Big data uso de herramientas, Esquemas y mapas conceptuales de Idioma Alemán

¡Descarga Big data uso de herramientas y más Esquemas y mapas conceptuales en PDF de Idioma Alemán solo en Docsity!

CUADRO DE EXPOSICIÓN

N° de orden Integrante Tema a exponer 1 Kimberly Giomara torres rojas 2 Tito Escalante Cristhian 3 Sandoval Bances Cesar Joel 4 Ipanaque Effio Xiomara 5 Daniela Chumacero Castillo

“AÑO DE LA UNIDAD, LA PAZ Y EL DESARROLLO”

Tema: Herramientas de analítica para el procesamiento del análisis de datos en big data desde un enfoque de la metodología del procesamiento de datos. Curso: Big data aplicada a los negocios Profesora: Guillermo Fernando Marcas Huaranga Integrantes:  Torres Rojas Kimberly Giomara  Sandoval Bances Cesar Joel  Ipanaque Effio Xiomara  Chumacero Castillo Daniela Roxana  Tito Escalante Cristhian Lima-Perú 2023

Índice

5.MARCO TEÓRICO

5.1 METODOLOGÍA DE PROCESAMIENTO DE DATOS

Es la forma en que se aborda el proceso de recopilación, almacenamiento, procesamiento y análisis de datos. Esta metodología se basa en un enfoque sistemático y estructurado para garantizar que los datos se procesen de manera efectiva y eficiente para que se obtengan conclusiones precisas y útiles a partir de ellos. A) Tipos de metodología de procesamiento de datos:

- Procesamiento por lotes: Es una técnica utilizada para el procesamiento de grandes cantidades de datos por lotes. Este se ejecuta en un momento específico y procesa datos de forma secuencial, lo que puede ayudar a ahorrar tiempo y recursos en el procesamiento de tareas repetitivas como la facturación, la nómina y la contabilidad. - Procesamiento de flujos: Es una técnica en tiempo real que se utiliza para analizar y procesar datos que se generan continuamente en un flujo, como datos generados por sensores o dispositivos. Este tipo de procesamiento aporta un análisis más rápido de cantidades más pequeñas de datos que el procesamiento por lotes, lo que permite a las empresas tomar decisiones en tiempo real y responder a los cambios del mercado de forma rápida y efectiva. - Procesamiento de datos distribuido: Es una técnica en la que se procesan grandes conjuntos de datos mediante el uso de múltiples nodos de procesamiento que trabajan en paralelo. Cada nodo puede tener su propio conjunto de datos y procesarlos localmente, lo que permite una mayor escalabilidad y rendimiento del sistema en comparación con el procesamiento centralizado en una sola máquina. El procesamiento de datos distribuido se utiliza a menudo en aplicaciones de big data y análisis de datos, ya que permite procesar grandes volúmenes de datos de manera eficiente utilizando hardware de bajo costo y bajo consumo. B) Pasos del procesamiento de datos El procesamiento de datos puede o no puede distinguirse de la conversión de datos, que implica el cambio de datos en otro formato, y no implica ninguna manipulación de datos. Durante el procesamiento, los datos brutos se utilizan como una entrada para producir información como una salida, normalmente en forma de informes y otras herramientas analíticas. Los pasos de procesamiento de datos son los siguientes: - Recopilación de datos: Este es el primer paso en el procesamiento de datos. Los datos se obtienen de las fuentes disponibles, incluidos los archivos de testo y los almacenes de datos. Es importante que las

