այն մատակարարում է տվյալների կատեգորիաների թվային տվյալները, որոնք սովորաբար մատակարարվում են ցանկացած տվյալների մատակարարման մեջ, այնպես որ կտրում է տեսնել ժամանակը եւ սխալների քանակը, երբ գործիչները կամ մեծ մոդելները հասանելի են այն: Այսպիսով, CDU- ում բիզնես համակարգերի մեջ արտադրված է սենմինետիկը: Նրանք մետաղված են եւ մետաղված են Data Flow Agents- ի վրա: CDU-ը ստեղծվում է սննդի ընթացքում, որը գնում է Agentic Data Lake- ում, բայց չի ստեղծվել հետո: Ի այլն, տվյալների կառավարման եւ գիծը մետաղադրված են սենմինե- ում մետաղադրված զարգացման գործընթացում: Նրանք չեն օգտագործվում մետաղադրականորեն, երբ տվյալները մետաղադրված են, այնպիսին, որ տվյալները մետաղադրված են սենմինետում: Այս ժամանակ, դուք պետք է իմանալ, որ ես մտածում եմ: Agentic AI- ի ժամանակին, ամեն ինչ, ETL- ից մատակարարման եւ տվյալների ծրագրերի համար, պետք է վերլուծվի, քանի որ Այս մանրամասն գործիչների ծառայելու համար պլատֆորմերը պետք է զարգացվեն, որը կարող է կոչվել Agents- ի, սենմենտիկ- ի իմանալով, գործառույթների հիմնված դիզայնին, ինչը մենք կոչում ենք Agents- ի: . consumers are now Agents and models. Agentic Data Stack Agentic Data Stack: Agent- ի ժամանակում, նոր data technology stack- ը, որը գնում է "data + semantics" ստանալի գործիքների վրա, այն պլատֆորմերի համար, որոնք բուժում են եւ պահեստում են CDU- ի ձեւաչափի տվյալները, եւ վերջապես ինտերնետային մակերեսին, որը մատակարարում է այս տվյալները Agents- ի համար: Agentic Data Stack: Agent- ի ժամանակում, նոր data technology stack- ը, որը գնում է "data + semantics" ստանալի գործիքների վրա, այն պլատֆորմերի համար, որոնք բուժում են եւ պահեստում են CDU- ի ձեւաչափի տվյալները, եւ վերջապես ինտերնետային մակերեսին, որը մատակարարում է այս տվյալները Agents- ի համար: Ահա իմ խոշոր նախընտրություն, թե ինչ է Agentic Data Stack կարող է ներառում: This is no longer a BI/dashboard interface, but the “brain” and “command center” of the Agentic architecture. With natural language understanding and semantic reasoning capabilities, it bridges other agents with underlying data assets, enabling intelligent, multi-round interactions and service generation. Semantic Orchestrator (Interaction Layer): No longer a traditional Data Warehouse or Data Lake—it’s a service-oriented, computation-friendly fusion layer that stores data with semantics. It can supply data for complex computations by LLMs while also supporting real-time processing. Data Mesh (Storage Layer): Not just “moving data,” but understanding and orchestrating data. Not scheduled periodically, but event-driven and intent-driven. Capable of detecting data changes, analyzing schemas, understanding business logic, and responding accordingly. Data Flow Agent (Processing Layer): Նոր տվյալները գտնվում են Data Flow Agents- ի կողմից, նախընտրված են Data Mesh- ում, եւ Semantic Orchestrator- ի կողմից բացահայտվում են բիզնեսի հարմարեցված definitions- ի հետ, որը վերջապես թույլ է տալիս «համփորդագրություն» բիզնեսի պահանջից տվյալների արտադրանքի համար: LLMs provide the brainpower. Agents are the hands and feet. Agentic Data Stack gives them the data accessibility needed in the era of large models. Երբ Agentic Data Stack-ը աճում է, «Data Warehouses»- ի վերականգնման արժեքը լայնորեն կանգնած է: Արդյունաբերական լեզուի հարցազրույցի հզորությունը եւ հարմարված տվյալների հասնելը ոչ միայն մեծ բիզնեսի հարմարությունը չի լինի: Այն կանգնած է փոքր բիզնեսների եւ նույնիսկ անձնականների համար: Դուք կարող եք ստանալ ձեր Google Drive- ի ֆայլերը, home NAS- ները, PDF- ները ձեր բջջային բջջային բջջային համակարգի վրա եւ app- ները ձեր բջջային հեռախոսից ձեր անձնական տվյալների բջջային բջջային վրա: Այնուհետեւ հարցրեք հարցը, ինչպիսիք են «Ես վերջին ամիսում վայելել եմ Disney- ում» - ինչ-որ բան, Հաջորդ անգամ, WhaleOps- ի հսկողության տակ, Apache SeaTunnel- ի միասին հիմնադրվել է Apache SeaTunnel MCP Server- ը, որը այժմ առաջանում է Data Flow Agent- ը: Բացի այդ, դեռ պետք է վերցնել տեխնիկական խոշորությունները, ինչպիսիք են անջատ A2A- ի պրոֆեսիոնալները, Data Mesh- ի սարքավորման մոդելներ, որոնք չեն հավելված, եւ թվային մուտքի վերահսկողության արտադրանքի փոխադրումը Semantic Orchestrator- ի համար: Սակայն, LLM- ի եւ Agent- ի ժամանակը վերլուծել է տվյալների analytics- ի ոլորտում, ինչպես նաեւ SQL- ի արտադրությունը. Երբ ես երեխա եմ, երկու հայտնի վիդեո բրենդեր են Forever եւ Phoenix: Նրանք մրցել են արագության համար «հարեցված ածերի» միջոցով: Բայց այն, ինչ կախված է վիդեո շուկանը, ոչ թե ավելի լավ վիդեո էր: Դա մի սննդի մատակարարման ընկերություն էր, որը սկսում է համատեղելի վիդեոներ, վերլուծելով ամբողջ արդյունաբերությունը: Երբ Agents- ը վերլուծվում է, որոշ հիմնական արտադրանքի ճանապարհները, որոնք մենք մեկ անգամ հավատում ենք, կարող են վայելել նշանակությունը: Երբ ձեր հիբը կանգնած է կատարելու համար, մոռացեք, որ նայեք օդին: Հիմնական հոդված՝ «Ես ապրում եմ այժմ, տեսնում եմ مستقبلը» Երբ ես կիսում եմ այս տեսքը AICon- ում, AWS Community Day- ում եւ այլ տեխնոլոգիաների վերահսկողություններում, լսողները միշտ կախված են երկու սենյակում: «Հավատողները» կարծում են, որ ես շատ վերահսկող եմ, երբ ասում եմ, որ Agentic Data Stack- ը 5–10 տարի առաջ է: Նրանք կարծում են, որ AI- ը այնքան արագ է զարգանում, որ մենք տեսնում ենք, որ այն 5 տարվա ընթացքում ամբողջականորեն ձեւավորվում է: «Հավատողները» կարծում են, որ AI- ի գործիչների ազդեցությունը տվյալների սենյակում բուժում է: Նրանք հավատում են, որ այսօրի տվյալների սենյակի դիզայնները ամենամեծ ROI- ի ձեւավորությունը են, եւ ոչինչ ավելի հզոր չի «Ես» մի «սենտոր» եմ: Ես Այս AI- ի գլուխը ազդեցություն կտա ծրագրային դիզայնը, որը հիմնականում տարբեր է նախորդ գլուխների հետ: believe the emergence of the Agentic Data Stack is inevitable. We must look at the total cost and outcome of enterprise data warehouse construction and operations, not just storage or compute ROI alone. Currently, we see trends: the rise of real-time data warehouses, the expansion of data lakes, and the reduction of layers in modern warehouse design. (I’d even argue that now that our generation of Teradata-trained data modeling architects is retiring, the market lacks professionals who can keep up with fast-evolving business logic). So traditional modeling itself is iterating—real-time warehouses now often use 2 layers instead of 3–4. I’m simply pointing out a bigger leap ahead in the Agentic AI era. On balance, the ROI of Agentic Data Stack will likely surpass that of the current New Data Stack. Այսպիսով, փոխանցումը չի կատարվում մի գիշերվա ընթացքում: Ես 2016- ից 2020-ին կօգնի ClickHouse- ից China- ի de facto real-time OLAP- ի մեքենայի ստեղծելու համար - եւ դա արդեն հասանելի արտադրանքի հետ էր: Agentic Data Stack- ը, այլն, ունի միայն մի քանի early-stage բաղադրիչներ եւ Start-ups- ում: Նրա մեծ մասը այժմ չգիտվի - դա definitively չի վերահսկում շուկանը 5 տարիների ընթացքում: Եթե մենք կարծում ենք, որ շուկաների վրա, դա կարող է անցնել, երբ real-time բաղադրիչները եւ նավահանգները ստանում են ավելի լայն բաղադրիչները: Այսպիսով, այն չէ, որ տվյալների սարքավորումներ են ծածկված, այլեւ իրենց կառուցվածքի եւ հարցերի կենտրոնական մոդելը փոխարինվում է սենմետիկայի եւ պատասխանների կենտրոնական դիզայնով: Որպես որ, երբ դուք օգտագործում եք GPS- ը, դուք չեք վերադարձնում թերթիկի քարտեզ: Այսպիսով, այն չէ, որ տվյալների սարքավորումներ են ծածկված, այլեւ իրենց կառուցվածքի եւ հարցերի կենտրոնական մոդելը փոխարինվում է սենմետիկայի եւ պատասխանների կենտրոնական դիզայնով: Որպես որ, երբ դուք օգտագործում եք GPS- ը, դուք չեք վերադարձնում թերթիկի քարտեզ: The gates to the Agentic Data Stack are opening. Are you ready?
