
英特尔携手Cloudera发力大数据,背后有哪些契合点
日前,英特尔携手Cloudera在北京举办数据分析媒体沟通会,讲述了双方达成战略合作关系两年来在大数据领域取得的一系列成果。英特尔公司软件与服务事业部副总裁、系统技术和优化部门大数据技术总监马子雅,有Hadoop之父之称、Cloudera公司首席架构师Doug Cutting,以及Cloudera公司副总裁、大中华区总经理凌琦等参会并接受媒体采访。
英特尔平台为用户提供最佳数据洞察力
马子雅说,大数据作为一个非常有前景的产业在过去的几年里得到了快速的发展。目前90%的数据量都是过去两三年产生的。大数据的价值是通过数据分析给人们带来好的商业洞察力。在这方面,英特尔已经进行了多年的努力,最终目标是希望让任何大数据用户能够在英特尔平台上获得最好的数据洞察力,数据分析速度也最为快捷。
他表示,为了达到这样的目的,英特尔将工作分为几个重点方向。
第一是硬件层面。在这方面,英特尔对硬件进行了很多创新,包括网络、存储、运算等。例如在过去的几个月,英特尔推出了实时分析最快的至强E7V4处理器,也推出了最新的非易失性存储技术3D Xpoint。客户通过迁移到新一代英特尔硬件平台,可以使大数据机组性能得到7倍的提升;而通过在每台服务器中引入英特尔的SSD存储,可以使客户的大数据机组性能提升20%。
第二是在大数据层面。英特尔对很多大数据项目进行了优化,以保证它们能够在英特尔的平台上实现性能的大幅提升。比如英特尔推出了Big Bench、High Bench的测试标准,引领了业务基准测试的标准化的发展。该标准可以帮助业界更为精准的了解大数据在微观以及端到端层面的性能。
第三是在开源领域。英特尔看到大数据受开源影响较大,无论是Hadoop生态系统还是Spark生态系统。因此在过去几年中,英特尔在开源领域进行了很多合作,希望以此影响开源技术的未来走向,能与英特尔具有更高的黏合度。
例如在Hadoop相关项目、Spark相关项目,包括SQL、存储、云结合方面,英特尔都做了大量工作。这些工作涵盖添加性能、改善稳定性、可扩展性、提升性能、提升数据保护等。
此外,在机器学习方面,英特尔也在开源方面做了很多工作,尤其是在帮助客户扩大机器学习模块的可扩展性方面,可以达到10倍至70倍,并且可以缩短机器学习的周期达到8倍。在这方面,英特尔把大部分源代码都贡献给开源。
Hadoop让英特尔硬件更优化
Doug Cutting在发言中表示,Cloudera和英特尔至今已经合作两年时间,作为双方在合作方面的亮点,Apache Hadoop确实改变了人们使用数据的方式,能够让用户在数据中挖掘更多价值,同时在这个过程中能够更好地存储、处理数据,和更优化的使用英特尔为主的大部分硬件。
可以说我们与英特尔的合作就是基于这样一个目的,那就是让大家的软件可以在最受青睐的英特尔的硬件上跑的更好。英特尔和Cloudera当前确实也在寻求合作伙伴,当越来越多的大数据应用在数据中心部署,我们希望能够更好地发挥英特尔硬件的一些功能。他说。
Doug Cutting强调,自己非常高兴的看到在两年后的今天,双方的合作非常成功。在许多领域,Cloudera的工程师与英特尔共同合作,以保证Cloudera的软件能够非常好的运行在英特尔的硬件平台上。其中对某些领域通过重点进行优化,从而使Cloudera技术能够与英特尔技术做到深度结合。比如现在可以以非常低的价格进行解密,只有这样才能够使所有的文件都有加密,在保证数据安全的基础上,并不会在解密和加密的过程中影响到使用和运营效率。
对Cloudera中国市场未来有信心
凌琦在发言中主要分享了Cloudera在中国市场落地1年多时间以来的发展情况。
他介绍,从Cloudera自2014年底成立以来至今已经走过了18个月,目前,Cloudera在中国市场也取得了非常好的发展。公司当前已在北京、上海和广州建立了办事机构,业务拓展速度也是非常的快。
凌琦说,除了在与英特尔进行很多项目的研发、合作外,Cloudera公司自身在商业方面也拥有着完整的售前、营销以及专业服务力量。值得一提的是,作为公司的一大业务是涉及大数据人才的培训,目前已有5家培训领域合作伙伴与Cloudera达成了合作关系,并展开了大规模的大数据人才培训。
此外,凌琦还介绍了Cloudera在中国行业市场拓展方面的情况。目前,Cloudera业务已经覆盖电信、金融、制造以及与基础设施建设、零售等相关行业。这些行业也都是在大数据应用和发展上比较快的行业。
我们非常高兴的看到在国内主要的大企业都开始广泛采用基于Apache Hadoop的Cloudera商业发行版。在主要免费版本的发行和采用率上,Cloudera至少在国内占有70%以上的市场份额。到目前为止运营的18个月中,我非常高兴看到Cloudera在中国市场非常成功。我们对未来有非常好的憧憬。凌琦说。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10