- Optimización de procesos y recursos : Permite identificar oportunidades de optimización en los procesos y recursos utilizados en una organización. Al analizar los datos, se pueden identificar ineficiencias, identificar áreas de mejora y optimizar recursos, lo que puede resultar en ahorro de costos y aumento de la eficiencia operativa. - Descubrimiento de insights y patrones ocultos: Es posible descubrir insights y patrones que no son visibles a simple vista. El análisis de datos puede revelar relaciones complejas o patrones ocultos en grandes volúmenes de datos, lo que puede conducir a descubrimientos significativos, nuevas oportunidades o soluciones innovadoras. - Mejora en la planificación y estrategia: Puede proporcionar una base sólida para la planificación estratégica y la toma de decisiones a largo plazo. Al analizar datos históricos, tendencias y proyecciones, se pueden obtener información valiosa para la planificación y formulación de estrategias empresariales, lo que permite una toma de decisiones más informada y acertada. - Mayor competitividad: Puede conferir una ventaja competitiva a las organizaciones. Al aprovechar los datos como recurso estratégico, las organizaciones pueden tomar decisiones más informadas, identificar oportunidades y optimizar procesos, lo que puede ayudar a mantenerse por delante de la competencia en un entorno empresarial competitivo. - Reproducibilidad y transparencia: Implica la documentación rigurosa de los pasos y técnicas utilizadas en el procesamiento de datos, lo que permite la reproducibilidad y la transparencia de los resultados obtenidos. Esto es especialmente importante en la investigación científica y en la generación de conocimiento, ya que permite a otros investigadores o partes interesadas verificar y validar los resultados obtenidos. 5.2 HERRAMIENTAS ANALÍTICAS Las herramientas analíticas de Big Data son aplicaciones, recursos y programas que permiten a las empresas modernas procesar, analizar y visualizar grandes conjuntos de datos en distintos contextos. Estas herramientas pueden extraer información valiosa y proporcionar información significativa para la toma de decisiones. Entre las herramientas analíticas de big data tenemos las siguientes: A. Python Python es un lenguaje de programación ampliamente utilizado en las aplicaciones web, el desarrollo de software, la ciencia de datos y el machine learning (ML). Los desarrolladores utilizan Python porque es eficiente y fácil de aprender, además de que se puede ejecutar en muchas plataformas diferentes. El software Python se puede descargar gratis, se integra bien a todos los tipos de sistemas y aumenta la velocidad del desarrollo.

Características de la herramienta Python: -Tiene código abierto: Python es un lenguaje de programación de código abierto, lo que significa que su código fuente está disponible para cualquier persona para descargar y modificar. -Tiene lenguaje interpretado: Python es un lenguaje interpretado, lo que significa que ejecuta directamente el código líneo por línea. Si existen errores en el código del programa, su ejecución se detiene. Así, los programadores pueden encontrar errores en el código con rapidez. -Su lenguaje es fácil de utilizar: Python utiliza palabras similares a las del inglés. A diferencia de otros lenguajes de programación, Python no utiliza llaves. En su lugar, utiliza sangría. -Su lenguaje es de alto nivel: Python es más cercano a los idiomas humanos que otros lenguajes de programación. Por lo tanto, los programadores no deben preocuparse sobre sus funcionalidades subyacentes, como la arquitectura y la administración de la memoria. -Su lenguaje de programación es orientado a objetos: Esto quiere decir que reconoce el concepto de encapsulación de clases y objetos, lo que hace que lo que se codifique con Python es más eficiente a largo plazo. -Tiene una gran cantidad de bibliotecas: Cuenta con una gran cantidad de bibliotecas de código abierto que permiten a los analistas de datos realizar tareas de análisis y visualización de datos con facilidad. Algunas de las bibliotecas más populares de Python son: -Matplotlib: Los desarrolladores utilizan Matplotlib para trazar los datos en gráficos de dos y tres dimensiones (2D y 3D) de alta calidad. Por lo general, se utiliza en las aplicaciones científicas. Con Matplotlib, puede visualizar los datos mostrándolos en diferentes gráficos, como los gráficos de barras y los de líneas. También puede trazar varios gráficos de una sola vez, y estos se pueden trasladar a todas las plataformas. -Pandas: Proporciona estructuras de datos optimizadas y flexibles que se pueden utilizar para manipular datos de serie temporal y datos estructurados, como las tablas y las matrices. Por ejemplo, puede utilizar Pandas para leer, escribir, combinar, filtrar y agrupar datos. Muchas personas lo utilizan para las tareas de ciencia de datos, análisis de datos y ML. -NumPy: Es una conocida biblioteca que utilizan los desarrolladores para crear y administrar matrices, manipular formas lógicas y efectuar operaciones de álgebra lineal con facilidad. NumPy admite la integración a muchos lenguajes, como C y C++. -Requests: Proporciona funciones útiles que se necesitan para el desarrollo web. Puede usarla para enviar solicitudes HTTP; agregar encabezados, parámetros de URL y datos; y llevar a cabo muchas más tareas cuando se comunica con aplicaciones web. -OpenCV-Python: Es una biblioteca que los desarrolladores utilizan para procesar imágenes para las aplicaciones de visión artificial. Proporciona muchas funciones para las tareas de procesamiento de imágenes, como la lectura y la escritura simultáneas de imágenes, la

