MARC

 008260202s2023        xx            o                  0  eng  d
■001EBC30685822
■003MiAaPQ
■00520260202073946.0
■006m          o    d  |            
■007cr  cnu||||||||
■020    ▼a9781098133269▼q(electronic  bk.)
■020    ▼z9781098133290
■035    ▼a(MiAaPQ)EBC30685822
■035    ▼a(Au-PeEL)EBL30685822
■035    ▼a(OCoLC)1394118834
■040    ▼aMiAaPQ▼beng▼erda▼epn▼cMiAaPQ▼dMiAaPQ
■1001  ▼aPetrella,  Andy.
■24510▼aFundamentals  of  Data  Observability
■250    ▼a1st  ed.
■264  1▼aSebastopol▼bO'Reilly  Media,  Incorporated▼c2023.
■264  4▼c?023.
■300    ▼a1  online  resource  (267  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■5050  ▼aIntro  --  Copyright  --  Table  of  Contents  --  Preface  --  Overview  of  the  Book  --  Who  Should  Read  This  Book  --  Conventions  Used  in  This  Book  --  Using  Code  Examples  --  O'Reilly  Online  Learning  --  How  to  Contact  Us  --  Acknowledgments  --  Part  I.  Introducing  Data  Observability  --  Chapter  1.  Introducing  Data  Observability  --  Scaling  Data  Teams  --  Challenges  of  Scaling  Data  Teams  --  Segregated  Roles  and  Responsibilities  and  Organizational  Complexity  --  Anatomy  of  Data  Issues  and  Consequences  --  Impact  of  Data  Issues  on  Data  Team  Dynamics  --  Scaling  AI  Roadblocks  --  Challenges  with  Current  Data  Management  Practices  --  Effects  of  Data  Governance  at  Scale  --  Data  Observability  to  the  Rescue  --  The  Areas  of  Observability  --  How  Data  Teams  Can  Leverage  Data  Observability  Now  --  Low  Latency  Data  Issues  Detection  --  Efficient  Data  Issues  Troubleshooting  --  Preventing  Data  Issues  --  Decentralized  Data  Quality  Management  --  Complementing  Existing  Data  Governance  Capabilities  --  The  Future  and  Beyond  --  Conclusion  --  Chapter  2.  Components  of  Data  Observability  --  Channels  of  Data  Observability  Information  --  Logs  --  Traces  --  Metrics  --  Observations  Model  --  Physical  Space  --  Server  --  User  --  Static  Space  --  Dynamic  Space  --  Expectations  --  Rules  --  Automatic  Anomaly  Detection  --  Prevent  Garbage  In,  Garbage  Out  --  Conclusion  --  Chapter  3.  Roles  of  Data  Observability  in  a  Data  Organization  --  Data  Architecture  --  Where  Does  Data  Observability  Fit  in  a  Data  Architecture?  --  Data  Architecture  with  Data  Observability  --  How  Data  Observability  Helps  with  Data  Engineering  Undercurrents  --  Security  --  Data  Management  --  Support  for  Data  Mesh's  Data  as  Products  --  Conclusion  --  Part  II.  Implementing  Data  Observability  --  Chapter  4.  Generate  Data  Observations  --  At  the  Source  --  Generating  Data  Observations  at  the  Source  --  Low-Level  API  in  Python.
■5058  ▼aDescription  of  the  Data  Pipeline  --  Definition  of  the  Status  of  the  Data  Pipeline  --  Data  Observations  for  the  Data  Pipeline  --  Generate  Contextual  Data  Observations  --  Generate  Data-Related  Observations  --  Generate  Lineage-Related  Data  Observations  --  Wrap-Up:  The  Data-Observable  Data  Pipeline  --  Using  Data  Observations  to  Address  Failures  of  the  Data  Pipeline  --  Conclusion  --  Chapter  5.  Automate  the  Generation  of  Data  Observations  --  Abstraction  Strategies  --  Event  Listeners  --  Aspect-Oriented  Programming  --  High-Level  Applications  --  No-Code  Applications  --  Low-Code  Applications  --  Differences  Among  Monitoring  Alternatives  --  Conclusion  --  Chapter  6.  Implementing  Expectations  --  Introducing  Expectations  --  Shift-Left  Data  Quality  --  Corner  Cases  Discovery  --  Lifting  Service  Level  Indicators  --  Using  Data  Profilers  --  Maintaining  Expectations  --  Overarching  Practices  --  Fail  Fast  and  Fail  Safe  --  Simplify  Tests  and  Extend  CI/CD  --  Conclusion  --  Part  III.  Data  Observability  in  Action  --  Chapter  7.  Integrating  Data  Observability  in  Your  Data  Stack  --  Ingestion  Stage  --  Ingestion  Stage  Data  Observability  Recipes  --  Airbyte  Agent  --  Transformation  --  Transformation  Stage  Data  Observability  Recipes  --  Apache  Spark  --  dbt  Agent  --  Serving  --  Recipes  --  BigQuery  in  Python  --  Orchestrated  SQL  with  Airflow  --  Analytics  --  Machine  Learning  Recipes  --  Business  Intelligence  Recipes  --  Conclusion  --  Chapter  8.  Making  Opaque  Systems  Translucent  --  Data  Translucence  --  Opaque  Systems  --  SaaS  --  Don't  Touch  It  --  It  (Kinda)  Works  --  Inherited  Systems  --  Strategies  for  Data  Translucence  --  Strategies  --  The  Data  Observability  Connector  --  Example:  Building  a  dbt  Data  Observability  Connector  (SaaS)  --  Conclusion  --  Afterword:  Future  Observations  --  Unification  of  Processing  --  Generative  Milestones  --  Trustable  Expanded  Creativity  --  Conclusion  --  Index.
■5058  ▼aAbout  the  Author  --  Colophon.
■588    ▼aDescription  based  on  publisher  supplied  metadata  and  other  sources.
■590    ▼aElectronic  reproduction.  Ann  Arbor,  Michigan  :  ProQuest  Ebook  Central,  2026.  Available  via  World  Wide  Web.  Access  may  be  limited  to  ProQuest  Ebook  Central  affiliated  libraries.  
■655  4▼aElectronic  books.
■77608▼iPrint  version▼aPetrella,  Andy▼tFundamentals  of  Data  Observability▼dSebastopol  :  O'Reilly  Media,  Incorporated,c2023▼z9781098133290
■7972  ▼aProQuest  (Firm)
■85640▼uhttps://ebookcentral.proquest.com/lib/baekseok-ebooks/detail.action?docID=30685822▼zClick  to  View

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서