我们很荣幸地宣布，Metacog，一个在线学习分析平台的提供商，选择了Databricks来实现他们的整个产品apachespark环境。你可以在这里读新闻稿。Metacog帮助教育机构、企业和政府实体监测和分析个人如何处理开放式绩效任务，以评估是否达到了学习目标。通过使用机器学习技术对人们如何与评估互动进行评分，与传统的多项选择测试相比，Metacog的产品可以做出更准确和更有意义的评估。由于Metacog的客户可以根据其独特的学习需求定制每个评估，Metacog满足客户需求的能力取决于建立一个能够快速部署大量机器学习模型的平台。Metacog选择apachespark作为大数据引擎，因为它在执行ETL和为数十亿个数据点开发机器学习算法方面具有灵活性。事实证明，将apachespark投入生产非常具有挑战性。直接从开源构建Spark基础设施是不切实际的，因为保持Spark更新到最新版本需要花费太多的时间，而使用基于云的Spark提供商也失败了，因为他们提供的接口对于高效的应用程序开发和测试来说太初级了。结果，Metacog开发人员无法在开发期间在Spark集群上彻底测试他们的代码，并且在发布周期的后期出现了严重的bug，导致了严重的延迟。Metacog与Databricks合作是因为它提供了无与伦比的Spark专业知识和一个具有全功能api和可视化开发环境的完整平台。通过Databricks，Metacog自动化了Spark代码从概念到生产的整个测试、集成和交付，允许开发人员、数据科学家和DevOps团队无缝地：访问产品代码的最新版本。使用RealSpark集群在他们首选的工具集中开发和运行代码——除了使用内置的Databricks笔记本之外，允许团队将IntelliJ等ide与Databricks集成。合并改进，然后自动部署到镜像生产环境的共享阶段环境。Metacog架构-点击图片了解更多细节Databricks使Metacog的开发人员和数据科学家能够使用Spark集群而不是笔记本电脑上较小的模拟数据集，在真实数据上调整机器学习算法。对于Metacog的DevOps团队，Databricks帮助他们简化版本管理和服务器配置，同时通过自动化脚本优化成本。使用Databricks，Metacog构建了一个高性能的Spark应用程序开发和持续集成系统，使他们能够：将发行节奏从每年12次增加到24次。实现28%的基础设施节约。人员入职时间减少75%。重新分配20%的工程时间从维护到产品开发。下载此案例研究以了解有关Metacog如何使用Databricks的更多信息。为了自己试用Databricks，今天就报名参加为期14天的免费试用！免费试用Databricks。今天就开始吧