Apache Hadoop es un entorno de trabajo para software, bajo licencia libre, para programar aplicaciones distribuidas que manejen grandes volúmenes de datos (big data). Permite a las aplicaciones trabajar con miles de nodos en red y petabytes de datos. Hadoop se inspiró en los documentos de Google sobre MapReduce y Google File System (GFS). Hadoop es un proyecto de la organización Apache que está siendo construido y usado por una comunidad global de contribuyentes, mediante el lenguaje de programación Java. Yahoo! ha sido el mayor contribuyente al proyecto, y usa Hadoop extensivamente en su negocio. Características de la herramienta Hadoop:

• Tiene un procesamiento distribuido.
• Es muy eficiente.
• Económico.
• Fácilmente escalable.
• Tolerante a fallos. Entre sus usos populares actuales se cuentan:
  • Almacenaje y archivo de datos de bajo costo: El costo accesible del hardware comercial hace que Hadoop sea útil para almacenar y combinar datos tales como transacciones, medios sociales, de sensores, de máquinas, científicos, secuencias de clics, etc. El almacenaje de bajo costo le permite conservar información que no se considera decisiva en el momento pero que podría desear analizar más adelante.
  • Caja de arena para descubrimiento y análisis: Como Hadoop fue diseñado para sortear grandes volúmenes de datos en diversas formas, puede ejecutar algoritmos analíticos. La analítica del big data en Hadoop puede ayudar a su organización a operar con mayor eficiencia, descubrir nuevas oportunidades y obtener una ventaja competitiva de siguiente nivel.
  • Data Lake Los lagos de datos (data lakes) permiten almacenar datos en su formato original exacto. La meta es ofrecer una vista de los datos cruda o no refinada a científicos y analistas de datos para que realicen tareas de descubrimiento y analítica. Les ayuda a formular preguntas nuevas o difíciles sin restricciones. Los data lakes no son un reemplazo de los almacenes de datos. De hecho, cómo proteger y gobernar lagos de datos es un tema de gran interés para las áreas de TI. Pueden apoyarse en técnicas de federación de datos para crear estructuras de datos lógicas.
  • Complemente su almacén de datos Ahora vemos que Hadoop comienza a situarse a un lado de los entornos de almacenes de datos, además de que ciertos conjuntos de datos se llevan del almacén de datos a Hadoop o que datos nuevos se van directamente a Hadoop. La meta final para toda organización es tener una plataforma correcta para almacenar y procesar datos de diferentes esquemas, formatos, etc. para justificar diferentes casos de uso que se puedan integrar en diferentes niveles.

D) Apache Spark Apache Spark es un motor ultrarrápido para el almacenamiento y procesamiento de código abierto de alta velocidad que permite analizar grandes volumes de datos de manera rápida y eficiente. Fue desarrollada por el equipo de la Universidad de California en Berkeley y liberada como un proyecto de código abierto en 2010. Apache Spark se basa en una arquitectura en clúster, significa que los datos son procesados por diversas computadoras que trabajan en conjunto. Esta herramienta ofrece una potencia de procesamiento distribuido que acelera la detección de patrones en los datos, la clasificación organizada de información, la ejecución de cálculos intensivos y el procesamiento paralelo en clúster. Además, Spark cuenta con una amplia gama de bibliotecas y herramientas integradas, lo que la hace especialmente útil en áreas como el análisis financiero, la investigación científica y el marketing digital, entre otros. Los componentes principales que integran y potencian apache spark son los siguientes: Spark Core : Es el motor central de Spark y proporciona las funcionalidades básicas para la gestión y procesamiento de datos, incluyendo el control y programación de tareas, la gestión de memoria y la recuperación de fallos. Spark SQL : Es un módulo de Spark que permite a los usuarios trabajar con datos estructurados utilizando SQL (Structured Query Language), lo que significa que los usuarios pueden utilizar SQL para consultar y manipular datos en Spark, lo que hace que sea más fácil para los usuarios de SQL integrar Spark en su flujo de trabajo. Spark Streaming: Es un módulo que permite el procesamiento de grandes cantidades de datos en tiempo real mediante la ingestión de datos continuos y el procesamiento de los mismos. Es especialmente útil en aplicaciones de datos en tiempo real, como la detección de fraudes, la monitorización de redes o el análisis de sentimiento en las redes sociales. Spark MLlib (Machine Learning Library): Es una biblioteca de aprendizaje automático que proporciona una amplia gama algoritmos de aprendizaje para la minería de datos y la predicción, lo que permite a los usuarios la clasificación, la regresión, el filtrado colaborativo y la reducción de dimensiones en grandes conjuntos de datos de manera eficiente. GraphX: Esta biblioteca está diseñada para simplificar el procesamiento de grafos a gran escala y permitir la construcción de aplicaciones de análisis de grafos escalables. Esto permite a los usuarios realizar extracción, transformación y carga de datos de grafos en un mismo entorno. Además, GraphX está integrado con otras bibliotecas de Spark, como Spark SQL y MLlib, lo que permite la construcción de aplicaciones más complejas y completas de análisis de datos. E) Apache Storm Apache Storm es un sistema que sirve para procesar datos en tiempo real desde múltiples fuentes de manera distribuida, tolerante a fallos y en alta disponibilidad. Storm está principalmente pensado para trabajar con datos que deben ser analizados en tiempo real, por ejemplo datos de sensores que se emiten con una alta frecuencia o datos que provengan de las redes sociales donde a veces es importante saber qué se está compartiendo en este momento.

• Conectividad a múltiples fuentes de datos:
• Integración con herramientas de análisis de datos
• Seguridad H) MongoDB Se trata de una base de datos NoSQL (base de datos no relacional) gratuita y optimizada para trabajar con grupos de datos que varían con frecuencia, o que son semiestructurados. Es una base de datos distribuida en su núcleo por lo que la alta disponibilidad, escalabilidad y distribución ya se encuentran integradas. Se emplea para almacenar datos de aplicaciones móviles y de sistemas de gestión de contenidos, entre otros. Es empleada por compañías como Bosch y Telefónica. Características principales:
• Tiene una potente sintaxis de cara a las consultas
• Soporte para SQL
• Transacciones
• Base de datos distribuida con gran escalabilidad vertical y horizontal
• Permite ejecutar consultas pasando directamente código JavaScript 5.3 BENEFICIOS DE LAS HERRAMIENTAS ANALÍTICAS A) Python :
• Amplia comunidad y ecosistema de librerías: Python cuenta con una gran comunidad de usuarios y desarrolladores, lo que ha llevado a un rico ecosistema de librerías y herramientas específicas para el análisis de datos, como NumPy, pandas, Matplotlib, SciPy, scikit-learn y TensorFlow, entre otros.
• Facilidad de uso y sintaxis legible: Python es conocido por su sintaxis legible y fácil de entender, lo que lo hace accesible para usuarios tanto novatos como experimentados en programación. Esto hace que Python sea una herramienta amigable para aquellos que se inician en el análisis de datos o aquellos que vienen de diferentes disciplinas y desean utilizarlo como herramienta analítica.
• Versatilidad y flexibilidad: Python es un lenguaje de programación versátil que se puede utilizar en una amplia gama de aplicaciones, incluyendo análisis de datos, aprendizaje automático, visualización de datos, procesamiento de imágenes, procesamiento de texto y más. Esto hace que Python sea adecuado para una variedad de tareas en el campo del análisis de datos, lo que lo convierte en una herramienta flexible y adaptable.
• Integración con otras herramientas y tecnologías: Python se integra bien con otras herramientas y tecnologías utilizadas en el campo del análisis de datos, como bases

de datos, sistemas de almacenamiento distribuido, herramientas de visualización y otras librerías de análisis y procesamiento de datos. Esto permite a los usuarios aprovechar las capacidades de Python en combinación con otras herramientas y tecnologías para llevar a cabo análisis de datos más avanzados y completos.

