大数据作业从概念验证阶段转向实生产服务,我们必须开始思考万事大错时会发生什么(例如推荐不适当产品或对不良数据作出其他决策)。这场谈话会试图说服你们, 最终我们都上失败船(特别是有~40%受试者自动部署Spark作业结果制作), 以及它的重要性即自动识别出事出错后,
出题出错比初次出现要难,因为我们想在用户发现错误前抓住错误(或非发现错误后CNN发现错误)。探索泛泛验证技术, 研究人验证生产环境大数据作业响应, 并研究可帮助我们编写基于历史数据相对验证规则的库
面向流水作业者,我们将讨论尝试实时系统验证的独特挑战,以及除保持更新恢复文件出错后我们能做的。并展示数张创用通用猫图片和一只可爱熊猫GIF
所见Holden先前测试Spark商谈可视之为下半深度下潜, 聚焦于除建立生产质量管道的良好测试实践外我们还需要做什么未看过测试讲义 后看YouTube
会话标签#SAISDD4
bob下载地址Holden是加拿大变性开源开发者,高性能spark和Kubeplook支持机器学习她是Apachespark的委托人和PMC大数据圈套同时努力改善搜索推荐系统 早已忘记原创目标