adesso BLOG

Im Zeitalter der digitalen Innovation und der datengestützten Entscheidungsfindung ist die effiziente Verarbeitung und Analyse von Daten ein entscheidender Wettbewerbsvorteil. Vor allem dort, wo Informationen in Echtzeit über Erfolg oder Misserfolg entscheiden können, ist Big Data Streaming unverzichtbar. Amazon Web Services (AWS) bietet eine breite Palette von Diensten und Werkzeugen, mit denen Unternehmen Daten in Echtzeit erfassen, verarbeiten und analysieren können. Was es damit auf sich hat, zeige ich in meinem Blog-Beitrag.

Vor der Einführung von Computern verwendeten Unternehmen Geschäftsbücher, Inventarlisten und Intuition, um Kennzahlen zu erfassen. Ende der 1980er Jahre entstand das Data Warehouse für statische Berichte. Die Digitalisierung brachte neue Herausforderungen mit sich. Big Data überforderte traditionelle Data Warehouses, weshalb Unternehmen Data Lakes einführten, die sich aber auch auf die Architektur und die Konzepte von Analysesystemen auswirkten. Im ersten Teil dieses Blog-Beitrags geht es um deren Entwicklung, die Gründe für ihre Entstehung und die gelösten Probleme.

Im ersten Teil dieses Blog-Beitrags haben wir uns mit den Grundlagen von Data Warehouses und Data Lakes beschäftigt, um ihre Vorteile und Grenzen zu verstehen. In diesem Teil geht es um die Entwicklung hin zu einer hybriden Lösung - dem Data Lakehouse. Wir betrachten die Entwicklung der Datenstrukturen von der zweischichtigen Architektur bis zur Entwicklung des Lakehouse-Konzepts. Ihr erfahrt, wie das Lakehouse die Stärken von Data Lakes und Data Warehouses kombiniert, um die datengetriebenen Herausforderungen von heute zu bewältigen.

Kann eine Renovierung eines Hauses ohne genaue Kenntnisse darüber, was bereits vorhanden ist, erfolgreich geplant werden? Die klare Antwort lautet: Natürlich nicht! Ein umfassendes Verständnis vom Haus, seinen verschiedenen Zimmern und dem Zustand des Gartens ist unerlässlich, um zumindest grob abschätzen zu können, welche Renovierungen und Verbesserungen erforderlich sind.

Message Queuing beschreibt also ein Verfahren, das die Erzeugung eines Jobs von seiner Ausführung trennt - eine Entkopplung der Systeme. Dabei wird die Arbeit auf drei Komponenten verteilt. Wie das genau funktioniert, welche Vorteile sich daraus ergeben und welche Anwendungsbeispiele es gibt, zeigen wir in unserem Blog-Beitrag.

Künstliche neuronale Netze werden häufig zur Bild- oder Spracherkennung, für Vorhersagen oder auch zur Betrugserkennung eingesetzt. In einigen Bereichen sind die Ergebnisse sogar besser als eine menschliche Vorhersage. Um diese Trefferquoten zu erreichen, müssen die Netze jedoch zuvor aufwendig mit großen Mengen an Testdaten trainiert werden. Künstliche neuronale Netze können mit genetischen Algorithmen trainiert werden. Wie das funktioniert, zeige ich in diesem Blog-Beitrag.

Microservice-basierte Architekturen sind ein aktueller Trend zur Umwandlung von Informationssystemen. Doch wie können diese Architekturen implementiert werden? Die am häufigsten verwendete Lösung ist die BPM-Engine von Camunda. In meinem Blog-Beitrag zeige ich euch, wie diese Lösung auch die Microservice-Choreographie ermöglicht.

Ziel von SOLID ist die Erzeugung von Software, die Modifikationen toleriert, leicht nachvollziehbar ist und die eine Basis der Komponenten bildet, die in vielen Softwaresystemen eingesetzt werden. In meinem Blog-Beitrag stelle ich euch die fünf SOLID-Prinzipien näher vor.

IT-Systeme und damit auch IT-Projekte werden immer komplexer. Um diese Komplexität in den Griff zu bekommen, werden zwar kleinere und damit überschaubare Einheiten gebildet, doch fehlt dann eine Instanz, die den Überblick über das große Ganze behält. In meinem Blog-Beitrag zeige ich euch verschiedene Möglichkeiten, wie dieses Dilemma erfolgreich gelöst werden kann.