🎙️ On plonge dans les séries temporelles et l’intégration SQL avec Warp 10, en compagnie de Mathias Herbert (Senx.io).
📊 SQL atteint vite ses limites face aux time series. Comment faire mieux sans exploser la facture cloud ? WarpLib apporte une solution en s’intégrant dans Databricks, Starburst et bientôt Snowflake !
Au programme :
✅ Pourquoi SQL n’est pas toujours adapté aux séries temporelles
✅ Les nouvelles approches pour les intégrer dans les Data Lakes
✅ Un pont entre SQL et WarpLib pour une meilleure analyse des time series
✅ Comment réduire coût et temps de traitement
Chapitres
📌 [00:00] Introduction & Présentation des invités et retour sur les précédents épisodes avec Mathias Herbert
📌 [02:15] Warp 10 et les séries temporelles : Pourquoi un langage dédié ? Les limites du SQL et la nécessité d’un moteur spécialisé
📌 [11:10] L’intégration des séries temporelles dans les Data Lakes comment répondre aux nouveaux usages sans déplacer la donnée
📌 [22:00] WarpLib et SQL : Une approche hybride - Comment Sense rend ses fonctionnalités accessibles dans Databricks, Starburst et Snowflake
📌 [41:00] Gains de performance et réduction des coûts - Pourquoi utiliser WarpLib peut optimiser vos requêtes SQL et votre facture cloud
Pour suivre Mathias Herberts
Animateurs
- Vincent : Linkedin, Carnet Data et IA et DataTask
- Jérôme : @jxerome et Zeenea
- Nicolas: @nsteinmetz, CerenIT, Time Series France
Sponsors
Cette publication est sponsorisée par DataTask et CerenIT.
CerenIT vous accompagne pour concevoir, industrialiser ou automatiser vos plateformes mais aussi pour faire parler vos données temporelles. Ecrivez nous à contact@cerenit.fr et retrouvez-nous aussi au Time Series France.
Datatask vous accompagne dans tous vos projets Cloud et Data, pour Imaginer, Expérimenter et Executer vos services ! DataTask
Consultez blog de DataTask pour en savoir plus.
Le générique a été composé et réalisé par Maxence Lecointe