【Spark Summit East 2017】RISE实验室: 赋能智能实时决策

简介: 本讲义出自Ion Stoica在Spark Summit East 2017上的演讲,主要分享了其所在的加州大学伯克利分校的RISELab的研究方向,并讨论了一些RISE技术能够输出的应用方向。

更多精彩内容参见云栖社区大数据频道https://yq.aliyun.com/big-data;此外,通过Maxcompute及其配套产品,低廉的大数据分析仅需几步,详情访问https://www.aliyun.com/product/odps

本讲义出自Ion Stoica在Spark Summit East 2017上的演讲,主要分享了其所在的加州大学伯克利分校的RISE实验室的研究方向,并讨论了一些RISE技术能够输出的应用方向。


对于计算而言,一个巨大的挑战就是使机器能够自动并且智能地行动,也就是基于他们周围的信息采取快速而又适当的行动。为了实现这一目标,加州大学伯克利分校的Ion Stoica团队开始研发能够提供可以安全执行的实时智能的数据密集型系统,也就是RISE。


e3939083c18976d939d7e2658ac6685e034ad3c3

0fb068411327e92e6961174f3c73a03919bb55b8

0ec774952da9957eb3d54d66dd30d53d31977b1e

6b34ba8698300a08cbc3e940fa41c07b93f6167f

143ffa9d2a87ad356dde81181e2958499b71a90e

fffe3443f7d5477b502e96c2625dda921941f1ed

7518abce54df6f648922791e8da26897b232f643

a69cbf58a23f50f953853a7638e9c23da952264d

04c05b46b92287ad4bd29c907f37fca61f354276

b520516b73535f63080cd4ad6996cd9d97ef9255

b35f095e697f860e65b95bc89407dfc7fe907f4b

3e7c09f49aad2f69362bb3b87096ae8fcb349aac

a76f75c5bad9e66566d050597add461861f31653

9b2c78509450b3b4efde24734cc194c43454b5d4

fa0b7cdfc5121b24204e4c6bb5f3ea99f380717a

d04393f589f6e166e61a1d6c55b30ed26a9063de

061e44dd060307162f8ce45d85a9522599193f4c

9bd93d72fb46ffbc588c5ae6d02f581e1a11bc78

c9f20168b91bf89d5e6c0da8e8fa011338121b1d

3873bcdc4c34168bc49b6431ae35b83f262e4566

94d240163daf5fb5a62307d874edab136bb3e458

d1f22e69bbd4289f6719f6bda44393f32f75a839

4a20f491529ec9bafb023062b927a07450f2b23d

b38dc0188854655703cf3a9eb9a07d010b5fd40e

f759eeefc45f93fd29e588718a43001d38bad28d

6bc34964a26a1dad93d89a98954ac1aecfc292a2

a78002df1ea0c3bf32aa391d91cdfd6afdaf839a

282e28aed6a788230fe16a35dd936fd2d166c6eb

7c9c039bcf0fe8fa900c9d93581a7a3982594080

d1b14edac5cebb4ba549689e30ece2bbdc1a306f



d78c16959e11c471c1b33cb369222c02bbaef6bc

866a8a52c987f2ca0366f7c1858b85fd38a39ae3

7146521ff314d3f38e058d9f64e8a9470d111ca7

相关文章
|
6月前
|
SQL 分布式计算 数据可视化
数据分享|Python、Spark SQL、MapReduce决策树、回归对车祸发生率影响因素可视化分析
数据分享|Python、Spark SQL、MapReduce决策树、回归对车祸发生率影响因素可视化分析
|
人工智能 分布式计算 Spark
SPARK + AI SUMMIT 2020 中文精华版线上峰会材料
SPARK + AI SUMMIT 2020 中文精华版线上峰会材料
SPARK + AI SUMMIT 2020 中文精华版线上峰会材料
|
机器学习/深度学习 人工智能 分布式计算
SPARK + AI SUMMIT 2020 中文精华版线上峰会—7月5日议题
SPARK + AI SUMMIT 2020 中文精华版线上峰会—7月5日议题介绍
SPARK + AI SUMMIT 2020 中文精华版线上峰会—7月5日议题
|
分布式计算 Prometheus Kubernetes
SPARK + AI SUMMIT 2020 中文精华版线上峰会—7月4日上午议题
SPARK + AI SUMMIT 2020 中文精华版线上峰会—7月4日上午议题发布
SPARK + AI SUMMIT 2020 中文精华版线上峰会—7月4日上午议题
|
SQL 人工智能 缓存
Spark 10年,作者 Matei 在 Spark + AI Summit 2020 上深情回顾,Photon 引擎首次曝光
在Spark + AI Summit 2020上, Matei 先生的keynote对 Spark 10 年做了非常精彩的演讲和深情的回顾。SparkSQL 重回巅峰,在性能上大幅超越 Presto。在过去几年,我们见过了太多的 benchmark,大家都在纷纷超越 Spark。Spark 3.0 这一进展可以说大大提振了大家对 Spark 的信心,可谓及时雨。
Spark 10年,作者 Matei 在 Spark + AI Summit 2020 上深情回顾,Photon 引擎首次曝光
|
22天前
|
分布式计算 大数据 Apache
ClickHouse与大数据生态集成:Spark & Flink 实战
【10月更文挑战第26天】在当今这个数据爆炸的时代,能够高效地处理和分析海量数据成为了企业和组织提升竞争力的关键。作为一款高性能的列式数据库系统,ClickHouse 在大数据分析领域展现出了卓越的能力。然而,为了充分利用ClickHouse的优势,将其与现有的大数据处理框架(如Apache Spark和Apache Flink)进行集成变得尤为重要。本文将从我个人的角度出发,探讨如何通过这些技术的结合,实现对大规模数据的实时处理和分析。
59 2
ClickHouse与大数据生态集成:Spark & Flink 实战
|
1月前
|
存储 分布式计算 算法
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
63 0
|
1月前
|
消息中间件 分布式计算 NoSQL
大数据-104 Spark Streaming Kafka Offset Scala实现Redis管理Offset并更新
大数据-104 Spark Streaming Kafka Offset Scala实现Redis管理Offset并更新
42 0
|
1月前
|
消息中间件 存储 分布式计算
大数据-103 Spark Streaming Kafka Offset管理详解 Scala自定义Offset
大数据-103 Spark Streaming Kafka Offset管理详解 Scala自定义Offset
91 0
下一篇
无影云桌面