• Código abierto y comunidad activa: Python es un lenguaje de código abierto con una comunidad de desarrollo activa y comprometida. Esto significa que hay una gran cantidad de recursos disponibles en línea, incluyendo documentación, tutoriales, ejemplos de código y soporte comunitario, lo que facilita el aprendizaje y la resolución de problemas en el análisis de datos con Python.
• Escalabilidad y rendimiento: Python ofrece opciones para mejorar el rendimiento y la escalabilidad en el análisis de datos, como el uso de librerías optimizadas numéricamente y la posibilidad de paralelizar y distribuir tareas de análisis en clústeres o en la nube B) R R es una herramienta popular en el análisis de datos debido a su facilidad de uso, la gran cantidad de paquetes y herramientas disponibles y su capacidad para manipular y visualizar datos. Algunos de los principales beneficios de R en el contexto de Big Data son:
• Análisis estadístico avanzado: R es una herramienta poderosa para el análisis estadístico avanzado, lo que lo convierte en una herramienta valiosa para el análisis de datos de cualquier tamaño y complejidad.
• Visualización de datos: R tiene una gran capacidad para la visualización de datos, lo que permite la interpretación de grandes conjuntos de datos de manera efectiva y fácilmente comprensible.
• Automatización: R permite la automatización de tareas repetitivas en el análisis de datos, lo que puede ahorrar tiempo y aumentar la eficiencia. C) Apache Hadoop
• Escalabilidad: Permite escalar horizontalmente el procesamiento de datos en clústeres de servidores, lo que permite manejar grandes volúmenes de datos y escalar el sistema según las necesidades del negocio.
• Tolerancia a fallos: Es altamente tolerante a fallos, lo que significa que puede recuperarse automáticamente de errores y fallos en el hardware o software de los nodos del clúster. Esto garantiza la confiabilidad y disponibilidad de los datos y aplicaciones almacenadas en Hadoop.
• Procesamiento distribuido: Distribuye automáticamente los datos y el procesamiento en múltiples nodos del clúster, lo que permite realizar operaciones de procesamiento de datos de forma paralela y rápida. Esto permite procesar grandes volúmenes de datos en un tiempo más corto.

• Herramientas de análisis de datos avanzados: Incluye herramientas de análisis de datos avanzados, como aprendizaje automático y procesamiento de gráficos, lo que permite a las organizaciones obtener información más detallada y precisa de sus datos. E) Apache Storm
• Procesamiento en tiempo real: Permite procesar datos en tiempo real a medida que se generan, lo que es ideal para aplicaciones que requieren una respuesta en tiempo real, como el análisis de datos en tiempo real, detección de anomalías, monitoreo de redes, etc.
• Escalabilidad: Permite escalar horizontalmente, lo que significa que puede manejar grandes volúmenes de datos. Esto permite un procesamiento eficiente de grandes volúmenes de datos en tiempo real y garantiza un rendimiento óptimo.
• Tolerancia a fallos: Es una herramienta robusta y tolerante a fallos que garantiza que el procesamiento continúe incluso si hay fallas en uno o más nodos del clúster. Esto garantiza una alta disponibilidad y confiabilidad del sistema, lo que es esencial para aplicaciones en tiempo real.
• Fácil integración: Se puede integrar fácilmente con otras herramientas y tecnologías de Big Data, como Hadoop, Kafka, Cassandra, y más. Esto permite una integración suave con el ecosistema de Big Data existente y una mayor flexibilidad en el diseño de la arquitectura de procesamiento en tiempo real.
• Soporte para múltiples lenguajes de programación: Ofrece soporte para múltiples lenguajes de programación, incluyendo Java, Scala y Python, lo que permite a los desarrolladores utilizar su lenguaje de programación preferido para desarrollar aplicaciones de procesamiento en tiempo real.
• Comunidad activa y madura: Apache Storm es una herramienta de código abierto respaldada por una comunidad activa y madura de desarrolladores, usuarios y contribuyentes. Esto significa que hay una amplia base de conocimientos, documentación y soporte disponible para los usuarios de Apache Storm. F) Elasticsearch
• Búsqueda rápida y eficiente: Utiliza un motor de búsqueda distribuido y en tiempo real que permite realizar búsquedas rápidas y eficientes de datos.
• Proporciona capacidades de búsqueda avanzadas, como búsqueda de texto completo, búsqueda geoespacial, búsqueda por rango y búsqueda por facetas.

• Escalabilidad horizontal: Esta diseñado para ser altamente escalable, lo que significa que puede manejar grandes volúmenes de datos y altas tasas de solicitudes de búsqueda y escritura.
• Flexibilidad de datos: Es un motor de búsqueda basado en documentos, lo que significa que no tiene un esquema fijo para los datos.
• Análisis en tiempo real: Permite realizar análisis en tiempo real de los datos indexados, lo que permite obtener información actualizada y relevante sobre los datos.
• Robustez y tolerancia a fallos: Está diseñado para ser robusto y tolerante a fallos. Además, cuenta con características de recuperación automática y detección de nodos caídos, lo que lo hace adecuado para entornos de producción. G) Apache Drill
• Análisis de datos en tiempo real: Permite a las empresas realizar análisis de datos en tiempo real en grandes volúmenes de datos distribuidos para una toma de decisiones más rápida y basada en datos en tiempo real, lo que puede ser especialmente valioso en entornos empresariales dinámicos y competitivos.
• Flexibilidad en el procesamiento de datos: Permite consultar datos con esquemas flexibles, lo que significa que no es necesario definir un esquema fijo de antemano. Esto proporciona a las empresas flexibilidad en el procesamiento de datos semi- estructurados o no estructurados, lo que les permite aprovechar datos en formatos como JSON, Parquet, Avro, XML, CSV, entre otros.
• Integración con diversas fuentes de datos: Se puede conectar a una amplia variedad de fuentes de datos, incluyendo bases de datos SQL, sistemas de archivos como Hadoop HDFS y Amazon S3, bases de datos NoSQL como MongoDB y HBase, y muchos otros tipos de datos. Esto permite consolidar y analizar datos de múltiples fuentes, lo que puede mejorar la toma de decisiones basada en datos.
• Rendimiento escalable: Es una herramienta de procesamiento de datos distribuida que se puede ejecutar en un clúster de nodos, lo que permite el procesamiento paralelo de grandes volúmenes de datos para un rendimiento escalable y eficiente. Esto permite manejar grandes cantidades de datos y realizar consultas complejas en tiempo real.
• Integración con herramientas de análisis de datos: Se integra con varias herramientas de análisis de datos populares, como Tableau, Qlik, Apache Zeppelin y más. Esto permite utilizar Apache Drill como una capa de procesamiento distribuido para habilitar el análisis interactivo de datos en tiempo real en estas herramientas de visualización y análisis de datos.

• Lentitud.
• El consumo de memoria de Python es muy alto, y esto se debe a la flexibilidad de los tipos de datos.
• No es adecuado para el desarrollo móvil. B) R Ventajas:
• Maneja grandes conjuntos de datos gracias a su capacidad para trabajar con archivos de datos externos, lo que permite el análisis de datos de cualquier tamaño.
• Trabaja con diferentes tipos de datos, incluyendo datos estructurados y no estructurados.
• Su uso es gratuito. Solo es necesario descargarse el programa en su web oficial.
• Amplia comunidad de usuarios.
• Cuenta con una gran variedad de paquetes y herramientas disponibles para su uso en el análisis de datos. Desventajas: - No soporta gráficos en tres dimensiones.
• Su lentitud le resta efectividad y competitividad.
• Los algoritmos no están unificados.
• Sus restricciones y su incompatibilidad con otros lenguajes de programación impiden que se pueda usar para crear aplicaciones web.
• Su actualización es constante. C) Apache Hadoop Ventajas:
• Permite escalar el sistema según crece el volumen de datos recibidos.

• ofrece un sistema altamente eficiente, con una gran capacidad de procesamiento y una alta velocidad.
• Tolera diferentes lenguajes de programación, pudiendo emplear, por ejemplo, lenguaje R o Python.
• Es una licencia de software libre o código abierto, eso quiere decir que adquirirlo no tiene ningún coste.
• Permite crear los llamados lagos de datos (data lakes) sin necesidad de procesar los datos previamente, sean estos datos estructurados o no estructurados.
• Al operar a través de diferentes nodos es que, si uno falla, ni la estructura ni los datos se ven comprometidos, puesto sus tareas son pasan a otro de los nodos. Desventajas:
• Falta de personal técnico que pueda implementarlo y esta carencia puede generar problemas de soporte en caso de falta de conocimientos.
• Sus servicios son caros.
• Actualizaciones constantes por las nuevas versiones que salen, las cuales implican problemas para implementarla.
• Al estar optimizado para escalar, se sacrifican algunas características que en entorno empresarial son importantes, como la seguridad o el procesamiento en tiempo real.
• La integración con Hadoop no es fácil. Por lo tanto, hay menos opciones de conectividad, lo que supondrá un problema a la hora de integrar la información. D) Apache spark Ventajas:
• Al ser 100% open source (código abierto), permite a los usuarios personalizar y modificar el software de acuerdo con sus necesidades específicas.
• Simplifica el proceso de desarrollo de soluciones inteligentes y mejora el desempeño de aplicaciones dependientes de datos.
• Al trabajar en memoria, Apache Spark mejora significativamente el rendimiento de aplicaciones dependientes de datos.
• Otorga escalabilidad en su potencia al introducir más procesadores en el sistema, lo que significa que puede manejar grandes volúmenes de datos.