Data gravity
Concept
La gravité des données décrit comment de grands ensembles de données accumulés attirent le calcul, les outils, les copies et les équipes, ce qui rend ces données de plus en plus difficiles à déplacer.
Également abordés
Les épisodes consacrés à Data gravity abordent aussi Cost to serve, Process criticality, Azure Autoscale, Scope creep, Non-human identity et Managed Environments.
Description
La gravité des données est un concept d'architecture informatique qui décrit comment un volume important de données attire des applications, des services et d'autres données, un peu comme la masse attire les objets en physique. Plus les données s'accumulent au même endroit, plus le calcul, les outils, les copies et les équipes se regroupent autour d'elles, et plus il devient difficile de les relocaliser. Les lacs de données et les entrepôts de données sont généralement cités comme des exemples typiques de systèmes qui présentent cet effet.
Le terme a été introduit en 2010 par l'expert informatique Dave McCrory. Il a ensuite distingué deux formes : la gravité naturelle des données, qui apparaît à mesure que les données migrent vers le cloud, et la gravité artificielle, causée par des facteurs externes tels que la législation, la limitation de débit ou des tarifs manipulateurs. En 2020, il a publié le Data Gravity Index, qui mesure cet effet pour les grandes entreprises par zone métropolitaine et par secteur d'activité.
Le mécanisme central est l'échelle. La gravité augmente avec le volume de données, et le déplacement de grands ensembles de données est coûteux et lent. Par conséquent, les applications et les services tendent à être placés à proximité des données qu'ils utilisent, plutôt que l'inverse. Cela a plusieurs conséquences pratiques. Les applications éloignées de leurs données subissent une latence plus élevée. Les frais de sortie du cloud peuvent rendre une migration non rentable. Une migration génère également un travail supplémentaire pour chaque application qui dépend des données déplacées. Une nouvelle gravité continue d'apparaître à mesure que l'IA, l'apprentissage automatique et les sources en périphérie génèrent des données supplémentaires.
Les décisions typiques liées à la gravité des données concernent l'emplacement des charges de travail et la quantité de données à conserver. Les réponses suggérées incluent la colocalisation des applications et des données, l'application d'une gouvernance et de normes rigoureuses, l'intégration des sources dans un magasin unifié, la planification des migrations en fonction de la taille finale des données plutôt que de leur taille actuelle, et le filtrage ou l'analyse des données en périphérie avant qu'elles ne remontent en amont.
L'épisode de M365.FM « Edge vs. Cloud in Manufacturing- Why the Wrong Architecture Costs You More » utilise la gravité des données comme l'un des nombreux critères de placement. Il s'interroge sur la quantité de données créées et sur le format dont elles ont réellement besoin lorsqu'elles remontent en amont. L'épisode explique qu'une conception qui collecte tout indéfiniment finit par payer chaque octet inutile plus d'une fois. Dans cette discussion, la gravité des données est pondérée avec le comportement en cas de panne, où une fonction doit se dégrader de manière contrôlée et maintenir la production en fonctionnement dans des limites locales définies, ainsi qu'avec la portée, où un capteur ou un actif unique favorise un placement local, tandis que les opérations à l'échelle de la flotte poussent le travail en amont.
L'épisode « Fix Common Azure AI Foundry Project Failures » traite la gravité des données comme un argument en faveur de la centralisation sur une seule plateforme. Il indique que l'hébergement des données et de l'IA dans Azure réduit la latence et la complexité, et présente cela comme une raison pour laquelle les équipes choisissent Azure pour les projets d'IA de grande envergure. Ce même épisode précise qu'Azure prend également en charge l'inférence sur site, hybride et en périphérie, de sorte que l'IA peut s'exécuter là où les données sont générées plutôt que de déplacer les données.
Pris ensemble, les deux épisodes illustrent le concept sous deux angles : déplacer le calcul là où les données se trouvent déjà, et réduire ou traiter les données près de leur source afin qu'il y ait moins de données à déplacer.
Aperçu compilé avec l'IA à partir des épisodes M365.FM et des informations de cette page. Tu peux l'améliorer avec le bouton de modification ci-dessous.
| Type | Concept |
|---|
Questions fréquentes
Les questions marquées IA ont été rédigées avec l'IA à partir des informations de cette page.
Qu'est-ce que la gravité des données ? (IA)
La gravité des données est la tendance des grands ensembles de données à attirer les applications, les services et d'autres données, ce qui rend les données plus difficiles et plus coûteuses à déplacer à mesure qu'elles grossissent. Le terme a été introduit par Dave McCrory en 2010.
Pourquoi la gravité des données est-elle importante pour une migration vers le cloud ? (IA)
Le déplacement de grands ensembles de données est lent et coûteux, les frais de sortie du cloud peuvent rendre une migration non rentable, et chaque application dépendante nécessite un travail supplémentaire. Planifier en fonction de la taille finale des données et colocaliser les applications avec leurs données figurent parmi les réponses suggérées.
Comment les épisodes de M365.FM relient-ils la gravité des données aux choix d'architecture ? (IA)
Un épisode l'utilise pour déterminer quelles données doivent remonter en amont depuis les sites de fabrication, tandis qu'un autre la cite comme une raison d'héberger ensemble les données et l'IA dans Azure afin de réduire la latence et la complexité.
Community wiki
Short info above, community knowledge below: add practical tips, examples or corrections. New contributions are reviewed first; trusted members publish directly.
Experts et entreprises pour ce sujet
Personne n'a encore indiqué ce sujet. Ajoutez-le à votre profil.
Maintenu par Mirko Peters (Microsoft MVP) · Dernière mise à jour: